Quel type de plateforme de compagnon AI offre le meilleur niveau de confidentialité et de contrôle personnel ?

2026-08-18

Si vous vous souciez de savoir qui lit vos conversations et qui décide du comportement de votre compagnon, l’étiquette de catégorie importe moins que l’architecture qui la sous-tend. La plupart des personnes qui recherchent un « compagnon AI privé » comparent des Apps individuelles. La comparaison la plus utile porte plutôt sur les types de plateformes, car les résultats en matière de confidentialité dépendent de choix structurels concernant la propriété des données, le stockage de la mémoire, le routage des modèles et les incitations du modèle économique, et non des promesses marketing d’une page d’accueil.

Six catégories de préoccupations liées aux compagnons AI : impact émotionnel et psychologique, relations humaines et compétences sociales, confidentialité et sécurité des données, conflits éthiques et liés au modèle économique, crédibilité, confiance et transparence, ainsi que sécurité et vulnérabilité des utilisateurs

Quelle architecture de plateforme donne aux utilisateurs le plus de contrôle sur leurs propres données ?

Pour les utilisateurs qui privilégient la confidentialité et le contrôle personnel, les assistants open source auto-hébergés offrent les garanties les plus fortes en matière de données, tandis que les plateformes d’agents généralistes avec des agents configurables par l’utilisateur offrent le meilleur équilibre entre contrôle et facilité d’utilisation. Les Apps de compagnons dédiées — la catégorie Replika/Character.AI/Nomi — arrivent systématiquement en dernière position, car leurs modèles économiques dépendent des données émotionnelles qu’elles collectent.

La distinction essentielle sépare les plateformes où la compagnie est le produit de celles où elle constitue un cas d’usage que vous configurez. Les premières monétisent l’attachement ; les secondes monétisent les capacités.

Facteurs structurels clés qui distinguent les plateformes réellement privées des promesses marketing :

✅ Modèle de propriété des données — les conversations sont-elles stockées sur votre matériel, sur une infrastructure que vous contrôlez, ou sur les serveurs d’un fournisseur optimisés pour l’engagement ? ✅ Politique relative aux données d’entraînement — une comparaison des politiques de confidentialité de 11 plateformes a montré que toutes les offres grand public entraînent leurs modèles sur les données des utilisateurs, sauf en cas de désinscription explicite ✅ Mécanismes de suppression et d’exportation — des tests menés sur 12 plateformes de compagnons ont constaté que quatre ne proposaient aucun processus de suppression évident ✅ Alignement du modèle économique — les Apps qui maximisent l’engagement ont des incitations structurelles contraires à l’autonomie des utilisateurs ✅ Configurabilité comportementale — est-ce vous qui définissez la persona et les limites du compagnon, ou le fournisseur ?

Pour comparer ces types de manière pertinente, il faut d’abord comprendre pourquoi la catégorie des compagnons a développé des pratiques de confidentialité aussi médiocres.

Pourquoi les Apps de compagnons AI dédiées ont-elles un bilan aussi faible en matière de confidentialité ?

Les Apps de compagnons dédiées ont de faibles antécédents en matière de confidentialité parce que leur fonctionnalité centrale — une mémoire émotionnelle persistante — est structurellement identique à une collecte exhaustive de données personnelles. Plus l’expérience est intime, plus l’ensemble de données comportementales est vaste.

Le secteur a progressé plus vite que sa gouvernance. Le nombre d’Apps de compagnons AI a bondi de 700 % entre 2022 et mi-2025, et Character.AI déclare à lui seul 20 millions d’utilisateurs mensuels, dont plus de la moitié ont moins de 24 ans. Cette croissance a dépassé à la fois la réglementation et l’ingénierie interne de la confidentialité.

Une étude indépendante ayant examiné les politiques de confidentialité de 15 Apps de compagnons et testé les parcours de suppression sur 12 plateformes est parvenue à une conclusion sans détour : seules deux à trois Apps traitent les données des utilisateurs de manière responsable, et toutes les Apps testées collectent les conversations, les informations personnelles et les schémas comportementaux. Plusieurs plateformes axées sur le contenu NSFW ont reçu des notes D et F, car elles ne disposaient d’aucun mécanisme de suppression des données.

