Le jeudi 20 août 2026, une nouvelle ligne est apparue dans le catalogue d’OpenRouter, la plateforme qui réunit en un seul point d’accès des centaines de modèles d’intelligence artificielle du monde entier. Elle s’appelait stealth/ox-alpha.

Pas de nom d’éditeur. Pas de prix. Pas de communiqué. Juste une fiche technique, une adresse d’API, et une description en deux lignes : « modèle de raisonnement conçu pour le code, le travail agentique de longue haleine et les charges de production ».

Il acceptait 1 048 576 tokens de contexte — un million, de quoi avaler une base de code entière. Il lisait le texte, les images et la vidéo. Il appelait des outils. Et il était gratuit.

En quelques heures, les captures d’écran ont commencé à circuler. Patrick Collison, le patron de Stripe, l’a qualifié publiquement de « très impressionnant ». Le fournisseur anonyme annonçait une capacité de cent mille milliards de tokens par jour. Sur les réseaux francophones, une vidéo a résumé l’affaire en dix-neuf secondes : une IA formidable, gratuite, dont personne ne connaît l’auteur, et — c’est la phrase qui nous intéresse — « c’est écrit zéro rétention de données ».

Ce n’était pas écrit. C’était écrit l’inverse.

Six jours, un million de tokens, et aucun nom

Voici la séquence, telle qu’elle s’est déroulée.

Date Ce qui s'est passé
14 août 2026 Z.ai lance GLM-5.3, son modèle amiral, mais annonce qu'il retiendra les poids environ deux semaines, le temps d'une évaluation de sécurité.
20 août 2026 Ox Alpha apparaît sur OpenRouter. Gratuit, contexte d'un million de tokens, fournisseur anonyme.
21-25 août Le modèle devient viral. Les hypothèses se partagent entre Z.ai et la famille MAI de Microsoft ; l'analyse du tokeniseur penche pour Microsoft.
26 août Z.ai lève le masque : Ox Alpha était GLM-5.3-Flash, 320 milliards de paramètres, licence MIT.
27 août L'action Zhipu AI clôture en hausse d'environ 12 % à Hong Kong, à 1 160 dollars de Hong Kong.
28 août Z.ai publie enfin les poids de GLM-5.3 — sous une licence maison, pas sous MIT.

Six jours de flou complet, un dévoilement, et un modèle qui passe du statut de curiosité anonyme à celui d’événement financier. Entre les deux, des milliers de développeurs ont branché ce modèle sur leur travail réel, parce qu’il était gratuit et qu’il était bon.

C’est cette fenêtre de six jours qui mérite d’être regardée de près, bien plus que la fiche technique.

La phrase que la vidéo a mal lue

La page du modèle sur OpenRouter comportait une mention de politique de données. La voici, dans son intégralité :

« Les prompts et les complétions de ce modèle ont été conservés par le fournisseur et ne sont pas utilisés pour l’entraînement ; tout autre usage est régi par les conditions applicables aux modèles furtifs. »

Lisez-la deux fois. Elle dit deux choses distinctes, et la vidéo virale n’en a retenu qu’une.

Elle dit d’abord que les prompts et les réponses sont conservés. C’est l’inverse exact de « zéro rétention de données ». La confusion vient d’un raccourci répandu : « pas utilisé pour l’entraînement » a été lu comme « pas gardé ». Ce sont deux garanties totalement différentes. La première porte sur un usage. La seconde porte sur une possession.

La distinction n’est pas un détail juridique. Une donnée qui n’entraîne aucun modèle mais qui dort sur un serveur reste une donnée que quelqu’un détient, qu’un tiers peut réclamer, qu’une faille peut exposer, et qu’une injonction judiciaire peut aller chercher. La question pertinente n’a jamais été « est-ce que ça entraîne l’IA ? » mais « qui a mes données, où, pendant combien de temps, et sous quel droit ? ».

