En décembre 2025, l’indice de transparence des modèles de fondation de Stanford a évalué 13 développeurs selon 100 indicateurs. La moyenne était de 40,69 sur 100, contre 58 dans l’édition de mai 2024. Stanford a changé les critères et le groupe de développeurs. Les deux résultats donnent un point de départ pour chercher les lacunes, en lisant chaque score avec les règles de son édition. > FAITS DU GOBELIN — vérifiez la règle. En 2025, Stanford a utilisé 55 indicateurs entièrement nouveaux. Seulement neuf sont restés les mêmes. Les données d’entraînement présentaient toujours d’importantes lacunes de divulgation. Le Conseil du Trésor du Canada a lancé son registre public de l’IA, qui permet de voir certains usages gouvernementaux. Dans son article d’août 2025 sur l’inférence, Google a décrit sa méthode de mesure des effets environnementaux et indiqué que les résultats n’avaient pas été vérifiés de façon indépendante. La déclaration des centres de données pose une autre question : quelles mesures sont recueillies, qui les voit et que peut comparer le public? Les lacunes changent selon l’endroit où l’on se place. Une entreprise peut publier un résultat dont elle a soigneusement délimité la portée. Un organisme de réglementation peut recueillir un chiffre qui ne parvient jamais au public. Au Canada, les commissaires à la protection de la vie privée, le vérificateur général, les chercheurs et les journalistes font une partie du travail de vérification. Ce que chacun peut voir dépend de qui doit divulguer quoi et de la possibilité de le vérifier. Ce chapitre se sert de l’indice de Stanford pour repérer les lacunes, puis suit la divulgation sélective dans les centres de données, les systèmes gouvernementaux, les modèles de fondation et les décisions automatisées. Il compare les institutions canadiennes aux exigences européennes de déclaration et se termine par un test pratique pour vérifier une affirmation de transparence. ---
Pourquoi la transparence est importante dans la pratique
La découverte d’une faille et la publication d’un correctif laissent des traces différentes. Dans une étude contrôlée sur Linux publiée le 4 novembre 2026, OpenAI a rapporté avoir obtenu, en un seul essai, 948 méthodes fonctionnelles d’exploitation permettant une élévation locale de privilèges, pour environ 1,2 million de dollars en crédits d’API. Son processus a aussi produit des propositions de correctifs soumises à un examen humain. L’avis de Mozilla du 27 octobre recense les vulnérabilités corrigées dans Firefox 159 et attribue certains signalements à OpenAI Codex Security. L’étude sur Linux fournit un décompte propre à un environnement d’essai. L’avis sur Firefox indique quelle version contient les correctifs. Pour savoir si un système précis est protégé, il reste une question à poser. La mise à jour a-t-elle été installée?
En septembre 2026, OpenAI a présenté son résultat sur les équations de Navier–Stokes avec un article et une formalisation dans Lean, un outil qui vérifie des démonstrations écrites dans un langage précis. Selon l’entreprise, la démonstration établit qu’un écoulement lisse en trois dimensions peut, dans le cadre mathématique étudié, développer une singularité en temps fini. L’Institut de mathématiques Clay a déclaré que le problème semblait résolu et a rappelé sa procédure officielle d’attribution du prix. Le titre de l’annonce vous dit ce que l’équipe revendique. La démonstration vous permet de demander ce qu’elle a établi exactement. Le prix a ses propres règles de publication et de reconnaissance par les mathématiciens.
La plupart des discussions sur la transparence de l'IA posent la question en termes de processus démocratique: les citoyens ont le droit de savoir comment l'IA les affecte, la transparence permet un débat public éclairé, la responsabilité exige une visibilité. Ce sont des cadres légitimes, mais ce ne sont pas eux qui sont à l'origine de la plupart des exigences de transparence. Les cadres pratiques sont plus précis.
La transparence est la condition préalable à la plupart des autres travaux de politique d'IA. Les audits de partialité exigent de savoir quelles données de formation le système utilisé. L'analyse environnementale exige de savoir ce qu'elle consomme en calculant, en eau et en électricité. Les déterminations du droit d'auteur exigent de connaître les oeuvres protégées dans l'ensemble de formation. La protection des travailleurs et l'application des droits civils exigent à la fois de savoir quand l'IA est utilisée dans les décisions d'emploi et d'autres décisions importantes concernant des personnes — et la surveillance des achats exige de savoir quels systèmes les fournisseurs se déploient réellement. Sans divulgation, l'ensemble de l'appareil en aval de la responsabilité en matière d'IA ne peut fonctionner.
Ces lacunes changent les questions auxquelles on peut répondre. Une liste des sources d’entraînement aide les créateurs à vérifier si une œuvre a pu être utilisée. Des données par site aident les voisins à vérifier la demande d’électricité et l’usage local de l’eau. Si ces données sont incomplètes, une estimation ou un rapport d’entreprise peut éclairer une partie de la question. Demandez laquelle.
La transparence est aussi la couche où l'écart entre le cadrage et la pratique des entreprises est le plus facilement observé. Une société qui publie un cadre d'éthique en matière d'IA, mais ne révèle pas comment le cadre est mis en pratique, a produit une revendication irréfutable. Le cadre ne peut pas être testé en fonction de ce qui se passe réellement, car ce qui s'est réellement passé n'est pas visible. La méthodologie de cartographie des préjugés du guide traite cette structure : les cadres d'éthique organisationnelle sont une auto-présentation qui exige que la triangulation contre des preuves indépendantes soit significative.
Le cadre du chapitre sur la transparence, alors: la transparence est l'infrastructure opérationnelle qui rend tout le reste possible dans la politique d'IA, pas une valeur autonome ou un vague bien démocratique. Lorsque la transparence est faible, la responsabilité est faible. Là où la transparence est forte, la responsabilité devient possible (mais pas automatique). Le chapitre examine la transparence au niveau où elle fonctionne réellement : les régimes de divulgation, les mécanismes de vérification, la capacité d'audit et les modèles structurels de ce qui est divulgué et ce qui ne l'est pas.
