RAG souverain : pourquoi les professions réglementées ne peuvent plus externaliser leur IA aux États-Unis

La souveraineté d'une IA ne se lit pas sur un logo ni sur un datacenter, mais dans son architecture de déploiement. Pour les métiers tenus au secret professionnel, c'est devenu un enjeu juridique.

Le 29 juin 2026, la Cour suprême des États-Unis a jugé, dans l'affaire Trump v. Slaughter, que les protections garantissant l'indépendance de la Federal Trade Commission étaient inconstitutionnelles. Détail technique en apparence ; séisme en réalité. Car la FTC est l'un des organes de contrôle sur lesquels repose le Data Privacy Framework, l'accord qui autorise depuis 2023 le transfert de données personnelles entre l'Union européenne et les États-Unis. Or le droit européen exige que ce contrôle soit assuré par une autorité indépendante. Dans la foulée, l'ONG noyb de Max Schrems a demandé à la Commission européenne de retirer sa décision d'adéquation.

C'est le troisième acte d'une pièce que l'on connaît : le Safe Harbor est tombé en 2015 (Schrems I), le Privacy Shield en 2020 (Schrems II). Le Data Privacy Framework, lui, avait survécu en septembre 2025 à un premier recours porté par le député français Philippe Latombe, également membre de la CNIL. Mais ce recours est aujourd'hui en appel devant la Cour de justice de l'Union européenne, Microsoft ayant même été admis à intervenir. Autrement dit : le sol juridique sous les transferts transatlantiques n'a jamais cessé de trembler. Rien n'est encore tombé : la décision d'adéquation reste formellement en vigueur tant que la Commission ne l'abroge pas ou que la Cour de justice ne l'annule pas, ce qui peut prendre des années. Mais bâtir aujourd'hui sa gouvernance de données sensibles sur un socle aussi contesté, c'est faire un pari.

"Hébergé en Europe" ne veut pas dire "souverain"

Voilà l'illusion la plus répandue chez les dirigeants que je rencontre : croire qu'un service "hébergé en Europe" est, de ce fait, à l'abri. C'est faux. Le CLOUD Act américain permet aux autorités des États-Unis de contraindre un fournisseur soumis à leur juridiction à livrer des données, quel que soit le pays où se trouvent les serveurs. Un modèle d'IA, même performant, même français, mais consommé via une API hébergée sur une infrastructure américaine, reste dans le champ de cette extraterritorialité.

L'exemple est instructif avec le champion national. Mistral AI est français et propose des déploiements self-hosted et on-premises qui sont de vraies réponses de souveraineté. Mais le partenariat d'infrastructure noué avec Microsoft à l'été 2026 amène aussi ses modèles sur Azure et dans Copilot, c'est-à-dire, pour ces usages-là, sur une infrastructure américaine. Le bon critère n'est donc pas "modèle américain ou modèle français", ni même "ouvert ou fermé". C'est : qui contrôle, de bout en bout, le modèle, l'infrastructure de calcul et les données ? Un modèle en open weights opéré sur une infrastructure européenne que l'on maîtrise ne relève pas de la même logique qu'un modèle propriétaire appelé à distance sur un cloud tiers.

Pour les professions réglementées, ce n'est pas une préférence, c'est une obligation

Là où le sujet devient non négociable, c'est pour les métiers tenus au secret professionnel : avocats, notaires, experts-comptables, professionnels de santé. Un système de RAG (Retrieval-Augmented Generation), cette technique qui permet à une IA de répondre en s'appuyant sur une base documentaire propre à l'organisation, a précisément vocation à indexer ce qui est le plus sensible : dossiers clients, contrats, pièces de procédure, données patients.

Pour ces professions, la confidentialité n'est pas un argument de confort. C'est une obligation déontologique et une exigence du RGPD. Faire transiter le cœur d'un dossier par une brique dont on ne maîtrise ni la juridiction ni la chaîne d'accès, c'est déplacer un risque juridique sur une décision d'architecture technique, souvent sans que le dirigeant en ait conscience. Quand je conçois un RAG pour un cabinet, la question centrale n'est jamais "quel est le modèle le plus intelligent ?", mais "où vivent les données à chaque étape, et qui peut y accéder en cas de réquisition étrangère ?".

Sortir de l'idéologie : trier par sensibilité

Pour autant, traiter la souveraineté comme un absolu serait une erreur symétrique. Toutes les données d'un cabinet ne se valent pas. La bonne méthode n'est pas de choisir un camp, mais de trier ses données selon leur sensibilité et d'adapter la protection à chaque niveau. Pour les données couvertes par le secret ou stratégiques, la souveraineté (un modèle ouvert que l'on peut héberger soi-même, une base de recherche et un moteur d'IA installés sur une infrastructure européenne maîtrisée) est un prérequis. Pour les usages non sensibles (reformuler une note interne, générer un brouillon anodin), elle redevient un critère parmi d'autres, à mettre en balance avec la performance et le coût.

Cette hybridation suppose une gouvernance claire et un minimum de pédagogie interne : sans règle explicite, les équipes retournent toujours vers l'outil le plus simple, y compris pour des données qui ne devraient jamais y aller.

La vraie question, pour un dirigeant, n'est donc plus "fournisseur américain ou français ?". Elle est : ma gouvernance des données survivrait-elle à un choc géopolitique ou à une décision de justice à 6 000 kilomètres d'ici ? Depuis l'arrêt de la Cour suprême américaine, cette question a cessé d'être théorique.

Laurence Fernando, fondatrice de Malibellule (Rennes), référencée Activateur France Num. Elle accompagne les TPE, PME et professions réglementées sur la création de sites, le SEO et l'intégration d'IA.