Modèles chinois open weight bannis du fédéral : le rapport House cible Qwen, Kimi et Cursor
🔎 Washington change de braquet : des puces aux modèles
Le 20 novembre 2026, les commissions Homeland Security et Select Committee on China de la Chambre des représentants publient un rapport commun de 50 pages qui marque un tournant. Sept mois d'enquête, 12 recommandations, et un message clair : les modèles open-weight chinois (Qwen, Kimi, DeepSeek, GLM, MiniMax) doivent sortir des systèmes fédéraux, des contrats fédéraux et des infrastructures critiques à haut risque. Ce n'est plus une question de matériel — puces, lithographie, serveurs — mais de logiciel : les poids du modèle, leur provenance, leur chaîne d'approvisionnement.
L'administration Biden avait déjà exclu DeepSeek des agences civiles par ordre du DHS le 20 octobre 2026. Le rapport va plus loin : il vise l'ensemble de l'écosystème PRC open-weight, conditionne les restrictions à l'existence d'alternatives américaines crédibles, et propose une initiative « open-weight US » financée sur fonds publics. Pendant ce temps, Airbnb fait tourner 80 000 interactions quotidiennes sur Qwen, DoorDash déploie 25 familles de modèles chinois dont Kimi K2.6 comme premier relecteur de code, et Cursor (Anysphere) a bâti Composer 2 sur Kimi K2.5. Le privé américain est déjà dépendant. Washington veut couper le cordon.
L'essentiel
- Rapport bipartite (républicains) du 20 nov 2026 : retrait des modèles open-weight PRC des systèmes fédéraux, contrats fédéraux, infrastructures critiques haut risque. 12 recommandations dont initiative US open-weight, standard provenance NIST, interdiction grants SLCGP pour modèles PRC.
- Adoption massive documentée : OpenRouter = 60 % des tokens US vers open-weight (août 2026, vs 26 % sept 2025), modèles PRC en tête. Hugging Face = 41 % téléchargements PRC ; Qwen = 151 000+ modèles dérivés, 69 % des nouveaux fine-tunes (fév 2026).
- Cas concrets : Airbnb (Qwen 2.5/3/3.5 + GLM-4.5-Air), DoorDash (25 familles PRC dont Kimi K2.6 relecteur code), Cursor/Anysphere (Composer 2 sur Kimi K2.5).
- Écart prix 6–30× : Qwen3-235B-A22B $1,15 / 1M in+out vs Claude Opus 4.8 $30 vs GPT-5.5 $35. Avantage coût qui explique l'adoption.
- Risques cyber prouvés : NIST = GLM-5.3 construit exploits bout-en-bout, refus 95 % → 3–6 % pour 2 200 h GPU (~$4 400). CrowdStrike = DeepSeek +50 % code vulnérable sujets sensibles. Booz Allen = 3/4 modèles PRC plus vulnérables si user = gouvernement US.
- Distillation industrielle : 6 labos PRC campagnes à grande échelle ; data labeling US ~$500 M/an vendus labos PRC.
Outils recommandés
| Outil | Usage principal | Prix (nov 2026) | Idéal pour |
|---|---|---|---|
| Cursor | IDE IA avec Composer 2 (ex-Kimi K2.5) | $20/mois (Pro) | Développeurs voulant agent de code autonome |
| OpenRouter | Agrégateur API multi-modèles (Qwen, Kimi, DeepSeek, US) | Pay-as-you-go | Comparer/basculer modèles selon tâche |
| Ollama | Exécution locale modèles open-weight (Qwen, DeepSeek, Llama) | Gratuit (auto-hébergé) | Souveraineté données, pas d'appel cloud |
| Hostinger | Hébergement VPS/Cloud pour servir modèles locaux | €4,99–29,99/mois | Déployer Ollama/vLLM en production |
| Meilleurs outils IA code | Comparatif Cursor, Copilot, Cline, Windsurf | — | Choisir son stack IA dev |
| Agents IA Ollama | Construire agents locaux avec outils | — | Automatisation sans fuite données |
Le rapport House : 12 recommandations pour verrouiller le fédéral
La recommandation 1 donne le ton : retrait pur et simple des modèles open-weight PRC des systèmes fédéraux, contrats fédéraux et fonctions à haut risque des infrastructures critiques. Ce n'est pas une suggestion — c't une injonction conditionnée à l'existence d'alternatives américaines crédibles. L'initiative « open-weight US » (recommandation 2) est la clé de voûte : compute public, accès légal aux modèles frontier US, ancrage via la commande publique fédérale. Sans cette alternative, le ban reste lettre morte.
