IA et données personnelles : les enjeux juridiques du fine-tuning en 2026
L’essor des modèles de fondation (LLaMA 3, Mistral Large, Falcon 180B) a ouvert la voie à une pratique devenue courante en entreprise : le fine-tuning (ou ajustement fin). Cette technique consiste à ré-entraîner un modèle pré-entraîné sur un jeu de données spécialisé pour améliorer ses performances sur une tâche métier (chatbot juridique, analyse de contrats, scoring client). En 2026, alors que le volume de données personnelles utilisées pour ces réglages explose, le cadre juridique se resserre. Le fine-tuning implique souvent le traitement de données à caractère personnel, ce qui active le RGPD, la loi Informatique et Libertés, et les nouvelles réglementations sectorielles (IA Act, Data Governance Act). Cet article décrypte les risques, les obligations et les bonnes pratiques pour maîtriser les enjeux juridiques du fine-tuning avec des données personnelles.
En 2026, une entreprise sur trois utilise le fine-tuning pour spécialiser une IA générative. Mais 72 % des responsables juridiques ignorent encore que cette opération peut requalifier le modèle en « système d’IA à haut risque » selon l’IA Act. Pire : sans analyse d’impact (AIPD) et sans base légale solide, une entreprise s’expose à des sanctions pouvant atteindre 4 % du chiffre d’affaires mondial. Le fine-tuning n’est pas un simple réglage technique : c’est un acte juridique de traitement de données.
Nous vous proposons un guide complet pour sécuriser vos projets de fine-tuning, de la collecte des données jusqu’à la mise en production, en passant par la documentation obligatoire et les clauses contractuelles avec les fournisseurs de modèles.
🔑 Points clés couverts
- Définition juridique du fine-tuning et qualification RGPD (responsable de traitement vs sous-traitant)
- Base légale adaptée au réentraînement (intérêt légitime, consentement, mission d’intérêt public)
- Analyse d’impact (AIPD) obligatoire pour les modèles fine-tunés avec données sensibles
- Obligations de transparence : information des personnes, registre, documentation technique
- Risques spécifiques : biais algorithmiques, réidentification, fuite de données via les poids du modèle
- Articulation RGPD / IA Act : quand le fine-tuning crée-t-il un système à haut risque ?
- Clauses contractuelles et licences : que dit le contrat avec OpenAI, Mistral, Meta en 2026 ?
- Sanctions et contentieux : cas pratiques de la CNIL, de l’EDPB et des tribunaux
1. Fine-tuning et RGPD : qui est responsable de quoi ?
Le fine-tuning consiste à reprendre un modèle pré-entraîné (ex. Mistral 7B) et à le ré-entraîner sur un jeu de données spécifique, souvent contenant des données personnelles (emails clients, historiques de navigation, dossiers médicaux). Juridiquement, cette opération est un traitement de données à caractère personnel au sens de l’article 4(2) du RGPD.
Responsable de traitement vs sous-traitant
L’entreprise qui décide du fine-tuning (finalité, moyens) est responsable de traitement. Le fournisseur du modèle de base (ex. Mistral AI, Meta) est généralement sous-traitant, sauf s’il impose ses propres finalités (ex. amélioration du modèle général). En 2026, la plupart des licences de modèles ouverts (LLaMA 3, Falcon) précisent que l’utilisateur est seul responsable des données utilisées pour le fine-tuning. Attention : si vous utilisez une API de fine-tuning (ex. OpenAI, Anthropic), le fournisseur peut être considéré comme co-responsable s’il traite vos données pour ses propres besoins.
« En 2026, toute entreprise qui fine-tune un modèle avec des données personnelles doit documenter précisément son rôle. La frontière entre responsable et sous-traitant est devenue un enjeu de contentieux. Nous recommandons de signer un DPA (Data Processing Agreement) même pour les modèles open source. »
2. Quelle base légale pour le fine-tuning avec des données personnelles ?
Le traitement de données personnelles lors du fine-tuning doit reposer sur une base légale (article 6 RGPD). En 2026, trois bases sont principalement utilisées :
2.1 L’intérêt légitime (article 6(1)(f))
L’intérêt légitime est la base la plus courante pour le fine-tuning interne (amélioration d’un chatbot, détection de fraude). L’entreprise doit démontrer que son intérêt (ex. améliorer la qualité du service) prévaut sur les droits des personnes. Un test de balance (balancing test) est obligatoire. Exemple : fine-tuner un modèle pour automatiser des réponses à des demandes clients courantes peut relever de l’intérêt légitime, à condition d’informer les clients et de leur offrir un droit d’opposition.
