🔒 Souveraineté & Confidentialité

Avant de choisir un assistant personnel ou un agent custodien, une question mérite une réponse honnête :

La réponse n’est pas toujours dans la page marketing. Elle est dans le code, le README et le trafic réseau.

🧪 La grille d’évaluation : 6 critères

Pour chaque outil présenté dans cette section, le même protocole d’évaluation est appliqué.

Critère 1 — Localisation des données

Où finissent vos fichiers, conversations et documents indexés ?

Niveau	Description
✅ Local strict	Tout reste sur votre machine. Aucun fichier ne quitte le système.
⚠️ Configurable	Local par défaut, mais sync cloud possible si activée explicitement.
❌ Cloud par défaut	Les données sont envoyées sur les serveurs du prestataire, même sans configuration.

Comment vérifier : cherchez dans .env.example les variables SYNC_URL, CLOUD_STORAGE, UPLOAD_ENDPOINT. Un grep -r "fetch\|axios\|upload" src/ révèle les appels réseau sortants.

Critère 2 — Routage du modèle

L’inférence se fait-elle sur votre GPU/CPU, ou via une API cloud ?

Niveau	Description
✅ Local strict	Ollama, llama.cpp, vLLM — le LLM tourne sur votre machine.
⚠️ Configurable	Supporte Ollama mais propose aussi OpenAI par défaut à l’installation.
❌ Cloud par défaut	L’application utilise l’API OpenAI, Anthropic ou autre sans alternative locale évidente.

Comment vérifier : regardez le fichier de configuration par défaut. Est-ce que OPENAI_API_KEY est dans les variables recommandées dès le tutoriel d’installation ? Si oui, le chemin cloud est le chemin de moindre résistance.

Critère 3 — Mémoire persistante

L’outil garde-t-il un contexte entre les sessions ? Si oui, où est-il stocké ?

Niveau	Description
✅ Local strict	SQLite local, fichiers Markdown sur disque, base vectorielle locale (Chroma, Qdrant self-hosted).
⚠️ Configurable	Base distante possible mais non obligatoire.
❌ Cloud par défaut	L’historique et les embeddings sont stockés dans un service cloud du prestataire.

Critère 4 — Télémétrie

Le logiciel envoie-t-il des métriques, logs ou traces de prompts à ses développeurs ?

Niveau	Description
✅ Absente	Aucune télémétrie confirmée dans le code source ou explicitement désactivable à `false` par défaut.
⚠️ Opt-out	Télémétrie active par défaut, désactivable en configuration.
❌ Non désactivable	Télémétrie intégrée sans option de désactivation documentée.

Comment vérifier : cherchez posthog, segment, mixpanel, sentry, amplitude dans package.json ou requirements.txt. Ces bibliothèques sont les vecteurs classiques de télémétrie dans les projets open-source.

Critère 5 — Mode offline

L’outil fonctionne-t-il sans aucune connexion Internet après installation ?

Niveau	Description
✅ Oui	Zéro appel réseau en fonctionnement normal une fois les modèles téléchargés.
⚠️ Partiel	Fonctionne offline pour l’essentiel, mais certaines fonctionnalités (mises à jour, web search) nécessitent Internet.
❌ Non	Une connexion Internet est requise même pour les conversations de base.

Critère 6 — Verdict souveraineté

Synthèse des 5 critères précédents :

Verdict	Signification
✅ Souverain natif	Les 5 critères sont au niveau ✅ sans configuration particulière.
⚠️ Configurable	Peut être rendu souverain en modifiant la configuration, mais ce n’est pas le comportement par défaut. Un utilisateur non technique utilisera l’outil en mode cloud sans le savoir.
❌ Incompatible on-prem strict	Ne peut pas être rendu souverain. Incompatible avec les contraintes RGPD, HDS ou secret professionnel.

Le piège “UI locale, cerveau cloud”

Exemples typiques :

Une application Electron qui “supporte” Ollama, mais dont le fichier de configuration par défaut pointe vers gpt-4o.
Un assistant qui stocke vos fichiers localement mais envoie vos prompts à un modèle distant pour les encoder en embeddings.
Un agent qui s’exécute sur votre machine mais qui utilise le service de web search du prestataire pour chaque requête.