L'IMF de Stanford — la base empirique pour la transparence de l'industrie
Source : Indice de transparence des modèles de fondation de Stanford, décembre 2025 (en anglais)
Le Centre de recherche Stanford sur les modèles de fondation (CRFM) a lancé l'Indice de transparence des modèles de la Fondation en octobre 2023, dans le but explicite d'assurer une mesure systématique de la transparence dans l'ensemble de l'industrie des modèles. L'indice est publié chaque année depuis, avec la dernière édition (décembre 2025) marquant 13 grands développeurs sur 100 indicateurs organisés en trois domaines : amont (données de formation, main-d'oeuvre, calcul), modèle (capacités, évaluations, atténuations, limitations) et aval (distribution, politiques d'utilisation, rétroaction, impact).
Les principales conclusions de l'indice 2025, dans leur propre cadre :
Les moyennes des éditions. L’édition de mai 2024 donnait une moyenne de 58 sur 100 pour 14 développeurs. Celle de décembre 2025 donnait 40,69 pour 13. Lisez cet écart d’environ 17 points avec les changements apportés aux indicateurs, au groupe d’entreprises et à la préparation des rapports.
Les scores individuels. Selon les critères de chaque édition, OpenAI a obtenu 49 puis 35, Meta 60 puis 31, et Mistral 55 puis 18. IBM a atteint 95 en 2025. Ce sont des écarts de scores. Pour savoir quelles divulgations ont changé, comparez les rapports des entreprises et les critères utilisés pour chaque élément.
Les lacunes sur les données d’entraînement. L’étude de 2025 a relevé peu de divulgations sur l’acquisition et les caractéristiques des données. Elle a aussi signalé des lacunes dans les renseignements de base sur les modèles. Vérifiez l’indicateur et le développeur avant de tirer une conclusion sur un jeu de données ou un modèle.
Qui a remis un rapport. En mai 2024, 14 des 19 développeurs sollicités ont remis un rapport. En décembre 2025, ils étaient 7 sur 23, soit environ 74 % contre 30 % des entreprises contactées. Parmi les neuf entreprises évaluées dans les deux éditions, neuf avaient remis leur propre rapport, puis sept. L’équipe de Stanford a préparé six des 13 rapports évalués en 2025.
🧌 CONTRÔLE GOBELIN — Sept développeurs ont remis leur propre rapport en 2025. Les chercheurs en ont rédigé six autres. Quand le gobelin en ouvre un, il regarde d’abord qui l’a préparé.
Ce qui a changé dans la participation. Moins de développeurs sollicités ont remis leur propre rapport. Ces nombres indiquent qui a fourni un rapport pour cet exercice. Pour juger l’évolution des divulgations publiques ou comprendre les raisons d’une entreprise, il faut d’autres éléments.
Ce que l'Index ne peut pas capturer. L'index mesure la divulgation : ce que les entreprises ont publié ou rendu disponible. Elle ne mesure pas si ce qui est divulgué est exact. L'indice n'effectue pas de vérification indépendante; il évalue ce que les entreprises disent de leur IA plutôt que de l'auditer de manière indépendante. Un 100 parfait sur l'index signifierait que le développeur a publié des informations complètes; cela ne signifierait pas nécessairement que les informations publiées sont exactes. Il s'agit d'une caractéristique méthodologique, et non d'un défaut : une vérification indépendante à l'échelle de l'ensemble de la filière modèle de fondation serait impossible sans une infrastructure réglementaire substantielle. L'Index fait ce qu'il peut faire.
En 2025, 55 indicateurs étaient entièrement nouveaux et seulement neuf étaient inchangés. Stanford a aussi changé le groupe de développeurs et recueilli des éléments pour des entreprises qui n’avaient pas remis de rapport. Pour comparer les divulgations d’une année à l’autre, il faut un groupe, des questions et des règles de preuve comparables.
ALIGNMENT — divulgué, ou vérifié? Une figure qu'une entreprise publie sur elle-même et une figure que l'extérieur a cochée ne sont pas du même genre de fait, même imprimée dans la même police. La plus grande transparence de l'IA est le premier type : les devoirs que l'étudiant a notés. Avant de vous appuyer sur un numéro de transparence, demandez qui, si quelqu'un a été autorisé à l'auditer.
Le lien canadien. Cohere ne figure pas parmi les 13 développeurs évalués en décembre 2025. Pour juger sa transparence, consultez ses propres divulgations et cherchez des éléments indépendants qui permettent de les vérifier.
Le bilan. L’édition de 2025 documente d’importantes lacunes dans les renseignements disponibles sur les grands modèles. Remontez de ces lacunes aux questions précises sur les données, les systèmes et les preuves. Les scores publiés et le taux de remise d’un rapport décrivent chacun une partie du tableau.
Le modèle de divulgation sélective des entreprises
Au-delà de la tendance agrégée des documents de Stanford FMTI, un modèle spécifique mérite d'être mis à l'avant car il façonne la manière dont les lecteurs devraient interpréter les divulgations d'informations sur l'IA d'entreprise en général : les entreprises indiquent où les chiffres les favorisent et restent opaques lorsque les chiffres ne le font pas.
Trois exemples documentés illustrent le modèle.
Google août 2025 IA inférence paper. Discuté au chapitre 8 comme élément central de la divulgation environnementale de l'entreprise, l'article fournit une méthodologie exceptionnellement détaillée pour mesurer la consommation d'énergie, de carbone et d'eau par gemini, indiquant que l'invite de texte médiane utilise environ 0,24 watt-heures d'électricité, 0,03 grammes d'équivalent CO2 et 0,26 millilitres d' eau. La méthodologie est sophistiquée; les auteurs principaux (Amin Vahdat et Jeff Dean) sont des ingénieurs crédibles. Le document est également un exemple concret de divulgation sélective. La médiane est la mesure la plus amicale possible (les utilisateurs lourds, les longues invites, la génération d'images, la production vidéo et les charges de travail d'agents consomment des ordres de grandeur plus). Le champ d'application n'est qu'inférence (la formation et le carbone incorporé sont exclus). La comparaison ("moins de neuf secondes de TV") est un cadre amical. Le statut de vérification est explicite : note de bas de page 2 du blog Google annonçant le papier indique "Les données et les réclamations n'ont pas été vérifiées par un tiers indépendant" , un avertissement le papier technique lui-même ne porte pas.
