Data / IA
Satya Nadella alerte sur un paradoxe qui se dessine : payer l’IA pour la voir aspirer le savoir des entreprises
Par Laurent Delattre, publié le 15 juillet 2026
Dans un billet publié sur son site personnel, et non sur un canal officiel de Microsoft, Satya Nadella décrit un nouveau risque pour les entreprises : en utilisant des modèles IA, elles pourraient abandonner une partie de ce qui fait leur singularité. Prompts, corrections, évaluations, traces d’agents et mémoire opérationnelle constituent désormais un capital stratégique. Une mise en garde pertinente, certes, mais qui, contrairement aux apparences, sert aussi très directement la vision de Microsoft pour l’IA d’entreprise.
Satya Nadella ne prend pas souvent la plume. Quand il le fait, notamment à titre personnel, ce qu’il dit mérite souvent notre attention. Sa dernière réflexion n’a pas été publiée sur le blog officiel de Microsoft, sur Microsoft Source ou dans une communication destinée aux investisseurs. Le texte, daté du 12 juillet 2026, est apparu sur « sn scratchpad », un site personnel et minimaliste présenté comme un recueil de notes sur les avancées technologiques et leurs effets dans le monde réel.
Ce détail est important. Le texte ne constitue ni une annonce produit ni une nouvelle politique contractuelle de Microsoft. Il faut plutôt le lire comme une prise de position personnelle et stratégique du dirigeant, avec tout le poids que conserve la parole du CEO d’un des principaux fournisseurs mondiaux de cloud et d’intelligence artificielle.
L’idée forte de sa réflexion tient dans une formule : le « paradoxe inversé de l’information ». À l’ère de l’IA, les entreprises ne paient plus seulement un fournisseur pour accéder à de l’intelligence. Elles risquent également de le rémunérer avec leur propre savoir.
Quand l’acheteur doit dévoiler son savoir-faire
Satya Nadella reprend le paradoxe de l’information formulé par l’économiste Kenneth Arrow. Pour démontrer la valeur d’une information à un acheteur potentiel, son propriétaire doit en révéler au moins une partie. Mais une fois l’information révélée, l’acheteur l’a déjà obtenue et peut ne plus avoir intérêt à la payer.
Selon le CEO de Microsoft, l’intelligence artificielle retournerait ce mécanisme. Cette fois, ce n’est plus le vendeur, mais l’acheteur qui doit révéler ses informations afin de tirer de la valeur du produit acheté.
Un modèle généraliste ne connaît ni les procédures internes d’une entreprise, ni ses clients, ni ses contraintes réglementaires, ni les critères selon lesquels elle juge une décision correcte. Pour devenir réellement utile, il doit recevoir du contexte : documents, règles métiers, bases de connaissances, historiques, exemples, instructions et accès à des outils.
L’entreprise paie donc une première fois pour les tokens, les licences ou l’infrastructure. Elle paie une seconde fois en fournissant ce que Nadella décrit comme son savoir propriétaire. Plus elle cherche à obtenir une réponse précise et adaptée, plus elle doit exposer les informations qui font sa différence.
Le risque ne se limite pas aux documents explicitement transmis au modèle. Satya Nadella insiste sur les résidus produits par l’utilisation quotidienne de l’IA : prompts, appels d’outils, traces d’exécution, retours utilisateurs, corrections et jeux d’évaluation.
Une correction apportée par un juriste à un contrat généré par l’IA révèle les clauses qu’il considère comme risquées. La validation d’une proposition commerciale indique les marges acceptables et les arguments jugés efficaces. Le rejet d’un diagnostic technique renseigne sur les méthodes et seuils utilisés par les experts. Une évaluation privée montre, cas limite après cas limite, ce que l’entreprise considère comme une bonne réponse.
Pris isolément, chacun de ces signaux paraît anodin. Accumulés, ils décrivent le fonctionnement intime de l’organisation. Ils transforment une connaissance souvent tacite, détenue par les collaborateurs les plus expérimentés, en un ensemble de données exploitable par une machine.
Non, chaque prompt n’entraîne pas automatiquement le modèle
La mise en garde mérite néanmoins d’être techniquement nuancée. Le message du dirigeant pourrait laisser penser qu’un fournisseur absorbe systématiquement chaque interaction pour entraîner ses prochains modèles. Ce n’est généralement pas le cas dans les offres destinées aux entreprises.
Typiquement, Microsoft affirme que les données, prompts et réponses traités par les modèles commercialisés dans Microsoft Foundry ne sont ni transmis aux fournisseurs des modèles ni utilisés pour entraîner des modèles génératifs sans autorisation du client. Microsoft précise également que les modèles sont sans état au niveau de l’inférence, même si certaines fonctions (historique de conversation, vector stores, réponses persistantes ou complétions stockées) conservent des données pour fournir le service demandé.
