Le marché des IA militaires est un marché de « lemons » — et le Pentagone le sait

Le NDAA FY2026, dont le rapport de conférence a été dévoilé le 7 décembre 2025, crée au sein du Département de la Défense (DoD) un « cadre standardisé d'évaluation des modèles IA », piloté par le Chief Digital and AI Officer : opérationnel au 1er juin 2026, mais dont les évaluations complètes ne seront achevées qu'au 1er janvier 2028 — un écart de 19 mois. Dans le même texte, l'exclusion des systèmes d'IA de sociétés chinoises désignées (DeepSeek, High Flyer) s'applique, elle, sous 30 jours pour le DoD et 60 jours pour la communauté du renseignement. Deux instruments, deux vitesses radicalement différentes, pour un même objectif affiché : sécuriser la chaîne d'approvisionnement IA de la défense américaine.

Cet écart n'est pas un simple retard bureaucratique. Il illustre un problème économique classique, formalisé par George Akerlof dans son article fondateur de 1970 sur le « marché des lemons » (voitures d'occasion de mauvaise qualité) : lorsqu'un acheteur ne peut pas observer directement la qualité d'un bien avant l'achat, et que seul le vendeur détient cette information, le marché tend à s'effondrer vers le bas de gamme — les bons vendeurs se retirent faute de pouvoir signaler crédiblement leur qualité, et il ne reste que les moins bons. La seule parade est la construction d'instruments de vérification ou de signalement crédibles : garanties, certifications tierces, réputation observable dans la durée.

Le marché des modèles d'IA pour des usages sensibles présente une asymétrie d'information de ce type, à un degré même supérieur à celui d'une voiture d'occasion : ni le code source, ni les données d'entraînement, ni les biais latents, ni les éventuelles portes dérobées d'un modèle ne sont observables par un acheteur institutionnel avant déploiement opérationnel. Le DoD ne peut pas plus « ouvrir le capot » d'un modèle de fondation qu'un particulier ne peut auditer le moteur d'un véhicule d'occasion en quelques minutes sur un parking.

En créant un cadre standardisé d'évaluation, le législateur construit précisément l'instrument de vérification que la théorie d'Akerlof identifie comme solution au problème : un protocole de test commun, des métriques partagées, un tiers de confiance (le Chief Digital and AI Officer) qui certifie la qualité observée. Mais un tel instrument ne se construit pas en un trimestre : il faut définir les critères de sécurité et de performance, concevoir les protocoles de test, les valider empiriquement, former les évaluateurs et traiter le stock de modèles déjà en service. D'où le délai jusqu'à 2028.

En attendant que ce mécanisme de vérification directe soit mûr, le législateur recourt à un proxy grossier mais rapide à appliquer : la nationalité de l'entreprise fournisseuse. Économiquement, c'est un arbitrage de second rang parfaitement rationnel — en l'absence d'un instrument de premier rang (la vérification directe de la qualité), un filtre peu coûteux à vérifier mais peu informatif sur la qualité réelle du produit vaut mieux qu'aucun filtre du tout. Le raisonnement a toutefois une limite structurelle : l'absence d'exclusion nominative ne vaut en rien certification de qualité. Un fournisseur non listé n'est pas « vérifié » — il est simplement non exclu, ce qui n'est pas la même chose jusqu'en 2028.

Cette mécanique dépasse le seul cas américain et le seul secteur défense. L'AI Act européen impose, depuis le 2 août 2026, des obligations de conformité aux fournisseurs de systèmes d'IA à haut risque — catégorie qui couvre une partie des infrastructures critiques énergétiques et industrielles. Mais la capacité d'audit indépendant à grande échelle de ces systèmes reste, comme aux États-Unis, en construction : le règlement crée l'obligation avant que l'écosystème de vérification ne soit pleinement opérationnel, reproduisant la même séquence — la règle précède l'instrument qui permettrait de la faire respecter finement.

Pour les industriels aéronautiques, de défense, ou de l'énergie qui vendent ou envisagent des systèmes IA dans des applications sensibles, la leçon est double. D'une part, ne pas confondre absence de bannissement et certification de qualité : la marge de doute reste entière tant que le cadre d'évaluation n'est pas achevé. D'autre part, toute entreprise qui investit dès maintenant dans sa propre documentation, sa traçabilité de modèle et ses capacités d'audit interne se positionne en avance sur ce qui deviendra, de facto, le nouveau standard d'accès aux marchés publics de défense — bien avant que la loi ne l'exige formellement de tous.