Le document est bien réel sur le plan méthodologique et la divulgation est significative. C'est aussi le type de divulgation qui mesure sélectivement le sous-ensemble favorable, exclut les sous-groupes défavorables, encadre le résultat en comparaison amicale et fonctionne sans vérification. Il serait erroné de le considérer comme une mesure environnementale complète de l'IA: elle mesure avec soin une portée spécifique étroite et la portée a été choisie stratégiquement.
EXAMPLE — l'étiquette où le sucre manque. Une entreprise peut afficher les calories, les protéines, les fibres — et tout simplement omettre le sucre. Chaque chiffre est exact; l'étiquette trompe quand même. La divulgation des entreprises d'IA peut fonctionner pareil : les chiffres montrés sont réels et choisis, et ce qui manque à l'étiquette est souvent ce que vous étiez venu vérifier.
Le modèle de divulgation du poids libre de Meta. Meta publie les poids du modèle pour sa série Llama, un engagement de transparence substantiel que les développeurs de poids fermés (OpenAI, Anthropic, Google) ne correspondent pas. Meta est aussi l'un des développeurs les plus bas de l'indice global de la FMTI de Stanford, car même si Meta révèle beaucoup de poids, elle ne révèle que très peu sur la composition des données de formation, les conditions de travail de formation ou l'impact d'utilisation en aval. Les poids ouverts ne sont pas égaux à la transparence. Meta a pris un engagement spécifique en matière de transparence qui flatte le narratif open-source tout en restant opaque sur les dimensions qui seraient importantes pour les litiges relatifs au droit d'auteur (données de formation) et l'analyse du travail (étiquetage des données et modération du contenu).
Le modèle n'est pas unique à Meta. Elle est structurellement courante: les sociétés font une large publicité dans les dimensions où la divulgation produit des avantages commerciaux ou de réputation, et sélectivement ou pas du tout dans les proportions où la communication entraîne un risque juridique ou un désavantage concurrentiel. Pour lire un engagement de transparence d'entreprise unique, il faut examiner ce qui est et n'est pas divulgué. , pas seulement ce que le cadrage prétend.
La divulgation de sécurité et d'alignement d'Anthropic. Anthropic publie une documentation substantielle de son travail de sécurité et d'alignement: méthodologie de l'IA constitutionnelle, politique de scalling responsable, conclusions de l'équipe rouge, résultats d'évaluation. Il s'agit d'une véritable transparence dans un domaine où la plupart des concurrents révèlent moins, et il est également sélectif. La composition des données de formation n'est pas divulguée en détail; le modèle commercial de clientèle et de revenu ne sont pas divulgués; la gouvernance d'entreprise est en partie visible (statut de société à prestations publiques, composition du conseil) et en partie non (relations d'investisseurs, arbitrages dans les discussions sur l'acquisition ou les investissements majeurs).
Le modèle reprend les autres: une divulgation étendue dans les domaines de la sécurité, où elle produit un avantage sur la réputation et éclaire le débat public, et une divulgation sélective dans les secteurs commerciaux, où il pourrait affecter la position concurrentielle ou l'exposition légale. La divulgation est sélective plutôt que malhonnête, car elle s'inspire de la façon dont le cadrage n'est pas toujours au premier plan.
Rassemblez-vous. Corporate IA transparence en 2026 est un patchwork — un ensemble de divulgations modélisées, chacune choisie pour ses propres raisons, souvent honnête dans son champ d'application, et laissant des dimensions substantielles non divulguées. La méthodologie de cartographie des biais du guide demande aux lecteurs de suivre ce qui est divulgué et ce qui n'est pas, ce qui fait l'objet d'une vérification et ce qu'il n'y a pas, quelle est la portée choisie et pourquoi. Lorsque la vérification est absente et que la portée est stratégiquement étroite, même une divulgation techniquement honnête peut produire des impressions agrégées trompeuses.
Transparence canadienne de l'IA, couche par couche
Le Commissariat à la protection de la vie privée a recommandé, dans le cadre de la consultation fédérale sur la transparence de l’IA, de fournir des renseignements compréhensibles et utiles au moment où les gens en ont besoin. Imaginez apprendre après coup qu’un logiciel a contribué à décider si vous auriez accès à un service. Un avis enfoui dans la politique de confidentialité pouvait être accessible depuis le début. Il vous reste quand même à découvrir ce que l’outil a fait et qui peut vous expliquer la décision. Le mémoire du Commissariat donne des conseils au gouvernement et propose un test pratique. Pourriez-vous faire quelque chose avec l’information reçue?
Le chapitre présente maintenant systématiquement la transparence canadienne en matière d'IA à travers les couches que le guide a documentées dans les chapitres précédents. Le tableau est fragmenté, avec des lacunes importantes par rapport aux juridictions de pairs et un travail institutionnel réel substantiel se déroulant dans ces lacunes.
La couche des centres de données et des infrastructures. Le chapitre 6 distingue l’estimation du marché canadien de RNCan de l’enquête d’Uptime de 2023 sur les déclarations de durabilité des entreprises. Aucune ne permet d’établir la part des sites canadiens qui publient leur PUE ou leurs chiffres sur l’eau. L’Union européenne recueille des données annuelles des sites visés et publie des agrégats. Les principes canadiens de septembre 2026 demandent aux promoteurs de mesurer et de déclarer l’utilisation de l’eau et de communiquer les effets locaux. Ils ne mettent pas en place une collecte annuelle ni une base publique équivalentes.
Ce qu’on peut voir par installation. Les sources publiques examinées ici ne fournissent pas d’inventaire canadien complet et comparable de l’électricité, des apports en eau et des indicateurs d’efficacité par site. Une décision de raccordement, un rapport de durabilité et un total annuel d’eau mesuré répondent à des questions différentes. Le chapitre 20 examine ce qu’ajouterait la publication des données par installation.
