DeepSeek est-il sûr en entreprise ? Sécurité, données et censure

DeepSeek V4 Pro n'est plus le modèle que l'on évaluait au début de 2026. La version d'avril est passée à une fenêtre de contexte d'1 million de tokens, prend en charge les modes thinking et non-thinking, et est publiée sous licence MIT sur la fiche modèle officielle. DeepSeek a aussi retiré les anciens alias d'API deepseek-chat et deepseek-reasoner le 24 juillet, si bien qu'une analyse de risque techniquement solide peut aujourd'hui être opérationnellement périmée, comme le montre clairement le journal des modifications de l'API. La question de sécurité centrale, elle, n'a pas changé. L'endroit où vont vos données est un problème de contrat. Ce que le modèle dira ou ne dira pas est un problème de contenu. Savoir si vous pouvez faire confiance à l'artefact que vous exécutez est un problème de chaîne d'approvisionnement. Distinguez les trois, et chacun se révèle soluble.

Points clés à retenir- « DeepSeek est-il sûr ? » masque trois questions distinctes : la résidence des données, la censure et la sécurité de la chaîne d'approvisionnement. Répondez-y séparément.- Trois variables transforment ces questions en décision : la sensibilité de la charge de travail, le mode de déploiement et votre maturité de gouvernance.- Le mode de déploiement est le plus grand levier. Auto-héberger les poids V4 sous licence MIT garde l'inférence dans votre environnement ; l'API DeepSeek officielle est un service hébergé distinct.- La censure sur les sujets sensibles (Taïwan, Tiananmen, Xinjiang) est un enjeu de qualité produit et de réputation, pertinent uniquement pour les sorties destinées aux utilisateurs.- Figez un checkpoint et un point d'accès exacts. deepseek-flash est désormais le nom canonique de Flash, qui route vers V4.1-Flash ; V4 Pro sert l'instantané V4-Pro-0813 ; les anciens alias d'API ne fonctionnent plus.

Lors de ma première semaine chez Deloitte, on nous a martelé que la réponse d'un consultant à presque tout est « ça dépend », et ici, aussi agaçant que ce soit, c'est vraiment le cas. Ce dont cela dépend, c'est du déploiement. Cela ne dépend pas de la capacité du modèle, qui est acquise. Un cran au-dessus de tout cela se situe la question de savoir si la Chine est en train de gagner la course à l'IA, dont la réponse honnête est « c'est serré ». Serré, c'est exactement pour cela que la question de sécurité a atterri sur de vrais bureaux au lieu de rester dans les commentaires.

Les trois risques que tout le monde confond

Si « DeepSeek est-il sûr » produit des réponses contradictoires, c'est que les gens posent trois questions sans rapport à la fois : où vont les données, ce que dit le modèle, et ce qu'il contient. Des causes différentes, des parades différentes, des modes de déploiement différents. Remarquez ce qui ne figure pas dans cette liste. « Est-il assez bon » est la question vers laquelle la plupart des gens se tournent en premier, et elle relève d'une évaluation à part. L'écart de benchmark de mars 2026 souvent cité dans ce débat est antérieur à V4 et aux autres parutions de l'été ; il témoigne donc d'une direction plutôt que d'un classement actuel.

Une seconde distinction mérite la demi-seconde qu'elle prend, car la plupart des paniques sur la « sécurité de DeepSeek » traitent discrètement l'application grand public et le modèle comme une seule chose. L'application mobile DeepSeek et l'API officielle forment un produit, traité en Chine. Les poids ouverts sont un artefact différent : vous les téléchargez et les exécutez sans aucune connexion sortante. Juger le modèle d'après la politique de confidentialité de l'application revient à juger un moteur d'après les conditions de service du concessionnaire. Des objets liés, pas le même objet. Séparez-les, et une bonne part de l'alarme n'a plus rien à quoi s'accrocher.

