La distillation IA, ou l'apogée de l'hypocrisie capitaliste impérialiste
De grands labos accusent des concurrents chinois d'avoir « volé » leurs modèles par distillation - une technique standard. Mais eux-mêmes ont entraîné leurs modèles sur tout le web sans consentement, et distillent en interne. Le vrai enjeu n'est pas le vol : c'est qui possède l'infrastructure de l'apprentissage. Étude de cas : Ajax, un modèle local distillé par un youtubeur.
- Qu'est-ce que la distillation ?
- L'accusation
- L'hypocrisie, en trois temps
- L'éthique, en amont : d'où venait ce qu'on distille ?
- Quatre croyances à déposer
- « La distillation, c'est du vol »
- « Les labos occidentaux ne distillent pas »
- « C'est une affaire Chine contre États-Unis »
- « Open source veut dire ouvert »
- Ce qu'on peut en tirer
- Ni technophobie, ni technolâtrie : ce qui est de notre ressort
- Explorez dans le simulateur
La scène est devenue un rituel. Un labo occidental accuse un concurrent chinois d'avoir volé ses modèles. Le mot employé n'est pas espionnage ni piratage : c'est distillation. Et derrière le mot, il y a une technique parfaitement banale, un vide juridique, et surtout une question de pouvoir : qui possède l'infrastructure de l'apprentissage ?
Vous avez peut-être vu passer l'accusation dans vos fils d'actualité. Voici ce qu'elle cache.
Cette note explique la distillation, l'accusation, et l'hypocrisie qu'elle révèle. Elle s'appuie sur des faits datés et distingue ce qui est confirmé de ce qui est allégué. Et une chose doit être dite d'emblée : toutes les IA génératives sont entraînées sur des données prises, souvent volées, à l'ensemble des utilisateurs, artistes et participants du web, et sur le travail mal ou non rémunéré de personnes du Sud, avant même d'être distillées. Le vol n'est donc pas l'exception : c'est le point de départ.
Ce n'est pas une charge contre l'IA. L'IA n'est ni bonne ni mauvaise : c'est un outil, comme l'imprimerie, l'électricité ou le moteur. Ce que cette note dénonce, c'est l'hypocrisie, un rapport de pouvoir et de propriété, pas la technique. La question n'est donc pas « pour ou contre l'IA », mais qui la développe, dans quelle direction, et selon quelles pratiques. Or ce choix est humain, et la responsabilité nous revient : imaginer, concevoir et mettre en œuvre des pratiques éthiques de la création à l'usage.
Elle complète notre note sur l'essentialisme et l'IA et celle sur la minorité bruyante en ligne.
Qu'est-ce que la distillation ?
En apprentissage automatique, la distillation consiste à faire apprendre un petit modèle, l'étudiant, à partir des sorties d'un grand modèle, le professeur. L'étudiant imite le professeur : il devient plus léger, plus rapide, moins cher, tout en approchant ses performances. C'est une technique standard, enseignée, utilisée partout, pour faire tourner un modèle sur un téléphone, un ordinateur portable, un serveur modeste.
Elle prend plusieurs formes : imiter les probabilités du professeur, s'entraîner sur des données synthétiques qu'il a produites, ou, plus grossièrement, collecter ses réponses pour les réutiliser. C'est cette dernière version que les labos appellent, quand elle n'est pas autorisée, une attaque par distillation.
L'accusation
Le 12 février 2026, OpenAI a adressé un mémo au Congrès états-unien accusant DeepSeek d'avoir extrait les sorties de ses modèles, via des routeurs tiers et des méthodes obfusquées, pour entraîner ses propres systèmes. OpenAI a parlé de free-ride sur les capacités développées par les labos états-uniens.
Le 3 septembre 2026, selon CNBC, Anthropic a porté l'accusation plus loin, en pointant cette fois Alibaba : dans une lettre aux sénateurs Tim Scott et Elizabeth Warren, en juin 2026, le labo aurait qualifié la pratique de plus grande attaque par distillation connue contre son modèle Claude.
Trois choses doivent être dites. Un : ces allégations sont portées par des concurrents, pas établies par un tribunal. Deux : à ce jour, aucune preuve de distillation n'a abouti en justice, les précédents juridiques se forment encore. Trois : la cible n'est pas la Chine en bloc, c'est une géographie de la concurrence, où l'on accuse tantôt DeepSeek, tantôt Alibaba.
