Quand votre IA parle à une autre IA : savez-vous réellement où circule votre savoir organisationnel?

L’intelligence artificielle s’installe rapidement dans les entreprises et les organisations gouvernementales. Des employés l’utilisent pour analyser des documents, résumer des rapports, écrire du code, préparer des présentations, rechercher de l’information, structurer des décisions et accélérer une multitude de tâches quotidiennes. À mesure que les agents IA apparaissent, cette intégration progresse encore davantage : l’intelligence artificielle peut désormais accéder directement à certaines applications, consulter des documents, interroger des bases de données, utiliser des API et intervenir dans des processus opérationnels.

Ces capacités peuvent produire des gains considérables. Elles créent également une nouvelle réalité : une partie du savoir organisationnel commence à circuler à travers des infrastructures d’intelligence artificielle dont les utilisateurs ne connaissent pas nécessairement toutes les composantes.

Un événement récent entourant Moonshot AI, l’entreprise derrière les modèles Kimi, et Anthropic permet de mesurer l’importance de cette question. Dans un premier temps, les autorités américaines ont accusé Moonshot d’avoir utilisé les capacités de Claude pour accélérer le développement de Kimi par des techniques de distillation. Ces accusations ont alimenté un débat, notamment sur la chronologie avancée et sur ce qu’elle permettait réellement d’expliquer.

Quelques semaines plus tard, Anthropic a formulé des allégations beaucoup plus précises. Selon l’entreprise, Moonshot aurait relayé certaines requêtes de ses propres utilisateurs vers Claude et récupéré des éléments de ces échanges. Anthropic affirme que ces opérations auraient représenté plus de 23 millions d’échanges entre mai et juillet 2026 et que certaines requêtes contenaient des informations sensibles provenant d’utilisateurs qui croyaient interagir uniquement avec Kimi.

Au-delà des dimensions commerciales, technologiques et géopolitiques de cette affaire, une question beaucoup plus universelle apparaît pour les organisations : lorsqu’un employé transmet une information à une intelligence artificielle, savons-nous réellement qui la reçoit, où elle circule et ce qui peut ensuite en être fait?

Pour une entreprise ou une organisation gouvernementale, le principal enseignement de cette situation concerne la chaîne de confiance. Lorsqu’un utilisateur ouvre une interface d’intelligence artificielle, il voit généralement une marque, un produit et une fenêtre de conversation. Cette simplicité apparente peut masquer une architecture beaucoup plus complexe.

Derrière cette interface peuvent intervenir plusieurs fournisseurs. Le service visible peut utiliser un modèle développé par une autre entreprise. Certaines requêtes peuvent être dirigées vers différents modèles selon leur nature. Une fonction de recherche peut utiliser un service externe. Un agent peut appeler plusieurs API. Les données peuvent traverser une plateforme d’orchestration, une infrastructure cloud et différents systèmes spécialisés avant que la réponse soit finalement présentée à l’utilisateur. L’expérience demeure simple. La chaîne technologique, elle, peut être longue.

Cette distinction prend toute son importance lorsqu’une organisation utilise l’intelligence artificielle avec ses propres informations. Selon Anthropic, certaines requêtes adressées à Kimi auraient été relayées vers Claude sans que les utilisateurs concernés sachent nécessairement que leurs données étaient transmises à un autre fournisseur. L’entreprise affirme que certains échanges comportaient notamment du code interne, des identifiants actifs et des informations provenant d’organisations gouvernementales ou d’entreprises publiques.

Sans devoir arbitrer les accusations entre les entreprises concernées, la situation permet d’illustrer une faiblesse beaucoup plus générale. L’utilisateur connaît l’outil qu’il utilise. Il connaît beaucoup moins l’architecture qui se trouve derrière cet outil. Pour une organisation qui manipule des informations sensibles, cette différence peut devenir considérable.