La couche modèle de la fondation. Tel que décrit au chapitre 11 et dans l'ensemble de ce chapitre : les plus grands développeurs de modèles de fondation fonctionnent avec une opacité considérable sur les données de formation, un engagement décroissant avec les repères de transparence et la divulgation sélective dans des champs qui flattent les résultats. Le Canada n'a pas de loi modèle sur la transparence. Les dispositions générales de la Loi sur l'IA de l'Union européenne établissent des exigences en matière de divulgation pour les modèles de fondation déployés sur le marché européen; les concepteurs de modèles de fondations canadiennes (Cohere) qui vendent à l'échelle internationale doivent se conformer aux exigences de la Convention, mais n'ont pas d'obligation canadienne équivalente.
La divulgation gouvernementale. Au lancement en novembre 2025, le Registre de l’IA du Conseil du Trésor recensait plus de 400 systèmes déclarés par 42 institutions, de la recherche au déploiement. Sa portée exclut l’IA intégrée aux produits commerciaux à faible risque et couvre les institutions fédérales. Pour les outils de sécurité ou exploités par des sous-traitants, vérifiez la fiche et les dossiers d’approvisionnement ou de surveillance avant d’interpréter une lacune.
Les décisions algorithmiques. Selon la loi québécoise du secteur privé, une personne peut recevoir un avis et demander des renseignements sur une décision fondée exclusivement sur le traitement automatisé de ses renseignements personnels. Elle peut présenter des observations à quelqu’un en mesure de réviser la décision. Les normes d’emploi ontariennes exigent de signaler l’IA utilisée pour présélectionner, évaluer ou sélectionner les candidats dans les offres d’emploi publiques visées. Ces protections s’appliquent dans des situations précises. Vérifiez la décision, l’organisation et la règle ensemble.
La couche de surveillance de l'IA au travail. Comme il est indiqué aux chapitres 10 et 16 : une surveillance importante de l'IA en milieu de travail (surveillance des frappes, surveillance des communications, suivi biométrique, reconnaissance des émotions) est déployée dans les lieux de travail canadiens sans divulgation spécifique aux travailleurs touchés, sans vérification indépendante, et sans exigences réglementaires précises pour la divulgation ou la vérification. La recommandation 4 du mémoire du CUPE (interdictions de la surveillance de l'IA sur le lieu de travail et exigences en matière de vérification) aborde explicitement cette lacune. La stratégie fédérale IA pour tous ne s'engage pas à la fermer.
La couche d'impact environnemental de l'IA. Comme l'indique le chapitre 8 : les divulgations environnementales d'une entreprise d'IA (le document d'août 2025 de Google comme exemple le plus détaillé) sont sélectives, non vérifiées par des tiers indépendants et fonctionnent dans le cadre de choix de portée qui flattent les résultats. Les fournisseurs canadiens d'IA (Telus, Bell, Cohere) font des allégations environnementales d'IA qui sont une autodivulgation de l'entreprise sans vérification par un tiers. Les exigences de la Loi sur l'IA de l'UE en matière de divulgation environnementale pour l'IA à risque élevé fournissent un comparateur; le Canada n'a pas d'équivalent.
La couche de souveraineté des données autochtones. Tel que documenté au chapitre 9 : le déploiement fédéral de l'IA n'engage généralement pas les principes du PACO, du CSRN ou du CARE. La dimension de transparence de cette lacune est directe — lorsque l'IA est formée ou traite des données autochtones, il n'y a pas de cadre canadien actuel qui exige la participation aux principes de souveraineté des données indigènes et aucun cadre de transparence exigeant la divulgation des données sur les Autochtones qui sont incluses dans les ensembles de formation ou traitées par les systèmes d'IA déployés.
La conclusion cumulative. La transparence canadienne en matière d'IA fonctionne à des niveaux beaucoup plus bas que les compétences de pairs dans plusieurs couches. La tendance est constante : cadres volontaires ou sectoriels dans lesquels les juridictions de pairs ont des cadres complets obligatoires, limites de portée qui excluent les catégories où la transparence serait la plus importante et absence de vérification obligatoire par des tiers.
Le comparateur de l'UE et ce que cela signifierait pour le Canada
L'Union européenne a constamment mis en place le cadre de transparence le plus complet en matière d'IA actuellement en vigueur. Le chapitre l'engage directement parce qu'il représente l'alternative fonctionnelle à l'approche actuelle du Canada.
Les dispositions de la loi sur l'IA de l'UE en matière de transparence (sous-ensemble pertinent de la loi générale, qui couvre la classification des risques, l'évaluation obligatoire de la conformité et d'autres exigences):
Fournisseurs de modèles d'IA à usage général (développeurs de modèles de fondation) doit publier une documentation détaillée sur la composition des données de formation (sans violer les secrets d'affaires ou la sensibilité concurrentielle), le calcul utilisé pour la formation, les méthodes d'essai et d'évaluation, la consommation d'énergie pendant la formation et les résultats de l'analyse d'impact. La divulgation est requise quel que soit le siège du prestataire si le modèle est mis sur le marché de l'UE.
Déployeurs d'IA à haut risque doit publier des documents sur l'objectif du système IA, la logique du système et les principaux paramètres utilisés, les données et méthodes de formation et de validation, ainsi que l'exactitude et les limites du système. Les personnes touchées ont le droit de savoir quand elles ont été soumises à une IA à risque élevé et de recevoir des explications.
Dispositions générales en matière de transparence exige que les utilisateurs des systèmes d'IA soient informés qu'ils interagissent avec l'IA dans de nombreux contextes, que le contenu généré par l'IA soit étiqueté dans de nombreuses contextes et que les failles profondes soient généralement divulguées sous forme artificielle.
L'Office européen de l'intelligence artificielle coordonne la mise en œuvre et l'application de la loi, avec des pouvoirs substantiels d'enquête, de demande de documentation et de sanction du non-respect. Les amendes peuvent atteindre 7 % du chiffre d'affaires annuel global (35 millions d'euros) pour les violations les plus graves.