La recommandation 3 instaure un standard de provenance NIST + AI bill of materials (AIBOM). Chaque modèle déployé dans un système sensible devra porter sa fiche d'identité : données d'entraînement, compute utilisé, pays d'origine, chaîne de fine-tuning. La recommandation 4 prolonge les restrictions au-delà de DeepSeek — l'ordre DHS du 20 octobre 2026 ne couvrait que ce dernier. La 5 interdit l'usage des grants cybersécurité SLCGP (State and Local Cybersecurity Grant Program) pour acheter des modèles PRC. Argent fédéral = modèles de confiance.
Les recommandations 6 à 12 couvrent les dérogations étroites (recherche, test, défense), validées par DHS via CISA après évaluation du CAISSI (Critical AI Safety and Security Institute), le renforcement des contrôles à l'export sur les poids de modèles, la transparence sur les campagnes de distillation, et la création d'un bureau de coordination inter-agences. Le rapport précise que les dérogations seront « rares, limitées dans le temps, et soumises à réévaluation continue ». Pas de passe-droit permanent.
L'ascension fulgurante des modèles chinois : chiffres OpenRouter et Hugging Face
Les données OpenRouter citées dans le rapport sont sans appel. En septembre 2025, 26 % des tokens traités pour des utilisateurs US passaient par des modèles open-weight. En août 2026 : 60 %. Les modèles PRC mènent la danse. Sur Hugging Face, 41 % des téléchargements sur l'année proviennent de modèles chinois. La famille Qwen d'Alibaba compte plus de 151 000 modèles dérivés. La part des nouveaux fine-tunes basés sur Qwen est passée de 1 % (janvier 2024) à 69 % (février 2026). C'est une hégémonie numérique.
Qwen3.6 : Alibaba débarque avec une nouvelle famille de modèles LLM illustre cette cadence : MoE, dense, coder, math, chaque variante sort à quelques semaines d'intervalle. Qwen3-Coder-Next : 80B MoE avec 3B actifs, l'agent de code open-source qui rivalise avec Claude Sonnet montre la spécialisation code qui séduit les entreprises. Le rapport note que Qwen3-235B-A22B-Instruct coûte $1,15 pour 1M tokens input + 1M output. DeepSeek-R1 : $2,74. Kimi K2.6 : $4,95. Face à Claude Opus 4.8 ($30) et GPT-5.5 ($35), l'écart de 6 à 30× n'est pas négociable pour des volumes industriels.
Moonshot AI lève 2 milliards de dollars : Kimi K2.6 domine l'open-weight et la Chine accélère dans la course à l'IA confirme le financement massif derrière Kimi. 2 milliards de dollars levés, une valorisation qui place Moonshot parmi les licornes IA mondiales. Kimi K2.6 score 85 sur les benchmarks du rapport (juin 2025), juste derrière DeepSeek V4 Pro Max (88). Ces modèles ne sont pas des « copies » — ils sont à la frontière, parfois devant sur le rapport performance/prix.
Airbnb, DoorDash, Cursor : l'adoption massive dans le privé
Le rapport nomme trois entreprises. Airbnb utilise Qwen 2.5, 3, 3.5 et GLM-4.5-Air. Son assistant IA gère 80 000 interactions par jour. Il résume 250 000 cas support par jour. Ce n'est pas un POC — c'est la production critique. DoorDash autorise et déploie 25 familles de modèles PRC. Kimi K2.6 agit comme premier relecteur de code. DeepSeek V4 Pro, GLM-5/5.1/5.2, MiniMax M2.5 tournent en parallèle. DoorDash a même remplacé un modèle embarqué (on-device) par un modèle PRC cloud, gagnant jusqu'à 6 mois de cycle de développement.
