L'IA au ministère des armées : la plateforme interne

Le ministère des armées a son propre agent conversationnel, hébergé sur ses propres infrastructures. Guillaume Vimont, chef du centre d’expertise données et IA du secrétariat général pour l’administration, dirige l’équipe d’ingénieurs et de chercheurs qui l’a construit. Il explique ce que la plateforme sait faire, pourquoi l’humain reste systématiquement en position de valideur, et où se situe réellement la frontière de la souveraineté quand on ne fabrique pas ses propres processeurs.

Ce qu’il faut retenir de cet épisode

Le ministère dispose de ses propres GPU, stockage et réseau : les modèles tournent en interne, les données ne sortent pas.
La plateforme est un assemblage de « briques » : transcription, OCR, traduction, synthèse, agent conversationnel, génération d’images et de voix, anonymisation.
Pas d’autonomie totale : à cause des hallucinations, « l’humain restera toujours en position de valideur ».
La motivation première est défensive : éviter le shadow AI, c’est-à-dire l’usage d’outils grand public pour du travail sensible.
Sur la souveraineté, il est net sur la limite : « on ne produit pas encore nos propres GPU ».
Le vrai nerf de la guerre n’est pas le modèle mais la puissance de calcul — un rattrapage de modèle se fait vite, pas un parc de machines.

Du CNRS au ministère des armées

Guillaume Vimont vient de la recherche — une thèse, puis quelques années au CNRS. Il rejoint le ministère des armées pour deux raisons qu’il assume : mettre en pratique des concepts d’informatique fondamentale, et le faire dans le domaine de la défense.

Il dirige aujourd’hui, au sein du SGA, une équipe d’ingénieurs et de chercheurs chargée de mettre en place des systèmes intégrant de l’intelligence artificielle et de valoriser les données du ministère.

Une précision de périmètre qu’il pose d’emblée, et qui compte : son service ne fait pas d’IA à finalité militaire. Cela relève de l’état-major, de la DGA et de l’agence ministérielle dédiée. Lui travaille sur les métiers administratifs et d’état-major — « pour leur mettre à disposition de nouveaux outils qui leur permettront de gagner en efficacité, ou d’atteindre des objectifs très difficilement atteignables avec des moyens traditionnels ».

Pourquoi maintenant ? Deux facteurs, pas plus

Interrogé sur l’ancienneté du sujet, il refuse le récit de la nouveauté. Le ministère fait de l’IA « depuis quelques décennies » — beaucoup se souviennent des systèmes experts, qui ont d’ailleurs toujours leur place. Ce qui a changé, c’est la visibilité : des systèmes cantonnés à des niches techniques sont devenus des outils du quotidien.

Et il n’attribue la bascule qu’à deux facteurs :

l’explosion des capacités de calcul, portée par les GPU ;
des jeux de données massivement plus grands pour l’entraînement.

Les architectures neuronales, elles, sont proches de ce qui existait auparavant. « Je ne vois pas forcément d’autre chose qui aurait autant d’importance. »

Il ajoute un facteur perceptif : ce qui rend l’IA générative si sensible pour l’utilisateur, c’est qu’on lui parle en langage naturel et qu’elle produit du contenu. Ce n’est pas une rupture technique, c’est une rupture d’interface.

Les « briques » de la plateforme

C’est la partie la plus concrète de l’épisode. La plateforme n’est pas un produit unique mais une collection de briques, chacune répondant à un besoin métier identifié.

Les « essentiels », déjà en service :

Transcription de la voix vers le texte — « éviter d’avoir à écouter des audios de plusieurs heures pour savoir si oui ou non on parlait de tel sujet ».
Reconnaissance optique de caractères : un PDF-image devient un document manipulable. « Même si ça fait gagner dix minutes, sur un million de documents par an, le gain n’est pas négligeable. »
Traduction.
Synthèse de documents, pour éplucher davantage de textes à partir d’une version condensée.
Agent conversationnel, comparable dans son usage aux plateformes grand public.
Recherche d’information dans des corpus massifs.

Et celles qui arrivent : génération d’images (pour les services de communication), génération de voix à partir d’un texte (pour éviter de refaire des voix off), et surtout anonymisation de contenu — cette étape réglementaire chronophage où il faut masquer les données à caractère personnel avant analyse.

Il insiste sur la logique d’ensemble : chaque brique répond à un besoin métier réel, et l’objectif est de rendre le métier autonome, pas de lui livrer une boîte noire.