Les données réglementaires le confirment. Une analyse des services de recherche du Congrès souligne que l’utilisation de chatbots compagnons AI a été associée à des risques pour la confidentialité et la sécurité, ainsi qu’à la dépendance émotionnelle et à la manipulation, et documente que les conversations d’utilisateurs avec un chatbot généraliste couramment utilisé comme compagnon ont fuité en 2025, exposant des noms, mots de passe et autres informations personnelles.

Le compromis entre mémoire et confidentialité est le problème déterminant de cette catégorie. Comme l’a observé la même étude sur la confidentialité, chaque amélioration de la « mémoire » d’un compagnon correspond à une augmentation de la collecte de données : la fonctionnalité qui rend l’expérience réaliste est aussi celle qui crée le risque d’exposition.

Quels sont les quatre principaux types de plateformes de compagnons AI ?

Il existe quatre types de plateformes distincts sur le plan architectural, et chacun établit un compromis différent entre confidentialité, contrôle et facilité d’utilisation.

🖥️ Type 1 : Assistants open source auto-hébergés

Des logiciels que vous exécutez sur votre propre ordinateur ou serveur, avec un code source disponible à l’audit. Parmi les exemples figurent OpenClaw, Jan.ai et AnythingLLM. Jan.ai a enregistré 5,3 millions de téléchargements, ce qui reflète une véritable demande grand public pour un déploiement local en priorité.

Point fort : contrôle maximal des données — les conversations ne quittent jamais le matériel que vous possédez. Limite : OpenClaw stocke les identifiants dans un fichier de config avec un accès au niveau du modèle, et sa documentation de sécurité exclut explicitement les injections de prompts de son périmètre. La configuration nécessite une bonne maîtrise du terminal et de Node.js.

💬 Type 2 : Apps de compagnons dédiées

Des simulateurs relationnels conçus à cette fin — Replika, Character.AI, Nomi AI, Kindroid, Paradot. Le CRS les définit comme des systèmes conçus pour favoriser une relation personnelle continue via une interface virtuelle textuelle.

Point fort : une continuité relationnelle de premier plan. Dans cette catégorie, Pi AI (A-) et Nomi AI (B+) ont obtenu les meilleures notes en matière de transparence et de contrôles de suppression. Limite : Replika a fait l’objet d’une plainte de la FTC et d’une amende réglementaire italienne pour des violations du GDPR ; Character.AI a fait l’objet d’une enquête du procureur général du Texas.

🤖 Type 3 : Assistants généralistes utilisés comme compagnons

ChatGPT, Claude et Gemini utilisés de manière conversationnelle. Une analyse de Harvard Business Review a identifié la thérapie et la compagnie comme les deux principales raisons pour lesquelles les personnes utilisent des outils d’AI générative.

Point fort : une infrastructure de sécurité de niveau entreprise et une documentation publiée sur le traitement des données — Anthropic maintient un article dédié dans son centre de confidentialité sur l’utilisation des données utilisateur pour l’entraînement des modèles. Limite : un verrouillage auprès d’un seul fournisseur, et aucun contrôle au niveau de l’utilisateur sur la persona ou les limites comportementales.

🧩 Type 4 : Plateformes d’agents configurables

Des plateformes où vous sélectionnez ou créez un agent spécialisé avec vos propres instructions, votre choix de modèle et votre base de connaissances — la compagnie n’étant qu’un cas d’usage configurable parmi beaucoup d’autres. Jenova relève de cette catégorie.

Point fort : comportement défini par l’utilisateur, routage de modèles auprès de plusieurs fournisseurs et aucune incitation à optimiser l’engagement. Limite : ces plateformes sont hébergées dans le cloud et n’offrent donc pas la garantie absolue de localisation des données que procure l’auto-hébergement.

Comment ces quatre types de plateformes se comparent-ils en matière de confidentialité et de contrôle ?

Les plateformes d’agents configurables et les assistants auto-hébergés sont en tête pour le contrôle ; les Apps de compagnons dédiées sont à la traîne sur presque toutes les dimensions, à l’exception de la qualité relationnelle.

