Des revenus et des compétences : les vraies raisons de la stratégie chinoise de Mistral
La petite musique s’estompe. Celle d’un Mistral qui aurait abandonné son métier historique d’éditeur de modèles. Avec la sortie début octobre de Mistral Large 4, la start-up parisienne est revenue dans la course à l’IA générative. Grâce à une architecture d’entraînement repensée, son dernier modèle s’approche des modèles chinois, sans toutefois les égaler. Mais avant de le déployer, les équipes ont dû proposer à leurs clients une alternative crédible pour le travail quotidien. Elles se sont donc tournées vers GLM, modèle en libre accès (poids ouverts) du laboratoire chinois Zhipu AI.
Un choix tranché et assumé qui a fait réagir dans le milieu français de la tech. Certains y ont vu une trahison de sa promesse de souveraineté, voire une félonie. Beaucoup s’accordaient à dire que l’entreprise glissait vers une activité de conseil et de cloud. Mais en coulisse, Mistral préparait déjà la suite de son business.
Créer du revenu récurrent
Si l’annonce du support de GLM par Mistral a fait pousser des cris d’orfraie dans les milieux économiques, suscitant une flopée de questions, l’explication de ce retournement est d’abord comptable. On l’a vu avec le dossier d’introduction en Bourse d’Anthropic : 7,33 milliards de dollars dépensés en calcul en 2025, pour 4,6 milliards de revenus. Les éditeurs d’IA brûlent des sommes effarantes de cash dans les infrastructures physique (GPU) pour simplement entraîner des modèles.
Mistral n’y échappe pas. Même en multipliant les levées (105 millions d’euros en 2023, 385 millions, 600 millions en 2024, 1,7 milliard en 2025 et 3 milliards en septembre 2026), le champion français dispose d’un capital limité pour entraîner ses modèles, face aux dizaines de milliards levés par OpenAI ou Anthropic. L'objectif de l'intégration de GLM est limpide : adosser à son chiffre d'affaires une source de revenus récurrents, en facturant aux entreprises chaque réponse produite au sein de leurs propres services. "C’est clairement un très bon business, qui apporte du récurrent dans leurs revenus, avec des capex qui s’amortissent. C’est bon pour la balance sheet", explique Bilal El Alamy, cofondateur et CEO de Pyratz (venture builder).
Côté conseil, Mistral s’inspire directement de Palantir et de ses ingénieurs détachés chez le client (forward deployed engineers). Le but ? Avoir des ingénieurs dans les entreprises pour installer et déployer les technologies et conseiller ses clients sur l’IA de manière générale. "C’est plus que du simple conseil", souligne Bilal El Alamy. Avoir ses équipes sur place, que ce soit pour GLM ou ses propres modèles, permet à Mistral de caler solidement un pied dans la porte des grands comptes. Des clients d'autant plus importants qu'ils sont les premiers concernés par une expression devenue très à la mode : l'IA souveraine. "Un segment où je vois clairement une forte perspective de croissance", applaudit Marc Trilling, président et cofondateur de Saegus, qui conseille les entreprises du CAC 40.
Une offre taillée pour l’inférence souveraine
L’inférence (processus qui permet de servir un modèle via un ou plusieurs serveurs) souveraine d’un modèle chinois répond aussi à un besoin immédiat. Selon Saegus, les entreprises du CAC 40 s’intéressent peu à l’origine du modèle, mais davantage à l’endroit où tourne l’inférence. "Cela montre les limites d’un raisonnement qui réduit la souveraineté à un drapeau", commente Marc Trilling. Et d’ajouter : "Si je suis une entreprise fortement exposée aux contraintes réglementaires, avec une forte exigence sur la localisation de mes données et de mon inférence, Mistral entre évidemment dans l’appel d’offres, systématiquement." Mistral ne dit pas autre chose. Dans un billet de blog du 11 août, l’entreprise assure que GLM et les futurs modèles tiers "tourneront sur la même infrastructure, avec les mêmes contrôles régionaux et les mêmes engagements de service" que ses propres modèles.
Le besoin est d’autant plus important que l’offre en France reste très restreinte. Pourtant, "certains de nos clients ont de vrais enjeux de souveraineté : un cas d’usage en production, au service des usagers du secteur public, sur des données hypersensibles. Ceux-là vont prendre de l’infrastructure, sur site ou en cloud", illustre Nicolas Gaudemet, chief AI officer de Onepoint. Or, pour de nombreuses entreprises, le coût d’une installation sur site ou sur leurs propres infrastructures cloud ne se justifie pas. Les modèles actuels sont bien trop lourds pour un déploiement économique. L'interface de Mistral devient alors la solution la plus logique pour les entreprises qui souhaitent un modèle servi en France et à coût raisonnable, nous explique encore Nicolas Gaudemet. Actuellement, seuls Scaleway, OVHcloud, Cloud Temple (plus récemment) et enfin Mistral proposent un accès souverain sans serveur (API) et à l’échelle à des modèles frontières.
Un banc d’essai pour les modèles frontières
Pour Mistral, héberger GLM offre un autre avantage : l’entreprise apprend à inférer un modèle frontière à l’échelle sur sa propre infrastructure. Servir proprement des milliers de clients avec des modèles de plusieurs centaines de milliards de paramètres n’est pas chose aisée. OpenAI et Anthropic s’y sont souvent cassé les dents, certes avec une clientèle sans commune mesure. "Une fois que les équipes de Mistral auront la bonne infrastructure, ils rattraperont très vite tout le monde, en profitant des bonnes pratiques déjà développées. Ce ne sera pas le meilleur modèle face à OpenAI, xAI ou Anthropic, mais l’écart sera si faible que pour 99% des cas d’usage, on ne verra pas la différence", juge encore Bilal El Alamy. Un savoir-faire qui servira ensuite à distribuer son propre modèle frontière.
Car c’est bien Mistral Large 4 que GLM aide à préparer. Si ses performances restent en retrait par rapport à la concurrence directe chinoise et américaine, les progrès sont là. Entraîner un modèle de 1 000 milliards de paramètres avec seulement 4 000 puces Nvidia Grace Blackwell relève de l’exploit technique. C’est là sa grande force. Les équipes de recherche sont parvenues à améliorer l'architecture d'apprentissage pour pousser les capacités du modèle au maximum. "On pense vraiment avoir trouvé la bonne méthode pour itérer", résume Pierre Stock, VP science de Mistral AI.
Une fois des capacités maétrielles pour des puces débloquées, les modèles pourraient encore s’améliorer et s’approcher véritablement de la frontière. Mais encore faut-il que les capacités de calcul suivent… Celles achetées avec la levée de série C (annoncée en septembre 2025) ne seront pleinement opérationnelles qu’entre fin octobre 2026 et début 2027. A terme, GLM devrait d’ailleurs céder sa place : "Le plan est évidemment d’avoir ML4 comme modèle par défaut dans tous nos produits", assure Pierre Stock. Le modèle chinois restera au catalogue, "mais par défaut, l’objectif est évidemment de mettre en avant Mistral Large 4", prévient Guillaume Lample, cofondateur et chief science officer de Mistral. Evidemment.