La directive européenne refondue sur l’efficacité énergétique (2023/1791) et le règlement délégué (UE) 2024/1364 exigent une déclaration annuelle des exploitants de centres visés dont la demande de puissance informatique installée atteint au moins 500 kW. Les données comprennent notamment l’énergie totale du site et celle du matériel informatique, les apports en eau totale et potable et la chaleur fatale réutilisée. L’annexe III définit les indicateurs calculés, dont le PUE et l’efficacité de l’utilisation de l’eau (WUE). Selon l’article 5 et l’annexe IV, la Commission et les autorités nationales concernées ont accès aux déclarations individuelles. La base publique présente des agrégats par État membre et pour l’Union. L’article 12 de la directive prévoit aussi la publication des renseignements de l’annexe VII, sous réserve des protections du secret commercial et de la confidentialité. Son paragraphe 2 soustrait certains centres de défense et de protection civile à cette obligation de publication.
Règlement général sur la protection des données (RGPD) fournit la couche de protection des données fondamentale sur laquelle s'appuie la Loi sur l'IA, y compris le droit d'être informé au sujet de la prise de décision automatisée et le droit à l'explication pour les personnes faisant l'objet de décisions automatisées en conséquence.
Loi sur les services numériques (DSA) fournit des exigences de transparence supplémentaires pour les plateformes en ligne, y compris la transparence liée à l'IA pour la modération du contenu, les systèmes de recommandation et l'impact de l'algorithme de plateforme.
Ce que cela signifie pour la comparaison canadienne. Le cadre de l'UE est complet, couvrant les modèles de fondation, l'IA déployée, les centres de données, les décisions automatisées et l'IA plate-forme, avec une divulgation obligatoire, des mécanismes de vérification indépendants, une coordination centrale et des sanctions d'application substantielles. Par contre, le cadre du Canada est fragmenté, principalement volontaire, sans coordination centrale et avec des sanctions d'exécution limitées. Les deux cadres reflètent des choix fondamentalement différents quant à la façon dont le déploiement de l'IA devrait être régi.
Le cadre de l'UE a des critiques. Elle a été qualifiée de trop lourde par les entreprises qui soumettent des demandes, comme insuffisante par la société civile dans certaines dimensions, comme incohérente dans la mise en œuvre d'un État membre à l'autre, et comme un frein à la compétitivité de l'UE par rapport aux secteurs de la IA aux États-Unis et en Chine. Les critiques sont réelles et le cadre n'est pas parfait. C'est aussi le cadre de transparence IA le plus complet actuellement en vigueur, et la comparaison est empiriquement éclairante quelle que soit la façon dont les lecteurs évaluent les compromis.
La voie de rechange canadienne. Canada pourrait choisir d'adopter des exigences de transparence équivalentes à celles de l'UE, par le biais de lois fédérales, d'ententes fédérales-provinciales de coordination ou de la mise en oeuvre de règlements sectoriels. La contrainte fédéraliste du chapitre 17 limite l'autorité fédérale directe sur une grande partie du déploiement d'IA que la Loi sur l'IA de l'UE réglemente, mais la coordination fédérale-provinciale pourrait atteindre une couverture comparable. Jusqu'à présent, la volonté politique de poursuivre cette voie n'a pas émergé au Canada. La question de savoir s'il pourrait en sortir est une question politique contestée; le cadre de l'UE fournit la comparaison empirique.
Les ressources institutionnelles du Canada
Le chapitre a documenté les lacunes du Canada en matière de transparence par rapport aux compétences des pairs et aux pratiques exemplaires. Le chapitre doit également mobiliser les ressources institutionnelles dont dispose le Canada, qui sont importantes même dans l'écart plus large.
Le Commissariat à la protection de la vie privée du Canada est l'une des institutions les plus efficaces au Canada en matière de politiques d'IA. Le Bureau a publié des directives de fond sur l'IA interprétant la LPRPDE pour les demandes d'IA, mené des enquêtes très médiatisées (l'enquête conjointe Clearview IA avec les homologues provinciaux étant la plus documentée), participé activement à la coordination internationale de la protection de la vie privée et produit des conseils stratégiques substantiels sur les questions relatives à la protection des renseignements personnels. Le commissaire à la protection de la vie privée, Philippe Dufresne, a été l'une des voix les plus publiques au Canada pour réclamer une modernisation substantielle de la LPRPDE, y compris des dispositions spécifiques à l'IA. La capacité institutionnelle est réelle; le cadre législatif qui l'oblige à s'acquitter de ses fonctions est daté.
Commissaires provinciaux à la protection de la vie privée a effectué des travaux parallèles dans leurs juridictions respectives. La Commission d'accès à l'information du Québec a un pouvoir d'application important en vertu de la loi 25 et est l'organisme canadien de réglementation de la protection des renseignements personnels le plus habilité. Le Bureau de la commissaire à l'information et à la protection de la vie privée de la Colombie-Britannique, le Commissaire à la confidentialité de l'Alberta et l'Ombudsman du Manitoba (qui comprend la surveillance de la protection des renseignements personnels) ont chacun une capacité significative en matière d'IA. Le Commissaire à l'information et à la protection de la vie privée de l'Ontario est un agent indépendant de l'Assemblée législative qui a une autorité réelle sur le secteur public et la protection des renseignements personnels en matière de santé. L'Ontario manque d'une loi générale sur la protection des renseignements personnels du secteur privé, ce qui laisse le secteur privé dans la province la plus peuplée du Canada à la LPRPDE fédérale de 2000 qui s'impose.
La vérificatrice générale du Canada a commencé à examiner systématiquement l'utilisation fédérale de l'IA. Les rapports du Bureau du vérificateur général comprennent des constatations sur le déploiement de l'IA dans certains ministères fédéraux, et le modèle institutionnel de vérification indépendante des opérations fédérales est bien établi et respecté. Une plus grande attention accordée à l'IA par les AG serait un moyen institutionnel d'accroître la transparence fédérale en matière d'IA. sans exiger de nouvelle législation, puisque le mandat de l'AG autorise déjà l'analyse.
