Mistral sert GLM, un modèle chinois, pour financer sa course et apprendre à l’échelle
Revenus récurrents, savoir-faire d’inférence et attentes des grands comptes : l’hébergement de GLM par Mistral répond à une logique économique et technique.
Par
Inès Taleb
En bref
- Mistral sert GLM, un modèle à poids ouverts de Zhipu AI, depuis l’été.
- Mistral Large 4, sorti début octobre, doit devenir le modèle par défaut de ses produits.
- Seuls Scaleway, OVHcloud, Cloud Temple et Mistral offrent un accès souverain par API à l’échelle à des modèles frontières.
Si Mistral propose GLM, c’est d’abord pour financer sa course et pour apprendre à servir un très gros modèle à grande échelle. D’après le Journal du Net, la start-up parisienne sert depuis l’été ce modèle à poids ouverts du laboratoire chinois Zhipu AI sur sa plateforme.
Un modèle chinois servi avant l’arrivée de Mistral Large 4
Début octobre, Mistral a lancé Mistral Large 4, doté de 1 000 milliards de paramètres. Ses performances restent proches de celles des modèles chinois, sans toutefois les atteindre. Préalablement à son déploiement, il a fallu proposer à la clientèle une option fiable pour l’usage de tous les jours, et les équipes ont choisi GLM.
Le choix a fait réagir dans la tech française : certains y ont vu une trahison de la promesse de souveraineté, d’autres un glissement vers le conseil et le cloud.
Une logique d’abord comptable
Pour entraîner leurs modèles, les éditeurs d’IA engloutissent des montants énormes dans les puces. Mistral a levé 105 M€ en 2023, puis 385 M€ et 600 M€ en 2024, 1,7 Md€ en 2025 et 3 Md€ en septembre 2026. Cela reste un capital modeste comparé aux dizaines de milliards rassemblés par OpenAI ou Anthropic. Quant à la puissance de calcul financée par la série C, annoncée en septembre 2025, elle ne devait tourner à plein régime qu’à partir de fin octobre 2026, voire début 2027.
GLM ajoute des revenus récurrents : les entreprises paient pour chaque réponse produite dans leurs propres services. Bilal El Alamy, cofondateur et CEO de Pyratz (venture builder), y voit « un très bon business » : « 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 ».
Côté conseil, Mistral s’inspire de Palantir et de ses forward deployed engineers : des ingénieurs placés chez le client pour installer les technologies, les déployer et conseiller sur l’IA.
Ce que cherchent les entreprises
- Le lieu de l’inférence. Selon Saegus, les entreprises du CAC 40 se soucient peu de l’origine du modèle, davantage de l’endroit où il tourne. Marc Trilling, président et cofondateur de Saegus, estime que cela « montre les limites d’un raisonnement qui réduit la souveraineté à un drapeau ».
- Des garanties identiques. Dans son billet de blog daté du 11 août, Mistral affirme que GLM, comme les prochains modèles de tiers, fonctionneront sur une infrastructure commune, soumise aux mêmes contrôles par région et aux mêmes engagements de service que ses propres modèles.
- Une offre rare. Sur le marché, seuls Scaleway, OVHcloud, Cloud Temple (arrivé plus récemment) et Mistral donnent un accès souverain en mode serverless (API), à grande échelle, à des modèles de pointe.
- Un coût de déploiement évité. Beaucoup d’entreprises n’ont aucun intérêt économique à installer ces modèles sur leurs serveurs ou leur propre cloud : les modèles d’aujourd’hui sont trop volumineux pour que l’opération reste rentable.
Nicolas Gaudemet, chief AI officer de Onepoint, évoque pourtant des clients confrontés à de réels enjeux de souveraineté, car leurs données sont hypersensibles. Ceux-là choisiront une installation sur leurs propres serveurs ou dans un cloud dédié.
Un banc d’essai pour Mistral Large 4
En hébergeant GLM, Mistral apprend à faire tourner l’inférence d’un modèle de pointe, à grande échelle, sur ses propres infrastructures. Ce savoir-faire servira ensuite à diffuser son propre modèle. Mistral Large 4 n’a nécessité que 4 000 puces Nvidia Grace Blackwell pour son entraînement, grâce à une architecture d’apprentissage perfectionnée. Pierre Stock, VP science de Mistral AI, résume : « On pense vraiment avoir trouvé la bonne méthode pour itérer ».
GLM restera au catalogue. Selon Pierre Stock, « Le plan est évidemment d’avoir ML4 comme modèle par défaut dans tous nos produits ». Guillaume Lample, cofondateur et chief science officer, précise : « mais par défaut, l’objectif est évidemment de mettre en avant Mistral Large 4 ».
Photo : U.S. Department of Energy / Wikimedia Commons