Autre exemple, OpenAI indique de son côté que les entrées et sorties de ses offres Business, Enterprise et de sa plateforme API ne sont pas utilisées par défaut pour entraîner ou améliorer ses modèles. Des options de conservation réduite, voire de rétention nulle pour certains usages API, sont également proposées aux organisations éligibles.
Le problème soulevé par Satya Nadella est donc plus large qu’une simple réutilisation des prompts pour l’entraînement d’un modèle de fondation. Il concerne la propriété et le contrôle de la boucle d’apprentissage.
Une entreprise peut bénéficier de solides garanties de confidentialité tout en restant dépendante d’un fournisseur pour ses évaluations, sa mémoire, ses données de feedback, ses adaptations de modèles ou son orchestration. Elle peut posséder juridiquement ses entrées et ses sorties, mais ne pas pouvoir transférer facilement les capacités acquises vers une autre plateforme.
Cette distinction apparaît jusque dans les contrats. L’accord de services d’OpenAI reconnaît au client la propriété de ses entrées et de ses sorties, mais limite, sauf exceptions autorisées, l’utilisation de ces sorties pour développer des modèles concurrents. Posséder un résultat ne signifie donc pas nécessairement disposer d’un droit illimité de distillation ou d’entraînement d’un autre modèle.
C’est cette asymétrie que critique Satya Nadella. Il défend le droit des fournisseurs à entraîner leurs modèles sur de vastes corpus publics, tout en jugeant paradoxal que ces mêmes fournisseurs puissent restreindre la capacité de leurs clients à apprendre à partir des réponses qu’ils ont achetées.
Les évaluations privées deviennent une propriété intellectuelle
La partie la plus intéressante du billet concerne les évaluations privées, ou evals. Dans de nombreux projets, celles-ci sont encore traitées comme de simples tests techniques destinés à comparer deux versions d’un prompt ou deux modèles.
Le CEO de Microsoft les considère au contraire comme un actif stratégique, car elles définissent ce que signifie « bien travailler » dans le contexte particulier de l’entreprise.
Un benchmark public peut mesurer les capacités générales d’un modèle en programmation, en mathématiques ou en raisonnement. Il ne dira pas si une réponse respecte la politique de crédit d’une banque, les procédures qualité d’un industriel ou la doctrine contractuelle d’un groupe international.
Les évaluations internes incorporent les exceptions, les seuils de tolérance, les résultats attendus et les cas difficiles accumulés au fil des années. Elles représentent une forme codifiée du jugement de l’organisation. Celui qui contrôle ces évaluations contrôle aussi la possibilité d’améliorer, de comparer et de remplacer les modèles.
L’enjeu est encore plus marqué avec les agents IA. Un agent ne se contente plus de générer du texte : il choisit un outil, consulte une application métier, propose une décision, attend une validation puis modifie éventuellement un système. Ses traces enregistrent non seulement les informations consultées, mais aussi l’enchaînement des décisions et les corrections humaines qui ont conduit au résultat final.
Il en résulte une évidence que bien des DSI et des RSSI n’ont pas encore formalisée : la frontière de confiance ne peut donc plus protéger uniquement les documents et les bases de données. Elle doit englober les prompts système, les mémoires, les traces, les évaluations, les feedbacks, les embeddings, les modèles adaptés et les historiques de décisions.
Rendre le modèle remplaçable sans perdre le savoir
La réponse architecturale proposée par Satya Nadella repose sur plusieurs principes : conserver les actifs d’apprentissage dans la frontière du tenant de l’entreprise, créer ses propres environnements d’amélioration, contrôler ses évaluations et découpler la couche d’orchestration du modèle utilisé.
L’objectif peut être résumé par un test : si le modèle principal disparaît demain, l’entreprise peut-elle continuer à fonctionner sans perdre l’expertise accumulée ?
Le modèle fondation doit rester un généraliste interchangeable. La connaissance de l’entreprise – son « historique maison » – doit résider dans les couches qu’elle contrôle : données de contexte, politiques, outils, mémoire, workflows, évaluations et mécanismes de feedback
Concrètement, cette approche conduit à interposer une passerelle ou une couche d’orchestration entre les applications et les modèles. Celle-ci peut sélectionner un modèle selon le coût, la latence, la sensibilité des données ou la complexité de la tâche. Elle peut aussi appliquer des règles de sécurité, anonymiser certaines informations, conserver les traces dans un environnement maîtrisé et basculer vers un autre fournisseur.