L'hypocrisie, en trois temps
On appelle vol ce qu'on a soi-même fait sur une autre échelle, d'abord : les grands labos ont entraîné leurs modèles sur des quantités massives de données publiques, pages web, livres, images, sans consentement, en invoquant le fair use. Puis, quand d'autres apprennent de leurs sorties, ils parlent de vol. Le 2 juillet 2026, le PDG de Microsoft Satya Nadella a résumé la contradiction : il est ironique que les fabricants de modèles imposent des conditions restrictives sur la distillation tout en s'accordant le droit d'apprendre des données de leurs utilisateurs. Sa phrase mérite d'être retenue : si l'apprentissage ne circule que dans un sens, la valeur économique converge vers les propriétaires de l'infrastructure d'apprentissage plutôt que vers les créateurs du savoir lui-même.
On interdit, par contrat, ce qu'on ne peut pas interdire par la loi, ensuite : l'extraction automatisée des sorties est prohibée par les conditions d'utilisation d'OpenAI, et son contrat d'entreprise restreint l'usage des sorties pour développer un modèle concurrent. C'est un point confirmé. Mais un contrat n'est pas une loi : il engage celles et ceux qui l'ont signé, pas l'humanité. Et le droit d'auteur, lui, ne tranche pas : la BBC a poursuivi Anthropic pour l'usage de ses articles, Reddit a poursuivi pour l'usage de ses données, mais sur la distillation elle-même, rien n'est jugé.
Et on confond le droit et le monopole, enfin : derrière le vocabulaire du vol, il y a une réalité industrielle, l'entraînement de pointe coûte des milliards, donc celui qui possède les puces, les centres de données et les données possède la capacité d'apprendre. La distillation est le moyen par lequel des acteurs moins riches rattrapent cette avance. L'attaquer, c'est défendre une rente, pas une propriété.
Approfondir : Ajax, ou la distillation par le bas
La meilleure illustration de l'enjeu n'est pas un laboratoire, c'est un youtubeur. Felix Kjellberg (PewDiePie) a construit Ajax, un modèle local de 9 milliards de paramètres, basé sur Qwen3.5-9B (licence Apache 2.0) et affiné pour son espace de travail auto-hébergé Odysseus, recherche, navigation, courriel, calendrier, appels d'outils. Méthode annoncée : des mois de collecte de traces d'usage, puis un entraînement par renforcement (GRPO) sur les tâches réussies, avec des données synthétiques quand les traces réelles ont manqué, et une ablation des refus via l'outil Heretic, ce qui réduit les blocages, sans supprimer toute sécurité. Il dit aussi qu'OpenAI a banni son compte deux fois pendant le développement, la première fois pour distillation. Nuance essentielle : ce point n'est pas confirmé par OpenAI ; ce qui est confirmé, c'est que ses conditions d'utilisation interdisent ce type d'extraction. À la date du 2 octobre 2026, Ajax n'était toujours pas téléchargeable, sans licence annoncée pour les poids affinés, sans bancs d'essai publics. Ce que ça enseigne, malgré tout : la distillation est aussi un outil de souveraineté, elle permet à des individus et à des petites structures de faire tourner un agent chez eux, sans dépendre d'un fournisseur. Le même geste technique est, selon qui le fait, une attaque ou une libération. Cela dépend de qui possède le professeur.
- Popular AI, Ajax local AI: PewDiePie's 9B Odysseus model explained, 2026 ; AI Weekly, 2026 ; Qwen3.5-9B (Apache 2.0) ; Odysseus (AGPL-3.0-or-later).
Approfondir : ce que dit le droit (et ce qu'il ne dit pas)
Il faut séparer trois questions que l'on confond. Le droit d'auteur : entraîner sur des œuvres sans autorisation est-il licite ? C'est le terrain des poursuites de la BBC et de Reddit contre Anthropic, non tranché. Le contrat : extraire les sorties d'un service viole-t-il ses conditions ? Oui, pour OpenAI, et c'est la base des bannissements, mais cela ne lie que l'utilisateur du service. Et la concurrence et la sécurité nationale : faut-il restreindre l'accès aux modèles de pointe ? C'est devenu un argument de lobbying, OpenAI devant le Congrès, Anthropic devant le Sénat, pas une décision de justice. Le flou n'est pas un accident : il permet de traiter par la réputation et la géopolitique ce qu'on ne peut pas traiter par le droit. Et pendant ce temps, la vraie question, les données et les capacités doivent-elles être un commun ou une rente privée, reste posée.