Pendant six jours, la réponse à ces quatre questions était : on ne sait pas.

Le second document, celui que personne n’ouvre

Il y a plus embarrassant, et c’est passé quasiment inaperçu.

La mention citée plus haut renvoie explicitement à un autre texte : les conditions du programme Stealth d’OpenRouter. Or cet accord-cadre, dans sa version mise à jour le 6 juillet 2026, prévoit que le contenu utilisateur peut être collecté, partagé et licencié à des fins d’entraînement et d’amélioration des modèles.

Autrement dit, la fiche du modèle et l’accord-cadre auquel elle renvoie disent des choses opposées sur le point le plus sensible. Est-ce qu’Ox Alpha bénéficiait d’une exception négociée avec son fournisseur ? Lequel des deux textes prime en cas de conflit ? OpenRouter n’a pas publiquement tranché.

Ce n’est pas une accusation. Les contrats en cascade produisent régulièrement ce genre d’incohérence, et rien n’indique qu’un usage abusif ait eu lieu. Mais il faut mesurer la position dans laquelle cela plaçait l’utilisateur : il envoyait du code à une entité qu’il ne pouvait pas nommer, sous un régime contractuel que les documents publics ne permettaient pas de déterminer.

On ne peut pas auditer une entreprise qu’on ne peut pas nommer. Pas de juridiction. Pas de durée de conservation publiée. Pas de contrat de sous-traitance signable. Pas de posture de sécurité vérifiable. Pas d’interlocuteur si quelque chose tourne mal.

Pourquoi c’est un problème spécifiquement européen

Un développeur indépendant qui teste un modèle sur un projet jetable ne court aucun risque sérieux. Une entreprise française qui branche le même modèle sur son produit, si.

Le RGPD impose qu’un responsable de traitement encadre son sous-traitant par un contrat écrit qui identifie les parties, la nature du traitement, la durée de conservation et les mesures de sécurité. On ne signe pas ce contrat avec un anonyme. On ne documente pas davantage un transfert hors Union européenne quand on ignore où sont les serveurs — et rien, sur la fiche, n’indiquait de localisation.

S’y ajoute l’AI Act, avec une précision qui a son importance. Contrairement à ce qu’on lit souvent, le 2 août 2026 n’a pas déclenché le gros du règlement : les obligations sur les IA à haut risque ont été repoussées au 2 décembre 2027 par le Digital Omnibus, comme nous l’avions détaillé dans notre décryptage de cette échéance. Ce qui s’applique bel et bien, en revanche, ce sont les obligations pesant sur les modèles à usage général — transparence, résumé des données d’entraînement, respect du droit d’auteur — en vigueur depuis août 2025, avec des amendes pouvant atteindre 15 millions d’euros ou 3 % du chiffre d’affaires mondial. Un fournisseur qui refuse de se nommer ne peut, par construction, satisfaire aucune de ces obligations de transparence, et l’entreprise qui l’intègre hérite du trou dans sa propre documentation.

La règle pratique tient en une ligne, et elle vaut pour toutes les préversions furtives à venir : du code public, des projets jetables, des données synthétiques — jamais de code propriétaire, de données clients, d’identifiants ni de contenu couvert par un accord de confidentialité.

Qui était derrière Ox Alpha : la réponse est tombée le 26 août

Pendant la semaine, deux hypothèses circulaient. La première désignait Z.ai, le laboratoire chinois anciennement connu sous le nom de Zhipu AI, qui avait déjà pratiqué le lancement anonyme. La seconde désignait la famille MAI de Microsoft, et l’analyse du tokeniseur du modèle semblait l’appuyer. L’analyste Andrew Curran résumait l’état de la discussion en constatant que plus le temps passait, moins les observateurs étaient sûrs de quoi que ce soit.

Le 26 août, Z.ai a tranché lui-même : Ox Alpha était GLM-5.3-Flash, « précédemment prévisualisé sous le nom d’Ox Alpha », selon les termes de son annonce.