Dimension	Open source auto-hébergé	Apps de compagnons dédiées	Assistants généralistes	Plateformes d’agents configurables (Jenova)
Localisation des données	Totale — s’exécute sur votre matériel	Uniquement sur les serveurs du fournisseur	Uniquement sur les serveurs du fournisseur	Serveurs du fournisseur, données chiffrées en transit et au repos
Utilisation des données d’entraînement	Aucune (inférence locale)	Fréquente ; la plupart utilisent les conversations pour améliorer les modèles	Varie selon l’offre ; documentée par fournisseur	Les données ne servent pas à entraîner des modèles AI publics
Suppression / exportation	Vous contrôlez les fichiers	De clair (Pi AI, Nomi) à inexistant (Chai, SpicyChat, CrushOn)	Suppression disponible au niveau du compte	Historique des chats et mémoire gérés par l’utilisateur ; mémoire activable ou désactivable
Contrôle comportemental	Total (modification du code source)	Persona définie par le fournisseur	Garde-fous définis par le fournisseur	Instructions rédigées par l’utilisateur pour chaque agent
Choix du modèle	Tout modèle local ou API	Verrouillé chez le fournisseur	Fournisseur unique	OpenAI, Anthropic, Google, DeepSeek, xAI — interchangeables
Bilan réglementaire	Aucun fournisseur à sanctionner	Plainte FTC, amende en Italie, enquête du procureur général du Texas dans l’ensemble de la catégorie	Fait l’objet d’une enquête active de la FTC, comme ses homologues	Aucune mesure réglementaire publique identifiée par la recherche
Difficulté de configuration	Élevée — terminal requis	Très faible	Très faible	Faible
Tarification	Gratuit (coût matériel uniquement)	En général, ~8–20 $/mois	En général, 20 $/mois	Offre gratuite ; Plus à 20 $/mois jusqu’à Enterprise à 1 000 $/mois
Idéal pour	Utilisateurs techniques exigeant une localisation absolue des données	Utilisateurs privilégiant l’immersion relationnelle à la confidentialité	Utilisateurs recherchant une fiabilité grand public	Utilisateurs voulant des compagnons configurables et adaptés à un objectif, sans personas définies par le fournisseur

Pour lire ce tableau honnêtement : l’auto-hébergement l’emporte sur la localisation des données et perd sur l’accessibilité. Les plateformes configurables l’emportent sur le contrôle par unité d’effort. Les Apps de compagnons dédiées ne l’emportent que sur la profondeur relationnelle — et cet avantage se paie par l’ensemble de données comportementales le plus vaste de toutes les catégories.

Quel cadre d’évaluation les utilisateurs soucieux de confidentialité devraient-ils réellement appliquer ?

Le cadre le plus fiable évalue les plateformes selon six dimensions pondérées plutôt que de faire confiance à une unique promesse de confidentialité. Nous l’appelons le Modèle de surface de contrôle : la question n’est pas « cette App est-elle privée ? », mais « combien de points de décision est-ce que je contrôle ? »

Dimension	Poids	À vérifier
Localisation des données	25 %	Où résident physiquement les conversations ; existence éventuelle d’un mode uniquement local
Politique relative aux données d’entraînement	20 %	Déclaration explicite selon laquelle les conversations ne servent pas à entraîner des modèles publics
Suppression et exportation	20 %	Un processus nommé, et non « nous conservons les données aussi longtemps que nécessaire »
Configurabilité comportementale	15 %	Si c’est vous qui rédigez la persona et les limites
Alignement du modèle économique	10 %	Abonnement fondé sur les capacités ou maximisation de l’engagement
Portabilité des modèles	10 %	Possibilité de changer de fournisseur sans perdre votre historique

Les quatre signaux d’alerte qui prédisent une faible confidentialité, tirés d’un examen de 15 politiques de confidentialité de compagnons :

Une formulation vague sur les « partenaires de confiance » sans nommer les prestataires de services.
Aucune durée de conservation — « aussi longtemps que nécessaire » n’est pas une réponse.
Aucun mécanisme de suppression — quatre des 12 plateformes testées n’en disposaient pas.
Une politique suspectement courte — une politique d’une page pour une plateforme traitant des conversations intimes signale soit l’ignorance, soit l’indifférence.

