Réponse : pour l'essentiel, une association de quelques dizaines de personnes, basée aux États-Unis, qui s'appelle METR.

Et qui n'a aucun pouvoir de sanction.

METR teste les modèles d'OpenAI, d'Anthropic, de Google DeepMind, avant leur mise sur le marché.

Sa spécialité : mesurer ce qu'une IA sait faire toute seule.

Son résultat le plus cité : la durée des tâches qu'un agent peut mener à bien sans intervention humaine double tous les sept mois. Depuis six ans.

Sur l'indépendance financière, le dispositif est sérieux.

METR n'accepte aucun financement des entreprises d'IA.

Elle ne facture pas ses évaluations.

Elle refuse même les dons de leurs salariés.

Et elle a levé, cet été, soixante et onze millions de dollars — auprès de fondations philanthropiques.

Mais l'argent n'est pas le seul levier d'influence.

Premier angle mort : OpenAI, Anthropic et xAI fournissent gratuitement les capacités de calcul dont METR a besoin pour travailler. L'organisation le reconnaît. Leur valeur n'est publiée nulle part.

Deuxième angle mort, plus lourd : l'accès.

Pour tester un modèle avant sa sortie, il faut que l'éditeur ouvre la porte. C'est lui qui fixe le périmètre, la durée, le calendrier.

L'auditeur n'a aucun droit d'entrée.

Troisième angle mort : les hommes.

La fondatrice de METR, Beth Barnes, vient d'OpenAI. Un chercheur d'OpenAI siège parmi ses conseillers.

C'est la condition de la compétence technique. C'est aussi un risque.

Alors METR est-elle indépendante ?

Financièrement, oui, autant qu'on puisse le vérifier.

Structurellement, c'est autre chose.

Ses rapports sont aujourd'hui la meilleure source publique disponible sur les capacités dangereuses des IA.

Ce ne sont pas des certifications. Ce sont des avis d'experts, rendus dans les limites fixées par celui qu'on examine.

Il y a une semaine, Collibra a racheté une start-up munichoise de trois ans d'âge.

Montant non communiqué. Équipe réduite. Un tour de table d'un million et demi d'euros, pas davantage.

Et pourtant, cette opération dit quelque chose d'important sur la gouvernance de l'intelligence artificielle en entreprise.

Collibra, d'abord. Née à Bruxelles en deux mille huit, installée à New York depuis deux mille quinze.

Plus de sept cents clients. Soixante-dix-huit entreprises du Fortune cinq cents.

Historiquement, un spécialiste du catalogue de données. Aujourd'hui, elle se présente comme — je cite — « le plan de contrôle de l'intelligence artificielle d'entreprise ».

Ce qu'elle achète avec trail ML, c'est trois choses.

Des agents qui déterminent seuls quelle réglementation s'applique à un système d'IA.

Des évaluations de conformité qui se rejouent dès que les preuves changent — et non plus une fois par an.

Et surtout : la capacité de bloquer, en production, l'action d'un agent qui violerait une politique interne.

Voilà le vrai basculement.

Jusqu'ici, gouverner l'IA, c'était documenter. Désormais, c'est intervenir.

On passe du classeur au coupe-circuit.

Pour les directions de la gouvernance, deux lectures.

D'un côté, une charge manuelle qui s'allège : les équipes conformité ne constitueront plus leurs dossiers de preuve à la main.

De l'autre, une question nouvelle : que se passe-t-il quand l'outil bloque un traitement parfaitement légitime ?

Et une mise en garde : un verdict de conformité produit par un logiciel n'exonère personne. Sous l'AI Act, la responsabilité reste chez celui qui déploie le système. Automatisez, agentisez, gouvernez. Tout ce que vous voulez, mais rien ne vous exonérera de votre responsabilité !

Reste l'ironie de l'affaire.

Le marché que Collibra achète avec Trail ML, existe parce que l'Europe a écrit la loi.

Collibra, elle, a quitté Bruxelles pour New York dix ans avant que ce texte n'existe.

Dans cet épisode, je reçois Laurence Loly, co-fondatrice de Diag'n'grow, une entreprise spécialisée dans la valorisation des actifs immatériels.

Ce patrimoine informationnel qui nous intéresse, données et algorithmes, est en effet proche des marques, des brevets, et autres actifs que l'on sait déjà bien valoriser.

Alors, à quand les datas à l'actif du bilan ? Laurence Joly nous donne quelques piste :

- Quels sont les principaux "nouveaux" actifs immatériels que l'entreprise n'est pas habituée à évaluer ?

- Alors que la valeur de ces actifs immatériels augmente de manière importante, cela impacte-t-il la différence entre la valeur "officielle" d'une entreprise et sa valeur réelle ?

- Quelles sont les difficultés propres à l'évaluation des actifs immatériels et quelle méthode avez-vous développée ?

- Parlons spécifiquement des données, quels sont les problèmes particuliers liés à leur évaluation ?

- Entre évaluation et comptabilisation, il y a encore une étape, quand verrons nous un data warehouse à l'actif du bilan d'une entreprise ?