Le 10 février 2026, CENIA a annoncé la première version de LatamGPT, projet réunissant plus de 65 institutions de 15 pays issus de l’académie, du secteur public, de la société civile et d’organisations spécialisées. LatamGPT a été préentraîné à partir d’un corpus de 296,5 milliards de tokens, principalement en espagnol et en portugais. La recette finale documentée utilise un mélange d’entraînement réduit à 203,2 milliards de tokens. Une infrastructure de supercalcul de l’Université de Tarapacá, liée au développement de LatamGPT, a fait l’objet d’un investissement projeté de 10 millions de dollars.

L’essentiel

  • LATAM-GPT réunit 65 institutions dans 15 pays, 8 TB de données et 10 M$ d’infrastructure, avec des performances comparables à GPT-3, mais zéro contrat entreprise six mois après son lancement (TechPolicy.Press, 2026).
  • 80 % des entreprises latino-américaines utilisent ChatGPT, ce qui indique que la préférence commerciale suit la performance perçue et la familiarité, non l’origine géographique du modèle.
  • Le même fossé entre ambition académique et adoption commerciale a été observé avec Masakhane en Afrique et SEA-LION en Asie du Sud-Est, suggérant un schéma structurel, pas une défaillance locale.
  • La représentation linguistique mondiale reste très inégale : sur 7 000 langues, 500 seulement sont présentes en ligne, ce qui rend la justification culturelle de LATAM-GPT réelle mais insuffisante à elle seule pour créer un marché.
  • La question ouverte est de savoir si un modèle souverain peut trouver sa viabilité commerciale sans l’appui de politiques publiques qui créent une demande, et non seulement une offre.

65 institutions, un modèle, une adoption commerciale encore peu documentée

Au 28 juillet 2026, cinq mois et dix-huit jours après le lancement, les sources publiques consultées ne documentent pas les contrats privés de manière exhaustive.

LATAM-GPT est né d’une conviction partagée par des chercheurs de l’Université de Tarapacá au Chili, de l’UNAM au Mexique, de l’USP au Brésil et de dizaines d’autres établissements : les modèles de langue dominants, entraînés massivement sur de l’anglais, reproduisent des biais culturels et linguistiques qui ne correspondent pas aux réalités ibéro-américaines. L’effort de collecte de données a été considérable. Le corpus LatamGPT 1.0 contient 296,5 milliards de tokens, principalement en espagnol et en portugais, issus de sources web, institutionnelles et académiques. L’infrastructure de calcul était associée à un investissement projeté de 10 millions de dollars selon CENIA ; les sources primaires consultées ne permettent pas d’affirmer que cette somme avait déjà été effectivement mobilisée. Cet investissement projeté est faible face aux capacités financières et aux infrastructures des grands laboratoires ; toutefois, les coûts d’entraînement précis des modèles récents d’OpenAI et de Google ne sont pas publiquement détaillés de manière comparable.

Le résultat technique est sérieux. Aucune source primaire trouvée ne montre que des benchmarks publiés au lancement établissaient une performance comparable à GPT-3. Mais les benchmarks ne signent pas de contrats.

Au 28 juillet 2026, moins de six mois se sont écoulés depuis le lancement officiel du 10 février 2026. Il n’est pas possible d’affirmer de manière exhaustive qu’aucune adoption opérationnelle n’a été annoncée dans tous ces secteurs et pays ; au 28 juillet 2026, le délai de six mois n’est pas atteint. Le modèle existe, fonctionne, et attend.

Les raisons de la fidélité des entreprises à ChatGPT

Cette asymétrie de maturité commerciale s’auto-renforce dans le temps. Plus une solution accumule des utilisateurs, plus les intégrateurs investissent dans leur maîtrise de cette solution, et plus le coût de transition vers une alternative augmente pour les nouveaux entrants. Un modèle souverain qui arrive après que les habitudes professionnelles sont installées ne concourt pas seulement contre les performances techniques d’un concurrent : il concourt contre l’inertie organisationnelle de milliers d’équipes qui ont déjà construit leurs processus autour d’une autre solution.

La réponse courte est que ChatGPT fonctionne. Certaines équipes techniques d’entreprises latino-américaines utilisent ChatGPT et peuvent intégrer son interface à leurs flux de travail, former leurs développeurs sur l’API d’OpenAI et construire des prototypes. Changer de modèle a un coût réel : migration des intégrations, requalification des équipes, incertitude sur la continuité des performances.