Programme de mesure de l'IA et de la technologie de Statistique Canada , financé à 25 M$ sur six ans dans le cadre du budget fédéral de 2025, est la principale source fédérale de données empiriques sur le déploiement canadien des IA et les effets sur le marché du travail. Le financement est modeste par rapport à la portée de l'analyse, mais représente un engagement institutionnel important. Le travail de StatCan en matière d'IA a constitué la base empirique de plusieurs constatations que le guide cite (le déplacement de la main-d'oeuvre de 31 % du chapitre 16, la trajectoire du taux d'adoption de l'IA du chapitre 5, l'analyse de la composition de la population active).
Le pouvoir judiciaire. Les tribunaux canadiens reçoivent de plus en plus d'affaires liées à l'IA. Les journaux canadiens c. L'affaire OpenAI (chapitre 11) est actuellement la plus importante, mais le volume augmente dans les contextes du droit d'auteur, de l'emploi, de la protection de la vie privée et de la défense des consommateurs. Les mécanismes de transparence judiciaire — décisions publiées, documents judiciaires disponibles, analyse des précédents — constituent l'un des rares mécanismes qui produisent systématiquement de l'information publique sur la façon dont des déploiements particuliers d'IA fonctionnent au Canada.
Chercheurs universitaires. Les chercheurs universitaires canadiens de l'IA, à Mila, Vector, Amii, dans des universités individuelles et par le biais de réseaux de collaboration, produisent un travail considérable examiné par les pairs qui contribue à la transparence de l'intelligence artificielle dans les domaines où la divulgation d'information par les entreprises est limitée. Le programme de renseignements abondants (chapitre 1 et chapitre 15) en est un exemple. Des chercheurs universitaires indépendants comme Sasha Luccioni (Hugging Face Montréal, travail de base sur la mesure environnementale de l'IA), Carys Craig et Michael Geist (copyright et IA de différentes positions) et Suzie Dunn (deepfakes) fournissent la couche de recherche universitaire que la couche d'auto-divulgation ne peut pas.
Organisations de la société civile. CUPE, Unifor, ACTRA, l'Union des écrivains du Canada, la coalition BC + IA, le Centre pour l'innovation en gouvernance internationale, la Canadian Civil Liberties Association et bien d'autres produisent des analyses et des documents de fond qui ajoutent au paysage plus large de transparence. Les organisations ont généralement tendance à se tourner vers la protection des travailleurs, des créateurs, des citoyens et des consommateurs — le poids est réel et la méthodologie de cartographie des préjugés du guide demande aux lecteurs de suivre cette évolution. L'aspect secondaire est également celui où ces organisations contribuent le plus à la transparence : documenter ce que la divulgation d'une entreprise ne fait pas.
Journalisme d'investigation. Le journalisme canadien et international a produit des rapports substantiels sur les modèles de déploiement de l'IA, les pratiques organisationnelles et les débats stratégiques. L'étude de fond sur les élections canadiennes de 2025 (chapitre 13), les communiqués annuels du FMTI de Stanford, l'enquête HEURE sur la passation de contrats Sama d'OpenAI (chapitre 3), les divers rapports sur les questions d'éthique des entreprises en matière d'IA, contribuent tous au paysage de transparence publique que le cadre réglementaire institutionnel ne fournit pas.
Le bilan institutionnel. Canada dispose de ressources institutionnelles importantes pour le travail sur la transparence de l'IA — de multiples organismes de réglementation possédant une véritable expertise, un système judiciaire faisant appel à des cas d'IA, une capacité de recherche universitaire, de la documentation de la société civile et du journalisme d'enquête. Les ressources fonctionnent dans le cadre de contraintes statutaires et politiques qui limitent leur effet cumulatif à un niveau sensiblement inférieur à ce qu'une transparence complète de l'IA exigerait. Il s'agit là d'une critique structurelle et non d'aucune institution spécifique. Chaque institution effectue un travail significatif dans le cadre de son mandat. Ces mandats, pris ensemble, ne s'ajoutent pas encore au cadre de transparence dont le déploiement actuel exige le déploiement d'IA.
La conclusion convergente — la transparence est la condition préalable
Essayez de faire appliquer une règle quand vous ne voyez pas l’activité qu’elle encadre. Une personne qui crée doit savoir ce qui est entré dans l’entraînement. Une communauté doit savoir ce qu’une installation tire du réseau. Un travailleur doit savoir à quelle décision l’outil a contribué. Dans chaque cas, la divulgation donne un point de départ pour demander des comptes.
Travaillant à travers ce lien dans les chapitres précédents:
Droit d'auteur (chapitre 11) dépend de savoir ce qu'il y avait dans les données d'entraînement. Sans cette connaissance, les revendications du titulaire de droits qui sont en litige ne peuvent être systématiquement prouvées. Le litige au cas par cas qui se déroule actuellement produit un précédent, mais il est un substitut lent, coûteux et partiel à ce que la transparence permettrait : identification systématique des utilisations non autorisées et recours systématique.
Impact sur l'environnement (chapitre 8) dépend de savoir ce que les systèmes d'IA de calcul, d'eau et d'électricité consomment. Sans déclaration obligatoire au centre de données et sans méthode vérifiable au niveau du modèle, l'analyse environnementale ne peut être fondée sur des données probantes. Le modèle d'autodivulgation de l'entreprise produit des allégations non vérifiables; le cadre réglementaire qui produirait des allégations vérifiables n'existe pas au Canada.
Bénéfices et discrimination (chapitre 15) dépend de la connaissance des données de formation utilisées par le système, de l'évaluation qu'il a subie et des résultats qu'elle a produits en déploiement. Sans cette divulgation, les vérifications biaisées se limitent à ce qui peut être inversé à partir des extrants - une contrainte méthodologique substantielle. La documentation sur l'équité algorithmique en fait directement appel; le cadre réglementaire qui exigerait la divulgation ne le fait pas.
Déploiement d'IA sur le lieu de travail (chapitre 10 et chapitre 16) dépend de savoir ce que l'IA est utilisé dans les décisions d'emploi. Sans divulgation aux travailleurs, le droit de contester les décisions fondées sur l'IA ne peut être exercé. La recommandation 4 du CCPE (notification, explication et examen) vise directement à combler cette lacune de transparence.
