Quand l’IA commence à « inférer » : les limites des données personnelles sont en train d’être redéfinies, comment les architectures de données des entreprises doivent-elles y répondre ?

Quand l’IA commence à « inférer » : les frontières des données personnelles sont en train d’être réécrites

Introduction

En juillet 2026, Financier Worldwide a publié un dossier « Data privacy and protection », invitant six professionnels de la protection des données et de la conformité venus de Grèce, de France, du Canada, de Belgique, du Royaume-Uni et d’Italie à débattre d’une question en apparence élémentaire, mais qui détermine en réalité l’orientation de l’architecture des entreprises : après que les systèmes d’IA génèrent, infèrent et agrègent des informations à grande échelle, qu’est-ce qui compte comme données personnelles ?

La conclusion centrale qui ressort des discussions est la suivante : la frontière des données personnelles s’étend de « directement identifiantes pour une personne » à « pouvant être inférées, corrélées et retracées jusqu’à une personne ». Les sorties algorithmiques, les profils comportementaux, les caractéristiques biométriques et même les données neurodérivées sont en cours d’intégration — ou sur le point de l’être — dans le champ réglementaire. Pour les entreprises, cela signifie que la confidentialité des données n’est plus un document de conformité papier que l’on peut archiver, mais un ensemble de contraintes opérationnelles qui doivent être inscrites dans les plateformes cloud, les pipelines de données et le cycle de vie des modèles.

Contexte de l’événement : une discussion transfrontalière sur la « définition »

Si cette discussion mérite l’attention des responsables techniques des entreprises, c’est parce qu’elle révèle un fait structurel : les critères de détermination des données personnelles divergent désormais entre les différents ordres juridiques, alors que les flux de données des entreprises ne s’arrêtent que rarement à un seul ordre juridique.

Grèce : l’Autorité hellénique de protection des données (HDPA) adopte une approche interprétative extensive et dynamique : les sorties algorithmiques et les mécanismes de profilage comportemental, dès lors qu’ils permettent une identification indirecte, un ciblage ou une association rétrospective avec une personne physique, ne bénéficient plus du statut d’anonymat. Dans le cadre du règlement européen sur l’intelligence artificielle, l’accent réglementaire est clairement mis sur l’interdiction stricte des systèmes de reconnaissance des émotions sur les lieux de travail et dans les environnements éducatifs.

France : l’autorité française de protection des données (CNIL), dans ses recommandations de 2025, a repris la position de l’avis 28/2024 du Comité européen de la protection des données (EDPB) : dès lors que les données d’entraînement peuvent être extraites — y compris par « régurgitation » dans les systèmes génératifs —, le modèle relève du champ d’application du RGPD.

Canada : la définition législative n’a pas officiellement changé et reste « des informations concernant une personne identifiable », mais les autorités de réglementation en élargissent manifestement l’application dans la pratique : d’une focalisation sur les seules données permettant d’identifier directement une personne, elles passent à une couverture simultanée des informations inférées et dérivées, y compris les profils comportementaux, les sorties générées par l’IA, ainsi que les données biométriques et neuronales.

Belgique : la Belgique ne redéfinit pas les données personnelles par une législation distincte ; elle applique plutôt le RGPD et le règlement européen sur l’intelligence artificielle aux nouveaux types de données. L’Autorité belge de protection des données (BDPA) considère que les résultats d’inférence générés par l’IA — profils comportementaux, scores, prédictions — constituent des données personnelles dès lors qu’ils se rapportent à une personne identifiable, même lorsqu’ils proviennent de signaux indirects tels que l’historique de navigation ou le ton de la voix.Royaume-Uni, quant à lui, évolue lentement vers des critères plus relativisés et contextualisés : l’identifiabilité est évaluée du point de vue de l’acteur spécifique qui traite ces données ; une même information peut constituer une donnée personnelle pour un acteur du traitement, mais pas pour un autre. La loi sur l’utilisation et l’accès aux données (Data Use and Access Act) et les lignes directrices de l’Information Commissioner’s Office (ICO) reflètent cette orientation, même si le législateur n’a pas élargi la définition au point de mettre en péril la décision d’adéquation du Royaume-Uni.