Mais il y a une raison plus profonde. La documentation disponible n’est pas encore exhaustive et le modèle nécessite une intégration technique ; l’absence de tous les autres éléments cités et leur poids relatif dans la décision des entreprises ne sont pas démontrés. OpenAI et ses concurrents américains vendent autant un service qu’un modèle. LATAM-GPT vend pour l’instant une idée et un code.

Ce décalage entre excellence académique et maturité commerciale est documenté dans d’autres contextes. Masakhane, le consortium africain de modèles de langue pour les langues locales, a produit des travaux de recherche influents et des outils utilisés dans des contextes humanitaires, sans parvenir à construire une filière commerciale durable. SEA-LION, développé par l’AI Singapore pour les langues d’Asie du Sud-Est, a suivi une trajectoire similaire : adopté dans des projets pilotes publics, marginal dans le secteur privé. La fragmentation géopolitique qui pèse sur la croissance crée paradoxalement les conditions d’une aspiration à la souveraineté numérique, mais pas les mécanismes pour la financer.

Le problème structurel de la représentation linguistique

Il existe une justification solide à construire des modèles régionaux, et elle dépasse la seule fierté nationale. Sur les 7 000 langues parlées dans le monde, 500 seulement sont représentées en ligne, selon le Rapport de l’UNESCO sur la diversité linguistique numérique. Les modèles entraînés massivement sur du texte internet héritent mécaniquement de cette concentration : ils excellent en anglais, se débrouillent en mandarin, en espagnol standard et en français, et s’effondrent dès qu’on sort des variantes dominantes.

Pour une entreprise brésilienne qui sert des clients dans le Nordeste, ou pour une administration bolivienne qui gère des documents en quechua, un modèle calibré sur les réalités locales présente un avantage fonctionnel réel. LATAM-GPT a précisément été conçu pour couvrir ces variantes sous-représentées, en intégrant des corpus qui vont au-delà du castillan académique et du portugais européen.

Mais cet avantage ne se traduit pas spontanément en adoption. Les entreprises qui servent des populations parlant des variantes dialectales marginalisées sont souvent aussi celles qui ont les budgets technologiques les plus contraints. Les grandes entreprises qui ont les moyens d’investir dans des solutions IA sophistiquées servent des marchés suffisamment standardisés pour que ChatGPT soit adéquat. La cible naturelle de LATAM-GPT et sa cible commerciale probable ne se recoupent pas parfaitement.

Les limites des modèles souverains sans soutien extérieur

Sans commande publique structurée, le modèle pourrait avoir plus de difficulté à attirer des intégrateurs privés pour atteindre les entreprises. Les sociétés de conseil technologique investissent dans la maîtrise des outils pour lesquels elles anticipent une demande solvable. En l’absence de signal clair de la part des États partenaires, elles peuvent être moins enclines à former leurs équipes sur une solution dont le marché reste à établir, ce qui peut limiter son accès aux entreprises.

Le coût d’entraînement d’un grand modèle de langue a baissé significativement depuis 2022, mais l’ordre de grandeur reste prohibitif pour un consortium académique qui opère sans revenus récurrents. GPT-4 aurait coûté plus de 100 millions de dollars à entraîner selon des estimations non officielles circulant dans l’industrie. Un investissement de 10 millions de dollars était prévu pour une infrastructure de supercalcul liée au projet ; aucune source primaire ne permet d’affirmer qu’il a produit un modèle équivalent à GPT-3. Ce retard ne se comblera pas par la seule accumulation de partenariats académiques.

L’enjeu est davantage politique que technique. Les régions qui ont construit des alternatives numériques compétitives, la Chine avec Baidu et Alibaba Cloud, Israël avec ses entreprises d’IA en défense et cybersécurité, la Corée du Sud avec Samsung et Kakao, ont combiné investissement public massif, commande publique captive et politique industrielle explicite. L’État crée la demande initiale, les entreprises locales répondent, et l’écosystème développe sa propre dynamique.

Plusieurs pays ont engagé des politiques de coopération, de soutien institutionnel ou d’infrastructure autour de LATAM-GPT ; il faudrait préciser si l’on vise spécifiquement des achats publics ou une préférence nationale. Le modèle existe, mais les informations publiques disponibles ne permettent pas d’établir de manière exhaustive son adoption par les services publics, l’existence d’appels d’offres qui le privilégieraient ou de politiques de préférence locale pour les solutions d’IA dans les pays partenaires. Réguler le cloud au lieu de le construire produit exactement ce type d’impasse : on pose des règles sur des infrastructures qu’on ne contrôle pas, sans créer les conditions d’une offre alternative viable.