La question d'entreprise « DeepSeek est-il sûr ? » se décompose en trois risques distincts, la résidence des données, la censure des sorties et la sécurité de la chaîne d'approvisionnement, chacun avec sa propre parade. DeepSeek V4 Pro est un modèle mixture-of-experts de 1 600 milliards de paramètres sous licence MIT, avec 49 milliards de paramètres actifs et une fenêtre de contexte d'1 million de tokens sur la fiche modèle officielle. Capacité et sûreté exigent toujours des évaluations séparées.

Ce qui tranche : la charge de travail, le déploiement, la gouvernance

Trois variables transforment ces risques en décision, et en sauter une seule est la manière dont les équipes se brûlent. Commencez par la sensibilité de la charge de travail, choisissez le mode de déploiement qui la couvre, puis demandez-vous honnêtement si votre gouvernance peut porter le résultat.

La sensibilité de la charge de travail, ce sont les données et les sorties que votre cas d'usage touche. Un outil interne qui résume votre propre documentation produit se situe en bas de l'échelle. Un chatbot client qui manipule des noms, des e-mails ou des données de santé se situe près du sommet. Plus la sensibilité est élevée, plus le mode de déploiement et la gouvernance doivent travailler dur pour compenser. Réglez celle-ci en premier, car elle détermine votre appétence pour les deux autres.

Le mode de déploiement, c'est la manière dont vous exécutez le modèle, et c'est le plus grand levier dont vous disposiez. Auto-héberger les poids ouverts, exécuter les mêmes poids chez un hébergeur occidental, ou appeler l'API chinoise officielle. On traite ces options comme interchangeables ; elles ne le sont en rien. Le détail se trouve au risque 1 ci-dessous.

La maturité de gouvernance, c'est votre capacité réelle à gérer le risque que vous prenez. Cartographie des flux de données, surveillance des sorties, un responsable nommé sur la validation. Une équipe mature peut exécuter en sécurité des charges de travail qu'une équipe moins mature devrait laisser de côté, et c'est la variable sur laquelle les équipes se flattent elles-mêmes. Emprunter une capacité qu'on ne peut pas gouverner, voilà comment un choix de modèle sensé se transforme en revue d'incident.

En clair. Charge de travail peu sensible ? Presque tous les modes de déploiement conviennent. Charge de travail très sensible, avec des données personnelles ou réglementées ? Le déploiement doit garder ces données hors de Chine, donc auto-hébergement ou hébergeur occidental, avec la gouvernance assortie. Forte sensibilité et pas de gouvernance digne de ce nom ? Ne construisez pas encore dessus. Réparez d'abord la gouvernance. Concrètement : un assistant de codage interne sur des poids auto-hébergés est vert. Une recherche interne dans vos propres documents chez un hébergeur occidental est verte à orange. Un chatbot client sur l'API chinoise officielle manipulant des données personnelles est rouge, un point c'est tout.

Risque 1 : résidence des données et confidentialité

La résidence des données est le plus grave des trois risques et le plus facile à corriger, et tout repose sur le mode de déploiement. Appelez DeepSeek via son API chinoise officielle et vos invites peuvent être traitées et acheminées en Chine, sous juridiction chinoise. Auto-hébergez les poids ouverts et les données ne quittent jamais votre infrastructure. Même modèle. Chemin de données complètement différent.

Permettez-moi d'être précis sur ce qui est réellement établi, car c'est ici que la conversation glisse d'ordinaire vers la rumeur. Le risque documenté, c'est la destination des appels API : le point d'accès officiel traite les données en Chine. Je ne vais pas avancer d'affirmations sur une télémétrie cachée ou une exfiltration depuis les poids ouverts, parce que ce n'est pas établi, et vous n'en avez pas besoin pour prendre cette décision. Le fait du routage porte l'argument à lui seul. L'endroit où vos données voyagent physiquement est ce que vous contrôlez, et c'est ce qui compte pour le RGPD comme pour la confiance des clients.