L’humain reste le valideur

Fred pose la question de l’autonomie complète. La réponse est sans ambiguïté : non, et pas par prudence de façade.

La raison est technique : les hallucinations — ces cas où le système produit quelque chose qui « n’a pas lieu d’être, qui n’est pas forcément juste ». Il faut donc un savoir humain pour trancher.

« Ce contrôle est indispensable à l’heure actuelle. C’est aussi le seul moyen d’investir ces sujets — sinon on générerait trop d’externalités négatives, et ça rendrait caduque toute l’initiative. »

Il décrit d’ailleurs l’apport de l’IA à la décision de manière volontairement modeste : au-delà de trois ou quatre dimensions, un être humain se projette difficilement. La machine permet d’en traiter davantage, et donc de porter plus de paramètres à la connaissance du décideur. Ce sont des suggestions, pas des décisions.

Souveraineté : où placer le curseur

C’est le passage le plus honnête de l’entretien, parce qu’il ne survend rien.

Côté acquis : le ministère dispose en propre des GPU, du stockage et du réseau nécessaires. Il a renforcé sa capacité à développer en interne et à maîtriser ses modèles. La création de l’agence ministérielle dédiée à l’IA de défense et la montée en puissance de centres comme le sien vont dans le même sens.

Côté limites, il les nomme lui-même :

« Tout dépend où on met le curseur de la souveraineté. On ne produit pas encore nos propres GPU, on est dépendants de certains marchés. »

Sa définition opérationnelle est donc précise : si être souverain, c’est faire tourner en propre, sur des infrastructures de confiance, des IA maîtrisées dont les données ne peuvent pas fuiter, « oui, on a déjà coché cette case, et depuis déjà quelques mois ». Si c’est maîtriser toute la chaîne jusqu’au silicium, non — et il rappelle qu’il existe très peu de fournisseurs de GPU et de solutions de stockage dans le monde.

Sur la construction des modèles, la méthode est celle de tout le monde : partir d’un modèle de fondation existant, puis l’adapter — le fine-tuning — avec les données propres au ministère, selon « une recette de cuisine », pour qu’il réponde aux exigences et aux contraintes maison.

Le shadow AI, ou pourquoi il fallait un outil interne

Fred pose la question que se posent beaucoup d’agents : quel risque à utiliser un outil grand public pour son travail ?

La réponse tient en un terme — le shadow AI — et en une conséquence : c’est précisément ce qui a poussé le ministère à proposer des solutions internes, « pour éviter le recours à des technologies que l’on ne maîtrise pas, en dehors de nos frontières », dans un cadre d’activité souvent jugé sensible.

Sur les usages malveillants, il replace le sujet dans une continuité : « les premiers ordinateurs n’avaient pas été conçus pour faire du déni de service ni pour siphonner des données bancaires ». Toute création produit ses externalités.

Son exemple est délibérément trivial et parlant : aujourd’hui, on repère un courriel d’escroquerie parce qu’il est mal écrit. Avec des outils capables de générer du texte impeccable, de fausses images et de fausses vidéos convaincantes, ce garde-fou disparaît. D’où l’investissement, en miroir, dans la détection — fausse vidéo, voix trafiquée, contenu généré automatiquement.

Et sa conclusion, qui vaut pour tous : la réponse est autant humaine que technique. « Ça passe aussi par la sensibilisation », menée en interne à différents niveaux.

Open source, doublons ministériels et coopération

Sur l’articulation public-privé, il donne une réponse de praticien : le lien entre tous ces acteurs, « c’est quand même essentiellement l’open source ». Parce que les chercheurs ont besoin de publier, de rendre leurs travaux visibles et de fédérer une communauté. « À un moment donné, on ne peut pas bosser en vase clos. » Il note au passage que les branches recherche des grands groupes technologiques sont souvent assez éloignées de leurs activités commerciales.

Il en tire une remarque qui répond à la question « vous êtes combien ? » :

« À travers une équipe de vingt ou trente personnes, vous avez en fait des milliers de personnes qui ont contribué à ce que l’on réalise. »

Sur les doublons entre ministères — plusieurs administrations développant chacune leur agent conversationnel —, il défend l’exploration parallèle. D’abord parce que certains réseaux sont fermés et spécifiques, ce qui interdit d’utiliser le service d’un autre. Ensuite parce que les problèmes ne sont pas les mêmes selon le domaine : « dans le juridique, vous n’avez pas les mêmes problématiques d’hallucination que dans le financier ou dans les RH ».