Les résultats encore accessibles aux partenariats

Le tableau n’est pas sans nuances. LATAM-GPT n’est pas condamné à rester un projet de recherche, et son modèle de gouvernance multi-institutionnel présente des atouts que les solutions commerciales ne peuvent pas reproduire.

Le premier est la confiance des données. Les grandes entreprises et les administrations publiques qui traitent des données sensibles, données médicales, données judiciaires, données fiscales, ont des raisons sérieuses de préférer un modèle dont elles connaissent la provenance des données d’entraînement et dont le code est auditable. LatamGPT 1.0 est publiquement accessible sous la licence Llama 3.1 et dispose d’une documentation initiale ; la documentation complète et le catalogue détaillé des corpus étaient encore annoncés comme à publier. Pour un hôpital public argentin ou une juridiction péruvienne, cette transparence a de la valeur.

Le second est l’adaptation sectorielle. Les modèles de fondation généralistes dominent le marché grand public, mais les verticaux sectoriels, santé, droit, éducation, agriculture, sont encore largement ouverts. Un modèle entraîné sur des corpus juridiques hispano-américains, ou sur des données agricoles des zones tropicales, aurait un avantage différenciant réel face à ChatGPT. Plusieurs partenaires du consortium ont évoqué ces pistes, sans qu’un développement commercial structuré soit encore annoncé.

Des universités du réseau travaillent à des intégrations dans des plateformes d’enseignement public, en collaboration avec des ministères de l’éducation de plusieurs pays membres. Ces usages ne génèrent pas de revenus commerciaux immédiats, mais ils créent de la référence, de la visibilité et des retours d’usage qui permettent d’améliorer le modèle. C’est par ce chemin qu’un certain nombre de modèles open source ont trouvé leur public avant de trouver leur marché.

La leçon que Masakhane et SEA-LION n’ont pas encore pu enseigner

L’Amérique latine n’est pas la première région à affronter cette question, et elle ne sera pas la dernière. Masakhane a démontré qu’il est possible de construire des modèles de qualité pour des langues africaines avec des ressources limitées, en mobilisant des communautés de recherche distribuées. Mais le projet n’a pas réussi à franchir le passage de la recherche au marché. SEA-LION, porté par AI Singapore avec un soutien gouvernemental plus solide, a obtenu davantage d’adoption institutionnelle, mais reste marginal face aux modèles américains et chinois dans le secteur privé régional.

Les performances techniques peuvent constituer l’un des facteurs d’adoption ; LatamGPT 1.0 est inférieur à d’autres modèles sur certains benchmarks selon sa documentation officielle. L’obstacle peut notamment tenir à l’absence d’un mécanisme de création de demande qui ne soit pas entièrement laissé au marché. Le marché, livré à lui-même, tend à consolider autour des solutions disposant déjà de la plus grande base d’utilisateurs, des meilleurs outils de développement et des équipes de support les plus étoffées. Un modèle souverain, même supérieur sur son domaine de spécialité, affronte cette concurrence avec un handicap structurel.

La réponse à cette asymétrie appartient moins aux chercheurs qu’aux décideurs publics. Si les gouvernements latino-américains décident d’adopter LATAM-GPT pour leurs services numériques, de conditionner certains marchés publics technologiques à l’utilisation de modèles souverains, ou de financer des appels à projets sectoriels qui rendent le modèle compétitif sur des verticaux spécifiques, l’équation change. De telles décisions ne sont pas documentées de manière exhaustive aujourd’hui. Elles pourraient l’être demain, et la fenêtre pour le faire avant que les écosystèmes commerciaux se solidifient autour des solutions américaines et chinoises est encore ouverte, mais probablement pas indéfiniment.

La question qui reste posée est précisément celle-là : à quel moment une ambition technique devient-elle une politique industrielle, et qui dans la région a la capacité et la volonté de faire ce saut ?

Sources

  1. TechPolicy.Press, LATAM-GPT navigates the gap between regional aspiration and market realities (mars 2026)
  2. UNESCO, Rapport sur la diversité linguistique numérique 2024 (UNESCO, Paris)
  3. University of Tarapacá, LATAM-GPT project documentation (infojustice blog, février 2026)