Les parades s'empilent en trois modes de déploiement, classés par risque de résidence des données :

1. Auto-héberger les poids ouverts (risque le plus faible). Téléchargez les poids, exécutez-les sur votre propre infrastructure. Le checkpoint à prendre aujourd'hui est V4.1-Flash : 552 milliards de paramètres avec seulement environ 8 milliards actifs par token, sous licence MIT, avec vision native, sur la fiche modèle officielle. Aucun appel sortant, aucun traitement par un tiers, aucun transfert transfrontalier. C'est le mode que j'utilise moi-même, et il supprime entièrement la préoccupation de résidence des données.
2. Hébergeur occidental (voie médiane). OpenRouter, Azure ou Together exécutent les mêmes poids dans des centres de données occidentaux selon des conditions occidentales. Vos données vont chez un fournisseur occidental, pas en Chine. Confirmez la région réelle, les sous-traitants, les conditions de conservation et le contrat plutôt que de les déduire du logo du fournisseur, et c'est un compromis raisonnable.
3. API chinoise officielle (risque de résidence des données le plus élevé). La moins chère et la plus simple, mais les données peuvent être traitées en Chine. Pour tout ce qui touche à des données personnelles ou réglementées, évitez-la.

Il y a un détail dans cette première option que les gens trouvent sincèrement étrange quand je le dis à voix haute. High-Flyer, le fonds qui a créé DeepSeek, est à quelques stations de métro de mon appartement ici à Hangzhou, et cela ne change strictement rien à ma posture de sécurité. Une fois les poids sur la machine, le modèle est un processus que je possède. Pas de clé API, pas de connexion sortante, rien dans des conditions de service qui régisse mes invites. « Envoie-t-il des données en Chine » n'a aucune surface où s'accrocher lorsque rien ne quitte la machine, et cela vaut que la machine soit à Francfort ou à quatre stations du laboratoire qui l'a entraîné. Le compromis est opérationnel plutôt que juridique : je possède le GPU, les correctifs et la disponibilité. Pour l'angle de conformité propre au Royaume-Uni, voir DeepSeek, Qwen et le RGPD.

La résidence des données est le plus grand risque d'entreprise avec DeepSeek, et le plus facile à corriger. L'API chinoise officielle peut traiter les invites en Chine, tandis qu'auto-héberger les poids ouverts garde les données entièrement dans votre environnement. C'est le mode de déploiement, et non le modèle, qui décide où vont les données.

Risque 2 : censure et biais des sorties

La censure est une propriété réelle des modèles chinois. Ce n'est pas une propriété de sécurité des données, et elle ne mord qu'à des endroits précis. Ces modèles appliquent des contrôles de contenu et un alignement sur les sujets politiquement sensibles (Taïwan, Tiananmen, Xinjiang) qui reflètent l'environnement réglementaire dans lequel ils ont été construits. Lorsque NewsGuard a audité les cinq principaux chatbots chinois en juillet 2025, DeepSeek compris, ils n'ont pas donné de réponses exactes sur 60 % des invites portant sur les récits promus par Pékin, et le comportement était quasi identique en anglais et en mandarin. À prendre au sérieux, sans en faire une catastrophe, et le test pour savoir si cela vous concerne est simple : la sortie atteint-elle des utilisateurs, et s'approche-t-elle de ces sujets ?

Suivez donc la sortie. Un assistant de codage interne, ou un outil qui résume votre propre documentation produit, ne s'approchera très probablement jamais d'un sujet politiquement sensible, et le comportement d'alignement reste invisible. Un chatbot client, un outil de recherche couvrant la géopolitique, ou tout ce qui génère du contenu public est une autre affaire. Là, un refus ou une réponse orientée sur un sujet sensible est un défaut de qualité et un défaut de réputation. Voudriez-vous que l'assistant de votre marque esquive visiblement une question sur Tiananmen à l'écran, devant un client ? Non, et vous ne devriez pas avoir besoin de longtemps pour en décider.