Autoriser l’utilisation d’un service d’IA ne devrait donc plus reposer uniquement sur le nom affiché en haut de l’écran. Il faut comprendre l’ensemble de la chaîne de traitement. Quel modèle exécute réellement la requête? Où se trouve l’infrastructure? Le même modèle est-il toujours utilisé? Le fournisseur peut-il transmettre certaines requêtes à un sous-traitant? Les conversations sont-elles conservées? Peuvent-elles être utilisées pour l’entraînement? Quelles métadonnées sont enregistrées? Des services secondaires ou des API interviennent-ils dans le traitement?

Ces questions deviennent particulièrement importantes lorsque l’information concerne la propriété intellectuelle, les opérations, la défense, la recherche, des infrastructures critiques, des renseignements personnels ou des décisions stratégiques. Le problème dépasse alors largement la protection d’un fichier individuel. Il touche directement le savoir de l’organisation.

Pendant longtemps, une fuite d’information évoquait principalement un document volé, une base de données copiée ou un courriel envoyé au mauvais destinataire. L’intelligence artificielle modifie cette dynamique. Un employé peut aujourd’hui copier quelques pages d’un document stratégique dans une interface et transmettre en quelques secondes une connaissance qui a demandé des années à développer.

Cette connaissance peut prendre la forme de code source, d’une architecture technique, d’un processus industriel, d’une analyse de marché, d’une stratégie commerciale, d’une procédure opérationnelle, d’un modèle financier ou d’une succession de décisions qui révèlent ensemble comment l’organisation fonctionne. Chaque fragment peut sembler relativement banal. Leur combinaison peut représenter une part considérable de son avantage concurrentiel ou opérationnel.

Cette réalité oblige à élargir la notion de propriété intellectuelle. Les brevets, marques et logiciels demeurent évidemment importants, mais une grande partie du patrimoine stratégique d’une organisation réside dans son savoir-faire. Pourquoi telle décision a-t-elle été prise? Comment ce processus fonctionne-t-il réellement? Quels problèmes ont déjà été rencontrés? Quelle solution s’est révélée efficace? Quels clients présentent certaines contraintes? Quels fournisseurs sont particulièrement critiques? Quelle architecture est envisagée pour le prochain produit?

C’est précisément ce contexte qui rend l’intelligence artificielle tellement utile. Une IA générique peut posséder des capacités remarquables, mais elle devient beaucoup plus pertinente lorsqu’elle comprend l’organisation, ses documents, ses processus, son vocabulaire et ses contraintes. Un paradoxe apparaît alors : plus l’organisation partage ses connaissances avec l’IA, plus celle-ci peut créer de valeur; plus elle partage ses connaissances, plus elle doit maîtriser les conditions dans lesquelles celles-ci sont utilisées.

Une règle demandant simplement aux employés de ne jamais transmettre d’information confidentielle à un outil d’IA demeure utile, mais elle devient insuffisante. Un employé ne sait pas nécessairement qu’une information est sensible. Un document peut contenir principalement de l’information publique et quelques éléments stratégiques. Une application d’entreprise peut utiliser un modèle IA en arrière-plan sans que l’utilisateur interagisse directement avec celui-ci. Un assistant de programmation peut avoir accès au code et au contexte d’un projet entier.

L’arrivée des agents IA amplifie encore ce phénomène. Un chatbot attend généralement qu’un utilisateur lui fournisse de l’information. Un agent peut aller la chercher lui-même. Il peut consulter une boîte de courriel, ouvrir des documents, interroger une base de données, utiliser un CRM, appeler des API et déclencher certaines actions. La question n’est donc plus seulement de savoir ce qu’un employé décide volontairement de transmettre à l’IA. Il faut également savoir ce que l’IA possède elle-même l’autorisation de consulter et de transmettre.

L’identité numérique de l’agent devient alors fondamentale. Comme un employé, un agent devrait disposer d’une identité distincte et de permissions correspondant précisément à son rôle. Il n’a pas besoin d’accéder à l’ensemble des connaissances de l’organisation simplement parce qu’il est techniquement capable de les traiter. Les principes de moindre privilège, de Zero Trust et de Continuous Trust deviennent directement applicables aux agents IA : vérifier leur identité, limiter leurs accès, surveiller leur comportement et pouvoir modifier ou révoquer rapidement leurs permissions.