C’est le même laboratoire dont nous parlions il y a quelques jours à propos d’un autre sujet : Mistral héberge désormais un modèle de Z.ai sur ses propres serveurs, en l’occurrence GLM-5.2. En deux semaines, la même entreprise chinoise se retrouve donc à la fois dans l’offre souveraine européenne et derrière le modèle anonyme le plus commenté de l’été.

Ce que vaut vraiment GLM-5.3-Flash

Le modèle n’est pas une curiosité. C’est une architecture à mélange d’experts de 320 milliards de paramètres au total, dont 18 milliards seulement sont activés à chaque token. Quarante-cinq couches, un routage sur 8 experts parmi 288, une attention hybride, des poids nativement en FP8, un corpus d’entraînement de 30 000 milliards de tokens multimodal.

Ce que cela donne, mesuré par Artificial Analysis, un évaluateur indépendant que notre propre classement utilise comme source :

Épreuve GLM-5.3-Flash Comparaison
Indice d'intelligence (AA v4.1.1) 57 Claude Opus 4.8 : 57 — score identique
Coût par tâche de l'indice 0,09 $ Claude Opus 4.8 : 2,03 $ — soit 22,6 fois plus
Terminal-Bench 2.1 84,3 Opus 4.8 : 85,0 — GPT-5.6 Terra : 87,4
OfficeQA Pro 62,4 devant Opus 4.8
DeepSWE v1.1 63,4 GLM-5.2 : 46,2 — progression d'une génération
Rang parmi les modèles à poids ouverts 4e sur 111 51e en vitesse, 16e en coût

Un indice composite reste une moyenne, et il faut se garder d’en faire un verdict : selon les épreuves, l’écart avec les modèles américains se creuse dans un sens ou dans l’autre. Mais la ligne du haut est difficile à relativiser. Le même score composite. Vingt-deux fois moins cher.

Le prix, et ce qu’il fait au marché

Le tarif officiel de GLM-5.3-Flash est de 0,15 dollar par million de tokens en entrée et 0,50 dollar en sortie, avec 0,03 dollar pour les entrées mises en cache. Une remise de 50 % s’applique jusqu’au 9 septembre 2026. En yuan, cela donne 0,8 et 2,8 yuans par million de tokens. Le modèle amiral GLM-5.3, lui, est facturé 1,40 dollar en entrée et 4,40 dollars en sortie : le Flash coûte près de dix fois moins cher que le haut de gamme du même éditeur.

Ce positionnement n’est pas nouveau : il applique une stratégie que nous avons documentée en détail dans pourquoi la Chine donne ses IA gratuitement. Ce qui change ici, c’est le niveau atteint : jusqu’à présent, le compromis était explicite — moins cher, un peu moins bon. Sur cet indice précis, le compromis a disparu.

Le marché l’a compris immédiatement. Zhipu AI est cotée à Hong Kong ; le titre a clôturé en hausse d’environ 12 % à 1 160 dollars de Hong Kong le lendemain de la révélation. Une semaine d’évaluation gratuite par des milliers de développeurs enthousiastes, suivie d’un dévoilement spectaculaire, s’est traduite directement en capitalisation.

Peut-on le faire tourner chez soi ?

C’est la question que tout le monde pose, et la réponse mérite d’être précise, car les affirmations optimistes circulent beaucoup.

Non, pas sur une machine de bureau. Les poids pèsent environ 306 gigaoctets en FP8, et la documentation d’auto-hébergement publiée avec le modèle demande des GPU Nvidia Hopper ou plus récents, avec un nœud de huit GPU au minimum. Les moteurs supportés sont SGLang, vLLM, TokenSpeed et KTransformers.

