À Toronto, Cohere parie que l’avenir de l’IA ne se joue pas dans un chatbot grand public, mais dans les salles informatiques des entreprises qui ne peuvent pas envoyer leurs données ailleurs. La société fondée par trois cofondateurs construit des modèles de langage de niveau entreprise, conçus pour être déployés en privé sur l’infrastructure du client.

C’est l’angle qu’ont défendu ses dirigeants à Davos, où Aidan Gomez a expliqué que Cohere fabrique ses modèles « complètement from scratch » et qu’elle n’a « pas de dépendances externes autres que les puces ». Il a aussi dit que l’entreprise n’a aucun moyen d’observer les données qui traversent ses modèles ni de les couper à distance, une promesse qui vise directement les secteurs où l’information est la plus précieuse et la plus encadrée.

Le point central est simple: la plupart des données vraiment utiles dans l’économie sont régulées et sensibles. Dans la finance, les télécommunications ou l’énergie, ces flux alimentent des décisions opérationnelles et commerciales qui ne peuvent pas être confiées à un centre de données éloigné. Nick Frosst, l’un des cofondateurs, résume le défi comme « un problème d’ingénierie incroyablement compliqué », tout en disant qu’il est souvent sous-estimé. « Les LLM ne sont vraiment utiles que selon les données auxquelles ils ont accès », a-t-il dit, ajoutant que « la plupart des vraies données utiles sont encadrées par des règles » et qu’elles « ne peuvent pas simplement être envoyées dans un centre de données au hasard ». Cohere répond avec le déploiement sur site et avec Model Vault, un ensemble fermé de GPU qui tourne à l’intérieur de l’environnement du client.

Cette approche tranche avec la logique dominante de l’IA générative, qui repose souvent sur d’énormes modèles centralisés et des infrastructures extérieures à l’entreprise. Cohere affirme au contraire que ses modèles Command A tournent sur seulement deux GPU, et Frosst dit que la société a dépensé « des ordres de grandeur moins » pour l’entraînement que certains concurrents. L’argument n’est pas seulement financier; il est stratégique. North, sa plateforme agentique, doit permettre à des travailleurs du savoir de déléguer les tâches répétitives à un modèle qui fonctionne entièrement à l’intérieur de l’infrastructure de leur employeur.

Cette vision rejoint une idée plus politique que technique. Frosst dit qu’il n’y a qu’une poignée de pays à la frontière de la course à l’IA, et il cite les États-Unis, la Chine, la France et le Canada. Selon lui, le Canada a choisi Cohere comme champion mondial. À Davos, il a parlé de « souveraineté de l’IA » et l’a comparée à la souveraineté énergétique, disant que le Canada est un pays « assez souverain sur le plan énergétique » et rappelant que l’Ontario produit environ 55 % de son électricité grâce au nucléaire. « C’est une capacité souveraine », a-t-il dit. « Mais nous devons collaborer avec d’autres pour la faire fonctionner. »

Chez Bell AI, un partenaire et client clé, cette logique a aussi changé de nature. Michel Richer, président de Bell AI, a dit que sa compréhension de la souveraineté des données a « évolué de manière spectaculaire » au cours des 14 derniers mois. Pour lui, la souveraineté ne concerne plus seulement l’endroit où les données sont stockées, mais aussi la personne qui contrôle le calcul sur lequel elles tournent. Il a dit vouloir s’assurer que personne venant d’une juridiction extérieure n’ait accès aux données, mais aussi qu’aucune personne venant d’une juridiction extérieure ne puisse contrôler ce calcul.

Ce déplacement est crucial pour Cohere. L’entreprise ne vend pas une promesse de conversation universelle; elle vend une architecture censée rassurer des clients pour qui la confidentialité, la conformité et le contrôle comptent autant que la qualité du modèle. Dans un marché saturé de démonstrations spectaculaires, Cohere cherche à gagner sur un terrain plus discret, mais potentiellement plus durable: celui des données qui ne peuvent pas quitter la pièce.