Anthropic sort Fable 5. Dans la journée, la question revient, mécanique : « Et nous, où est notre équivalent ? » On la pose comme un constat de retard, parfois comme une accusation. Elle est mal posée. Pas parce que l’Europe n’aurait rien à se reprocher, mais parce qu’elle confond deux choses très différentes : ne pas faire une chose, et ne pas avoir encore de quoi la faire. Ce n’est pas le même problème, et ça n’appelle pas la même réponse.
Posons les termes. Sans complaisance, et sans flagellation.
Ce qu’est un modèle frontière, et pourquoi il coûte ce qu’il coûte
Un modèle frontière, c’est le tout dernier cran de la recherche : le plus grand, le plus capable, celui qui repousse l’état de l’art au moment où il sort. GPT-4, Claude, Gemini Ultra, Fable 5 entrent dans cette catégorie. Ce n’est pas une question de logo, c’est une question d’échelle. Et l’échelle a un prix qu’il faut nommer précisément.
Entraîner un tel modèle mobilise des dizaines de milliers de processeurs graphiques de dernière génération, des H100 ou des H200 de Nvidia, monopolisés pendant des mois sur une seule campagne d’entraînement. La facture de calcul d’un modèle frontière se compte en centaines de millions de dollars, parfois davantage, hors salaires et hors recherche amont. Il faut ensuite l’inférence : faire tourner le modèle pour des millions d’utilisateurs coûte plus cher encore, en continu, et ce coût ne se finance pas par les revenus du premier jour. La recherche frontière n’est pas une prouesse intellectuelle isolée. C’est une activité industrielle lourde, capitalistique, qui suppose un accès garanti à des puces rares et un robinet de financement qui ne se ferme pas.
Le socle qui manque, et ce qui ne manque pas
Là est le vrai sujet. Quatre conditions rendent la recherche frontière possible, et l’Europe n’en réunit aujourd’hui aucune pleinement.
Le calcul d’abord : l’accès aux puces de pointe en quantité passe par une chaîne d’approvisionnement que dominent un concepteur américain, Nvidia, et un fondeur taïwanais, TSMC. Les capacités de centres de données dédiés à l’entraînement frontière restent, sur le sol européen, sans commune mesure avec celles déployées outre-Atlantique. Le capital ensuite : la recherche frontière exige un capital-risque qui accepte de perdre des milliards pendant cinq à dix ans avant tout retour, logique que le financement européen, plus rare et plus prudent, ne pratique pas à cette échelle. Le marché intérieur enfin : une offre déployée une fois aux États-Unis s’adresse d’emblée à une base homogène de plus de trois cents millions de personnes, qui amortit les coûts. L’Europe reste fragmentée en langues, en droits et en marchés nationaux. Et le cycle de retour : un acteur américain ou chinois peut tenir des années de pertes parce que la promesse de domination future justifie la mise. Ce pari, l’écosystème européen le finance peu.
Ce qu’il faut retenir tient en une phrase : l’Europe n’est pas en retard sur la recherche frontière, elle ne dispose pas encore du socle industriel pour la mener. La nuance n’est pas cosmétique. Le talent, lui, ne manque pas. Les laboratoires européens forment certains des meilleurs chercheurs du domaine, et beaucoup partent précisément là où le socle existe. Le problème n’est pas dans les têtes, il est dans le sol sous les pieds. On ne bâtit pas la même chose avec les mêmes mains quand les moyens structurels diffèrent à ce point.
Ce que l’Europe peut faire, et fait déjà
De ce diagnostic, on tire trop souvent une conclusion défaitiste. À tort, car la frontière n’est pas le seul terrain de jeu, ni même le plus utile pour la plupart des organisations.
Mistral, en France, l’a montré : on peut produire des modèles plus petits, mieux optimisés, ouverts, qui couvrent l’écrasante majorité des usages réels à une fraction du coût d’un modèle frontière. La recherche sur l’efficience, la quantification, l’inférence locale sur du matériel modeste est un terrain où l’écart de moyens pèse beaucoup moins. Viennent ensuite les verticaux : un modèle spécialisé sur le droit, la santé, l’industrie ou une langue régionale n’a pas besoin d’être le plus grand du monde, il a besoin d’être le meilleur sur son domaine et conforme à sa réglementation. C’est un avantage de proximité, pas une course à la taille. Restent la gouvernance et les standards, où l’Europe est en avance plutôt qu’en retard : le cadre réglementaire, les critères de souveraineté, les exigences d’auditabilité et de protection des données façonnent les règles que les modèles devront respecter pour opérer sur le continent. Définir le terrain est une forme de puissance que la course aux paramètres fait oublier.
Séparer les usages pour poser la bonne question
D’où la seule question qui vaille. Pas « où est notre Fable 5 ? », mais « de quoi avons-nous réellement besoin, et pour quel risque ? ».
Pour certains usages, la dépendance à un modèle frontière étranger est un risque sérieux. Une application critique pour la défense, le renseignement ou une infrastructure vitale ne peut pas reposer sur un service qu’une décision étrangère peut couper ou contraindre. Un traitement de données sensibles soumis à une obligation de souveraineté appelle de l’inférence maîtrisée, sur le territoire, sous le bon droit. Un secteur lourdement réglementé a besoin d’un modèle dont il contrôle la chaîne. Là, la question de l’autonomie se pose vraiment, et la réponse passe par des modèles efficaces, locaux, verticaux, pas nécessairement par un concurrent frontalier.
Pour beaucoup d’autres usages, la question n’a pas le même poids. Qui, parmi les organisations qui réclament un GPT-5 européen, en a réellement l’emploi ? Rédiger, résumer, classer, assister du code : ces tâches tournent déjà très bien sur des modèles plus petits, et le risque de dépendance s’y gère par la portabilité et le choix du fournisseur, pas par la souveraineté du modèle lui-même. Mettre tous les usages dans le même sac produit le même raisonnement faussé que d’opposer un hébergeur low-cost à un hyperscaler : on compare des objets qui ne répondent pas à la même logique de risque.
La souveraineté de l’IA ne se décrète pas en réclamant un clone européen du dernier modèle américain. Elle se construit en séparant les usages, pour séparer les risques, et en investissant le socle là où il manque vraiment. Tant qu’on demande « où est notre Fable 5 », on parle de fierté. Le jour où on demande « quel usage, quel risque, quelle dépendance acceptable », on parle enfin du sujet.
Sources
- NIST, AI Risk Management Framework, nist.gov
- Stanford HAI, AI Index Report 2026, coûts d’entraînement et capacité de calcul
- Mistral AI, documentation des modèles ouverts et de l’inférence locale
- ANSSI, critères de souveraineté pour les services d’IA, mars 2026
- Règlement européen sur l’intelligence artificielle (AI Act), application 2025-2026
- Epoch AI, estimations des coûts de calcul des modèles frontière