En avril 2026, la Thaïlande a lancé ThaiLLM, un modèle fondationnel présenté par les autorités comme une infrastructure nationale d’IA. Les pays d’Asie du Sud-Est combinent des infrastructures nationales, régionales et des services de fournisseurs mondiaux, selon des configurations variables. Pour un pays de 70 millions d’habitants, l’ambition est considérable, et le pari mérite d’être examiné sérieusement.

L’essentiel

  • La Thaïlande a lancé ThaiLLM en avril 2026 via la NSTDA, sur son supercalculateur national ThaiSC, offrant une option de traitement local pour certains usages sensibles.
  • Ce modèle souverain s’oppose directement à la stratégie de Singapour, qui combine l’accueil d’hyperscalers étrangers avec des dispositifs de cloud souverain et des capacités nationales.
  • La tension centrale : construire coûte cher et exige une expertise rare ; le cloud peut créer une dépendance envers un fournisseur et impliquer le traitement des données par celui-ci, mais la localisation et les transferts de données dépendent de l’architecture et des services choisis.
  • L’Indonésie, l’Inde et le Brésil observent cette expérience : si ThaiLLM prouve son efficacité, d’autres pays pourraient choisir la même voie avant 2028.

La NSTDA joue son propre jeu contre la gravité californienne

ThaiLLM a été développé par un consortium comprenant la NSTDA et entraîné avec l’appui du supercalculateur LANTA, exploité par ThaiSC, avec des données en thaï issues de sources gouvernementales et académiques. L’objectif officiellement documenté : conserver les données sensibles sous contrôle national grâce à un traitement sur des supercalculateurs locaux.

Les données gouvernementales hébergées dans des clouds étrangers posent un problème juridique et stratégique réel : qui peut y accéder, dans quelles conditions et sous quelle juridiction. La Thaïlande n’est pas la première à s’en préoccuper, mais elle est l’une des premières en Asie du Sud-Est à répondre par une infrastructure propre plutôt que par des contrats de confidentialité.

Le modèle traite le thaï nativement, ce qui compte. Les grands modèles américains ou chinois fonctionnent en thaï, mais avec des performances inégales et des lacunes culturelles visibles. Un modèle entraîné sur un corpus local comprend les registres de langue, les références administratives, les subtilités juridiques propres au pays. Pour les usages gouvernementaux, cette précision vaut beaucoup.

Singapour et la Thaïlande : deux paris opposés sur l’IA

Singapour est premier dans certains classements régionaux d’AI readiness, et sa stratégie explique en partie ce résultat. La cité-État a attiré les hyperscalers : Google, Microsoft, AWS ont construit des centres de données massifs sur son territoire. Singapour loue sa position géographique, sa stabilité réglementaire et ses infrastructures électriques pour devenir le hub régional de la puissance de calcul. Elle tire de cette position des emplois qualifiés, des investissements et une visibilité technologique internationale.

La Thaïlande a choisi l’autre direction. Elle développe une capacité nationale tout en continuant à accueillir et utiliser des infrastructures de fournisseurs mondiaux. Les deux modèles ne sont pas symétrie pure : Singapour est une ville-État de six millions d’habitants dont l’avantage comparatif est la connexion ; la Thaïlande est un pays continental avec une économie industrielle, agricole et touristique de 70 millions de personnes qui a des données souveraines à gérer.

La comparaison reste instructive parce qu’elle révèle deux conceptions du progrès technologique. La stratégie hub suppose que le progrès vient de l’intégration dans les réseaux mondiaux de la puissance de calcul ; la stratégie souveraine suppose qu’il vient de la maîtrise locale des données et des modèles. Ces deux lectures coexistaient jusqu’ici en théorie. En 2026, elles coexistent en pratique, à quelques centaines de kilomètres l’une de l’autre.

Ce clivage rappelle un débat similaire dans l’industrie : l’Asie industrielle construit elle aussi deux modèles distincts d’automatisation, selon que l’on mise sur la robotique totale ou sur la collaboration homme-machine. Dans les deux cas, la question de fond porte sur l’appartenance de la technologie qui structure la production.