Le test en 60 secondes : lancez l’application normalement et surveillez le trafic réseau avec un proxy (Proxyman, Charles, ou simplement sudo tcpdump -i any host api.openai.com). Si vous voyez des requêtes vers des services cloud pendant une conversation “locale”, vous avez votre réponse.

⚖️ Contexte réglementaire

RGPD (Règlement Général sur la Protection des Données)

Le RGPD impose que les données personnelles des résidents européens soient traitées avec leur consentement explicite et protégées. Envoyer des conversations contenant des données personnelles vers un service cloud hors UE (article 46) sans garanties appropriées constitue une violation potentielle — même si le prestataire est “de bonne foi”.

L’IA on-premise est l’une des rares architectures qui permet de traiter des données personnelles dans un LLM sans les exporter hors du périmètre de contrôle de l’organisation.

AI Act (Règlement européen sur l’IA, applicable depuis 2025–2026)

L’AI Act distingue les systèmes à risque limité (assistants généraux) des systèmes à haut risque (employés dans la santé, la justice, l’éducation, les RH…). Pour les usages à haut risque, la traçabilité, l’auditabilité et le contrôle humain sont obligatoires — des exigences difficiles à satisfaire avec un modèle cloud “boîte noire”.

EU AI Act — Obligations de transparence (Article 50)

À compter d’août 2026, l’article 50 du Règlement (UE) 2024/1689 (EU AI Act) impose des obligations de transparence aux déployeurs de systèmes d’IA qui interagissent avec des humains¹² :

Étiquetage du contenu généré par IA : tout texte, image ou audio généré ou significativement modifié par un système d’IA et présenté à un humain doit être clairement identifié comme tel. Cela couvre les suggestions de contenu, les traductions automatiques, les résultats d’auto-classification et les formulaires pré-remplis.
Information sur l’interaction IA : les systèmes qui interagissent avec les utilisateurs par texte ou voix (chatbots, assistants) doivent informer l’utilisateur qu’il interagit avec une IA, sauf si le contexte rend cette information évidente.
Médias synthétiques : les deepfakes et contenus audio/vidéo générés par IA doivent porter un marquage explicite, lisible par machine et par l’humain.

Implication pratique pour les déploiements on-premise : toute interface affichant des suggestions générées par LLM (résumés, classifications, traductions, champs pré-remplis) doit inclure un indicateur visible. Le pattern « suggéré par l’IA » constitue l’implémentation minimale conforme. Les actions d’écriture automatisées doivent rester soumises à une validation human-in-the-loop tant que la confiance n’atteint pas le seuil défini.

Sanction en cas de non-conformité : amendes pouvant atteindre 15 millions d’euros ou 3 % du chiffre d’affaires annuel mondial (article 99).

Secteurs spécifiques

Secteur	Contrainte	Implication
Santé	HDS (Hébergement Données de Santé)	L’hébergeur doit être certifié HDS. Les clouds non certifiés sont exclus.
Juridique	Secret professionnel	Les échanges avocat-client ne peuvent transiter par des tiers.
Défense / Admin	Secret défense, IGI 1300	Réseaux isolés obligatoires pour certains niveaux.
Finance	DSP2, NIS2	Exigences de localisation et d’auditabilité des systèmes critiques.

✅ Checklist pratique : auditer un nouvel outil en 15 minutes

Avant d’intégrer un outil dans votre stack on-premise :

README : le mot “local” est-il accompagné d’un modèle local (Ollama, llama.cpp) ou d’une clé API ?
.env.example : quelles variables sont pré-remplies ? OPENAI_API_KEY="" présent = chemin cloud facilité.
package.json / requirements.txt : présence de posthog, segment, sentry, openai, anthropic ?
Trafic réseau (5 min) : tcpdump ou proxy pendant une conversation normale — des appels sortants ?
Dernière release : le projet est-il maintenu ? Une version vieille de 18+ mois est un risque de sécurité.
Issues GitHub : chercher “privacy”, “telemetry”, “cloud” dans les issues fermées — les problèmes déjà signalés et résolus (ou ignorés) sont révélateurs.
Mode offline : coupez Internet et testez. Tout s’arrête = dépendance cloud non documentée.