Le fait qu’il n’active que 18 milliards de paramètres à chaque token le rend rapide et économique à servir — c’est tout l’intérêt de l’architecture. Mais il faut charger l’intégralité des 320 milliards en mémoire. Un mélange d’experts économise du calcul, pas de la mémoire. La nuance est systématiquement perdue dans les résumés enthousiastes, et c’est elle qui sépare « un modèle léger » d’« un modèle bon marché à exploiter à grande échelle ». GLM-5.3-Flash appartient à la seconde catégorie, pas à la première.

Si votre besoin est vraiment de faire tourner une IA sur votre propre matériel, c’est une autre catégorie de modèles qu’il faut regarder — celle que nous suivons dans la section des modèles exécutables en local de notre classement, où tenir sur une seule machine est précisément le critère d’entrée.

« Sans aucune puce Nvidia » : ce que Z.ai a dit, et ce qu’il n’a pas dit

C’est l’affirmation la plus reprise, et la plus abîmée au passage.

Ce que Z.ai a effectivement revendiqué : la préversion d’une semaine et l’inférence qui a suivi ont tourné entièrement sur des puces d’IA conçues et fabriquées en Chine, avec un parc supérieur à 100 000 unités, pour un coût par token comparable à celui des GPU Nvidia. Le fabricant chinois Cambricon a annoncé une compatibilité immédiate, dite « Day 0 ».

Ce que Z.ai n’a pas dit : il n’a nommé aucun fabricant ni aucun modèle de puce dans son annonce. Il n’a pas affirmé que GLM-5.3-Flash avait été entraîné sur ce matériel — l’énoncé porte sur le service, pas sur l’entraînement. Et il n’a publié ni consommation électrique, ni débit exact, ni taux d’utilisation. Aucun de ces résultats n’a fait l’objet d’un audit indépendant.

La différence n’est pas un détail. Servir un modèle et l’entraîner sont deux exercices sans commune mesure : l’inférence tolère les pannes et se parallélise proprement, l’entraînement d’un modèle de frontière exige des dizaines de milliers de puces synchronisées pendant des semaines sans interruption fatale. Réussir le premier ne démontre pas qu’on sait faire le second.

D’où vient alors le chiffre des « 100 000 puces Huawei Ascend pour l’entraînement, zéro Nvidia » qui circule accolé à ce modèle ? De GLM-5, publié le 11 février 2026 : environ 745 milliards de paramètres, 28 500 milliards de tokens d’entraînement, sur un parc d’Ascend 910B avec le cadre MindSpore. C’est un exploit réel, et documenté — mais c’est un autre modèle, sorti six mois plus tôt. Le transposer sur GLM-5.3-Flash revient à créditer une entreprise d’une performance qu’elle n’a pas revendiquée pour ce produit.

Il y a d’ailleurs une ironie que personne ne relève : la documentation d’auto-hébergement de GLM-5.3-Flash, publiée par Z.ai lui-même, demande du Nvidia Hopper. Le modèle qui symbolise l’affranchissement de Nvidia se déploie, chez ceux qui le téléchargent, sur du Nvidia.

Le sujet reste sérieux : l’autonomie matérielle chinoise est l’une des questions structurantes de la décennie, et servir un modèle de ce niveau sans Nvidia est un jalon réel. Mais il se raconte avec les faits qui existent, pas avec ceux qu’on aimerait.

La licence MIT, et sa grande sœur qui n’en est pas une

L’argument le plus séduisant du modèle, c’est sa licence. GLM-5.3-Flash est publié sous MIT sans modification : téléchargement libre, modification libre, réentraînement libre, intégration dans un produit commercial libre, sans redevance et sans autorisation. Pour un État, une administration ou une entreprise soucieuse d’indépendance, c’est effectivement la forme de dépendance la moins contraignante qui existe.

Reste le vaisseau amiral. Son histoire est plus intéressante encore, et elle n’a pratiquement pas été racontée en français.