Cette transformation fait également de l’approvisionnement en IA un véritable enjeu de sécurité et de gouvernance. La qualité des réponses demeure évidemment un critère important lorsqu’une organisation choisit un fournisseur, mais elle ne suffit plus. Il faut également comprendre sa chaîne d’approvisionnement numérique. Qui fournit réellement le modèle? Qui fournit l’infrastructure? Quels sous-traitants interviennent? Quelles API sont utilisées? Où circulent les données? Quelles dépendances étrangères existent? Que se produit-il si le fournisseur change soudainement ses conditions, son architecture ou ses partenaires?

Le fournisseur visible peut n’être que la première couche d’une architecture beaucoup plus vaste.

Cette réalité conduit naturellement à la souveraineté numérique. Une organisation peut parfaitement héberger ses données au Canada tout en utilisant un service d’intelligence artificielle dont certaines requêtes sont traitées sous une autre juridiction. Elle peut exploiter un modèle local dont certaines fonctions reposent sur des API externes. Elle peut également développer sa propre application tout en demeurant dépendante d’un fournisseur étranger pour l’inférence, l’entraînement ou certaines capacités spécialisées.

La résidence des données constitue donc une partie de la souveraineté. La maîtrise de leur circulation en constitue une autre. Être souverain signifie également savoir où circule son information et conserver la capacité de changer lorsque cette circulation ne correspond plus aux intérêts de l’organisation.

Cette approche ne conduit pas nécessairement à héberger tous les modèles localement. Les services publics d’intelligence artificielle offrent une puissance, une diversité et une vitesse d’innovation extraordinaires. Pour de nombreux usages ne comportant aucune information sensible, ils peuvent constituer une excellente solution. Certaines catégories de connaissances peuvent toutefois justifier une architecture différente.

Une organisation qui travaille sur des technologies sensibles, des architectures de sécurité, des programmes gouvernementaux, des données réglementées ou une propriété intellectuelle stratégique peut avoir intérêt à utiliser certains modèles dans une infrastructure qu’elle contrôle davantage. Une IA privée ou souveraine peut permettre de maîtriser plus étroitement la résidence des données, les journaux, les accès, les modèles utilisés et les connexions avec d’autres systèmes.

Une architecture mature peut donc utiliser plusieurs catégories d’intelligence artificielle simultanément. Des modèles publics peuvent servir aux tâches générales. Des environnements d’entreprise bénéficiant de garanties contractuelles et techniques plus importantes peuvent traiter certaines informations internes. Des infrastructures privées ou souveraines peuvent être réservées aux connaissances les plus sensibles. La classification des données et du savoir organisationnel peut ensuite déterminer quels environnements sont appropriés pour quels usages.

L’intelligence artificielle devient alors une véritable architecture d’entreprise plutôt qu’une collection d’abonnements SaaS.

Cette évolution donne également une importance particulière à la gouvernance de la connaissance. Une organisation ne peut déterminer ce qu’une IA devrait pouvoir consulter si elle ne sait pas elle-même quelles connaissances elle possède, où elles se trouvent, quelle valeur elles ont et qui devrait pouvoir y accéder. C’est précisément l’un des rôles que peut jouer le Qb Knowledge Standard — QKS. Structurer et gouverner la connaissance permet de mieux l’exploiter avec l’IA, mais aussi de déterminer ce qui doit être classifié, protégé ou réservé à certains environnements.

La gouvernance de la connaissance et la gouvernance de l’IA deviennent ainsi profondément liées. Un agent chargé de soutenir les ventes n’a probablement pas besoin d’accéder à des documents de recherche confidentiels. Un assistant destiné aux ressources humaines n’a pas à consulter les architectures de cybersécurité. Un agent d’ingénierie peut avoir besoin de documentation technique sans pour autant disposer des mêmes droits qu’un administrateur système. Avant de donner davantage d’autonomie aux agents, il faut donc comprendre le savoir qu’ils seront autorisés à utiliser.

L’affaire Anthropic–Moonshot met également en lumière l’autre côté du problème : les modèles eux-mêmes peuvent constituer une propriété intellectuelle extrêmement précieuse. Une organisation qui développe ou entraîne ses propres modèles doit réfléchir à la manière de détecter les comportements susceptibles de chercher à en extraire systématiquement certaines capacités. Quelques requêtes effectuées par un utilisateur sont ordinaires. Des milliers de comptes générant des millions de requêtes méthodiquement structurées présentent un profil très différent.