D’où sa position : le sujet n’est pas de réduire le nombre d’initiatives, mais de favoriser le partage des retours d’expérience pour capitaliser collectivement.

La France est-elle en retard ?

Il suit ce que fait l’OTAN, qui déploie déjà des outils intégrant de l’IA, ainsi que d’autres pays. Son verdict est rassurant sans être complaisant : « on est loin d’être en retard sur ces sujets ». Comparant sa plateforme à ce qui se fait ailleurs, il constate « très peu d’écart » — tout le monde suit les mêmes sources et applique les mêmes recettes, ce qui produit une forme de standardisation.

Mais il déplace le critère, et c’est son point le plus stratégique :

« Le nerf de la guerre, c’est la capacité de calcul. Un retard de modèle se rattrape assez vite d’une génération à l’autre. »

Concrètement : un centre de données équipé de GPU vieux de quatre ou cinq ans peine à faire tourner les modèles récents de plusieurs dizaines de milliards de paramètres. Rester à l’état de l’art suppose donc un renouvellement régulier du matériel — avec un coût et une complexité de gestion réels.

Interrogé sur le modèle chinois qui a fait grand bruit, sa lecture est mesurée. L’architecture proposée — un mélange d’experts — existait depuis deux ou trois ans et avait déjà été employée par d’autres acteurs, y compris européens. L’intérêt réel portait sur les aspects computationnels. Et l’épisode a surtout servi de cas d’école sur un autre risque : celui de modèles porteurs de biais idéologiques. « Ça a été extrêmement éphémère », et cela ne lève aucun des verrous scientifiques actuels.

Les verrous qui restent

Il en cite trois pour les IA génératives : répondre sans halluciner ; travailler sur une quantité d’information réellement massive plutôt que sur un sous-ensemble ; et introduire des structures logiques pour que tout ne repose pas uniquement sur des mécanismes probabilistes.

Il termine sur une observation que peu de gens font, et qui dit beaucoup de la période : le délai entre une publication académique et son intégration dans le monde réel s’est effondré. « Je ne sais même pas si on parle en mois aujourd’hui. On est plutôt de l’ordre de la semaine. » Une fréquence d’allers-retours entre recherche et terrain qui, selon lui, n’a jamais été observée dans d’autres disciplines.

Questions fréquentes

Le ministère des armées utilise-t-il ChatGPT ?

Non : il dispose de sa propre plateforme, déployée sur ses infrastructures internes, avec ses propres GPU, son stockage et son réseau. Les modèles y tournent en interne et les données qui y transitent ne sortent pas du périmètre ministériel. L’un des objectifs assumés de ce déploiement est justement d’éviter le recours à des outils grand public pour des activités sensibles.

Qu’est-ce que le shadow AI ?

C’est l’usage, par des agents ou des salariés, d’outils d’intelligence artificielle non validés par leur organisation — typiquement une plateforme publique en ligne — pour traiter des documents professionnels. Le risque est double : la donnée quitte le périmètre maîtrisé, et l’organisation n’a aucune visibilité sur ce qui est envoyé. La parade la plus efficace consiste à fournir une alternative interne crédible.

Qu’est-ce qu’une hallucination ?

C’est le cas où un modèle génératif produit une réponse plausible mais fausse — une information qui « n’a pas lieu d’être ». C’est la raison pour laquelle, dans les usages décrits ici, un humain valide systématiquement le résultat : sans ce contrôle, le volume d’erreurs annulerait le bénéfice de l’outil.

Qu’est-ce qu’un modèle de fondation et le fine-tuning ?

Un modèle de fondation est un grand modèle pré-entraîné à usage général — texte, image ou autre — souvent mis à disposition par des communautés open source. Le fine-tuning, ou adaptation, consiste à le réentraîner sur ses propres données pour l’ajuster à un cadre d’emploi précis. C’est la démarche retenue par le ministère : partir d’un modèle existant plutôt que d’en construire un de zéro.

À écouter également

Pour aller plus loin sur Défense Zone

Défense Zone est un média indépendant consacré aux questions de défense et de sécurité. Ce podcast est disponible sur toutes les plateformes audio — Spotify, Deezer, Apple Podcasts — ainsi que sur notre chaîne YouTube. Pour soutenir notre travail, retrouvez notre magazine papier trimestriel et notre espace premium sur defense-zone.com.

#224 – Le ministère des armées lance son Chat GPT (GeniAl Intradef)