Le coût réel de la souveraineté numérique

La dépendance aux composants physiques révèle une tension structurelle que le raisonnement souverainiste tend à sous-estimer : l’indépendance applicative et l’indépendance matérielle ne progressent pas au même rythme. Un pays peut reprendre le contrôle de ses données en les hébergeant sur son territoire tout en restant entièrement tributaire de décisions étrangères sur les composants qui font tourner cette infrastructure. Cette asymétrie n’invalide pas le projet de souveraineté, mais elle oblige à le définir par couches successives plutôt que comme un état binaire. La souveraineté numérique est moins un seuil à franchir qu’un gradient à parcourir, et chaque couche de dépendance réduite représente un gain réel même si d’autres couches demeurent.

Construire une infrastructure nationale d’IA coûte cher. Un supercalculateur capable d’entraîner un grand modèle de langue demande des centaines de millions de dollars d’investissement, des ingénieurs capables de l’opérer et une chaîne d’approvisionnement en puces graphiques qui dépend elle-même des États-Unis et de TSMC. La souveraineté numérique a ses propres dépendances.

C’est le premier piège du raisonnement souverainiste appliqué à l’IA : l’infrastructure physique reste concentrée dans quelques mains. Les GPU NVIDIA sont très largement utilisés pour l’entraînement des modèles modernes, mais des accélérateurs alternatifs, tels que les TPU de Google, servent aussi à entraîner des modèles modernes, et Washington contrôle leur exportation depuis les restrictions de 2022-2023. Un supercalculateur peut dépendre de fournisseurs étrangers pour certains composants, mais l’exposition aux contrôles américains dépend des puces, fournisseurs, destinations et règles applicables. L’Europe l’a appris à ses dépens avec son programme de semi-conducteurs : les milliards investis dans les Chips Acts n’ont pas suffi à créer une chaîne complète d’indépendance.

Il reste que la dépendance aux composants physiques est moins immédiate que la dépendance aux clouds applicatifs. Un supercalculateur acheté et installé reste opérationnel des années. Les usages sensibles peuvent être traités sur une infrastructure locale afin de maintenir les données sensibles sous contrôle national. Le développement d’infrastructures nationales est présenté comme un moyen de réduire la dépendance extérieure et les risques de sécurité et de continuité. C’est un pari rationnel, même si son rendement prend du temps à se mesurer.

La question du financement est réelle. La NSTDA est une agence publique, et ThaiSC est un investissement d’État. Cela signifie que le modèle de gouvernance de l’IA thaïlandaise est différent de celui de Singapour, qui attire des capitaux privés étrangers. La Thaïlande engage de l’argent public pour acheter une indépendance que le marché ne lui offrirait pas spontanément.

La langue comme donnée stratégique

La valeur stratégique d’une langue ne tient pas seulement à ses particularités linguistiques, mais à l’épaisseur du corpus institutionnel qui l’accompagne. Une langue administrative accumule des décennies de documents juridiques, de procédures réglementaires et de correspondances bureaucratiques qui codifient la façon dont un État pense et agit. Ces textes constituent une cartographie implicite des catégories cognitives par lesquelles une administration classe le monde et prend ses décisions. Un modèle entraîné sur ce corpus intègre une logique institutionnelle que les modèles généraux ne peuvent reconstituer par simple traduction. Les benchmarks standards mesurent mal cette dimension, car ils évaluent la compétence sur des tâches génériques plutôt que sur la cohérence avec un système administratif particulier.

Pour un gouvernement qui cherche à automatiser des processus internes ou à assister des agents publics, cet écart de pertinence institutionnelle compte davantage que l’écart de performance sur des tâches générales. La langue devient ainsi un vecteur d’ancrage du modèle dans une culture administrative spécifique, et non un simple paramètre technique parmi d’autres. Cette logique implique que la valeur d’un modèle souverain croît avec le volume et la qualité du corpus institutionnel mobilisé, ce qui crée une incitation durable à agréger et structurer les données publiques de façon systématique.