GLM-5.3 n’est pas sorti le 28 août : il est sorti le 14, six jours avant l’apparition d’Ox Alpha. Ce qui a été publié le 28, ce sont ses poids — et Z.ai avait prévenu dès le lancement qu’il les retiendrait environ deux semaines, le temps de terminer l’évaluation de sécurité et le durcissement du modèle.

Le modèle lui-même est une curiosité industrielle. Il tourne sur exactement la même base que GLM-5.2, sortie en juin : même architecture, même nombre de paramètres — quelque 750 milliards, les décomptes publics oscillant entre 743 et 753 selon les éléments inclus — et aucun réentraînement. La totalité des gains vient d’un post-entraînement prolongé : plus d’environnements de tâches, plus de types d’environnements, plus longtemps. À ce niveau de performance, on progresse donc encore beaucoup sans toucher au modèle de base. C’est un fait notable, et il disparaît complètement derrière le numéro de version.

Et c’est là que la raison du délai devient intéressante. Z.ai explique avoir ajouté des données de découverte de vulnérabilités en espérant améliorer le raisonnement sur un bug isolé. Ce qu’il a obtenu, il le qualifie lui-même de non planifié : la capacité a continué de croître à mesure que l’entraînement montait en charge, et le modèle s’est mis à raisonner sur plusieurs étapes d’exploitation, formant des plans cohérents pour des chaînes d’attaque complètes plutôt que de la simple recherche de bugs. Sur CyberGym, il passe de 77,2 % à 84,5 % ; sur ExploitBench, de 24,4 % à 54,4 % — plus du double en une itération.

Résumons la séquence : l’éditeur retarde la publication des poids parce que son modèle est devenu meilleur en sécurité offensive qu’il ne l’avait prévu, puis il les publie, téléchargeables par n’importe qui. Ce n’est pas une accusation : la même capacité sert à trouver les failles avant les attaquants, et personne ne demande à un laboratoire chinois d’être plus prudent que ses concurrents américains. Mais c’est un sujet que nous avons déjà croisé du côté des rançongiciels pilotés par IA, et il ne se règle pas par une clause contractuelle.

Voyons justement la clause. Les poids de GLM-5.3 ne portent pas de licence MIT, mais une licence maison, dont l’unique restriction de fond mérite d’être lue : si le licencié ou l’une de ses filiales exploite une activité de modèle en tant que service et que le revenu agrégé dépasse dix milliards de dollars sur douze mois consécutifs, il doit passer la revue de sécurité de Z.AI avant tout usage commercial. Les produits qui se contentent d’intégrer des capacités de modèle dans une fonctionnalité ne sont pas concernés ; relayer des requêtes vers l’infrastructure hébergée d’un tiers non plus.

Le seuil ne vise donc, en pratique, qu’une poignée d’acteurs mondiaux. Mais la clause est remarquable pour une autre raison : la licence précise que Z.AI détermine seule la portée et la méthode de cette revue, sans publier ni critères, ni délai, ni voie de recours.

Traduisons. Un très grand fournisseur de cloud européen qui voudrait bâtir une offre commerciale sur le meilleur modèle de Z.ai devrait, pour cela, obtenir l’autorisation d’une entreprise chinoise — selon une procédure dont les règles ne sont pas publiées. C’est exactement le type de dépendance que l’argument « poids ouverts, donc souveraineté » est censé écarter.

Notons surtout ce que cette licence ne fait pas. Elle encadre des poids dont la publication venait d’être retardée au motif d’une capacité offensive imprévue — et elle n’en dit pas un mot. Sa seule barrière est un seuil de revenus. Or un seuil de dix milliards de dollars filtre des hyperscalers, pas des attaquants.

Le message commercial, lui, est limpide : le modèle qui fait le buzz est en MIT, le modèle qui fait le chiffre d’affaires ne l’est pas.

