La triche sur les benchmarks IA menace la fiabilité des LLM. Pour y parer, Google DeepMind déploie un protocole d'évaluation en double aveugle cryptographique via le Confidential Computing. Cette méthode protège l'IP des modèles tout en validant scientifiquement leur neutralité, assurant ainsi des audits souverains sécurisés et impartiaux. En 2026, la fiabilité des benchmarks IA est devenue un enjeu central de l'évaluation des modèles avancés. Les méthodologies traditionnelles peuvent être affectées par la contamination des données lorsque tout ou partie d'un jeu de test apparaît dans les données de pré-entraînement ou de post-entraînement. Dans ce cas, il devient plus difficile de déterminer dans quelle mesure un score mesure réellement la généralisation du modèle plutôt qu'une exposition préalable à des questions ou à des tâches similaires, notamment pour des benchmarks publics largement diffusés comme MMLU ou GSM8K. Les évaluations externes à forts enjeux rencontrent donc un compromis délicat. Transmettre des prompts confidentiels au fournisseur d'un modèle peut compromettre à terme l'intégrité du benchmark, tandis que demander les poids d'un modèle propriétaire à l'évaluateur expose un actif industriel sensible. Les protections contractuelles et les politiques de zéro journalisation restent utiles, mais elles reposent en partie sur la confiance entre les parties et ne fournissent pas à elles seules les garanties techniques recherchées pour les évaluations les plus sensibles. En proposant un cadre technique d'évaluation en double aveugle, Google DeepMind ouvre une voie supplémentaire pour réduire ce conflit. Le protocole peut renforcer la confiance dans certaines évaluations privées en empêchant le propriétaire du modèle d'accéder aux prompts confidentiels et l'évaluateur d'accéder aux poids du modèle. Il ne constitue toutefois ni une certification réglementaire universelle ni une garantie contre une contamination antérieure de benchmarks déjà publics. Cette rigueur complète les efforts menés en parallèle pour fiabiliser et instrumenter les architectures de production, à l'image de ce que propose la suite d'évaluation de la plateforme d'évaluation Artificial Analysis Optima pour construire des benchmarks personnalisés à partir de données et de workflows spécifiques. L'émergence de ce protocole en double aveugle met en lumière un paradoxe fascinant de l'industrie : plus les modèles deviennent stratégiques, plus les acteurs cherchent à pouvoir vérifier leurs comportements sans devoir révéler leurs actifs les plus précieux. Les contrats, les politiques de zéro journalisation et les engagements de confidentialité ne disparaissent pas ; l'attestation cryptographique et le Confidential Computing viennent leur ajouter une couche technique vérifiable. La confiance ne disparaît donc pas, elle se redistribue entre organisations, logiciels et fabricants de matériel. L'évaluation des modèles de frontière prend ainsi des airs de course à la protection des données. D'un côté, des modèles entraînés sur d'immenses corpus peuvent être exposés involontairement à des benchmarks publics. De l'autre, les évaluateurs cherchent à préserver des réserves de questions inédites suffisamment longtemps pour conserver leur valeur scientifique. Ce pilote de Google DeepMind montre qu'une partie de la réponse peut venir du Confidential Computing et de l'isolation matérielle. Observer la collaboration entre un laboratoire comme Google DeepMind, une instance nationale comme le Singapore AI Safety Institute, OpenMined, AVERI et MLCommons donne presque l'impression d'assister à la définition d'un nouveau protocole diplomatique pour les actifs numériques sensibles. Nous avons longtemps associé la confiance en IA à une transparence maximale. Cette expérimentation montre qu'une autre voie existe également : permettre à plusieurs parties de vérifier un calcul commun tout en préservant certaines informations qu'elles ne souhaitent légitimement pas révéler. Cette confidentialité mutuelle ouvre une perspective que je souhaite explorer à l'échelle industrielle : des principes voisins pourraient-ils faciliter des collaborations sur des données sensibles entre organisations concurrentes ? Google Cloud présente déjà Confidential Space comme une infrastructure pouvant servir à des scénarios de collaboration et de machine learning sur des données protégées. Le pilote DeepMind ne démontre pas encore une place de marché d'entraînement collaboratif, mais il illustre une architecture susceptible d'inspirer ce type de modèle : plusieurs acteurs pourraient à terme contribuer à un calcul partagé tout en réduisant l'exposition directe de leurs données ou de leur propriété intellectuelle.