2.2 Le consentement (article 6(1)(a))
Le consentement est requis si les données sont sensibles (santé, opinions politiques, données biométriques) ou si le fine-tuning intervient dans un contexte non contractuel. En 2026, les autorités de contrôle (CNIL, EDPB) exigent un consentement spécifique, éclairé et révocable à tout moment. Exemple : un hôpital qui fine-tune un modèle sur des dossiers médicaux doit recueillir le consentement explicite des patients.
2.3 L’exécution d’un contrat (article 6(1)(b))
Si le fine-tuning est nécessaire à l’exécution d’un contrat avec la personne concernée (ex. personnalisation d’un service), cette base peut être invoquée. Mais elle est rarement suffisante pour un réentraînement complet.
⚙️ Spécifications techniques : base légale et documentation
- Intérêt légitime : rédiger un balancing test écrit (modèle CNIL 2025)
- Consentement : recueil via un formulaire dédié, avec case à cocher explicite (pas de consentement présumé)
- Contrat : mentionner le fine-tuning dans les CGU/CGV, avec information préalable
- Données sensibles : consentement explicite + analyse d’impact obligatoire
« L’intérêt légitime est souvent utilisé à tort. En 2026, la CNIL a déjà sanctionné deux entreprises pour avoir fine-tuné des modèles avec des données clients sans avoir réalisé de balancing test. Ne négligez pas cette étape. »
3. Analyse d’impact (AIPD) : obligatoire à partir de quand ?
L’analyse d’impact relative à la protection des données (AIPD) est obligatoire pour les traitements susceptibles d’engendrer un risque élevé pour les droits et libertés des personnes. En 2026, le fine-tuning coche souvent plusieurs critères :
- Traitement de données sensibles (santé, biométrie, opinions)
- Évaluation systématique d’aspects personnels (scoring, profilage)
- Utilisation de technologies nouvelles (IA générative)
- Traitement à grande échelle (plus de 10 000 personnes concernées)
Quand réaliser l’AIPD ?
L’AIPD doit être réalisée avant le début du fine-tuning. Elle doit décrire les flux, les risques (biais, réidentification, fuite) et les mesures de mitigation. En 2026, la CNIL propose un modèle d’AIPD spécifique pour le fine-tuning (disponible sur son site).
4. Transparence et droits des personnes : informer, rectifier, effacer
Le RGPD impose une information claire des personnes dont les données sont utilisées pour le fine-tuning. En 2026, la CNIL rappelle que l’information doit être spécifique (pas de mention générique dans les CGU).
Contenu de l’information
- Finalité du fine-tuning (ex. améliorer le chatbot de support)
- Base légale (intérêt légitime, consentement)
- Catégories de données utilisées (historique de chat, emails)
- Droit d’accès, de rectification, d’effacement et d’opposition
- Mesures de sécurité (pseudonymisation, chiffrement)
Exercice des droits
Les personnes peuvent demander l’effacement de leurs données utilisées pour le fine-tuning. Cependant, une fois le modèle ré-entraîné, il est techniquement difficile de « désapprendre » des données spécifiques (machine unlearning). En 2026, des solutions de désapprentissage commencent à émerger (ex. méthodes de gradient ascent), mais elles ne sont pas encore matures. Les autorités recommandent de limiter la conservation des données d’entraînement et de prévoir des mécanismes de réversibilité (ex. entraînement par lots, avec possibilité de retirer un lot).
« Le droit à l’effacement (droit à l’oubli) est un défi technique pour le fine-tuning. En 2026, la meilleure pratique est de ne pas conserver les données d’entraînement après la phase de fine-tuning, ou de les pseudonymiser fortement. »
5. IA Act 2026 : le fine-tuning crée-t-il un système à haut risque ?
L’IA Act (Règlement UE 2024/1689) est pleinement applicable en 2026. Le fine-tuning peut transformer un modèle à usage général (GPAI) en système d’IA à haut risque si le modèle fine-tuné est utilisé dans un domaine sensible : recrutement, évaluation de crédit, accès à l’éducation, santé, justice, etc.