Italie : l’autorité de protection des données Garante privilégie elle aussi une interprétation large : dès lors qu’une information peut contribuer, directement ou indirectement, à identifier, profiler ou localiser individuellement une personne, elle entre dans le champ de la régulation ; l’attention réglementaire passe de la forme technique de l’information au risque réel de réidentification ou d’inférence.

Analyse technique : trois voies de « l’identifiable » à « l’inférable »

Pour les responsables non techniques, on peut retenir trois voies techniques pour comprendre ce changement de frontière.

Premièrement, l’extractibilité du modèle. Le considérant 26 du RGPD donne une définition fonctionnelle : tout élément permettant d’identifier une personne individuellement par des « moyens raisonnablement susceptibles d’être utilisés ». L’avis 28/2024 de l’EDPB et les recommandations de 2025 de la CNIL étendent ce critère à l’intérieur des modèles génératifs — si les données d’entraînement peuvent être extraites en sens inverse, le modèle lui-même est soumis au RGPD. Techniquement, cela signifie que « nous ne stockons que les poids, pas les données brutes » ne constitue plus un moyen de défense automatiquement valable.

Deuxièmement, la portée des inférences automatisées. Dans l’affaire Schufa de 2023, la Cour de justice de l’Union européenne (CJUE) a jugé que lorsqu’un tiers « dépend fortement » d’un score de probabilité automatisé pour déterminer l’issue d’un contrat, ce score constitue une décision au sens de l’article 22 du RGPD. La BDPA belge a en outre précisé que le score produit par l’IA n’a en lui-même aucune valeur probante et que toute décision ayant une portée juridique doit être précédée d’une intervention humaine significative. L’HDPA grecque a quant à elle indiqué que la simple pseudonymisation ne suffit pas à écarter le risque de réidentification ; par conséquent, les données issues de prédictions algorithmiques et d’informations neuro-dérivées constituent des données personnelles et exigent, en vertu du RGPD, une analyse d’impact relative à la protection des données (DPIA) obligatoire.

Troisièmement, le statut particulier des données biométriques et neuronales. Les données biométriques relèvent, en vertu de l’article 4, point 14, et de l’article 9, paragraphe 1, du RGPD, des catégories particulières de données ; la CNIL française étend cette protection, depuis 2019, aux sorties algorithmiques dérivées de données biométriques brutes, mais dont les données d’origine ne peuvent être reconstituées. La Cour constitutionnelle belge a confirmé en janvier 2025 que la reconnaissance faciale exige une proportionnalité stricte, un consentement explicite et une suppression immédiate après utilisation. Les données neuro-dérivées constituent la prochaine frontière : bien qu’elles ne soient pas encore inscrites à l’article 9 du RGPD, le comité T-PD du Conseil de l’Europe a publié en 2025 un projet de lignes directrices appliquant les principes de la version modernisée de la Convention 108 aux données neuronales.En une phrase : qu’une donnée soit « anonyme » ou « personnelle » ne dépend plus de son apparence, mais de la possibilité de la relier à une personne et de l’utiliser pour prendre des décisions.

Analyse de l’impact sur les entreprises

Impact sur les coûts : la double hausse des CAPEX et des OPEX

La technicisation des exigences de conformité augmente simultanément les dépenses d’investissement et les dépenses d’exploitation. Les CAPEX se traduisent par le partitionnement des données, des environnements d’entraînement et d’inférence régionalisés, des infrastructures de journaux d’audit, ainsi que des capacités de lignage et de suppression des données ; les OPEX, quant à eux, se traduisent par des DPIA continues, des évaluations de l’extractibilité des modèles, des postes de contrôle humain et la cartographie des flux de données entre juridictions.