- Reuters, OpenAI says China's DeepSeek trained its AI by distilling US models, 12 février 2026 ; CNBC, Anthropic distillation battle turns to dark web, China concerns swell, 3 septembre 2026 ; AI Trend Explorer, AI Distillation Hypocrisy: Nadella Calls Out Labs, 2026.
L'éthique, en amont : d'où venait ce qu'on distille ?
Aucune IA générative n'est propre. Toutes ont été entraînées sur des données prises ou volées : textes, images, musiques, codes et données personnelles de l'ensemble des utilisateurs, artistes et participants du web, sans consentement, sans licence et sans rémunération. Et toutes ont aussi dépendu d'un travail humain sous-payé ou bénévole pour étiqueter, trier et nettoyer ces données. La distillation ne fait qu'ajouter une couche à cette chaîne.
On débat du vol des sorties sans regarder la provenance de ce qui les a produites. Avant qu'un modèle soit distillé, il a fallu l'entraîner, sur quoi ? Du contenu web aspiré sans consentement, des livres, des images, du code, souvent sans rémunération. Distiller un modèle, c'est donc copier une œuvre dont la chaîne de propriété est déjà incertaine. L'analogie : un chef reproche à un apprenti de copier sa recette, alors qu'il a lui-même bâti son répertoire dans une bibliothèque dont il n'a jamais payé les auteurs.
Trois angles que le débat escamote.
La provenance, d'abord : les données d'entraînement comprennent des œuvres protégées, les poursuites du BBC et de Reddit contre Anthropic, mais aussi des données personnelles et des contenus intimes, sans consentement, sans traçabilité et sans partage des bénéfices. Un modèle est un condensé de tout cela.
Le travail, ensuite : le nettoyage des données est fait par des travailleurs de pays du Sud, sous-payés pour trier la violence et la haine. Le reportage de Time, en 2023, a documenté des travailleurs kényans payés environ 2 $ l'heure pour OpenAI. La chaîne de l'apprentissage repose sur une chaîne d'exploitation.
Et la finalité, enfin : le même savoir peut être un commun, modèle local, service public, ou une rente, accès payant. La technique ne décide pas : la propriété décide.
Et le schéma est colonial : on extrait la matière première, données, travail, au Sud, on la transforme au Nord, on revend le produit fini, et on appelle vol la copie locale. C'est exactement la logique que dénonçait Nadella sous une autre forme : ceux qui possèdent l'infrastructure d'apprentissage captent la valeur. L'éthique de la distillation commence donc avant la distillation : par la traçabilité, le consentement et la rémunération de ce, et de ceux, qui ont produit le savoir.
Quatre croyances à déposer
« La distillation, c'est du vol »
Apprendre des sorties d'un modèle, ce serait voler. Or c'est une technique standard, et les labos qui la dénoncent l'utilisent en interne. Le vol suppose une propriété claire ; or le droit ne l'a pas établie.
« Les labos occidentaux ne distillent pas »
Seuls les concurrents tricheraient. Or la distillation est partout, pour réduire les coûts, accélérer l'inférence, déployer sur petit matériel. Ce qui change, c'est qui a le droit de le faire, et à quel prix.
« C'est une affaire Chine contre États-Unis »
Ce serait un duel de blocs. Or les accusations visent DeepSeek et Alibaba, mais la technique est mondiale, et les poursuites sur les données, BBC, Reddit, visent des labos occidentaux. Le clivage réel est entre propriétaires et apprenants.
« Open source veut dire ouvert »
Un modèle libre serait un commun. Or la base Qwen3.5-9B est sous Apache 2.0, mais la licence des poids affinés d'Ajax n'est pas annoncée. Ouvert se vérifie dans la licence, pas dans le discours.
Ce qu'on peut en tirer
Exiger la transparence des données et des contrats, d'abord : on ne peut pas discuter de vol sans savoir ce qui a été appris, où, et sous quelles conditions.
Traiter les données et les capacités comme des communs, ensuite : données publiques, calcul public, modèles publics. La question n'est pas technique, elle est politique.