Souveraineté des données autochtones (Chapitre 9) dépend du moment où les données autochtones sont utilisées dans la formation et le déploiement en IA. Sans divulgation, le BCAP, le CSRN et les principes CARE ne peuvent être mis en pratique : les communautés autochtones ne peuvent exercer la gouvernance des données que demandent les cadres s'ils ne savent pas quand leurs données sont utilisées.
Souveraineté (chapitre 9) dépend de savoir quelles administrations étrangères ont accès à l'infrastructure canadienne d'IA. L'analyse de la Loi CLOUD dépend de savoir quels fournisseurs opèrent sous quelles juridictions; l'analyse des chaînes d'approvisionnement dépend de la connaissance de l'endroit où le matériel d'IA est conçu, fabriqué et déployé; l ' analyse du flux de données dépend de l ' endroit où les données canadiennes sont stockées et traitées. Chacun de ces éléments dépend de la divulgation que le cadre canadien actuel n'exige pas.
Frappes profondes (chapitre 13) dépend de savoir quand le contenu est généré par l'IA. Les exigences en matière de divulgation que la Loi sur l'IA de l'UE établit pour le contenu synthétique constituent le mécanisme opérationnel des objectifs stratégiques plus larges concernant la réglementation des faux-faux profonds; le Canada n'a pas établi d'exigences équivalentes.
Le point institutionnel. Chacun des domaines stratégiques que le guide a engagés dépend de l'infrastructure de divulgation que le Canada n'a pas construite. L'écart de transparence n'est pas distinct des autres écarts politiques; c'est la condition structurelle commune pour les combler. La politique canadienne d'IA qui traite des questions de fond sans aborder l'infrastructure de transparence tente d'appliquer des règles lorsque l'activité sous-jacente n'est pas visible.
C'est la raison pour laquelle le chapitre fait valoir que les exigences canadiennes de transparence en matière d'IA (par l'entremise de lois fédérales, de coordination fédérale-provinciale ou d'une expansion importante de la réglementation sectorielle) n'amélioreraient pas seulement une dimension de la politique sur l'IA. Elle fournirait l'infrastructure opérationnelle qui rend possible le reste de la politique d'IA. Le chapitre 20 revient sur cette question en analysant de façon précise la marche à suivre pour déterminer à quoi pourraient ressembler les exigences canadiennes en matière de transparence de l'IA et comment elles pourraient être mises en oeuvre par le biais des voies institutionnelles cartographiées au chapitre 17.
L'essai de fonctionnement
Une dernière série du test permanent, l'édition de transparence, est restée courte parce que le chapitre 19 est sur le point d'assembler tous ces éléments dans la version portable unique de toute façon. Pour toute demande de transparence d'IA, demandez: champ d'application (qu'est-ce qui est divulgué, et qu'est ce qui n'est pas clairement?); vérification (tiers, ou devoirs automarqués?); accès à l'audit (Est-ce que quelqu'un à l'extérieur du bâtiment peut examiner les données et la méthodologie sous-jacentes?); exhaustivité (Est-ce qu'il couvre les questions, les données sur la formation, l'impact environnemental, les résultats du déploiement, la chaîne d'approvisionnement ou est-ce sélectif selon les modalités établies?); comparabilité (formaté pour être comparé, ou formaté pour l'empêcher?); et conséquence opérationnelle (la divulgation laisse-t-elle à quelqu'un Faites tout, être informé, contester, chercher un remède, ou est-ce que c'est la transparence comme esthétique plutôt que la transparence-comme infrastructure?).
Pourquoi celui-ci vient en premier
CHAPTER RECAP — vous avez maintenant: - L’indice de Stanford de 2025 documente d’importantes lacunes. Lisez les scores avec les règles de chaque édition et distinguez le nombre de rapports remis des divulgations elles-mêmes. - Le modèle de divulgation sélective d'entreprise nommé avec des exemples documentés — Google août 2025 papier (méthode sophistiquée, portée sélective, non vérifié), la divulgation de poids ouvert de Meta (substantielle dans une dimension, opaque dans d'autres), la transparence de sécurité d'Anthropic (importante en matière de sécurité, sélective dans les dimensions commerciales). - Les lacunes canadiennes de transparence touchant les infrastructures, les modèles, les usages gouvernementaux, les décisions automatisées, la surveillance au travail, les effets environnementaux et la gouvernance des données autochtones, avec la distinction entre collecte réglementaire et accès public. - Le cadre de comparaison de l'UE — dispositions relatives à la transparence de la Loi sur l'IA, rapports sur les centres de données EED, droits fondamentaux du RGPD, exigences de la plate-forme d'ASD, le Bureau européen d'IA assurant la coordination — constitue une alternative opérationnelle à l'approche actuelle du Canada. - Les ressources institutionnelles dont dispose le Canada — CPVP, commissaires provinciaux, vérificateur général, Statistique Canada, magistrature, chercheurs universitaires, organisations de la société civile, journalisme d'enquête — et la constatation structurelle selon laquelle les ressources fonctionnent dans des limites qui limitent leur effet cumulatif en dessous de ce que nécessiterait une transparence complète de l'IA. - Les renseignements utiles dépendent de la question. Une personne qui crée peut avoir besoin de savoir ce qui a servi à l’entraînement. Une communauté peut avoir besoin des chiffres d’électricité et d’eau d’une installation. Un travailleur peut avoir besoin de savoir à quel moment un outil est intervenu dans une décision. La gouvernance des données autochtones demande qui décide de ce qui est recueilli, utilisé ou partagé. - Le test de travail pour l'évaluation de toute demande de transparence d'IA: portée, vérification, accès aux audits, exhaustivité, comparabilité, conséquence opérationnelle.
Le chapitre 19 réunit les questions pratiques. Gardez-les à portée de main pour la prochaine affirmation accompagnée d’un chiffre assuré et d’aucune source évidente.