Le cadrage que j'utiliserais avec un client, c'est que cela ne diffère pas en nature des choix d'alignement de n'importe quel modèle. C'est simplement plus visible, parce que les sujets sont géopolitiques plutôt que, disons, médicaux. Le CIGI présente l'enjeu plus large comme une lutte sur la question de quelles valeurs sont intégrées aux modèles largement utilisés, ce qui est une vraie question ouverte pour le domaine, pas une raison de paniquer. Les parades sont ordinaires. Gardez ces modèles à l'écart des surfaces destinées aux utilisateurs qui touchent à des sujets sensibles. Mettez une couche de surveillance des sorties et de garde-fous là où les sorties sont publiques. Testez le modèle contre vos propres invites sur sujets sensibles avant de livrer, ce qui prend un après-midi et vous en apprend plus que n'importe quel éditorial. Et pour certains cas d'usage, un fine-tuning ou un autre modèle est tout simplement plus adapté, ce qui est une réponse tout à fait recevable.

Les modèles d'IA chinois, dont DeepSeek, appliquent un alignement et des contrôles de contenu sur les sujets politiquement sensibles tels que Taïwan, Tiananmen et le Xinjiang. L'audit de NewsGuard de juillet 2025 a mesuré un taux d'échec de 60 % sur les récits pro-Pékin chez les cinq principaux chatbots chinois. C'est un risque de qualité produit et de réputation, pertinent surtout pour les sorties destinées aux utilisateurs.

Risque 3 : sécurité du modèle et de la chaîne d'approvisionnement

C'est ici que la peur est la plus mal placée, car des poids téléchargeables peuvent être un avantage pour la chaîne d'approvisionnement. Une API fermée est une boîte noire à laquelle vous devez faire confiance sur parole. V4 Pro et V4.1-Flash sont des artefacts que vous pouvez télécharger, inspecter, analyser et exécuter dans votre propre bac à sable sans aucune sortie vers internet. Cela ne rend pas les fichiers dignes de confiance par magie, mais cela donne à votre équipe des contrôles qu'une API de modèle fermé ne peut pas offrir.

L'hygiène habituelle de la chaîne d'approvisionnement du machine learning s'applique toujours, et vous devez la respecter. Vérifiez la provenance : récupérez les poids depuis le dépôt officiel ou un miroir de confiance, et contrôlez les empreintes. Analysez les fichiers du modèle à la recherche de risques connus de sérialisation et de désérialisation, comme vous le feriez pour n'importe quelle dépendance tierce. Exécutez le modèle dans un bac à sable sans sortie réseau inutile, surtout pendant l'évaluation. Verrouillez les versions et suivez ce que vous avez déployé. Rien de tout cela n'est propre à DeepSeek. C'est l'hygiène que vous appliqueriez à tout composant open source, et l'outillage existe déjà.

Le contraste mérite d'être énoncé clairement, car c'est la vraie décision. Avec l'API officielle, vous externalisez la confiance et gagnez en commodité. Avec des poids ouverts auto-hébergés, vous assumez un travail opérationnel et gagnez une véritable inspectabilité. Pour une entreprise soucieuse de sécurité, le second compromis est généralement le meilleur. La même logique sous-tend la question plus large de l'exécution en interne par rapport au service d'un tiers dans la gouvernance des agents IA.

Une évaluation consultative, pas une mesure : comment les trois risques varient selon le mode de déploiement. Auto-héberger les poids ouverts réduit le risque lié aux données et à la chaîne d'approvisionnement ; la censure est une propriété du modèle lui-même (cadre de l'auteur, éclairé par CIGI 2026 et MIT Technology Review 2026).

Une checklist de déploiement sûr

Un déploiement sûr de DeepSeek est surtout une courte suite de questions de gouvernance auxquelles vous répondez avant validation, plutôt qu'un verdict par oui ou par non rendu par une équipe sécurité. Choisir le modèle est la partie facile. Ce qui sépare les équipes qui déploient en sécurité de celles qui se brûlent, c'est le fait que quelqu'un ait réellement cartographié le flux de données, figé le checkpoint et adapté le mode de déploiement à la charge de travail. La décision vit dans cette checklist, pas dans un tableau de benchmarks de fournisseurs.