Le thaï est parlé par environ 70 millions de personnes, principalement en Thaïlande. C’est une langue à écriture propre, à tons, avec une grammaire et un vocabulaire administratif qui ne se superposent pas aisément aux corpus anglo-saxons sur lesquels les grands modèles globaux sont massivement entraînés. GPT-4 ou Gemini comprennent le thaï, mais leur compréhension fine des contextes bureaucratiques, médicaux ou juridiques locaux reste limitée.

Des données thaïlandaises, notamment des documents publics et culturels, visent à améliorer la couverture linguistique et culturelle, tandis que le projet prévoit séparément des modèles spécialisés en santé. C’est ce que vise ThaiLLM. Des agences gouvernementales thaïlandaises sont impliquées dans le projet, selon le brief de la Direction générale du Trésor.

Il y a là un enseignement qui dépasse la Thaïlande. L’absence d’infrastructure de données partagée fragilise des projets entiers : c’est ce que montrent les difficultés de la science africaine face aux bases de données dominées par les institutions occidentales. La donnée locale, bien agrégée, devient un actif stratégique. La Thaïlande a compris que ses données gouvernementales valent quelque chose, et qu’il vaut mieux les valoriser en interne.

Cette logique intéresse aussi les entreprises. Un groupe bancaire ou un assureur thaïlandais qui traite des données clients sur un modèle national s’expose moins aux risques de conformité liés aux transferts transfrontaliers de données, qui font l’objet de régulations croissantes en Asie du Sud-Est depuis 2024.

Un laboratoire pour l’Asie du Sud-Est et au-delà

L’expérience thaïlandaise est observée dans la région. L’Indonésie, le Vietnam et les Philippines gèrent des populations de 50 à 270 millions de personnes, des langues à faible représentation dans les corpus globaux, et des données gouvernementales que leurs dirigeants préfèrent ne pas héberger à San Jose. ThaiLLM pose ainsi une question concrète : un pays de taille intermédiaire peut entraîner un modèle compétitif à l’échelle de ses besoins propres, sans les ressources de la Chine ou des États-Unis.

La réponse dépend de ce que l’on entend par « compétitif ». ThaiLLM vise à mieux couvrir le contexte linguistique et culturel thaïlandais et à servir de base à des adaptations organisationnelles. C’est un positionnement étroit mais cohérent.

Des décisions comparables se préparent en Inde et au Brésil, deux pays qui ont la taille critique pour envisager des modèles vraiment compétitifs à l’échelle mondiale. Si ThaiLLM démontre son efficacité opérationnelle d’ici 2027-2028, ces pays disposeront d’un précédent utile. La fenêtre de choix est ouverte : les coûts d’entraînement des modèles baissent chaque année, les outils open source se perfectionnent, et la dépendance aux APIs commerciales devient plus facile à réduire.

La géopolitique de l’IA se joue en partie ici, dans ces arbitrages nationaux répétés sur l’infrastructure et les données. Quand assez d’économies intermédiaires auront fait le choix de la souveraineté, le marché mondial des grands modèles sera différent de ce qu’il est aujourd’hui. Les standards techniques, les normes de sécurité, les règles d’interopérabilité seront discutés dans de nouveaux forums, avec de nouveaux rapports de force. Bangkok ne s’est pas assise à cette table en 2026, mais elle vient de réserver sa place.

Dans les mois qui viennent, les administrations thaïlandaises choisiront d’utiliser ce modèle national sur leurs cas d’usage les plus sensibles ou continueront de passer par des solutions étrangères plus matures. C’est ce choix quotidien, et non le lancement d’avril 2026, qui mesurera la portée réelle du pari.

Sources

  1. Direction générale du Trésor, ASEAN Brief semaine 17 – 2026 : https://www.tresor.economie.gouv.fr/Articles/2026/04/24/breves-de-l-asean-semaine-17-2026
  2. NSTDA (National Science and Technology Development Agency, Thaïlande) – annonce ThaiLLM et ThaiSC, avril 2026 (sans URL vérifiable)
  3. Government AI Readiness Index 2026, Oxford Insights (sans URL vérifiable)