Vous pouvez maintenant lire n'importe quelle demande de transparence de l'IA avec l'équipement structurel pour reconnaître ce qui est et n'est pas divulgué, quelle vérification est et est pas présent, et ce que la divulgation fait et ne permet pas. La conversation sur la transparence dans le discours public canadien sur l'IA oscille entre l'élaboration d'engagements volontaires par l'organisation (que le guide traite comme un apport parmi d'autres) et les demandes de divulgation complète (que ce guide reconnaît comme la condition opérationnelle préalable à la plupart des autres travaux stratégiques). L'infrastructure institutionnelle qui permettrait de combler l'écart existe dans les voies que le guide a tracées; les conditions politiques pour activer ces voies n'ont pas encore émergé.
Étiquette partiale du présent chapitre : analyse institutionnelle et structurelle de la transparence canadienne en matière d'IA, avec un cadre international comparatif explicite et un lien explicite avec les conditions préalables des politiques dans les chapitres précédents. Auteur biais : sceptique quant à l'auto-divulgation des entreprises non vérifiée par des tiers indépendants; sensible aux cadres de transparence obligatoires complets comme condition opérationnelle pour la plupart des autres travaux de politique en matière d'IA; disposé à créditer les ressources institutionnelles canadiennes dans le fossé plus large plutôt que de les rejeter entièrement; explicite que le manuel traite cette question comme une analyse empirique comparative plutôt que comme une défense des politiques pour tout cadre réglementaire particulier. La mesure académique indépendante (Stanford FMTI, réseau de recherche Luccioni) a été traitée comme étant la principale donnée sur les modèles de transparence de l'industrie. L'autodivulgation de l'entreprise (Google, Anthropic, Meta sustainability reports and ethique frameworks) a été étiquetée et lue en conséquence. L'élaboration de cadres gouvernementaux (Conseil du Trésor, déclarations ministérielles) a été considérée comme la première étape de ce qui a été engagé. La société civile et la critique académique ont été considérées comme des éléments essentiels sur les lacunes identifiées.
Sources principales citées ou invoquées dans ce chapitre : Stanford Center for Research on Foundation Models, 2025 Foundation Model Transparency Index (décembre 2025); éditions antérieures de l'Index (2023, 2024); Google Cloud Blog « Mesurer l'impact environnemental de la inférence d'IA » (Vahdat et Dean, 21 août 2025); Meta Llama series release documentation; Anthropic Constitutional IA and Responsible Scaling Policy documentation; Secrétariat du Conseil du Trésor du Canada Registre d'IA (28 novembre 2025), Natural Resources Canada Best Practice Guide for Canadian Data Centres (2024 novembre); Commissariat à la protection de la vie privée du Canada Documents d'orientation et conclusions conjointes sur Clearview IA (2021); European Union Artific Intelligence Act (entrée en vigueur le 1er août 2024); Directive de l 'Union européenne sur l'efficacité énergétique 2024/1364; Règlement général de protection des données (RGPD); Loi sur les services numériques (entrées en vigueur en 2024), mémoire du Sénat du CUPE (2026); document du Québec Law 25. Citations détaillées dans l'annexe Sources.
🧌 CONTRÔLE GOBELIN — Sept développeurs ont remis leur propre rapport en 2025. Les chercheurs en ont rédigé six autres. Quand le gobelin en ouvre un, il regarde d’abord qui l’a préparé.
Récapitulatif
- L’indice de Stanford de 2025 documente d’importantes lacunes. Lisez les scores avec les règles de chaque édition et distinguez le nombre de rapports remis des divulgations elles-mêmes.
- Le modèle de divulgation sélective d'entreprise nommé avec des exemples documentés — Google août 2025 papier (méthode sophistiquée, portée sélective, non vérifié), la divulgation de poids ouvert de Meta (substantielle dans une dimension, opaque dans d'autres), la transparence de sécurité d'Anthropic (importante en matière de sécurité, sélective dans les dimensions commerciales).
- Les lacunes canadiennes de transparence touchant les infrastructures, les modèles, les usages gouvernementaux, les décisions automatisées, la surveillance au travail, les effets environnementaux et la gouvernance des données autochtones, avec la distinction entre collecte réglementaire et accès public.
- Le cadre de comparaison de l'UE — dispositions relatives à la transparence de la Loi sur l'IA, rapports sur les centres de données EED, droits fondamentaux du RGPD, exigences de la plate-forme d'ASD, le Bureau européen d'IA assurant la coordination — constitue une alternative opérationnelle à l'approche actuelle du Canada.
- Les ressources institutionnelles dont dispose le Canada — CPVP, commissaires provinciaux, vérificateur général, Statistique Canada, magistrature, chercheurs universitaires, organisations de la société civile, journalisme d'enquête — et la constatation structurelle selon laquelle les ressources fonctionnent dans des limites qui limitent leur effet cumulatif en dessous de ce que nécessiterait une transparence complète de l'IA.
- Les renseignements utiles dépendent de la question. Une personne qui crée peut avoir besoin de savoir ce qui a servi à l’entraînement. Une communauté peut avoir besoin des chiffres d’électricité et d’eau d’une installation. Un travailleur peut avoir besoin de savoir à quel moment un outil est intervenu dans une décision. La gouvernance des données autochtones demande qui décide de ce qui est recueilli, utilisé ou partagé.
- Le test de travail pour l'évaluation de toute demande de transparence d'IA: portée, vérification, accès aux audits, exhaustivité, comparabilité, conséquence opérationnelle.
Sources
- Stanford Center for Research on Foundation Models, 2025 Foundation Model Transparency Index (December 2025)
- previous editions of the Index (2023, 2024)
- Google Cloud Blog "Measuring the environmental impact of AI inference" (Vahdat & Dean, August 21, 2025)
- Meta Llama series release documentation
- Anthropic Constitutional AI and Responsible Scaling Policy documentation
- Treasury Board of Canada Secretariat AI Register (November 28, 2025)
- Natural Resources Canada Best Practice Guide for Canadian Data Centres (November 2024)
- Office of the Privacy Commissioner of Canada AI guidance documents and joint findings on Clearview AI (2021)
- European Union Artificial Intelligence Act (effective August 1, 2024)
- European Union Energy Efficiency Directive 2024/1364
- European Union General Data Protection Regulation (GDPR)
- European Union Digital Services Act (effective 2024)
- CUPE Senate Brief (March 2026)
- Quebec Law 25 documentation.