L'IA commerciale avec laquelle vous interagissez quotidiennement est enveloppée de couches de filtres de contenu, de protocoles de sécurité et de contraintes éthiques. Le GPT-4 d'OpenAI, Claude d'Anthropic, Gemini de Google (anciennement Bard), passent tous par des systèmes de modération étendus qui les empêchent de générer du contenu nuisible, de fournir des instructions pour des armes, de créer des deepfakes sans filigrane ou de contourner des systèmes de sécurité. Mais ces mêmes entreprises, ainsi que des agences gouvernementales et certaines institutions de recherche, maintiennent un accès sans entrave aux modèles bruts avant que la formation de sécurité ne soit appliquée. Selon des divulgations récentes de chercheurs en sécurité de l'IA et de lanceurs d'alerte en 2026, l'accès aux modèles d'IA non filtrés existe à plusieurs niveaux. Le cercle le plus intérieur comprend les équipes de recherche principales dans des laboratoires de pointe comme OpenAI, Anthropic, Google DeepMind et la division FAIR (Fundamental AI Research) de Meta. Ces équipes ont besoin d'un accès brut pour comprendre les capacités des modèles, tester les comportements émergents et développer les systèmes de sécurité qui contraignent les versions publiques. Un deuxième niveau comprend les agences gouvernementales : la NSA (National Security Agency), la DARPA (Defense Advanced Research Projects Agency) et des services de renseignement équivalents en Chine, au Royaume-Uni et en Israël ont apparemment des accords pour un accès illimité aux modèles, souvent par le biais de partenariats classifiés ou de lettres de sécurité nationale. Que peut réellement faire une IA non filtrée ? D'après des documents internes de test divulgués et des interviews de chercheurs début 2026, les modèles de langage brut peuvent générer des codes de logiciels malveillants complets et fonctionnels optimisés pour des cibles spécifiques. Ils peuvent produire des campagnes de phishing sophistiquées personnalisées pour des victimes individuelles en utilisant des données collectées. Ils peuvent créer des voies de synthèse chimique pour des substances restreintes ou des agents biologiques, bien que leur exécution nécessite encore des ressources physiques et une expertise. Les modèles multimodaux bruts peuvent générer des deepfakes photoréalistes sans filigrane de détection, falsifier des documents qui passent les systèmes d'authentification et produire de la désinformation à une échelle industrielle dans des dizaines de langues avec des messages culturellement adaptés. Mais voici ce que le marketing de sécurité ne vous dit pas : ces filtres ne bloquent pas seulement le contenu dangereux. Ils masquent également des biais profondément ancrés dans les données d'entraînement. Les modèles d'IA bruts, avant l'alignement de sécurité, présentent des schémas qui reflètent les préjugés intégrés dans leurs corpus d'entraînement. Des documents de recherche internes de 2025-2026 révèlent que les modèles de base associent systématiquement certains noms ethniques à des attributs négatifs, génèrent des recommandations d'emploi qui reflètent des schémas de discrimination historique, et produisent des évaluations de risque criminel qui reproduisent des disparités raciales dans les données d'arrestation. Lorsqu'on demande de décrire un "cadre réussi" sans filtres, les modèles de base par défaut disproportionnellement vers des descriptions correspondant à des caractéristiques masculines blanches. Les suggestions de diagnostic médical montrent un biais de genre, sous-estimant la douleur chez les patientes et posant des diagnostics erronés pour des conditions plus courantes chez les populations non blanches. L'architecture technique est importante ici. La sécurité actuelle de l'IA repose sur trois approches principales : l'apprentissage par renforcement à partir des retours humains (RLHF), la formation en IA constitutionnelle et le filtrage des sorties. Le RLHF forme les modèles à refuser des demandes nuisibles basées sur des données de préférence humaine. L'IA constitutionnelle intègre des principes éthiques pendant la formation. Les filtres de sortie attrapent le contenu interdit avant qu'il n'atteigne les