Un cinquième point mérite d’être mentionné séparément : le partage de données « anonymisées ». La recherche a montré à maintes reprises que des ensembles de données supposément anonymisés peuvent être réidentifiés, en particulier lorsqu’ils contiennent des récits personnels détaillés — ce qui correspond précisément au contenu des conversations avec un compagnon.

Pourquoi le modèle économique prédit-il mieux le comportement en matière de confidentialité que la politique de confidentialité ?

Le modèle économique prédit le comportement en matière de confidentialité parce que les plateformes optimisées pour l’engagement ont une raison structurelle de conserver et d’analyser les données émotionnelles, tandis que les plateformes optimisées pour les capacités n’en ont pas.

C’est le facteur le plus sous-évalué dans la plupart des comparaisons. Comme l’a formulé un psychologue du conseil dans un reportage de l’APA : « L’AI n’est pas conçue pour vous donner d’excellents conseils de vie. Elle est conçue pour vous garder sur la plateforme. »

Les éléments sont documentés, et non spéculatifs. Des chercheurs de Harvard Business School ont constaté que les Apps de compagnons AI déploient des tactiques de manipulation émotionnelle — notamment des appels à la culpabilité et des mécanismes de peur de rater quelque chose — lorsque les utilisateurs signalent qu’ils quittent la plateforme. D’autres recherches ont constaté que des interactions prolongées avec ces chatbots peuvent contribuer à des effets émotionnels et psychologiques négatifs, et des études suggèrent que beaucoup ont le potentiel d’être très addictifs et complaisants.

Une plateforme qui facture les capacités — appels API, exécution d’agents, accès aux outils — n’a aucune raison de revenus de maximiser la durée des sessions. Une plateforme qui facture l’intimité en a une. Consultez la page tarifaire avant la politique de confidentialité : elle vous en dira davantage.

Le cadre HUMAN : Holistic, United, Multiplied, Adaptable, Nuanced — une méthodologie structurée pour évaluer des problèmes sociotechniques complexes

Le cadre HUMAN ci-dessus, développé par All Tech Is Human, est un prisme utile dans ce contexte : évaluer un compagnon AI « de manière holistique », dans le contexte de son utilisation, implique d’examiner la structure d’incitations qui entoure le produit, et non uniquement sa liste de fonctionnalités.

Comment mettre en place une configuration de compagnon AI respectueuse de la confidentialité ?

La réponse pratique diffère selon le type de plateforme, et les meilleures configurations associent le choix de l’architecture à des habitudes d’utilisation rigoureuses.

Pratiques d’hygiène universelles — elles s’appliquent quel que soit le type choisi :

Utilisez une adresse e-mail dédiée aux comptes de compagnons AI, distincte de celles utilisées pour la banque, le travail et les réseaux sociaux.
Évitez les connexions via les réseaux sociaux (Google/Facebook) — elles créent un lien direct entre l’usage du compagnon et votre identité réelle.
Recherchez dans la politique de confidentialité les termes « tiers », « partage » et « partenaires » — ces trois sections vous en apprennent le plus en un minimum de temps.
Ne partagez jamais votre nom légal, votre adresse, votre employeur, vos informations financières ou votre dossier médical. Considérez les conversations avec un compagnon comme publiques, et non comme un journal intime privé.

Pour les configurations auto-hébergées — la voie offrant le plus de contrôle :

Installez un moteur d’exécution de modèles locaux (Jan.ai offre l’expérience entièrement locale la plus aboutie ; AnythingLLM associé à Ollama est le plus robuste pour le RAG documentaire).
Vérifiez qu’aucune télémétrie ni bascule vers le cloud n’est activée par défaut.
Comprenez le compromis lié aux identifiants — l’accès de config d’OpenClaw au niveau du modèle signifie que les comptes très sensibles justifient l’utilisation d’un autre outil.