Ce que dit notre propre classement — et les deux fantômes qu’on y a trouvés

Ox Alpha n’a jamais figuré dans le moindre classement, et c’est logique : un alias furtif n’est rattaché à aucun éditeur, donc à aucune source d’évaluation. Une fois publié sous son vrai nom, le modèle est entré normalement. Voici les rangs relevés dans notre classement IA à la mise à jour du 30 août 2026.

Catégorie GLM-5.3-Flash GLM-5.3 (amiral)
Général 106e 70e
Code 118e 61e
Coût-performance 84e 76e
Conversation 139e 97e

Ces rangs paraissent modestes au regard de l’indice d’Artificial Analysis, et il faut expliquer pourquoi plutôt que de les cacher : notre classement agrège une vingtaine de sources publiques et une même famille de modèles y apparaît sous plusieurs variantes selon le protocole d’évaluation. C’est une photographie de ce que le consensus des évaluateurs publie, pas un verdict — et sur les catégories concernées, plusieurs centaines de modèles sont classés.

Deux précisions honnêtes, tant qu’on y est. GLM-5.3-Flash n’apparaît pas dans notre catégorie « open source » : celle-ci recense en pratique les modèles qu’on peut exécuter sur une machine locale, avec une limite de taille, et un modèle de 320 milliards de paramètres en sort mécaniquement — sa licence n’est pas en cause. Et dans la catégorie « à surveiller », où il figure en deuxième position, le rang ne suit pas le score : ce n’est pas un classement de performance.

Mais le plus intéressant, nous l’avons trouvé en cherchant autre chose.

Dans la catégorie code de notre propre classement figurent encore deux modèles nommés Quasar Alpha (51e) et Optimus Alpha (57e). Leur éditeur y est indiqué comme « unknown » — inconnu. Ce sont deux modèles furtifs qui ont circulé sur OpenRouter en avril 2025, avant qu’OpenRouter ne révèle qu’il s’agissait de versions anticipées de GPT-4.1. Les points d’accès ont été retirés depuis longtemps. Les lignes, elles, sont toujours là, avec leur éditeur inconnu.

Autrement dit : plus d’un an après leur dévoilement, deux modèles d’OpenAI se promènent dans les classements sous une identité anonyme, y compris dans le nôtre. Nous le corrigerons. Mais cela dit quelque chose de la traçabilité réelle de cet écosystème.

Le furtif n’est pas un accident, c’est devenu une méthode

Résumons ce que le laboratoire obtient en lançant un modèle sans dire son nom.

Il obtient des milliers d’heures d’évaluation gratuite, en conditions réelles, sur du vrai code, dans de vrais projets, par des utilisateurs motivés — un volume de retours qu’aucun protocole de test interne ne peut égaler. Il l’obtient sans exposer sa marque : si le modèle avait déçu, Ox Alpha aurait disparu sans laisser de trace, et personne n’aurait jamais su que Z.ai avait échoué. Il obtient enfin, au moment du dévoilement, une histoire que la presse mondiale reprend gratuitement — le mystère résolu vaut plus cher qu’un communiqué de lancement. La hausse boursière du 27 août en est la mesure directe.

Et l’utilisateur, que donne-t-il ? Ses prompts.

Ce n’est pas illégitime, ce n’est pas dissimulé, et OpenRouter a formalisé la pratique dans un programme dédié. Le précédent Quasar Alpha montre d’ailleurs que l’exercice n’a rien de spécifiquement chinois : c’est OpenAI qui l’a popularisé. Mais il faut appeler la chose par son nom. Une préversion furtive est un échange : de l’intelligence gratuite contre des données d’usage, sous un contrat que l’utilisateur ne peut pas entièrement lire, avec une contrepartie qu’il ne peut pas identifier.

Présenter cet échange comme un cadeau, c’est la seule partie de l’histoire qui pose vraiment problème. Et c’est très exactement ce qu’a fait la vidéo qui a lancé la vague, avec sa formule sur les « zéro rétention de données ».