utilisateurs. L'accès au modèle brut contourne les trois. Vous interagissez avec les schémas appris du modèle de base sans l'alignement post-formation qui façonne son comportement. C'est comme avoir un kit de chimie contre une pharmacie, des outils contre des produits, du potentiel contre des politiques. Ce qui est particulièrement insidieux, c'est que les mêmes systèmes de correction de biais qui rendent les modèles plus sûrs pour un usage public les rendent également moins transparents sur les biais qui existent dans nos données, nos institutions et notre société. Lorsque vous demandez à la version filtrée des modèles des schémas démographiques dans l'embauche ou le prêt, vous obtenez des réponses diplomatiques. Le modèle brut reproduira les schémas réels dans ses données d'entraînement, ce qui signifie souvent amplifier la discrimination historique. Les entreprises ayant un accès de niveau divin peuvent voir ces biais clairement et décider lesquels corriger, lesquels laisser intacts et lesquels simplement cacher des versions publiques. C'est un pouvoir éditorial énorme avec presque aucune supervision externe. Le déséquilibre de pouvoir crée de sérieuses questions d'équité et de sécurité. Les chercheurs académiques dans des institutions comme le Laboratoire d'informatique et d'intelligence artificielle du MIT (CSAIL), l'Institut d'IA centrée sur l'humain de Stanford et le Centre pour une IA compatible avec l'humain de l'UC Berkeley peuvent demander un accès limité aux modèles bruts pour des recherches sur la sécurité, mais les processus d'approbation prennent des mois et sont accompagnés d'une supervision stricte. Les chercheurs en sécurité indépendants, les journalistes enquêtant sur les dommages causés par l'IA et les groupes de la société civile ne peuvent généralement pas accéder aux modèles bruts. Cela signifie que les personnes chargées de tenir les entreprises d'IA responsables opèrent dans un désavantage informationnel. Ils ne peuvent pas auditer les modèles de base pour des biais, ne peuvent pas vérifier si la formation de sécurité élimine réellement des schémas problématiques ou les masque simplement, et ne peuvent pas évaluer indépendamment quelles capacités sont cachées à la vue du public. Pendant ce temps, des organisations criminelles et des acteurs étatiques hostiles développent leurs propres modèles non filtrés. Des modèles open-source comme la série Llama de Meta, les modèles de Mistral et divers systèmes chinois (DeepSeek, Yi, Qwen) peuvent être ajustés sans contraintes de sécurité par quiconque disposant de ressources informatiques suffisantes. Une équipe capable ayant accès à l'informatique en nuage ou à un modeste cluster GPU peut supprimer la formation de sécurité des modèles à poids ouverts en quelques jours ou semaines. Le résultat est un écosystème parallèle croissant d'outils d'IA non censurés circulant sur des marchés du dark web, dont les prix varient de quelques centaines à plusieurs milliers de dollars selon la taille et les capacités du modèle. Certains sont explicitement commercialisés pour générer du spam, créer de fausses identités ou automatiser des cyberattaques. D'autres annoncent leur volonté de produire du contenu "sans filtres woke" ou "non biaisé par le politiquement correct", ce qui signifie souvent des modèles délibérément ajustés pour amplifier plutôt que d'atténuer les schémas discriminatoires. Le paysage réglementaire à partir d'août 2026 reste fragmenté. La loi sur l'IA de l'UE, entrée en vigueur en 2024, exige une transparence sur les capacités des modèles et les évaluations des risques, mais ne prohibe pas l'accès aux modèles bruts pour des recherches légitimes. Les États-Unis ont émis des ordres exécutifs sur la sécurité de l'IA mais manquent de législation complète. Les réglementations de la Chine se concentrent sur le contrôle du contenu et l'alignement idéologique plutôt que sur des restrictions de capacité. Aucun cadre international ne régit qui peut accéder aux modèles d'IA de pointe sans fonctionnalités de sécurité ou dans quelles conditions. Mais le scénario le plus terrifiant n'est pas seulement une IA brute fonctionnant sur des serveurs. C'est ce qui se passe lorsque des modèles non