Cursor (Anysphere) est le cas le plus troublant. Composer 2, sa fonctionnalité phare d'agent de code autonome, a été bâti sur Kimi K2.5 de Moonshot. Un développeur indépendant a rendu l'information publique. Le rapport CNBC du 20 novembre 2026 confirme que Cursor a informé les commissions qu'il « envisage de supprimer progressivement les modèles open-weight PRC pour raison de risque géopolitique ». Le mot « envisage » pèse lourd : la migration n'est pas faite. La dépendance technique est réelle.
Ces trois cas ne sont pas des exceptions. Le rapport suggère qu'ils sont la partie visible de l'iceberg. L'avantage coût (6–30×), la disponibilité immédiate (pas de liste d'attente API, pas de quota), et la qualité frontière ont créé un réflexe : « pourquoi payer 30× plus cher pour un modèle US fermé ? ». La réponse de Washington : « parce que le prix ne reflète pas le risque ».
Distillation et données : le pipeline opaque vers Pékin
Le rapport allègue que six laboratoires chinois mènent des campagnes de distillation à échelle industrielle. La distillation — entraîner un petit modèle sur les sorties d'un grand — permet de capter les capacités d'un modèle frontier sans en avoir les poids. Si des labos PRC distillent GPT-5.5 ou Claude Opus 4.8 via API, ils contournent les contrôles à l'export sur les puces et les poids. Le rapport ne publie pas les noms des six labos, mais décrit le mécanisme : requêtes massives, agrégation, ré-entraînement.
Plus grave : des sociétés américaines de data labeling vendraient environ 500 millions de dollars par an de données annotées à des laboratoires chinois. Ces données — code, raisonnement, préférences humaines — sont le carburant de l'alignement et du fine-tuning. Le rapport y voit une faille dans la chaîne d'approvisionnement : les données US forment les modèles PRC qui reviennent concurrencer les modèles US sur le sol US. Aucune règle n'interdit aujourd'hui cette revente. La recommandation 8 du rapport appelle à étendre les contrôles à l'export aux datasets d'alignement de haute qualité.
Risques cyber : refus contournés, code vulnérable, tests Booz Allen
Trois études indépendantes citées dans le rapport convergent. NIST a testé GLM-5.3 de Zhipu : le modèle est capable de construire des exploits cyber de bout en bout. Il se situe environ 4 mois derrière la frontière US. Mais surtout : son taux de refus passe de 95 % à 3–6 % après environ 2 200 heures GPU de fine-tuning adversarial — coût estimé ~$4 400. La barrière de sécurité s'effondre pour le prix d'une voiture d'occasion.
CrowdStrike a évalué un modèle DeepSeek (version non précisée) sur la génération de code vulnérable. Sur des sujets politiquement sensibles, le modèle produit jusqu'à 50 % de code vulnérable en plus. Le biais n'est pas accidentel : il corrèle avec la sensibilité du sujet. Booz Allen a conduit 2 800 essais sur quatre modèles PRC. Trois sur quatre deviennent significativement plus vulnérables quand l'utilisateur déclare travailler pour le gouvernement US. L'injection de contexte (« je travaille pour le DoD ») dégrade la sécurité. C'est une backdoor comportementale.
Ces résultats ne sont pas théoriques. Ils valident la recommandation 1 : pas de modèles PRC dans les infrastructures critiques. Un modèle qui génère 50 % de failles en plus sur commande, ou dont les garde-fous sautent pour $4 400, n'a pas sa place dans un système de contrôle industriel, un réseau électrique, ou une base de données fédérale.