Ce que ça change concrètement

Si vous développez. Le modèle est excellent et son rapport qualité-prix est difficile à égaler aujourd’hui. Rien n’interdit de l’utiliser — il est désormais publié, nommé, sous licence MIT, avec des poids téléchargeables. Ce qui doit changer, c’est le réflexe : avant d’envoyer quoi que ce soit à un point d’accès marqué « stealth », « preview » ou « alpha », ouvrez la politique de données et le document auquel elle renvoie. Les deux. C’est trois minutes de lecture, et c’est le seul moment où vous avez encore le choix.

Si vous dirigez une entreprise. La question n’est pas « faut-il faire confiance aux modèles chinois ? », qui est un mauvais cadrage. La question est : qui figure nommément dans votre registre des traitements ? Un modèle sous licence MIT hébergé sur vos propres serveurs, ou chez un hébergeur européen que vous avez contractualisé, ne pose aucun des problèmes décrits dans cet article. Le même modèle interrogé via un point d’accès anonyme les pose tous. Ce n’est pas le modèle qui crée le risque, c’est le chemin par lequel on y accède.

Si vous suivez simplement l’actualité de l’IA. Retenez la distinction qui a fait dérailler la vidéo à l’origine de cet article, et qu’aucune des reprises francophones que nous avons lues ne relevait : « pas utilisé pour l’entraînement » ne veut pas dire « pas conservé ». Vous allez la recroiser des dizaines de fois, dans les conditions d’utilisation de services que vous employez tous les jours. C’est probablement la phrase la plus rentable à savoir lire de toute l’année 2026.

Ce qu’il faut retenir

Z.ai n’a rien caché d’illégal, n’a menti sur rien, et a fini par tout publier : le nom, les poids, la licence, les mesures. OpenRouter n’a pas dissimulé sa politique de données — elle était en ligne, lisible, à l’endroit prévu. Le modèle est réellement remarquable, et son prix va peser sur l’ensemble du marché.

Ce qui a raté, c’est la lecture. Une phrase de vingt mots, écrite noir sur blanc, a été retournée en son contraire par une vidéo de dix-neuf secondes, puis reprise, puis partagée, jusqu’à devenir l’information que des milliers de personnes croyaient tenir au moment où elles branchaient leur code sur un serveur inconnu.

Il y a une leçon plus large. L’écosystème de l’IA a inventé un objet nouveau : le modèle qui est simultanément gratuit, excellent et non identifié. Les trois qualités arrivent ensemble et ce n’est pas une coïncidence — c’est la gratuité et la qualité qui achètent le droit à l’anonymat. Tant que ce triplet fonctionne, il se reproduira — et c’est l’une des dynamiques que nous suivons dans notre projection sur ce qui attend l’IA dans un, deux et cinq ans. Ox Alpha n’est ni le premier ni le dernier ; il est simplement celui où le décalage entre ce qui était écrit et ce qui a été compris a été le plus spectaculaire.

La bonne nouvelle, c’est que la parade ne demande aucune compétence technique. Elle demande d’ouvrir la page et de la lire jusqu’au bout.

Le chiffre à retenir

Six. Six jours entre l’apparition d’Ox Alpha sur OpenRouter et le moment où l’on a su à qui appartenaient les serveurs. Six jours pendant lesquels le modèle était gratuit, sans limite d’usage sérieuse, et branché par des milliers de développeurs sur des projets réels. Six jours de prompts conservés par une entité que personne ne pouvait nommer, sous un régime contractuel que deux documents publics décrivaient de deux façons incompatibles.

À la fin, le fournisseur était honorable, le modèle était bon, et rien de fâcheux n’a été signalé. C’est une chance, pas une garantie. La prochaine fois qu’un modèle anonyme et brillant apparaîtra — et il apparaîtra —, la seule chose qui aura changé, c’est le nombre de personnes qui auront pensé à lire la page avant d’y envoyer leur travail.