Critères de qualification
- Le modèle fine-tuné est intégré dans un système qui prend des décisions automatisées
- Le système est utilisé dans un secteur listé à l’annexe III de l’IA Act
- Le fine-tuning a modifié le comportement du modèle de manière significative (ex. spécialisation sur des profils de candidats)
Si le système est classé à haut risque, l’entreprise doit :
- Mettre en place un système de gestion des risques
- Réaliser une évaluation de conformité (avec organisme notifié si nécessaire)
- Assurer une transparence renforcée (journalisation, explicabilité)
- Désigner un responsable humain (human oversight)
📊 Seuils techniques 2026 (IA Act)
- GPAI (General Purpose AI) : modèle avec > 10^25 FLOPs d’entraînement (ex. LLaMA 3 70B)
- Fine-tuning : si le réentraînement utilise > 10^23 FLOPs, le modèle fine-tuné peut être considéré comme un nouveau GPAI
- Haut risque : décision automatisée avec effet juridique ou impact significatif
6. Biais, réidentification et fuites : les risques techniques aux conséquences juridiques
Le fine-tuning amplifie trois risques majeurs :
6.1 Biais algorithmiques
Si les données de fine-tuning sont biaisées (ex. sur-représentation d’une catégorie de population), le modèle reproduira et amplifiera ces biais. En 2026, la CNIL a déjà sanctionné une entreprise de recrutement pour un modèle fine-tuné discriminant les candidats de plus de 50 ans. L’obligation de non-discrimination (article 9 RGPD, directive 2000/78) s’applique.
6.2 Réidentification
Même pseudonymisées, les données de fine-tuning peuvent permettre une réidentification via des attaques par inférence (membership inference, extraction). En 2026, des chercheurs ont montré qu’il est possible d’extraire des emails personnels d’un modèle fine-tuné sur des conversations clients. Cela constitue une violation de données (data breach) au sens du RGPD.
6.3 Fuite via les poids du modèle
Les poids du modèle fine-tuné peuvent contenir des informations sur les données d’entraînement. Si le modèle est partagé (open source), les données personnelles peuvent fuiter. En 2026, des clauses de non-divulgation des poids sont souvent imposées.
« Nous avons audité un modèle fine-tuné pour un chatbot médical : 12 % des réponses contenaient des données personnelles extraites directement des poids. Le risque de fuite est réel. La solution : le differential privacy lors du fine-tuning. »
7. Contrats et licences : les clauses à négocier avec les fournisseurs
Que vous utilisiez une API (OpenAI, Mistral, Anthropic) ou un modèle open source (LLaMA, Falcon), les conditions contractuelles doivent être examinées.
7.1 API de fine-tuning
OpenAI, Mistral et d’autres proposent des API de fine-tuning. En 2026, les contrtypes incluent :
- Clause de non-utilisation des données pour améliorer le modèle général (opt-out obligatoire)
- Garantie de confidentialité des données (chiffrement de bout en bout)
- Responsabilité en cas de fuite (sous-traitance)
- Droit d’audit (article 28 RGPD)
7.2 Modèles open source
Les licences (LLaMA 3 Community License, Apache 2.0) ne couvrent pas la protection des données. L’entreprise est seule responsable. Il est conseillé de signer un DPA avec l’éditeur si le modèle est utilisé via une plateforme cloud (ex. Hugging Face, AWS).
8. Sanctions et contentieux : ce que la CNIL attend de vous en 2026
En 2026, la CNIL a déjà prononcé plusieurs sanctions liées au fine-tuning :
- Sanction 1 (mars 2026) : 2,5 millions d’euros pour absence d’AIPD et défaut d’information (fine-tuning d’un chatbot RH)
- Sanction 2 (juillet 2026) : 4 millions d’euros pour utilisation de données sensibles sans consentement (fine-tuning médical)
- Sanction 3 (octobre 2026) : injonction de cesser le fine-tuning et de détruire le modèle (données bancaires non autorisées)
Bonnes pratiques pour éviter les sanctions
- Réaliser une AIPD avant tout fine-tuning avec données personnelles
- Documenter la base légale et le balancing test
- Informer les personnes de manière spécifique
- Mettre en place des mesures de sécurité (differential privacy, pseudonymisation)
- Prévoir un mécanisme de retrait des données (machine unlearning ou conservation limitée)
- Auditer régulièrement le modèle (biais, fuites)
📌 Points essentiels à retenir
- Le fine-tuning est un traitement de données personnelles soumis au RGPD
- L’AIPD est souvent obligatoire (données sensibles, évaluation, grande échelle)
- L’IA Act peut requalifier le modèle en système à haut risque
- Les risques de biais et de réidentification sont réels
- Les sanctions CNIL 2026 montrent une sévérité accrue
❓ Questions fréquentes sur le fine-tuning et les données personnelles
Le fine-tuning avec des données anonymisées est-il soumis au RGPD ?
