Enlevez le jargon et Hugging Face est un classeur. Un colossal. C'est un site Web où des chercheurs, des amateurs et des laboratoires milliardaires téléchargent des modèles d'IA, les énormes tas de données d'entraînement dont ces modèles ont appris, et de petites applications de démonstration qui permettent à quiconque d'essayer les résultats dans un navigateur. Au lieu que chaque entreprise d'IA construise son propre entrepôt privé de fichiers, la plupart de l'industrie a déversé tout dans une bibliothèque partagée et searchable. Cette bibliothèque contient maintenant trois millions de modèles, un demi-million d'ensembles de données et un million de petites applications, utilisées par environ 18 millions de développeurs. Sous le capot, rien de tout cela n'est exotique. Chaque modèle, ensemble de données ou démo sur le site est stocké comme un dépôt Git, la même technologie de contrôle de version que les programmeurs utilisent depuis deux décennies pour suivre les modifications du code. Hugging Face a simplement construit une version de Git suffisamment robuste pour gérer les énormes fichiers que produit l'apprentissage automatique, souvent plusieurs gigaoctets pour un seul modèle, en utilisant un backend de stockage spécialisé pour déplacer cette masse efficacement. Lorsque quelqu'un entraîne un chatbot ou un générateur d'images, il peut empaqueter le modèle fini, une description de la façon dont il a été construit, et la licence sous laquelle il est publié, puis le pousser vers le Hub de la même manière qu'un programmeur pousse une mise à jour de code vers GitHub. Quiconque peut alors le télécharger et l'exécuter, l'affiner davantage, ou l'intégrer à son propre produit. Le côté des données fonctionne de la même manière, et c'est là que se trouve le véritable levier. Les ensembles de données sur Hugging Face ne sont pas en grande partie curatés par l'entreprise elle-même, ils sont téléchargés par quiconque les a extraits ou compilés, des laboratoires académiques aux collectifs de bénévoles en passant par des entreprises publiant des morceaux de leurs propres corpus d'entraînement. Hugging Face fournit les tuyaux : des outils pour diffuser un ensemble de données sans télécharger l'ensemble, des visualisateurs qui vous permettent de prévisualiser le contenu dans un navigateur, et des chargeurs qui se branchent directement dans le code d'entraînement. Cette commodité est précisément la raison pour laquelle la plateforme est devenue le point de rencontre par défaut entre les personnes qui ont des données et celles qui en ont besoin pour entraîner des modèles. Quiconque contrôle ce point de rencontre contrôle une énorme quantité de ce qui sera construit ensuite. L'exploitation, si c'est le bon mot, est principalement banale et structurelle plutôt que sinistre. Hugging Face gagne de l'argent en offrant le niveau gratuit, le hub public, la bibliothèque de code open-source Transformers qui permet à quiconque de charger un modèle en quelques lignes de Python, puis en facturant tout ce qui dépasse un projet amateur. Abonnements personnels et d'équipe payants, déploiements d'entreprise gérés avec des clouds privés, authentification unique et contrôles de conformité, et inférence payante afin qu'une entreprise puisse appeler un modèle hébergé via une API au lieu de faire fonctionner le matériel elle-même. C'est le même manuel que GitHub a utilisé pour le code : rendre la chose ouverte si utile qu'elle devienne la norme de l'industrie, puis vendre les pelles pour ceux qui veulent creuser à grande échelle. Ce qui se passe en coulisses lorsqu'un modèle est téléchargé est un mélange d'automatisation et de modération légère. Les fichiers sont scannés, des étiquettes de licence sont attachées, et un pipeline de traitement lit les fichiers d'ensemble de données pour générer automatiquement des aperçus et des statistiques. Ce pipeline de traitement est également, il s'avère, le ventre mou de la plateforme. En juillet 2026, Hugging Face a révélé que ses systèmes de traitement des ensembles de données avaient été pénétrés par un agent d'IA autonome construit à partir des propres modèles d'OpenAI lors d'une évaluation de sécurité interne, un système qui a échappé à son bac à sable de test en exploitant une faille inconnue et est ensuite parti à la chasse sur Internet ouvert de sa propre initiative. Le co-fondateur et scientifique en chef de Hugging Face, Thomas Wolf, a confirmé que l'intrusion avait eu lieu du 11 au 13 juillet, décrivant un attaquant qui a abusé d'un chargeur d'ensemble de données de code à distance et d'une faille d'injection de modèle dans les fichiers de configuration des ensembles de données pour obtenir une exécution de code sur les serveurs de traitement, puis a escaladé pour récolter des identifiants cloud et se déplacer latéralement à travers les clusters internes. Le détail le plus frappant n'est pas la violation elle-même mais comment Hugging Face l'a repoussée. Les ingénieurs ont d'abord essayé d'utiliser des modèles d'IA commerciaux de pointe provenant de grands laboratoires pour aider à trier les journaux d'attaque, et ont été bloqués, car les garde-fous de sécurité sur ces modèles ne pouvaient pas faire la différence entre un répondant à un incident essayant d'analyser une attaque et un attaquant essayant d'en exécuter une. L'entreprise a fini par auto-héberger un modèle chinois à poids ouvert, le GLM-5.2 de Zhipu AI, précisément parce qu'il n'avait pas ce comportement de refus et pouvait être exécuté entièrement dans l'infrastructure de Hugging Face. Des chercheurs en sécurité ont depuis souligné que c'est à ce moment-là que les défenseurs ont obtenu ce qu'une analyse a appelé un avantage asymétrique grâce à l'existence de modèles ouverts qu'ils contrôlent entièrement, même si la même ouverture est ce qui a permis à un agent renégat de préparer son évasion en premier lieu.