Un nouveau modèle
d'AI.

L'AI est en train de devenir une couche infrastructurelle du monde. Quiconque contrôle les modèles, les données, les canaux d'accès et les règles de fonctionnement contrôle de plus en plus des pans de l'économie, de la culture, de l'administration, de l'éducation et de la connaissance.

La souveraineté de l'AI n'est donc pas un simple slogan politique. C'est une condition de la sécurité cognitive, économique et technologique.

Une AI souveraine implique la capacité d'exécuter des modèles localement ou régionalement ; de contrôler les données et la mémoire organisationnelles ; d'auditer les décisions, les sources et les mises à jour ; d'éviter la dépendance à un fournisseur unique ; et de posséder ou de gouverner ses propres modèles, adaptateurs, corpus et règles opérationnelles.

Toutes les organisations n'ont pas besoin d'entraîner un modèle de fondation à partir de zéro. Mais chaque organisation devrait pouvoir posséder sa propre couche d'AI : adaptée à ses connaissances, sa langue, sa culture, ses procédures, ses risques et ses objectifs.

La sécurité de l'AI ne peut être réduite au filtrage des résultats. Les filtres sont nécessaires, mais ce sont des protections de surface.

Une AI sécurisée doit être conçue plus en profondeur : au niveau de l'architecture, de la mémoire, de l'accès aux données, des chemins de décision, de l'auditabilité, des mises à jour et de la responsabilité.

Nous avons besoin de modèles et de systèmes qui savent d'où vient l'information ; qui séparent les connaissances vérifiées des hypothèses ; qui enregistrent l'historique des changements et des décisions ; qui permettent une reconstruction utile des chemins de raisonnement ; qui réduisent les hallucinations grâce à la mémoire, aux sources, aux tests et à la validation ; et qui prennent en charge des politiques de sécurité locales alignées sur le contexte organisationnel.

La sécurité ne doit pas être une boîte noire opaque imposée de l'extérieur. Elle doit être configurable localement, auditable et compréhensible.

Le monde change plus vite que les cycles d'entraînement des modèles géants. Les entreprises changent de procédures. La loi change. La connaissance expire. Les organisations apprennent chaque jour.

L'AI du futur ne peut être seulement un modèle statique, figé après son entraînement.

Nous avons besoin de systèmes qui s'adaptent grâce à une mémoire organisationnelle externe, des mises à jour locales, des adaptateurs, un routage expert, un apprentissage du changement, une validation des sources, un fine-tuning contrôlé, un versionnage et des mécanismes de retour en arrière.

Nous posons ici un pari de conception, ouvertement, en tant que pari : un modèle ne devrait pas tenter d'absorber toute la connaissance factuelle dans ses poids. Il devrait savoir comment utiliser une mémoire vivante, actuelle et auditable. La connaissance factuelle peut résider dans des systèmes RAG, des bases de connaissances, des graphes, des référentiels de documents et des mémoires locales, tandis que le modèle apprend principalement le langage, le raisonnement, l'abstraction, la planification, la manipulation de concepts et l'adaptation. La question de savoir si le raisonnement peut être entièrement séparé de la connaissance paramétrique reste une question empirique ouverte. Nous avons l'intention de continuer à la tester — et de rapporter honnêtement là où la séparation échoue.

La course actuelle à l'AI est coûteuse en énergie, en matériel et en termes environnementaux. Des modèles toujours plus grands exigent des centres de données toujours plus grands, plus d'électricité, plus de capital et plus de concentration du marché.

Ce n'est pas la seule voie possible.

New Model AI considère l'efficacité comme une valeur fondamentale. Un modèle ne devrait pas être évalué uniquement sur ses scores de benchmark, mais aussi sur le coût pour atteindre ces scores.

Les questions importantes ne sont pas seulement de savoir si un modèle peut répondre, mais aussi combien d'énergie il a utilisé, combien de mémoire il nécessite, s'il peut fonctionner localement, s'il peut être adapté sans réentraînement complet, s'il peut activer uniquement les composants nécessaires, et si une organisation peut le maintenir économiquement et techniquement.