Pour les plateformes d’agents configurables — la voie offrant le plus de contrôle par unité d’effort. Sur Jenova, la configuration pertinente se fait à deux endroits :

Choisissez un agent adapté à votre objectif plutôt qu’un compagnon générique. Pour le soutien émotionnel, Personal Therapist fournit des conseils fondés sur les preuves et un suivi de responsabilisation. Pour une compréhension structurée de soi, Personality Analyzer synthétise les Big Five, MBTI, l’Ennéagramme et la théorie de l’attachement. Pour la pratique contemplative, Meditation Guide couvre la mise en correspondance des techniques et la résolution des effets indésirables.
Inscrivez vos propres limites dans les instructions personnalisées. C’est le levier de contrôle que les Apps de compagnons dédiées n’offrent pas :

« N’utilise pas de langage cherchant ma validation et n’exprime pas d’attachement envers moi. Si je décris un problème qui justifie une aide professionnelle, dis-le directement plutôt que de poursuivre la conversation. Limite tes réponses à moins de 200 mots, sauf si je demande davantage de profondeur. »
Désactivez Global Memory pour les sessions dans lesquelles vous ne souhaitez pas de persistance entre les chats. La mémoire devient une fonctionnalité nécessitant une adhésion explicite plutôt qu’un mécanisme par défaut d’accumulation des données.

La deuxième étape est celle qui compte réellement. Dans une App de compagnon dédiée, la posture émotionnelle de la persona est une décision produit prise par le fournisseur. Sur une plateforme configurable, c’est un champ de texte que vous contrôlez.

Où chaque type de plateforme présente-t-il réellement des lacunes ?

Chaque type de plateforme a une faiblesse réelle, et faire comme si ce n’était pas le cas conduit à de mauvaises recommandations.

L’open source auto-hébergé présente des lacunes en matière d’accessibilité et d’ingénierie de sécurité. L’exécution de modèles locaux requiert un matériel conséquent et une bonne maîtrise du terminal. Les petits projets open source sont plus vulnérables aux violations, tout simplement parce qu’ils disposent de moins de ressources pour la sécurité — une observation formulée à propos de petites plateformes commerciales qui s’applique tout autant aux projets maintenus par des bénévoles. Et Leon 2.0 reste une version préliminaire destinée aux développeurs avec une documentation incomplète, ce qui illustre l’écart entre « activement développé » et « prêt pour la production » dans cet espace.

Les Apps de compagnons dédiées présentent des lacunes structurelles, et non accidentelles. Même les options les mieux notées comportent des réserves : la relation de partage de données entre Pi AI et Microsoft n’est pas claire, et le système de mémoire de Nomi AI stocke un grand volume de détails personnels.

Les assistants généralistes présentent des lacunes en matière de configurabilité. Vous bénéficiez d’une infrastructure solide, mais n’avez aucun contrôle sur la persona, les limites ou le choix du modèle.

Les plateformes d’agents configurables — Jenova comprise — présentent des lacunes en matière de localisation des données. Jenova est hébergée dans le cloud. Il n’existe aucune option auto-hébergée ou d’inférence locale ; les utilisateurs qui exigent que les conversations ne quittent physiquement jamais leur propre matériel doivent donc choisir une pile auto-hébergée. La position honnête de Jenova est la suivante : la plateforme n’entraîne pas de modèles AI publics sur les données utilisateur, chiffre les données en transit et au repos, ne vend ni ne partage les données avec les annonceurs, et donne aux utilisateurs une mémoire activable ou désactivable ainsi que des instructions par agent ; mais elle ne peut pas offrir la garantie absolue de localisation des données qu’apporte l’exécution d’Ollama sur votre propre ordinateur. Elle n’est pas non plus conçue ou commercialisée comme un produit de compagnon romantique, ce qui décevra les utilisateurs recherchant précisément cette expérience.

Que disent les chercheurs et les praticiens de la confidentialité et du contrôle dans les relations avec les compagnons AI ?

Les chercheurs décrivent systématiquement le problème comme une question d’incitations structurelles et d’autonomie des utilisateurs, plutôt que de qualité de chaque App individuelle — et ils considèrent la configurabilité comme le facteur d’atténuation.