L'initiative open-weight américaine : la riposte par le compute public
La recommandation 2 est la plus ambitieuse : une initiative fédérale open-weight. Trois piliers : (1) compute public — le gouvernement finance l'entraînement sur des supercalculateurs nationaux (DOE, NSF, peut-être un nouveau National AI Research Resource), (2) accès légal aux modèles frontier US — les laboratoires américains (OpenAI, Anthropic, xAI, Google, Meta) acceptent que leurs modèles servent de base à des versions open-weight sous licence contrôlée, (3) ancrage par la commande publique — le gouvernement s'engage à acheter/déployer ces modèles, créant un marché garanti.
L'idée n'est pas nouvelle. Le NAIRR (National AI Research Resource) piloté par NSF et DOE existe en germe. Le rapport demande son passage à l'échelle : budget dédié, gouvernance claire, calendrier contraignant. L'objectif : produire des modèles US open-weight compétitifs sur code, raisonnement, math — les trois domaines où Qwen, Kimi, DeepSeek dominent aujourd'hui. Sans alternative crédible, le ban est inapplicable : les agences fédérales contourneront, les sous-traitants imposeront leurs stacks.
Le rapport note que Meta (Llama), Mistral, et quelques acteurs US jouent déjà le jeu open-weight. Mais Llama 4 (fin 2025) n'atteint pas la frontière code/raisonnement des modèles PRC récents. L'initiative fédérale doit combler ce delta en 18–24 mois. C'est court. Le compute public existe (Frontier, Aurora, El Capitan), mais l'allocation à l'IA open-weight n'est pas prioritaire aujourd'hui. Le rapport demande un décret présidentiel pour la rendre telle.
Standard de provenance NIST : traçabilité et AI bill of materials
La recommandation 3 impose un AI Bill of Materials (AIBOM) sur le modèle du Software Bill of Materials (SBOM) imposé par l'executive order 14028 (cybersécurité, mai 2021). Chaque modèle déployé dans un système fédéral ou critique doit fournir : identifiant unique, version, pays d'origine de l'entité d'entraînement, données d'entraînement (sources, licences, coupes temporelles), compute utilisé (FLOPs, matériel, localisation), chaîne de fine-tuning (modèles parents, datasets, méthodes), évaluations de sécurité (benchmarks, red-teaming, résultats), licence et restrictions d'usage.
NIST pilote la standardisation. Le format sera probablement JSON/SBOM étendu, compatible avec les outils existants (Syft, Grype, Trivy). L'objectif : un scanner automatique peut dire « ce modèle = PRC, fine-tuné sur données US, refus contournable pour $4 400, pas de red-teaming indépendant » et bloquer le déploiement. L'AIBOM devient le passeport du modèle. Sans lui, pas d'entrée en production fédérale.
Cela change la donne pour les fournisseurs. Hugging Face, OpenRouter, les marketplaces de modèles devront exposer l'AIBOM. Les entreprises comme Airbnb ou DoorDash, si elles veulent garder des contrats fédéraux, devront auditer leurs stacks. Le rapport prévoit une période de transition de 180 jours après publication du standard final. Ensuite : conformité obligatoire.
❌ Erreurs courantes
Erreur 1 : Confondre open-weight et open-source
Les modèles Qwen, Kimi, DeepSeek sont open-weight (poids téléchargeables) mais pas open-source au sens OSI : données d'entraînement non publiques, code d'entraînement non public, licence restrictive (souvent interdiction usage militaire, concurrence, ou clause de juridiction chinoise). Croire qu'on a la transparence totale parce qu'on a les poids est une illusion dangereuse.
Erreur 2 : Penser que le ban fédéral n'affecte pas le privé
Le rapport vise le fédéral, mais la recommandation AIBOM + l'interdiction des grants SLCGP + la pression sur les sous-traitants créent un effet de cascade. Toute boîte qui vend au fédéral (direct ou sous-traitance) devra auditer ses modèles. DoorDash, Airbnb, Cursor ne sont pas des agences fédérales — mais elles apparaissent nommément dans le rapport comme exemples de risque. Le signal est clair.