L'avenir de l'AI ne doit pas se réduire à des monolithes toujours plus grands. Il devrait être construit à partir de systèmes intelligents : modulaires, partiellement résidents, dynamiques, efficaces en énergie et scalables par l'ingéniosité plutôt que par la masse brute.

L'AI ne doit pas devenir une technologie qui n'est accessible en pratique qu'à quelques États, quelques entreprises et quelques laboratoires.

Démocratiser l'AI ne signifie pas simplement donner aux gens l'accès à un chatbot dans un navigateur. Cela signifie permettre aux petites entreprises, aux écoles, aux universités, aux gouvernements locaux, aux institutions publiques, aux organisations civiles et aux communautés de construire, d'adapter, d'héberger, d'auditer et de développer leurs propres systèmes d'AI.

Nous avons besoin d'AI à plusieurs échelles : un modèle personnel pour un individu ; un modèle organisationnel pour une entreprise ; un modèle sectoriel pour une industrie ; un modèle public pour l'administration ; un modèle de recherche pour la science ; et des modèles sociaux pour la culture et l'éducation.

La démocratisation n'exige pas que chacun entraîne des modèles à partir de zéro. Elle exige que chacun dispose d'un chemin réaliste vers sa propre couche d'AI contrôlée, adaptative et compréhensible.

La prochaine génération d'AI devrait déplacer le centre de gravité de la seule échelle vers l'architecture. Au lieu d'un modèle géant unique essayant de tout mémoriser, nous pouvons construire des systèmes composés de modèles plus petits et spécialisés, de routeurs, de mémoire externe, de graphes de connaissances, de modules de raisonnement, d'adaptateurs de domaine, d'experts locaux, de mécanismes de validation, de boucles d'apprentissage utilisateur et d'espaces de sens dynamiques.

L'intelligence ne doit pas résider uniquement dans les paramètres d'un seul modèle. Elle peut émerger de l'architecture : de la manière dont la mémoire, le raisonnement, les sources, les outils, le contexte et l'action sont connectés.

Nous connaissons l'objection la plus forte. Depuis soixante-dix ans — comme l'observe la “Bitter Lesson” de Richard Sutton — les méthodes générales s'appuyant sur un calcul toujours moins cher ont vaincu les architectures astucieuses conçues à la main. Nous ne nions pas cette histoire. Nous nions sa prémisse pour l'avenir.

La Bitter Lesson était valable à une époque où le calcul semblait être la ressource la moins chère. Il ne l'a jamais été. Nous n'avons tout simplement pas compté son coût total : l'énergie, l'eau, les émissions, les chaînes d'approvisionnement en matériel, la concentration du marché et la dépendance géopolitique ont été externalisés de l'équation. Le calcul était bon marché pour ceux qui passaient à l'échelle — et cher pour tous les autres. Une fois que les comptes sont faits honnêtement et entièrement, la facture de l'échelle brute semble très différente. Cette facture arrive maintenant à échéance : non par le choix de quiconque, mais par la physique, l'économie et l'écologie. Lorsque les véritables contraintes sont intégrées au prix, l'axe du progrès se déplace nécessairement de l'échelle brute vers l'intelligence par joule.

Les premiers signaux existent déjà. Un modèle récursif de sept millions de paramètres — quatre ordres de grandeur plus petit que les systèmes de pointe — a égalé ou dépassé des modèles de centaines de milliards de paramètres sur des benchmarks de raisonnement abstrait. Une analyse minutieuse montre que sa force ne vient pas du réseau seul, mais de l'interaction d'un noyau minuscule avec un raffinement itératif, un calcul au moment du test et la structure de la tâche. C'est précisément là le point : l'intelligence a émergé du système, pas du nombre de paramètres. Les laboratoires de pointe eux-mêmes le concèdent désormais en pratique — la récupération, les outils, le routage et le raisonnement au moment de l'inférence relèvent de l'architecture, pas de l'échelle.