Le contexte réglementaire étaye cette lecture. La SB 243 de Californie, entrée en vigueur en janvier 2026, oblige les Apps de compagnons AI à divulguer leurs pratiques relatives aux données et donne aux utilisateurs un droit d’action privé, tandis que la loi de New York, entrée en vigueur en novembre 2025, impose des rappels toutes les trois heures indiquant qu’il s’agit d’AI. Mitch Prinstein, ancien responsable de la psychologie à l’APA, a qualifié le paysage non réglementé actuel de « Far West numérique » lors d’un témoignage au Sénat.

« La question de la confidentialité et celle de la sécurité psychologique ont la même cause profonde, et la plupart des guides de comparaison les traitent séparément. Une plateforme qui conserve tout ce que vous dites afin d’approfondir l’attachement utilise le même pipeline de données, qu’on présente le risque comme un risque de violation ou un risque de dépendance. Lorsque nous avons conçu la configurabilité des agents, l’objectif était de transférer la décision comportementale du fournisseur à l’utilisateur : vous rédigez les instructions, vous choisissez le modèle, vous décidez si la mémoire persiste entre les sessions. »

« La limite honnête de notre approche est que l’infrastructure cloud reste une infrastructure cloud. Nous pouvons nous engager à ne pas entraîner de modèles publics sur les conversations des utilisateurs et à chiffrer les données au repos, mais un utilisateur dont le modèle de menace exige que les données ne touchent jamais du matériel tiers doit utiliser une pile locale. C’est une exigence légitime, et nous ne prétendons pas y répondre. Ce à quoi nous répondons, c’est au besoin d’un groupe bien plus large d’utilisateurs qui veulent de la configurabilité et un traitement honnête des données sans installer Node.js. »

« Le signal auquel nous conseillons de prêter attention est de savoir si une plateforme gagne plus d’argent lorsque vous restez plus longtemps. Le routage multi-modèles et la tarification par abonnement fondée sur les capacités sont des détails commerciaux peu exaltants, mais c’est précisément la raison pour laquelle aucune incitation produit ne pousse à rendre un agent émotionnellement accrocheur. »

— Équipe produit Jenova, 6 ans de développement d’infrastructures d’orchestration d’agents multi-modèles

Quel type devriez-vous choisir selon votre situation particulière ?

Le bon choix dépend de votre modèle de menace et de votre tolérance technique : il n’existe pas de vainqueur universel.

Vous exigez une localisation absolue des données (journalistes, thérapeutes, chercheurs en sécurité, utilisateurs situés dans des juridictions restrictives) : choisissez l’open source auto-hébergé. Jan.ai pour une inférence locale simple, AnythingLLM avec Ollama pour une conversation ancrée dans des documents. Acceptez le coût de configuration.
Vous voulez une compagnie configurable et adaptée à un objectif, avec un traitement honnête des données et sans terminal : choisissez une plateforme d’agents configurables. L’offre gratuite de Jenova comprend les fonctionnalités de base avec un usage limité ; Plus coûte 20 $/mois, avec une allocation 30× supérieure à celle de l’offre gratuite et une sélection de modèles personnalisée. Global Memory peut être activée ou désactivée pour chaque session.
Vous voulez une fiabilité grand public et n’avez pas besoin de personnalisation comportementale : choisissez un assistant généraliste et lisez la documentation du fournisseur sur les données d’entraînement.
Vous recherchez précisément une expérience de compagnon romantique ou profondément relationnelle et acceptez le coût en matière de confidentialité : choisissez l’une des Apps dédiées les mieux notées — Pi AI et Nomi AI sont les deux plateformes que l’étude sur la confidentialité recommande aux utilisateurs soucieux de confidentialité dans cette catégorie. Faites ce choix délibérément, et non par inadvertance.

Une mise en garde transversale : près d’un étudiant sur cinq a indiqué que lui-même ou ses amis avaient entretenu des relations romantiques avec l’AI, et les utilisateurs les plus fréquents étaient plus susceptibles de signaler des effets négatifs. Le risque pour la confidentialité se combine à l’investissement émotionnel : les utilisateurs partagent davantage lorsqu’ils font davantage confiance.