C’est presque toujours la première question qu’on nous pose, parfois avant même de parler du projet : « si on envoie nos contrats, nos fiches clients ou nos procédures internes à un modèle d’IA, est-ce que ces données vont servir à l’entraîner ? Est-ce qu’elles vont se retrouver chez quelqu’un d’autre ? ». La question est saine. La réponse, elle, est rarement un simple oui ou non : tout dépend de l’outil utilisé, du contrat qui l’encadre, et de la façon dont l’intégration a été construite.

Cet article détaille ce qui arrive concrètement à une donnée envoyée à un LLM, les différences qui comptent entre les offres, et les réflexes que nous appliquons sur chaque projet pour que nos clients gardent la maîtrise de leurs informations.

Le trajet d’une donnée, étape par étape

Quand un document est envoyé à un modèle de langage hébergé chez un fournisseur, il ne « disparaît » pas dans une boîte noire. Il suit un trajet assez classique, et chaque étape pose sa propre question de sécurité :

  • Le transit : la requête part de votre application vers les serveurs du fournisseur, en principe chiffrée (TLS). C’est rarement là que se situe le risque.
  • Le traitement : le modèle lit le contenu pour générer une réponse. À ce stade, la donnée est déchiffrée et traitée sur l’infrastructure du fournisseur, dans une région géographique donnée.
  • La conservation : selon l’offre, la requête et la réponse peuvent être gardées un certain temps, typiquement pour détecter des abus, parfois plus longtemps pour d’autres finalités.
  • La réutilisation : c’est la vraie crainte, que vos contenus servent à améliorer ou entraîner les futurs modèles du fournisseur.

Les deux dernières étapes sont celles où les offres diffèrent radicalement, et où se joue l’essentiel de la confidentialité.

Version grand public et API : deux mondes différents

La confusion la plus répandue vient du fait qu’on met dans le même sac l’application de chat qu’un collaborateur utilise avec son compte personnel, et l’accès par API qu’une entreprise intègre dans ses outils. Ce sont deux produits différents, avec des conditions différentes.

Sur les offres grand public, gratuites ou individuelles, les conversations peuvent, selon les réglages et les fournisseurs, être utilisées pour améliorer les modèles, et sont souvent conservées longtemps. Le contrôle repose alors sur un paramètre que l’utilisateur doit penser à désactiver, ce qui n’est pas une garantie au niveau de l’entreprise.

Sur les offres professionnelles et les accès API des principaux fournisseurs, la règle par défaut est aujourd’hui inverse : les données envoyées ne servent pas à entraîner les modèles, et la durée de conservation est limitée, souvent à une trentaine de jours pour la surveillance des abus. Certains fournisseurs proposent même, sous conditions, une conservation nulle. Ces engagements sont écrits dans un contrat, et c’est là toute la différence.

La question n’est pas « est-ce qu’on utilise OpenAI ? », mais « sous quel contrat, avec quels réglages, et pour quelles données ? ».

Le vrai risque n’est pas toujours où on le croit

Dans les audits que nous menons, le risque principal est rarement l’intégration API officielle, qui est en général bien encadrée. Il se situe beaucoup plus souvent dans les usages non maîtrisés : un commercial qui colle un contrat client dans une application de chat sur son compte personnel, une extension de navigateur qui promet de résumer vos e-mails, un outil gratuit « propulsé par l’IA » dont personne n’a lu les conditions.

Autre angle mort fréquent : les journaux techniques. Une application bien intégrée côté fournisseur peut tout de même enregistrer chaque prompt et chaque réponse dans ses propres logs, dans un outil de monitoring tiers, ou dans une base de données de test. La donnée sensible n’est alors plus chez le fournisseur du modèle, mais dispersée dans votre propre infrastructure, souvent sans durée de conservation définie.

Où sont physiquement vos données ?

Pour une entreprise européenne, la localisation du traitement compte, à la fois pour des raisons réglementaires et de confiance. Plusieurs options existent aujourd’hui :

  • Les grands fournisseurs américains avec hébergement européen : certaines offres, notamment via les grands clouds, permettent de traiter et stocker les données dans des régions de l’Union européenne. C’est un progrès réel, mais l’entreprise reste soumise au droit américain, ce qui peut poser question pour les données les plus sensibles.
  • Les fournisseurs européens : des acteurs comme Mistral proposent des modèles performants hébergés en Europe, sous droit européen.
  • Les modèles auto-hébergés : des modèles ouverts peuvent tourner sur votre propre infrastructure ou un cloud privé. Aucune donnée ne sort, mais l’exploitation, la sécurité et la performance deviennent votre responsabilité.

Il n’y a pas de bonne réponse universelle. Le bon choix dépend de la sensibilité des données traitées, du niveau de performance nécessaire et de votre capacité à exploiter une infrastructure.

Les réflexes que nous appliquons sur chaque projet

En tant qu’équipe qui travaille à distance sur les données de ses clients, la confidentialité n’est pas une option pour nous : c’est la condition de la confiance. Voici les principes que nous appliquons systématiquement.

  • Classer les données avant de choisir l’outil : publique, interne, confidentielle, personnelle. Le choix du modèle et de l’hébergement découle de cette classification, jamais l’inverse.
  • Utiliser uniquement des accès professionnels sous contrat : API ou offres entreprise, avec non-réutilisation des données pour l’entraînement et accord de traitement des données (DPA) signé.
  • Minimiser ce qui est envoyé : le modèle n’a besoin que du passage utile, pas du document entier. Moins on envoie, moins on expose.
  • Pseudonymiser quand c’est possible : remplacer noms, e-mails ou numéros par des identifiants avant l’envoi, puis les réinjecter dans la réponse.
  • Maîtriser les journaux : définir ce qui est enregistré, où, et pour combien de temps, y compris dans les outils de monitoring.
  • Revoir les conditions régulièrement : les politiques des fournisseurs évoluent. Un réglage valable il y a un an doit être revérifié.

Un exemple concret

Prenons un assistant interne qui répond aux questions des équipes à partir de la base documentaire RH d’une entreprise de 200 personnes. Le document le plus sensible contient des informations personnelles sur les salariés. Une approche naïve enverrait l’intégralité des documents pertinents à un modèle grand public. Une approche maîtrisée sépare les contenus : les procédures générales passent par une API sous contrat, hébergée en Europe, tandis que les données nominatives sont exclues de l’index ou pseudonymisées en amont. Les journaux conservent la question et la source utilisée, mais pas le contenu complet des réponses, et sont purgés automatiquement au bout de 30 jours.

Le surcoût de cette approche est faible au regard du projet, quelques jours de conception en plus. Mais il change complètement la conversation avec le DPO, la direction et les représentants du personnel.

Notre recommandation

Envoyer des données à un LLM n’est ni dangereux ni anodin par nature : c’est une décision d’architecture, qui se prend en connaissance de cause. Avant tout projet, posez trois questions simples : quelles données vont réellement être envoyées, sous quel contrat, et où elles seront conservées. Si l’une de ces trois réponses est floue, c’est par là qu’il faut commencer, avant d’écrire la moindre ligne de code.