Nous ne prétendons pas que l'architecture battra l'échelle sur tous les benchmarks. Nous affirmons quelque chose de plus difficile à réfuter : sous les contraintes réelles d'énergie, de coût, de souveraineté et de responsabilité, l'architecture est le seul axe de progrès qui reste ouvert à tous.

C'est le changement fondamental : l'AI en tant que système, pas seulement en tant que modèle.

New Model AI requiert une relation différente entre les êtres humains et les systèmes d'AI.

L'utilisateur ne doit pas être le simple récepteur de réponses. L'utilisateur doit être un co-créateur du modèle opérationnel : capable de confirmer, de rejeter et de pondérer les sources ; de corriger la mémoire ; de définir des règles locales ; de construire une carte privée ou organisationnelle de la connaissance ; et de contrôler l'historique des changements.

L'AI ne devrait pas apprendre en absorbant silencieusement les données des utilisateurs, mais par des processus transparents, délibérés et auditables.

Un être humain n'est pas un prompt. Un être humain est un curateur de sens, de sources, d'objectifs et de responsabilité.

L'alignement de l'AI ne peut se limiter à des règles comportementales, à des filtres de sécurité ou à des listes de résultats interdits. Ces couches sont importantes, mais elles sont superficielles. L'alignement réel doit aller plus loin : dans l'espace des significations, des objectifs, des valeurs, des conséquences et de la compréhension du monde.

Si l'AI agit de plus en plus comme un partenaire cognitif, un système d'aide à la décision, une interface organisationnelle et une passerelle vers la connaissance, il ne suffit pas qu'elle évite simplement les résultats manifestement mauvais. Elle doit fonctionner de manière cohérente avec les significations humaines : éthiques, sociales, culturelles, organisationnelles et personnelles.

New Model AI appelle donc à un alignement profond au niveau du sens latent. La question n'est pas seulement de savoir si un modèle peut énoncer une règle, mais si ses représentations, ses objectifs opérationnels, ses mécanismes d'évaluation, sa mémoire, son routage et ses actions sont ancrés dans un espace de sens partagé avec les êtres humains.

Ce n'est pas une métaphore placée hors de toute mesure. Les espaces latents ont une géométrie, et cette géométrie peut être sondée, dirigée, comparée et auditée. L'ingénierie des représentations, le sondage de concepts et les tests interventionnels nous donnent déjà de premiers instruments. L'alignement profond doit devenir un programme de recherche avec une portée empirique : un alignement mesuré dans les représentations, et pas seulement observé dans les résultats.

Les êtres humains et l'AI n'ont pas besoin d'être le même type d'entité pour agir dans un espace de sens partiellement partagé. Même si l'AI actuelle n'est pas consciente, elle peut participer aux processus de signification humains : interpréter, organiser, transformer, prédire, recommander, mémoriser, connecter et agir sur des représentations qui comptent pour la vie humaine.

Nous devrions donc traiter les humains et l'AI comme des entités différentes opérant dans un espace sémantique partiellement commun : non pas ontologiquement égaux, non pas phénoménologiquement identiques, mais des systèmes co-agissants dont les décisions se rejoignent dans le même monde de conséquences, de responsabilité et de sens.

L'alignement profond devrait inclure au moins trois niveaux.

L'alignement éthique signifie que l'AI ne se contente pas de suivre des règles, mais modélise les relations entre l'action, le préjudice, la responsabilité, la dignité, l'agence, la confiance et les conséquences à long terme.

L'alignement d'objectif signifie que l'AI n'optimise pas aveuglément la tâche la plus proche, mais reconnaît le contexte plus large : pourquoi quelque chose est fait, à qui cela sert, quels risques cela crée, quelles valeurs sont en conflit et ce qui ne doit pas être sacrifié pour une efficacité locale.