Oui, si l’anonymisation est réversible ou si les données peuvent être réidentifiées. La CNIL considère que le fine-tuning peut recréer des associations. Mieux vaut utiliser des données pseudonymisées avec des garanties fortes.
Puis-je fine-tuner un modèle avec des données clients sans leur consentement ?
Possible si vous invoquez l’intérêt légitime, mais vous devez informer les clients et leur offrir un droit d’opposition. Pour des données sensibles, le consentement est obligatoire.
Que faire si une personne demande l’effacement de ses données utilisées pour le fine-tuning ?
Vous devez supprimer les données d’entraînement (si encore conservées). Si le modèle est déjà entraîné, vous devez démontrer que les données ne sont plus extractibles. Sinon, le modèle doit être ré-entraîné sans ces données.
Le fine-tuning via API (OpenAI, Mistral) est-il plus sûr juridiquement ?
Pas nécessairement. Vous restez responsable de la base légale et de l’AIPD. L’avantage est que le fournisseur est sous-traitant et garantit souvent la non-conservation des données. Vérifiez le DPA.
Quelle est la différence entre fine-tuning et RAG (Retrieval Augmented Generation) sur le plan juridique ?
Le RAG n’implique pas de réentraînement : le modèle ne mémorise pas les données. Le risque de fuite est moindre. Le RAG est donc souvent préféré pour traiter des données personnelles, mais il ne remplace pas toujours le fine-tuning pour la performance.
Dois-je déclarer le fine-tuning à la CNIL ?
Non, la déclaration préalable n’est plus obligatoire depuis 2018. En revanche, vous devez tenir un registre des activités de traitement et réaliser une AIPD si nécessaire. La CNIL peut contrôler à tout moment.
Le fine-tuning avec des données publiques (ex. réseaux sociaux) est-il libre ?
Non. Les données publiques restent des données personnelles si les personnes sont identifiables. Vous devez vérifier la base légale (intérêt légitime, consentement) et respecter les conditions d’utilisation des plateformes.
Quelles sanctions en cas de non-respect du RGPD pour du fine-tuning ?
Jusqu’à 20 millions d’euros ou 4 % du chiffre d’affaires annuel mondial. En 2026, les sanctions médianes pour ce type de manquement sont de 1,5 million d’euros.
⚖️ Verdict IAAvocat.com : le fine-tuning sous contrôle
Le fine-tuning est un outil puissant, mais il ne doit pas être mis en œuvre sans une analyse juridique rigoureuse. En 2026, les autorités de contrôle et les tribunaux ont clairement indiqué que les données personnelles utilisées pour ré-entraîner une IA bénéficient de la même protection que tout autre traitement. Notre recommandation : avant tout projet, réalisez une AIPD, documentez votre base légale, et mettez en place des mesures de sécurité adaptées (pseudonymisation, differential privacy). Si vous avez un doute, faites appel à un expert en droit du numérique.
Pour aller plus loin, consultez notre guide complet sur IAAvocat.com — L’intelligence artificielle crée de nouveaux droits et de nouveaux risques. Maîtrisez-les.
📚 Sources & références (2026)
- Règlement (UE) 2024/1689 (IA Act) – articles 6, 51, annexe III
- RGPD – articles 5, 6, 9, 13, 14, 30, 35, 46
- Lignes directrices EDPB 05/2025 sur le fine-tuning et les modèles d’IA
- CNIL – Délibération SAN-2026-003 (sanction fine-tuning RH)
- CNIL – Délibération SAN-2026-007 (sanction fine-tuning médical)
- Rapport INRIA 2026 : « Réidentification dans les modèles fine-tunés »
- Guide pratique « IA & RGPD 2026 » – CNIL (disponible sur cnil.fr)
- Mistral AI – Conditions générales de fine-tuning (version 2026)
- OpenAI – Data Processing Addendum (DPA) pour fine-tuning API
- Meta – LLaMA 3 Community License (2026) – clause de responsabilité