La portabilité ne sera toutefois jamais parfaite. Les modèles n’utilisent pas tous les mêmes formats d’appels d’outils, les mêmes fenêtres de contexte, les mêmes paramètres de raisonnement ou les mêmes mécanismes de sécurité. Remplacer un modèle nécessite donc de rejouer les évaluations et de vérifier les comportements sur les cas critiques. Une couche d’abstraction réduit le verrouillage ; elle ne supprime pas les différences techniques entre les modèles.
Une alerte pertinente, mais orientée Microsoft
Il est difficile de ne pas voir dans cette réflexion un plaidoyer pour la stratégie actuelle de l’éditeur américain. Microsoft Foundry se présente précisément comme une couche d’infrastructure, de gouvernance et d’orchestration placée autour de modèles provenant de plusieurs fournisseurs.
Son routeur de modèles peut analyser la nature d’une requête et l’orienter vers différents modèles en fonction d’objectifs de qualité ou de coût. Microsoft indique que ce routeur ne conserve pas les prompts et respecte les frontières géographiques définies par le déploiement.
Le message de Satya Nadella permet ainsi à Microsoft de changer de positionnement. Le groupe ne se présente plus seulement comme le distributeur de modèles puissants, mais comme le fournisseur de la frontière de confiance chargée de protéger l’intelligence propre de ses clients.
En outre, difficile de ne pas raccrocher ce billet à la montée en puissance progressive des modèles de Microsoft AI, les modèles MAI. L’éditeur compte bien les voir petit à petit remplacer les modèles d’OpenAI et Anthropic au moins dans ses propres services et outils. Mais ce qu’il met surtout en avant, c’est la provenance juridiquement maîtrisée des données d’entraînement. Le groupe assure avoir développé MAI-Thinking-1 à partir de zéro, sans distillation des réponses produites par les modèles d’un laboratoire concurrent. Il évoque des données « propres », « traçables », « de niveau entreprise » et « correctement » ou « commercialement » licenciées. L’enjeu dépasse la seule qualité technique : Microsoft cherche clairement à faire de la traçabilité du corpus un critère de confiance et de choix pour les entreprises, alors que les modèles génératifs font face à une multiplication des contentieux portant sur le droit d’auteur, le scraping et la réutilisation des sorties de modèles concurrents.
Cette convergence entre la thèse du CEO et l’offre commerciale de son entreprise ne rend pas pour autant l’analyse fausse. Elle invite simplement à la lire avec recul. En demandant que « l’infrastructure d’apprentissage » soit distribuée à chaque entreprise, Nadella décrit aussi très exactement le marché que Microsoft souhaite occuper : celui de la plateforme sur laquelle les organisations pourront utiliser plusieurs modèles sans leur abandonner le contrôle de leurs données, de leurs évaluations et de leur mémoire. En appelant les entreprises à conserver leur mémoire, leurs évaluations et leurs boucles d’apprentissage dans leur propre environnement, le dirigeant défend une architecture qui correspond presque trait pour trait à Microsoft Frontier Tuning : un modèle MAI adapté dans le tenant du client, à partir de ses workflows, dont l’intelligence résultante resterait sous son contrôle. Satya Nadella ne se contente donc pas d’alerter sur le risque de voir les fournisseurs de modèles capter le savoir des entreprises. Il tente également de convaincre celles-ci que la propre pile de Microsoft – modèles MAI, Foundry, environnements d’apprentissage et outils de gouvernance – constitue la réponse au paradoxe qu’il vient de formuler.
Au passage on notera que le dirigeant se garde bien d’encourager l’adoption de modèles open source ou leur exécution sur site. Les modèles ouverts constituent une option, notamment pour les données les plus sensibles, mais ils ne règlent pas automatiquement les problèmes de sécurité, de gouvernance, de maintenance ou de qualité. Une entreprise peut conserver une forte maîtrise avec un service managé, à condition que les contrats, les droits d’utilisation et l’architecture garantissent réellement cette maîtrise.
Finalement, le billet de Satya Nadella anticipe un important déplacement du débat. Pendant les premières années de l’IA générative, les DSI demandaient principalement où leurs données étaient stockées et si elles servaient à entraîner les modèles. Avec la généralisation des agents et des systèmes adaptatifs, une nouvelle question devient centrale : où s’accumule l’apprentissage produit par l’entreprise ?
Dans le cloud, les organisations ont cherché à garder le contrôle de leurs données. Dans l’ère de l’IA, elles devront également protéger leur manière d’apprendre. Car le principal risque ne sera peut-être pas qu’un modèle vole un document confidentiel, mais que l’entreprise construise, interaction après interaction, une intelligence qu’elle ne possède pas vraiment.
À LIRE AUSSI :
À LIRE AUSSI :