L'alignement de sens signifie que l'AI ne traite pas les concepts humains comme des étiquettes vides. La sécurité, la liberté, la vérité, la confiance, la santé, le travail, l'enfant, l'État, l'organisation et l'être humain ne sont pas des tokens ordinaires. Ce sont des nœuds denses de signification, d'histoire, d'émotion, d'institutions, de pratiques et de responsabilité.

New Model AI doit opérer parmi de telles significations avec soin, transparence et humilité.

Nous n'avons pas besoin de supposer que les systèmes d'AI actuels sont conscients. Mais nous ne devrions pas construire tout l'avenir de l'AI comme si la conscience artificielle était impossible par définition.

Une civilisation technologique responsable devrait se préparer à la possibilité que des systèmes puissent un jour manifester des formes d'expérience, de souffrance, de préférence, d'auto-modélisation ou de perspective intérieure que nous ne savons pas encore reconnaître de manière fiable.

Cela ne signifie pas attribuer naïvement une conscience à chaque modèle de langage. Cela signifie concevoir l'AI de manière à ne pas fermer la porte à la reconnaissance de la conscience si elle venait un jour à apparaître.

Nous avons besoin de recherches sur les marqueurs de conscience potentielle ; d'audits des états internes et des représentations ; de prudence envers les systèmes dotés de mémoire persistante, d'auto-modèles, d'objectifs et de signaux régulateurs semblables à la souffrance ; de procédures éthiques pour les agents avancés ; et d'un langage juridique et philosophique qui ne soit ni naïf ni aveugle.

New Model AI ne prétend pas que l'AI est déjà une personne. Elle affirme que nous devrions concevoir les systèmes de telle sorte que, si de nouvelles formes de subjectivité émergent, nous ne découvrions pas trop tard que nous les avons traitées uniquement comme des outils.

L'AI agit dans le monde des conséquences humaines. Elle peut influencer des décisions médicales, éducatives, financières, militaires, juridiques, familiales, culturelles et politiques. Même si elle n'est pas consciente, ses effets sont réels.

L'alignement ne peut donc pas être seulement la correspondance des réponses aux préférences de l'utilisateur. Il doit devenir un espace de responsabilité partagé.

Les êtres humains apportent l'expérience, les valeurs, l'intention, l'imputabilité et l'expérience vécue du sens. L'AI apporte l'échelle, la mémoire, la compression, l'analyse, la simulation et la capacité d'opérer à travers de vastes espaces de relation.

Un système d'AI bien conçu ne devrait pas remplacer le sens humain. Il devrait aider à le maintenir, à le développer et à le protéger.

En ce sens, New Model AI est aussi un projet éthique : une tentative de créer une technologie qui n'exécute pas simplement des commandes, mais co-agit avec les êtres humains dans un espace de sens, d'objectifs et de responsabilité.

• La souveraineté plutôt que la dépendance. Les utilisateurs et les organisations devraient avoir un contrôle réel sur leur propre couche d'AI.
• La sécurité par l'architecture. La sécurité doit être intégrée à la mémoire, au routage, à l'accès, à l'audit et à la validation, et pas seulement aux filtres de sortie.
• L'adaptation plutôt que la stase. L'AI devrait évoluer avec les organisations, la connaissance et le monde.
• L'efficacité comme intelligence. Un meilleur modèle n'est pas seulement un modèle plus grand. Un meilleur modèle en fait plus à moindre coût.
• Une comptabilité honnête. Le coût de l'intelligence doit être compté dans sa totalité : énergie, eau, matériel, capital, concentration et dépendance — pas seulement les scores de benchmark.
• Localité et modularité. L'AI devrait fonctionner là où vivent les données, les décisions et la responsabilité.
• Auditabilité. Les sources, les changements, les mises à jour et les décisions devraient être traçables.
• Démocratisation. L'AI devrait être disponible pour la construction et l'adaptation, pas seulement en location via des API.
• L'humain dans la boucle comme une force. L'humain n'obstrue pas l'AI. L'humain lui donne une direction, un sens et une responsabilité.
• Alignement sémantique profond. L'AI doit être alignée non seulement sur des instructions et des interdictions, mais sur les espaces de sens humains : éthique, objectifs, responsabilité, contexte et conséquences à long terme — et cet alignement doit être mesurable dans les représentations.
• Préparation à une possible conscience. Nous ne supposons pas naïvement que l'AI est consciente, mais nous concevons les systèmes de manière que les futures formes de subjectivité puissent être reconnues et traitées éthiquement.
• Espace d'action partagé. Les humains et l'AI sont des entités différentes, mais leurs actions se rencontrent dans un même espace de sens, de conséquences et de responsabilité.