Les données d’application de la loi expliquent pourquoi ce coût est difficile à éviter. La CNIL française a réalisé 323 contrôles en 2025, prononcé 83 sanctions pour un montant total de près de 487 millions d’euros, dont 67 via la procédure accélérée introduite en 2022 — ce qui signifie que les délais de sanction se raccourcissent. En Belgique, la BDPA a ouvert 157 nouveaux dossiers en 2024, en hausse de 83 % sur un an, pour un total d’amendes de 708 371 euros, dont une sanction de 174 640 euros contre un courtier en données et une sanction de 250 000 euros contre IAB Europe.

Impact sur le déploiement et l’exploitation : la conformité intégrée dès la couche d’architecture

Lorsque le principe selon lequel « les résultats d’inférence constituent des données personnelles » devient un consensus réglementaire, la conformité ne peut plus être corrigée a posteriori au niveau applicatif. Les entreprises doivent répondre à plusieurs questions au niveau de l’architecture : dans quelle région les données d’entraînement sont localisées, si les résultats d’inférence circulent au-delà des frontières, si les demandes d’exercice des droits des personnes concernées peuvent réellement être mises en œuvre sur le plan technique, si les sorties de modèle peuvent être retracées jusqu’à des sources de données précises.

La pratique britannique met également en évidence une autre complexité : l’identifiabilité peut varier selon le responsable du traitement, ce qui signifie qu’une même donnée peut avoir des qualifications juridiques différentes selon l’unité métier et l’environnement cloud, et que le catalogue de données et le modèle de permissions doivent présenter la granularité correspondante.

Impact sur la sécurité et la conformité : la notification des violations devient une porte d’entrée pour l’application de la loi

Les données de plusieurs pays pointent vers la même tendance : la notification des violations n’est plus seulement une obligation à remplir, mais une porte d’entrée pour l’application de la loi. En France, les notifications de violations de données ont atteint 6 167 cas en 2025, soit une hausse d’environ 10 % sur un an, et l’insuffisance des mesures de sécurité prévues à l’article 32 reste l’un des principaux motifs de sanction. En Belgique, 1 455 notifications de violations de données ont été enregistrées en 2024, en hausse de 13 % sur un an, les attaques par rançongiciel faisant l’objet d’enquêtes actives ; la BDPA adresse également régulièrement des demandes de suivi aux responsables du traitement, leur demandant d’expliquer la méthode utilisée pour évaluer le niveau de risque de la violation.

Le risque contentieux augmente en parallèle. Au Canada, les recours collectifs suivent désormais souvent de près les incidents de violation majeurs, et les entreprises doivent gérer simultanément le risque réglementaire et le risque contentieux. En Belgique, 10 appels ont été déposés devant la cour des marchés de Bruxelles en 2024, dont 6 décisions ont été partiellement ou totalement annulées ; plus notable encore, la cour des marchés a confirmé qu’un incident unique peut déclencher un audit RGPD complet de l’ensemble de l’organisation.

Analyse de la concurrence

Ce changement redistribue le pouvoir de négociation dans la chaîne de valeur du cloud computing et des données.

Côté fournisseurs de cloud, la résidence des données et la capacité de traitement régionalisé passent d'« atout » à « condition d'admission ». Lorsque l'extractibilité des modèles, la traçabilité des flux de données transfrontaliers et l'exécutabilité des droits des personnes concernées font partie des clauses contractuelles, les plateformes cloud capables d'offrir un partitionnement des données plus poussé, des audits plus granulaires et des options de traitement localisées bénéficieront d'un avantage dans les appels d'offres des clients des secteurs réglementés ; à l'inverse, le récit simplificateur d'une architecture unifiée transnationale se heurtera à des résistances.

Le secteur du courtage de données et des technologies publicitaires subit la pression la plus manifeste. Les sanctions belges à l'encontre des courtiers en données ainsi que celle visant IAB Europe montrent que les modèles économiques fondés sur la construction de profils à partir de signaux indirects se trouvent dans une zone de forte attention réglementaire.

Côté SaaS d'entreprise, les clauses de traitement des données relatives aux fonctionnalités d'IA activées par défaut feront l'objet d'un examen plus strict. Lorsque l'inférence comportementale est reconnue comme donnée personnelle, les fournisseurs de SaaS doivent intégrer dans la conception de leurs produits une logique d'inférence explicable et des voies de données désactivables, faute de quoi ils transféreront le risque de conformité à leurs clients.