L’analyse comportementale, la détection d’anomalies, la gestion des quotas, l’identité forte et la surveillance des API deviennent alors des mécanismes de protection de la propriété intellectuelle. La cybersécurité de l’IA fonctionne donc dans les deux directions : protéger l’organisation contre ce que ses usages de l’IA pourraient exposer et protéger ses propres capacités d’intelligence artificielle contre ceux qui chercheraient à en extraire la valeur.

Il faut toutefois éviter de confondre ce problème avec la distillation elle-même. La distillation est une technique légitime et largement utilisée en intelligence artificielle pour transférer certaines capacités d’un modèle vers un autre. L’enjeu apparaît lorsque des techniques sont employées en violation de droits, de conditions contractuelles ou de mécanismes de contrôle. Cette distinction est importante : une technologie n’est pas intrinsèquement problématique simplement parce qu’elle peut être utilisée d’une manière contestée.

Pour les dirigeants, l’enseignement demeure cependant très concret. Toute capacité technologique suffisamment précieuse finira probablement par susciter des tentatives visant à l’observer, la reproduire ou en extraire une partie de la valeur. Les organisations qui développent leurs propres actifs IA devront donc les considérer progressivement comme des actifs stratégiques nécessitant eux aussi une architecture de protection.

Cette architecture ne peut pas reposer uniquement sur une évaluation réalisée au moment de choisir le fournisseur. Une analyse de sécurité possède une date. Le fournisseur peut ajouter de nouveaux partenaires, modifier son infrastructure, changer ses conditions contractuelles, être acquis par une autre entreprise ou introduire de nouvelles fonctions. Un service peut également commencer à utiliser plusieurs modèles sans que son interface change visiblement.

La confiance doit donc pouvoir être continuellement vérifiée. Les dépendances doivent être réévaluées, les flux documentés, les contrats adaptés et les comportements inhabituels détectés. Cette logique rejoint directement le Continuous Trust : une décision de confiance prise il y a deux ans ne suffit pas à déterminer le niveau de confiance approprié aujourd’hui lorsque l’environnement technologique a changé.

Pour les organisations gouvernementales, cette vigilance peut devenir particulièrement importante. Les données manipulées peuvent concerner des citoyens, des infrastructures critiques, des politiques publiques, la sécurité nationale ou des relations internationales. Les conséquences d’un transfert involontaire peuvent alors dépasser largement la confidentialité commerciale. Cette prudence ne devrait cependant pas conduire à freiner systématiquement l’adoption de l’intelligence artificielle.

Une gouvernance claire peut produire l’effet inverse. Lorsque les employés savent quels outils sont autorisés, quelles données peuvent être utilisées et quels environnements conviennent aux différentes catégories d’information, ils ont moins besoin d’improviser. Les développeurs disposent d’API approuvées, les utilisateurs comprennent les limites, les équipes de sécurité obtiennent davantage de visibilité et les dirigeants connaissent mieux leur exposition. Une organisation qui comprend ses risques peut souvent autoriser davantage d’usages qu’une organisation qui ignore simplement ce qui circule.

C’est ici que la sécurité peut devenir un accélérateur de l’adoption plutôt qu’un frein. Le rôle de l’Hypersécurité prend également tout son sens. La cybersécurité demeure indispensable pour protéger les données, les identités, les API, les applications, les modèles et les infrastructures. L’Hypersécurité ajoute une vision transversale de leurs interactions, de leurs dépendances et de leur évolution. Elle cherche à comprendre comment le savoir circule entre humains, agents, modèles, applications, fournisseurs et infrastructures, puis à maintenir un niveau de contrôle compatible avec le risque.

Dans un environnement d’IA distribuée, protéger une base de données ne suffit donc plus. Il faut protéger les chemins permettant d’y accéder, les identités qui peuvent l’interroger, les agents capables d’en extraire de l’information, les modèles qui peuvent la traiter, les fournisseurs qui participent au traitement et les actions qui peuvent ensuite être réalisées. Le contrôle devient dynamique parce que les interactions le deviennent elles aussi.