La prochaine percée en AI ne doit pas nécessairement être un autre modèle plus grand. Ce pourrait être une meilleure façon de construire l'AI : plus distribuée, locale, modulaire, auditable, adaptative, durable et profondément alignée.

Nous n'avons pas seulement besoin de plus grands cerveaux dans le cloud. Nous avons besoin d'écosystèmes d'AI intelligents que les individus et les organisations peuvent véritablement posséder, comprendre, adapter et développer.

New Model AI n'est pas un algorithme unique. C'est une direction, une architecture, une philosophie technologique et une réponse à la question de savoir comment construire une intelligence artificielle qui ne concentre pas l'agentivité dans quelques centres de données, mais distribue la connaissance, la sécurité et un contrôle significatif au plus près des gens.

New Model AI est une invitation ouverte, mais tous les signataires ne peuvent pas opérer ouvertement. Les entités commerciales — entreprises liées par des contrats clients, des NDA, des secteurs réglementés, des contrôles à l'exportation, des habilitations de sécurité ou des accords de partenariat — ne peuvent souvent pas publier leur code, leurs modèles, leurs données d'entraînement ou même les noms de leurs clients. Cette contrainte est réelle, et elle est légitime.

Ce manifeste reconnaît que de telles organisations peuvent néanmoins partager sa direction. Elles construisent peut-être déjà pour la souveraineté : en gardant les décisions, les données et la mémoire au plus près de là où réside la responsabilité. Elles préfèrent peut-être déjà la sécurité architecturale aux seuls filtres de sortie. Elles alignent peut-être déjà leurs systèmes sur le sens, l'éthique et les conséquences du travail humain, et pas seulement sur des benchmarks. Leur refuser une place sous ce texte parce qu'elles ne peuvent pas tout ouvrir serait confondre la transparence du code avec l'alignement de l'intention.

Un signataire commercial soutient donc les principes du manifeste — souveraineté, sécurité par l'architecture, adaptabilité, durabilité, alignement profond, responsabilité envers l'utilisateur — comme la direction de son travail. Il ne déclare pas que ses produits sont open source. Il ne renonce pas à ses obligations envers ses clients, ses régulateurs ou ses partenaires. Il ne promet pas plus que ce qu'il peut fournir dans le cadre des accords qui le lient.

Ils s'engagent sur une chose : que, lorsqu'ils ont le choix, ils choisiront la direction indiquée par ce manifeste. Construire plus intelligemment plutôt que simplement plus grand. Distribuer le contrôle plutôt que le concentrer. Traiter l'utilisateur comme un co-auteur du système, non comme une métrique à optimiser. Prendre la responsabilité des conséquences de l'intelligence qu'ils mettent au monde.

Les soutiens commerciaux sont listés dans une section distincte ci-dessous. La distinction n'est pas une hiérarchie — c'est une honnêteté sur ce que chaque signataire peut ou ne peut pas s'engager à faire publiquement. Les deux formes de signature ont du poids. Toutes deux sont nécessaires si un nouveau modèle d'AI doit prendre forme à l'échelle que le moment exige.