Imaginez confier un coffre verrouillé à quelqu'un, qu'il travaille sur son contenu sans jamais l'ouvrir, et qu'il vous rende le coffre avec le résultat à l'intérieur. Vous seul pouvez l'ouvrir. Il a fait le travail sans jamais voir ce sur quoi il travaillait. C'est exactement ce que permet le chiffrement homomorphe, et ce n'est pas de la magie mais des mathématiques.
Google a récemment mis en avant des travaux dans ce domaine, et le sujet mérite une explication parce qu'il touche au dilemme central de l'IA en entreprise : comment utiliser un service distant sans lui confier ses données.
Le principe
Un chiffrement classique protège une donnée au repos ou en transit. Mais pour la traiter, il faut la déchiffrer. C'est le moment où elle est exposée, et c'est ce moment qui pose problème quand le traitement se fait chez quelqu'un d'autre.
Le chiffrement homomorphe possède une propriété remarquable : certaines opérations mathématiques effectuées sur les données chiffrées produisent un résultat qui, une fois déchiffré, correspond au résultat qu'on aurait obtenu sur les données en clair.
Autrement dit, on peut additionner deux nombres chiffrés sans savoir ce qu'ils valent, et obtenir le chiffré de leur somme. En combinant additions et multiplications, on peut théoriquement calculer n'importe quoi.
Ce que ça résoudrait pour l'IA
Le cas d'usage est évident et considérable. Une entreprise veut analyser des dossiers médicaux, des documents juridiques ou des données financières avec un modèle puissant hébergé ailleurs. Aujourd'hui, elle a le choix entre envoyer ses données en clair au fournisseur, ou renoncer.
C'est ce qui pousse beaucoup d'organisations vers l'hébergement local, avec les contraintes matérielles que cela suppose. Le chiffrement homomorphe offrirait une troisième voie : utiliser un service distant qui ne verrait jamais rien.
Cette technique est connue depuis longtemps, et si elle n'est pas déployée partout, c'est qu'elle est extraordinairement coûteuse en calcul. Selon les schémas et les opérations, le surcoût par rapport à un calcul en clair peut atteindre plusieurs ordres de grandeur. Appliquer cela à un modèle qui effectue déjà des milliards d'opérations par requête donne un résultat aujourd'hui impraticable. Les progrès sont réels et rapides, mais nous parlons d'une technologie qui approche de l'usage sur des opérations ciblées, pas d'une solution disponible pour faire tourner un modèle entier.
Ce qui est réaliste à court terme
Plutôt que de chiffrer tout le traitement, les approches prometteuses ciblent des étapes précises.
La recherche chiffrée. Interroger une base sans que le serveur sache ce que vous cherchez ni ce qu'il vous a renvoyé. Cela s'applique directement aux systèmes de RAG.
L'agrégation de statistiques. Calculer des moyennes ou des tendances sur des données de plusieurs organisations sans qu'aucune ne voie celles des autres.
Les traitements sensibles ciblés. Une opération précise sur une donnée critique, plutôt qu'une chaîne complète.
Ce qu'il faut retenir
Le chiffrement homomorphe est l'une de ces technologies dont la promesse est si forte qu'on la présente régulièrement comme imminente depuis quinze ans. La prudence s'impose donc sur les calendriers.
Mais la direction est importante. La plupart des débats actuels sur l'IA et la vie privée reposent sur un compromis : ou bien vous confiez vos données, ou bien vous renoncez à la puissance. Une technologie qui supprimerait ce compromis ne rendrait pas la question caduque, elle la déplacerait vers un terrain plus favorable.
En attendant, la seule garantie réellement disponible reste la plus simple : ce qui ne sort pas de chez vous ne peut pas être lu. C'est moins élégant mathématiquement, et ça fonctionne dès aujourd'hui.