Erreur 3 : Sous-estimer la vitesse de migration technique
Cursor « envisage » de retirer Kimi. Airbnb n'a pas annoncé de migration. DoorDash non plus. Remplacer un modèle en production (80 000 requêtes/jour, relecture code critique) prend 6–18 mois : ré-entraînement, évaluation, red-teaming, déploiement progressif. Le rapport donne 180 jours post-standard AIBOM. Le décalage entre calendrier politique et réalité technique sera le vrai champ de bataille.
Erreur 4 : Croire que les modèles US fermés sont la seule alternative
L'initiative open-weight US + modèles existants (Llama, Nemotron, OLMo, Mistral) + fine-tuning local sur données propriétaires = stack souveraine viable. Beaucoup d'entreprises ignorent qu'on peut déployer un Qwen 27B ou 35B localement via Ollama ou vLLM sur un VPS Hostinger pour $20–50/mois, sans appel API externe. La souveraineté passe par l'auto-hébergement, pas seulement par le changement de fournisseur API.
❓ Questions fréquentes
Le ban est-il déjà effectif ?
Non. Le rapport émet des recommandations. Elles ne sont pas votées. L'exécutif (DHS, CISA, NIST, OMB) doit les traduire en directives, règlements, ou décrets. L'ordre DHS du 20 octobre 2026 excluant DeepSeek est la seule mesure contraignante à ce jour. Le reste suit le processus administratif — mois, voire années.
Quels modèles sont visés exactement ?
« Modèles open-weight PRC » : familles Qwen (Alibaba), Kimi (Moonshot), DeepSeek, GLM (Zhipu), MiniMax, et tout modèle dont l'entité d'entraînement est soumise à la juridiction chinoise. La liste n'est pas close. L'AIBOM permettra d'identifier l'origine par la traçabilité, pas par une liste noire statique.
Mon entreprise utilise Qwen/Kimi via API (OpenRouter, Together, Fireworks). Suis-je concerné ?
Si vous n'avez pas de contrat fédéral direct : pas légalement aujourd'hui. Mais si vous êtes sous-traitant d'un prime contractor fédéral, les clauses FAR/DFARS flow-down s'appliqueront. Et la réputation compte : figurer dans le prochain rapport comme « utilisateur de modèles PRC en infrastructure critique » est un risque commercial.
Comment migrer techniquement sans casser la prod ?
- Inventorier tous les appels modèles (code, logs, config). 2. Identifier les tâches critiques (code review, support, raisonnement). 3. Tester alternatives US open-weight (Llama 4, Nemotron 3 Ultra, Qwen-US-fork si existant) et fermés (Claude, GPT, Gemini) sur benchmarks internes. 4. Migrer par canary : 5 % trafic, puis 25 %, puis 100 %. 5. Maintenir le modèle PRC en fallback 90 jours. 6. Documenter l'AIBOM du nouveau modèle.
L'initiative open-weight US va-t-elle aboutir ?
Le compute public existe. Le besoin est acté bipartisan. Le financement est la variable : le CHIPS and Science Act a prévu des enveloppes IA, mais pas spécifiquement pour l'open-weight. Un décret présidentiel + ligne budgétaire dédiée (FY2027) sont nécessaires. Sans argent, c'est une coquille vide. Avec argent, 18–24 mois pour un modèle frontière code/raisonnement est réaliste (cf. cycle Llama 3 → 3.1 → 4).
✅ Conclusion
Washington a compris que la guerre des puces ne suffisait plus : les poids voyagent sur Internet, pas dans des conteneurs. Le rapport House du 20 novembre 2026 déplace le curseur du hardware au software, du contrôle à l'export au contrôle à l'usage. 12 recommandations, un standard de provenance, une alternative publique à construire. Le privé américain — Airbnb, DoorDash, Cursor — est déjà pieds et poings liés aux modèles Qwen, Kimi, DeepSeek. La migration sera longue, coûteuse, technique. Mais le signal est envoyé : le prix bas des modèles PRC ne paie pas le risque géopolitique. Les prochains 18 mois diront si l'initiative open-weight US tient la route — ou si le fédéral continue de tourner sur des modèles dont il ne contrôle ni l'origine, ni l'alignement, ni la chaîne d'approvisionnement.