Pour Quantum Beyond, la première étape consiste alors à comprendre avant de connecter. Quels outils IA sont déjà utilisés? Quelles données et quelles connaissances y circulent? Quels fournisseurs et sous-traitants interviennent? Quelles API sont connectées? Quels agents disposent d’accès? Quelles dépendances existent? Quelles connaissances sont suffisamment sensibles pour nécessiter une infrastructure ou un niveau de contrôle différent?

Cette compréhension peut ensuite alimenter une architecture adaptée au risque. Gouvernance de l’IA, QKS, IAM, Zero Trust et Continuous Trust, IA privée et souveraine, architecture d’Hypersécurité, cyberrésilience et souveraineté numérique peuvent fonctionner ensemble pour permettre à l’organisation d’exploiter davantage l’intelligence artificielle tout en conservant une maîtrise suffisante de ses connaissances et de ses opérations.

La question la plus importante n’est donc peut-être plus simplement de savoir qui possède les données. Les architectures modernes exigent également de demander qui peut les lire, qui peut les traiter, où elles peuvent être copiées, quels modèles peuvent interagir avec elles, quelles autres organisations peuvent éventuellement y accéder et quelles actions peuvent découler de leur utilisation.

Le contrôle de l’information devient progressivement un problème de circulation.

Une organisation peut demeurer juridiquement propriétaire d’une information tout en ayant perdu une partie de sa maîtrise opérationnelle. À mesure que l’intelligence artificielle s’intégrera aux processus de travail, cette distinction deviendra essentielle.

Les accusations entourant Kimi et Anthropic s’inscrivent dans un contexte complexe où se croisent concurrence technologique, intérêts commerciaux, propriété intellectuelle, cybersécurité et considérations géopolitiques. Quantum Beyond n’a pas vocation à arbitrer ce débat. L’enseignement qu’une entreprise ou une organisation gouvernementale peut en tirer est beaucoup plus directement applicable à ses propres opérations.

Une intelligence artificielle n’est jamais uniquement une fenêtre dans laquelle un employé écrit une question. Derrière cette fenêtre se trouve une architecture composée de modèles, de fournisseurs, d’API, d’infrastructures cloud, de systèmes d’identité, de services complémentaires et parfois d’autres modèles d’intelligence artificielle. Chaque nouvelle connexion peut devenir un nouveau chemin emprunté par la connaissance de l’organisation.

Les organisations qui souhaitent bénéficier pleinement de l’IA devront donc développer une capacité fondamentale : comprendre et gouverner cette circulation. Cela signifie connaître les fournisseurs et leurs dépendances, cartographier les flux, classifier les données et les connaissances, contrôler les identités humaines et non humaines, appliquer le moindre privilège, surveiller les usages, protéger la propriété intellectuelle et déterminer quelles informations peuvent raisonnablement être confiées à quels environnements.

Quantum Beyond peut accompagner les équipes internes dans cette démarche en réunissant gouvernance de l’IA, QKS, IAM, Zero Trust et Continuous Trust, IA privée et souveraine, Hypersécurité et gouvernance de la connaissance. L’objectif consiste à donner aux organisations suffisamment de visibilité et de maîtrise pour qu’elles puissent intégrer l’intelligence artificielle beaucoup plus profondément dans leurs activités tout en préservant leurs actifs stratégiques et leur capacité de décision.

L’IA produit sa plus grande valeur lorsqu’elle comprend suffisamment le contexte de l’organisation pour lui être réellement utile. Cette connaissance possède elle-même une valeur considérable. Apprendre à la partager de manière maîtrisée deviendra donc l’une des compétences fondamentales des organisations qui réussiront leur transformation par l’intelligence artificielle.

À l’ère de l’IA, protéger son savoir ne signifie plus uniquement empêcher quelqu’un de le voler. Cela signifie aussi savoir à qui nous choisissons de le confier, par quels chemins il circulera et jusqu’où nous sommes prêts à le laisser aller.