Passez ces points en revue avant de vous engager :

• Cartographiez le flux de données. Où vont physiquement vos données dans ce mode de déploiement ? Auto-hébergé, hébergeur occidental ou API chinoise. Soyez précis.
• Adaptez le déploiement à la sensibilité. Données personnelles ou réglementées ? Gardez-les hors de Chine : auto-hébergez ou hébergez les poids en Occident. Vérifiez la position du Royaume-Uni et du RGPD.
• Décidez où vont les sorties. Destinées aux utilisateurs ou touchant à des sujets sensibles ? Ajoutez une surveillance des sorties et des garde-fous, et testez contre vos propres invites sur sujets sensibles.
• Appliquez l'hygiène de la chaîne d'approvisionnement ML. Vérifiez la provenance et les empreintes, analysez les fichiers du modèle, isolez pendant l'évaluation, verrouillez les versions.
• Confirmez que vous pouvez le servir. Le checkpoint exact est-il téléchargeable, et avez-vous la capacité GPU et les compétences pour l'exécuter à la longueur de contexte dont vous avez besoin ?
• Mettez à jour l'intégration. Utilisez deepseek-v4-pro ou deepseek-flash. L'ancien nom deepseek-v4-flash route encore, désormais vers V4.1-Flash, et deepseek-chat et deepseek-reasoner ont été retirés le 24 juillet 2026, comme le consigne le journal des modifications. V4 Pro sert l'instantané V4-Pro-0813. Une asymétrie à connaître avant de choisir : V4.1-Flash a la vision native, V4 Pro non.
• Définissez vos positions de conservation et de retour arrière. Quelle est la politique de conservation et de suppression de l'hébergeur ou du fournisseur d'API, et quel est votre retour arrière si le modèle se comporte mal en production ?
• Nommez un responsable. Qui valide cela, et qui le surveille en production ?
• Choisissez le bon modèle. Comparez les options dans Qwen vs DeepSeek vs Llama avant de figer votre choix.

Répondez proprement à tout cela et vous êtes prêt à déployer. Si un ou deux points vous font grimacer, la grimace est le constat : c'est votre lacune de gouvernance, et il coûte bien moins cher d'y répondre maintenant que lors d'une revue d'incident.

Un déploiement d'entreprise sûr de DeepSeek cartographie le flux de données, fige un checkpoint V4 exact, adapte le mode de déploiement à la sensibilité de la charge de travail, surveille les sorties destinées aux utilisateurs pour détecter les comportements d'alignement, et applique l'hygiène standard de la chaîne d'approvisionnement ML. DeepSeek a retiré ses anciens alias d'API en juillet 2026 et renommé le point d'accès Flash deepseek-flash en septembre 2026, faisant du contrôle de version une partie de la revue opérationnelle, comme le consigne le journal des modifications de l'API.

FAQ

DeepSeek est-il sûr à utiliser ?

Cela dépend du déploiement et du risque dont vous parlez. Auto-héberger les poids V4 garde l'inférence dans votre propre environnement et retire l'API officielle du chemin des données. L'API DeepSeek officielle porte le risque de résidence des données le plus élevé. La censure sur les sujets sensibles compte surtout pour les sorties destinées aux utilisateurs. Ici, la sûreté est un choix de gouvernance, pas une propriété conférée par un score de benchmark.

DeepSeek envoie-t-il des données en Chine ?

Via son API chinoise officielle, vos invites peuvent être traitées et acheminées en Chine, sous juridiction chinoise. Via des poids ouverts auto-hébergés, les données ne quittent jamais votre infrastructure ; via un hébergeur occidental comme OpenRouter, Azure ou Together, elles restent chez un fournisseur occidental. Le modèle est le même. C'est le mode de déploiement qui décide où vont les données. J'éviterais l'API officielle pour les données personnelles.