Côté infrastructures d'IA, l'extractibilité des données d'entraînement influencera directement les stratégies de publication des modèles. L'usage de la mention « anonymisé » dans les documents marketing et de conformité est en recul, et les fiches de modèle, les descriptions des sources de données et les tests d'extractibilité pourraient devenir des annexes standard à la livraison des modèles.

Observation des tendances sectorielles

Premièrement, passer d'une conformité papier à une préparation opérationnelle. Le jugement qui revient constamment dans le dossier est que les entreprises ont besoin d'une approche pragmatique fondée sur la préparation opérationnelle, plutôt que d'une dépendance aux documents. Les DPIA, la revue humaine, les tests d'extractibilité : ces actions transforment essentiellement la conformité en pratique d'ingénierie.

Deuxièmement, la relativisation et la contextualisation des critères d'identifiabilité. La norme relative en cours d'élaboration au Royaume-Uni, ainsi que le critère subjectif réintroduit par la CJUE dans l'affaire EDPS c. SRB, suggèrent une possibilité : l'anonymat peut être conditionnel, contextuel, plutôt qu'une propriété intrinsèque des données elles-mêmes.

Troisièmement, la souverainisation et la régionalisation continueront de pénétrer la couche d'infrastructure. Lorsque les attributs des données dépendent de l'entité et de l'environnement de traitement, la liberté de conception de l'architecture cloud est redécoupée par les frontières de conformité.

Quatrièmement, l'application de la loi passe d'actions sporadiques à des plans structurés. La CNIL passe de cas isolés à des plans de contrôle systématiques, et la Belgique de la réception passive de plaintes à un examen systématique proactif, ce qui montre que la capacité de régulation elle-même s'industrialise.

CloudTechDaily Insight

L'importance la plus significative de cette discussion ne réside pas dans la question de savoir si une juridiction a redéfini les données personnelles, mais dans le déplacement de l'hypothèse sous-jacente à la logique de régulation : pour déterminer si une donnée est protégée, on ne regarde plus sa forme, mais si elle peut être associée, inférée, utilisée pour prendre des décisions. Pour les systèmes d'IA, il s'agit d'une norme difficile à « contourner » par des moyens techniques, car elle évalue la capacité du système, et non le mode de stockage des données.Trois implications directes se dégagent pour la stratégie informatique des entreprises. Premièrement, la gouvernance des données doit descendre de la couche applicative vers la couche plateforme : le partitionnement des données, le suivi du lignage, l’inférence régionalisée et les capacités de suppression doivent être conçus comme des composants de premier ordre de l’architecture cloud, et non ajoutés à la hâte avant un audit de conformité. Deuxièmement, le processus de mise en service des fonctionnalités d’IA doit intégrer des points de décision de conformité : la source des données d’entraînement est-elle extractible, les résultats d’inférence seront-ils utilisés pour des décisions ayant une portée juridique, un examen humain significatif est-il conservé ? Les réponses à ces questions doivent être apportées au stade de la revue d’architecture, et non après un incident. Troisièmement, le modèle de coûts doit être réévalué. L’ampleur des sanctions françaises et le mécanisme de procédure accélérée, ainsi que le précédent belge où un seul incident déclenche un audit complet, impliquent que la perte attendue en cas d’échec de conformité est en hausse ; or faire de la conformité une capacité de plateforme réutilisable est l’une des rares approches permettant de réduire simultanément les risques et les coûts d’exploitation à long terme.

Pour l’industrie du cloud, l’enseignement à long terme le plus digne d’attention est le suivant : la conformité en matière de vie privée passe d’un sujet relevant du service juridique à une composante de la force de produit de l’infrastructure. Qui saura faire du traitement régionalisé, de la gouvernance vérifiable des données et des capacités de gouvernance de l’IA des capacités de plateforme disponibles par défaut aura davantage de chances, dans le prochain cycle d’achat d’IA des entreprises, de transformer la conformité d’un centre de coûts en barrière concurrentielle.