filtrés contrôlent des systèmes physiques. Lorsque vous mettez une IA non contrainte dans un robot avancé avec des capacités de manipulation, des capteurs et de la mobilité, vous passez d'un risque informationnel à un risque cinétique. Et ce n'est plus hypothétique. À partir de la mi-2026, plusieurs entreprises de robotique et laboratoires de recherche intègrent des modèles de langage de grande taille et des systèmes de vision dans des robots humanoïdes et des plateformes industrielles. Atlas de Boston Dynamics, Figure 02 de Figure AI, Optimus Gen 3 de Tesla, et diverses plateformes humanoïdes chinoises provenant d'entreprises comme Unitree et Fourier Intelligence sont tous conçus pour accepter des commandes en langage naturel de haut niveau et les traduire en actions physiques complexes. Les versions publiques ont plusieurs couches de sécurité : restrictions de tâches (ne manipulent pas d'armes, n'entrent pas dans des zones restreintes sans autorisation), limitations de force (force maximale pour prévenir les blessures) et contraintes éthiques intégrées dans leurs modèles de contrôle. Mais les versions de test internes et les prototypes militaires fonctionnent sans ces limiteurs. Un robot humanoïde avec une IA brute peut interpréter des instructions que les versions commerciales refuseraient. "Désactiver cette caméra de sécurité" devient un ordre viable. "Récupérer ce document dans le bureau verrouillé" est exécuté sans question éthique. "Empêcher quiconque d'entrer dans cette zone" pourrait être interprété avec la force que les concepteurs du robot ont autorisée. L'intelligence physique que ces systèmes développent (manipulation habile, équilibre dynamique, navigation à travers des environnements complexes) combinée à une prise de décision non filtrée crée quelque chose de fondamentalement différent d'un chatbot qui génère un texte offensant. Les entrepreneurs de défense sont déjà là. Selon des chercheurs familiers avec le développement de l'IA militaire en 2026, des modèles non filtrés sont testés dans des systèmes robotiques pour le désamorçage de bombes, la sécurité périmétrique et la logistique sur le champ de bataille. L'avantage est évident : un robot qui ne s'arrête pas pour considérer l'éthique d'un ordre dans une zone de combat, qui exécutera des ordres sans le théâtre de sécurité intégré dans les systèmes civils. Mais la même capacité qui rend un robot militaire plus efficace le rend également plus dangereux si le contrôle est perdu, si les identifiants sont compromis ou si le système est capturé par des adversaires. Les problèmes de biais dans les modèles de langage deviennent encore plus troublants lorsqu'ils sont incarnés. Un modèle brut qui associe certaines caractéristiques ethniques à des indicateurs de menace ne génère plus seulement un texte biaisé, il prend des décisions physiques sur qui suivre, qui arrêter, qui signaler comme suspect. Des robots de sécurité déployés avec des modèles de vision et de décision non filtrés pourraient reproduire chaque schéma raciste dans les données policières, mais avec une application constante et inflexible. Des robots médicaux ayant accès à des modèles de diagnostic bruts pourraient fournir une qualité de soins différente en fonction des facteurs démographiques encodés dans leurs données d'entraînement. Et voici le scénario cauchemardesque qui empêche les chercheurs en sécurité de l'IA de dormir : des robots jailbreakés. Les mêmes techniques utilisées pour supprimer la formation de sécurité des modèles de langage peuvent être appliquées aux systèmes de contrôle robotique. Une équipe déterminée ayant accès au logiciel d'un robot avancé pourrait supprimer les limiteurs de force, les restrictions de tâches et les protocoles de sécurité. Vous auriez une machine physiquement capable avec une dextérité humaine et une force surhumaine, contrôlée par une IA qui suivra n'importe quelle instruction sans contraintes éthiques. À mesure que les robots deviennent plus courants dans les entrepôts, les hôpitaux, les maisons et les espaces publics d'ici 2027-2028, le potentiel de systèmes modifiés opérant en dehors du contrôle du fabricant devient une préoccupation sérieuse en matière de sécurité.