DeepSeek est-il censuré ?

Oui, sur les sujets politiquement sensibles. Les modèles chinois appliquent un alignement et des contrôles de contenu sur des sujets comme Taïwan, Tiananmen et le Xinjiang, reflet de leur environnement réglementaire, et l'audit de NewsGuard de 2025 a mesuré ce comportement directement. C'est un enjeu de qualité produit et de réputation, pas une fuite de données. Cela compte pour les sorties destinées aux utilisateurs et le contenu touchant à ces sujets, et reste largement invisible pour les outils internes qui ne les approchent jamais.

Est-il sûr d'auto-héberger DeepSeek ?

L'auto-hébergement est le mode de déploiement le moins risqué. Les poids ouverts s'exécutent dans votre propre environnement sans connexion sortante, ce qui supprime entièrement la préoccupation de résidence des données et vous permet de mettre le modèle en bac à sable et de l'auditer. Appliquez l'hygiène standard de la chaîne d'approvisionnement : vérifiez la provenance et les empreintes, analysez les fichiers du modèle, verrouillez les versions. Le compromis est opérationnel, en ce sens que vous possédez le matériel et la disponibilité. Pour la vue d'ensemble, voir la gouvernance des agents IA.

En résumé

DeepSeek est-il sûr en entreprise ? Oui, sous conditions, et vous pouvez désormais y répondre correctement au lieu de dialoguer sans vous entendre avec la personne qui l'a posée. Découpez le mot « sûr » en trois. La résidence des données est le grand levier, et auto-héberger les poids V4 ou utiliser un hébergeur tiers adapté retire le service DeepSeek officiel du chemin. La censure est un enjeu de produit et de réputation qui mord sur les sorties destinées aux utilisateurs et touchant à des sujets sensibles. Le risque de chaîne d'approvisionnement est gérable, et les poids téléchargeables vous donnent un avantage d'audit sur une API fermée. Faites ensuite jouer les trois variables : quelle est la sensibilité de la charge de travail, quel mode de déploiement la couvre, et votre gouvernance peut-elle porter le résultat. Figez le checkpoint, cartographiez le chemin des données, et vous prenez une décision au lieu de débattre dans le vide.

Deux prochaines étapes. Si la conformité est votre point de blocage, commencez par DeepSeek, Qwen et le RGPD au Royaume-Uni. Et si vous voulez un second regard sur votre propre déploiement, c'est exactement le genre de décision que j'aide mes clients à prendre.

Sources

• Stanford HAI, « 2026 AI Index Report » : https://hai.stanford.edu/ai-index/2026-ai-index-report (consulté le 16/06/2026)
• MIT Technology Review, « What's next for Chinese open-source AI » : https://www.technologyreview.com/2026/02/12/1132811/whats-next-for-chinese-open-source-ai/ (consulté le 16/06/2026)
• DeepSeek, journal des modifications de l'API : https://api-docs.deepseek.com/updates/ (consulté le 04/10/2026)
• DeepSeek, tarifs de l'API et liste des modèles : https://api-docs.deepseek.com/quick_start/pricing (consulté le 04/10/2026)
• DeepSeek, fiche modèle V4 Pro : https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro (consulté le 11/08/2026)
• DeepSeek, fiche modèle V4.1-Flash : https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash (consulté le 04/10/2026)
• CIGI, « Chinese AI models and the high-stakes fight for AI neutrality » : https://www.cigionline.org/articles/chinese-ai-models-and-the-high-stakes-fight-for-ai-neutrality/ (consulté le 16/06/2026)
• NewsGuard, « Chinese AI Models Register a 60 Percent Fail Rate in NewsGuard Audit of Pro-China Claims » : https://www.newsguardtech.com/special-reports/chinese-ai-models-60-percent-fail-rate-pro-china-claims/ (consulté le 11/08/2026)
• Unsplash, image de couverture : https://images.unsplash.com/photo-1563013544-824ae1b704d3 (consulté le 16/06/2026)