Réglementation
Anysphere envisage d’éloigner Cursor des modèles chinois à poids ouverts

Points clésLa phase d'abandon exploratoire d'Anysphere indique que le risque géopolitique façonne…
Voir plus
- La phase d'abandon exploratoire d'Anysphere indique que le risque géopolitique façonne désormais les décisions d'approvisionnement des plateformes de codage par IA.
- Composer 2 a été construit sur une base de Moonshot AI identifiée publiquement seulement par un développeur indépendant.
- Retirer les modèles chinois à poids ouverts avant que des alternatives fiables n'existent pourrait augmenter les coûts et concentrer le marché.
Anysphere, le développeur de la plateforme de programmation assistée par IA Cursor, a indiqué aux enquêteurs de la Chambre des représentants qu’elle comptait étudier la possibilité d’abandonner progressivement les modèles d’IA chinois à poids ouverts en raison des risques géopolitiques, selon un rapport conjoint du Congrès publié le 20 novembre 2026.
Cette révélation concerne un projet à l’étude, et non un abandon déjà réalisé ; les commissions n’ont fait état d’aucune décision définitive ni d’aucun calendrier. La commission de la sécurité intérieure de la Chambre des représentants et la commission spéciale de la Chambre des représentants sur la Chine ont publié leurs conclusions à l’issue d’une enquête lancée en avril 2026 et élargie à DoorDash le 31 juillet 2026, après avoir porté sur Airbnb et Anysphere.
Les modèles à poids ouverts disposent de paramètres entraînés qui peuvent être téléchargés, exécutés et modifiés indépendamment de leur développeur d’origine, ce qui permet à des versions dérivées de se diffuser sans relation commerciale continue. Les commissions ont indiqué que Composer 2, le modèle propriétaire phare de Cursor, reposait sur une base de Moonshot AI dont l’identité n’a été rendue publique qu’après qu’un développeur indépendant l’a identifiée.
Le rapport technique de Cursor identifie cette base comme étant Kimi K2.5. Composer 2 a fait l’objet d’un préentraînement continu sur un mélange de données à forte dominante de code, suivi d’un apprentissage par renforcement à grande échelle dans des sessions Cursor réalistes, utilisant les mêmes outils et le même environnement d’exécution que le modèle déployé.
Pourquoi les modèles chinois se sont imposés
Airbnb a indiqué que des versions personnalisées des modèles Qwen d’Alibaba alimentaient un assistant d’IA qui gère environ 80 000 interactions quotidiennes avec des voyageurs et des hôtes, ainsi qu’un modèle affiné qui résume environ 250 000 demandes d’assistance et appels par jour. Les deux fonctionnent sur l’infrastructure de fournisseurs de services situés aux États-Unis.
DoorDash a indiqué que 25 familles de modèles chinois avaient été autorisées et déployées de manière significative, c’est-à-dire en engendrant au moins 5 000 $ de coûts de calcul et de mise en service. L’entreprise a estimé que le remplacement d’un modèle chinois intégré à un système plus vaste pourrait prendre jusqu’à six mois, même si la plupart des autres usages pourraient être transférés presque immédiatement.
Les commissions ont relevé que les coûts, la personnalisation et des performances proches de celles des modèles de pointe favorisaient l’adoption, et ont constaté que les États-Unis ne disposaient pas d’une solution de remplacement à poids ouverts compétitive au prix et au niveau de performance exigés par le marché.
Le rapport compare les tarifs d’API publiés pour un million de jetons en entrée et un million de jetons en sortie (de petits fragments de mots et de caractères utilisés pour mesurer l’utilisation des modèles) :
| Modèle | Développeur | Coût approximatif |
|---|---|---|
| Qwen3-235B-A22B-Instruct | Alibaba | $1.15 |
| DeepSeek-R1 | DeepSeek | $2.74 |
| Kimi K2.6 | Moonshot AI | $4.95 |
| Claude Opus 4.8 | Anthropic | $30 |
| GPT-5.5 | OpenAI | $35 |
Ces chiffres ne tiennent pas compte des différences de capacités, de mise en cache, de remises sur les traitements par lots, de promotions ni des coûts d’hébergement autonome. Ils illustrent la pression sur les prix qui favorise l’adoption ; les poids ouverts permettent également aux entreprises d’affiner les modèles à partir de leurs propres données et de les déployer sur une infrastructure qu’elles contrôlent.
La préoccupation de sécurité est distincte du lieu d’hébergement. Faire fonctionner les modèles sur une infrastructure située aux États-Unis réduit l’exposition directe des données, mais, selon le rapport, cela ne change ni la façon dont le modèle sous-jacent a été entraîné ni son comportement potentiel dans des conditions qui échappent aux évaluations habituelles.
Restrictions proposées et risques liés au remplacement
Les 12 recommandations du rapport n’instaurent pas, à elles seules, de restrictions. Elles s’appuieraient sur un décret du Département de la Sécurité intérieure excluant les produits et services DeepSeek des marchés publics fédéraux civils et exigeant leur suppression des systèmes des agences, y compris des produits tiers fondés sur DeepSeek. Les présidents des commissions recommandent d’étendre ces restrictions à d’autres modèles développés en Chine et à leurs dérivés dans l’ensemble des systèmes d’information fédéraux et des marchés publics fédéraux, avec des dérogations limitées pour la recherche, les essais et la sécurité défensive. Ils recommandent également d’interdire ces modèles et leurs dérivés dans des fonctions précisément définies d’infrastructures critiques à haut risque, avec des calendriers de retrait liés à l’existence de solutions de remplacement fiables et des exceptions temporaires lorsqu’aucun substitut fiable n’existe.
Pour rendre les règles applicables, une norme de traçabilité des modèles élaborée sous la direction du National Institute of Standards and Technology, ainsi qu’une nomenclature des composants de l’IA lisible par machine, documenteraient les modèles de base, les affinages importants et les sources de distillation. L’exigence s’appliquerait aux contractants fédéraux et à l’IA utilisée dans des fonctions d’infrastructures critiques à haut risque ; elle serait volontaire dans les autres cas. Une initiative nationale américaine en faveur de l’IA à poids ouverts réunirait des ressources publiques de calcul, une infrastructure d’évaluation partagée, des licences volontaires autorisant des développeurs qualifiés de modèles à poids ouverts à utiliser les résultats de modèles américains de pointe pour l’entraînement, ainsi qu’une demande fédérale d’ancrage.
Les comités avertissent que retirer les modèles chinois avant que des solutions de remplacement fiables à poids ouverts soient disponibles pourrait faire grimper les coûts et concentrer le marché entre les mains de fournisseurs de modèles propriétaires fermés. Le projet exploratoire d’Anysphere illustre donc un enjeu plus large de mise en œuvre : les restrictions nécessitent des registres de provenance fiables pour repérer les modèles intégrés, ainsi que des solutions de remplacement crédibles afin d’éviter de troquer les poids ouverts chinois contre des coûts plus élevés ou une dépendance aux modèles fermés.