🏗️ Les trois niveaux de déploiement souverain (Privacy Tiers)

Le vault défend l’IA on-premise, mais toutes les organisations n’ont pas le même niveau de contrainte. Avant d’investir dans une infrastructure dédiée, il est utile de positionner votre cas d’usage sur une échelle de trois niveaux.

flowchart TD
    A[Vos données peuvent-elles\ntransiter vers un prestataire\nsous contrat ZDR ?] -- Oui --> B[Tier 1 — Cloud ZDR]
    A -- Non --> C[La donnée peut-elle quitter\nvos locaux mais rester\nsur infrastructure dédiée FR ?]
    C -- Oui --> D[Tier 2 — Souverain éditeur]
    C -- Non --> E[Tier 3 — On-Premise\n/ Air-Gapped]

Tier 1 — Cloud LLM avec Zero Data Retention

Pour qui : organisations sans contrainte légale stricte de localisation ; PME, startups, équipes produit.

L’API d’un fournisseur cloud (Mistral, OpenAI, Anthropic) est utilisée sous contrat Zero Data Retention (ZDR) : les requêtes et réponses sont traitées en mémoire uniquement, jamais écrites sur disque ni utilisées pour l’entraînement.

Ce que ZDR garantit : pas de persistance de vos données chez le prestataire.
Ce que ZDR ne garantit pas : vos données transitent quand même sur les serveurs du prestataire. Pour les organisations soumises à des contraintes strictes (HDS, secret professionnel, IGI 1300), ce transit suffit à exclure le Tier 1.

Modèles recommandés : Mistral Large, Llama 3 via API hébergée européenne — contrats Enterprise avec DPA RGPD explicite.

Tier 2 — SaaS Souverain (hébergement éditeur sur infrastructure certifiée)

Pour qui : acteurs B2B adressant le secteur public, la santé, les collectivités, les grands comptes français.

Le prestataire IA n’est plus un cloud américain mais l’éditeur lui-même, hébergeant les GPU sur une infrastructure certifiée SecNumCloud et/ou HDS en France (OVHcloud, Scaleway, Outscale).

Aspect	Tier 1	Tier 2
Données transitent chez un tiers	Oui (prestataire LLM)	Oui (éditeur, sous-traitant RGPD)
Infrastructure en France	❌ Variable	✅ Oui (SecNumCloud / HDS)
Modèles open-weights	❌ Propriétaires	✅ Mistral, Llama, etc.
Applicable aux marchés publics	❌ Souvent non	✅ Oui si qualification adéquate
Coût infrastructure	0 € (usage/token)	Partagé (abonnement)

Les modèles open-weights européens (Mistral-Nemo-12B, Llama-3-70B quantifié) servis sur GPU dédié atteignent des performances suffisantes pour 95 % des cas d’usage B2B (RAG, classification, traduction) tout en restant dans le périmètre juridique français³.

Tier 3 — On-Premise / Air-Gapped (déploiement chez le client)

Pour qui : secteur Défense, R&D sensible, réseaux coupés d’Internet, données ultra-confidentielles.

Le modèle et toute la stack d’inférence tournent chez le client final, sur son propre matériel, sans aucun appel réseau sortant. C’est le cœur de ce vault : les Blueprints A à D décrivent les architectures matérielles correspondantes.

Contrainte principale : le client doit fournir ou financer le matériel GPU. L’éditeur livre la stack sous forme de conteneurs (Docker/Kubernetes) avec configuration prête à l’emploi.

🔗 Voir aussi

🏗️ Architectures Possibles — taxonomie et comparatif des patterns
🧑‍💼 Assistants Personnels — fiches solution avec verdict souveraineté
🤖 Agents Custodiens — fiches solution avec verdict souveraineté
On-Premise (IA) — définition et motivations
RAG — architecture mémoire courante dans les assistants locaux

Règlement (UE) 2024/1689 — Artificial Intelligence Act. https://eur-lex.europa.eu/eli/reg/2024/1689/oj ↩
EU AI Act Service Desk, Article 50 — Transparency obligations. https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-50 ↩
NVIDIA Developer Blog, NVIDIA-Accelerated Mistral 3 Open Models Deliver Efficiency and Accuracy at Any Scale (Mistral-Nemo-Minitron 8B, performance B2B). https://developer.nvidia.com/blog/nvidia-accelerated-mistral-3-open-models-deliver-efficiency-accuracy-at-any-scale/ ↩