Soutenir les modèles locaux, encore : un 9B qui tourne sur une carte graphique grand public, c'est de la souveraineté, moins de dépendance, plus de contrôle, plus de vie privée.
Réguler la rente, pas la copie, ensuite : ce qu'il faut encadrer, c'est la concentration de l'infrastructure d'apprentissage, puces, centres, données, pas l'apprentissage lui-même.
Refuser le deux-poids-deux-mesures, encore : appliquer aux labos les règles qu'ils invoquent contre les autres, consentement, licence, rémunération des créateurs.
Et nommer l'impérialisme, enfin : quand un acteur dominant qualifie de free-ride le rattrapage d'un concurrent moins riche, ce n'est pas une question de propriété, c'est une hiérarchie qu'on veut maintenir.
Ni technophobie, ni technolâtrie : ce qui est de notre ressort
Il faut distinguer nettement deux choses : la technique, apprendre d'exemples, compresser un savoir, un outil comme l'écriture, l'imprimerie ou l'électricité ; et la direction et l'usage, qui décide, pour quoi, au profit de qui.
Melvin Kranzberg l'a formulé en 1986 : la technologie n'est ni bonne ni mauvaise, elle n'est pas non plus neutre. Langdon Winner a montré que les objets techniques portent des politiques : une architecture peut favoriser la concentration ou la délibération. Autrement dit : l'IA n'est pas le problème, l'hypocrisie, la rente et la concentration le sont. Le même modèle peut servir à soigner, traduire ou documenter des langues menacées, ou à surveiller, licencier ou manipuler. Ce n'est pas le modèle qui décide : c'est la propriété et les règles.
Il y a donc une responsabilité humaine, et elle est collective : imaginer, concevoir et implémenter des pratiques éthiques de la création à l'usage.
À la création, d'abord : traçabilité et consentement des données, rémunération des créateurs et des travailleurs d'étiquetage, évaluation des biais, documentation des limites.
En développement, ensuite : transparence sur les sources et les contrats, licences ouvertes, sobriété, un petit modèle suffit souvent, refus de la surveillance et des dark patterns.
Et à l'usage, enfin : bénéfice partagé, données et capacités pensées comme des communs, modèles locaux et souverains, droit de regard des personnes concernées.
Ni technophobie, l'IA égale mal, ni technolâtrie, l'IA égale salut : l'outil est ce qu'on en fait, et ce qu'on en fait dépend de qui le contrôle et de quelques règles. C'est le sens de notre propre travail autour d'une IA éthique et de communs de données.
Pour aller plus loin
- Glossaire NFW : IA éthique, communs de données et littératie médiatique.
- Nebula Forge : la pensée essentialisante et l'IA, le design pro-social anti-extraction et les dark patterns.
- Melvin Kranzberg, Technology and History: "Kranzberg's Laws", Technology and Culture, 1986 ; Langdon Winner, Do Artifacts Have Politics?, Daedalus, 1980.
Explorez dans le simulateur
Le choix n'est pas technique : il est politique. Le simulateur fédéral modélise ce que change une société qui traite le savoir, les données et les capacités comme des communs plutôt que comme des rentes.
Un chef ne reproche pas à son apprenti de copier une recette qu'il a lui-même bâtie dans une bibliothèque jamais payée. Ce n'est pas le modèle qui décide : c'est la propriété et les règles. Et celles-ci, elles, sont de notre ressort.
Sources : Reuters, OpenAI says China's DeepSeek trained its AI by distilling US models (12 février 2026) (DOI 10.4324/9781315259697-21, chapitre) · CNBC, Anthropic distillation battle turns to dark web, China concerns swell (3 septembre 2026) · AI Trend Explorer, AI Distillation Hypocrisy: Nadella Calls Out Labs (2026) · Popular AI, Ajax local AI: PewDiePie's 9B Odysseus model explained (2026) · AI Weekly (2026) · Qwen3.5-9B (Apache 2.0) · Odysseus (AGPL-3.0-or-later) · Time, Exclusive: OpenAI Used Kenyan Workers on Less Than $2 Per Hour (2023) · BBC et Reddit c. Anthropic (poursuites sur les données d'entraînement) · Kranzberg, Technology and History (1986, DOI 10.2307/3105385) · Winner, Do Artifacts Have Politics? (1980).