Mistral AI : un portefeuille à deux étages, et un écart mesuré face à GPT-5

Une entreprise créée à Paris en avril 2023 [5][6] par trois chercheurs venus de Meta AI et de Google DeepMind [6] publie, cinq mois plus tard, son premier modèle sous une licence qui autorise n’importe qui à le télécharger, le modifier et le réutiliser sans demander la permission. Ce choix n’a rien d’anecdotique. Il fixe une direction que Mistral AI a tenue sur les jalons examinés ici, sans que cela vaille pour l’ensemble de son catalogue ultérieur.

Cette chronologie (Mistral 7B, Mixtral 8x7B, Mistral Large) est déjà largement couverte par la presse tech et par la communication publique de Mistral elle-même : ce n’est pas là que se loge mon apport propre. Ce que cette couverture confronte rarement, c’est cette direction assumée à un comparatif chiffré et indépendant face au haut du marché américain, puis à une grille de décision explicite pour choisir entre les deux options selon le cas d’usage.

Un choix d’ouverture dès le premier modèle

Le pas suivant : une architecture plus efficiente, toujours ouverte

Toujours du côté des faits. En décembre 2023 [8], Mistral publie Mixtral 8x7B [2], un modèle à mixture of experts (MoE) : plutôt que de mobiliser la totalité de ses paramètres pour traiter chaque mot, le modèle active seulement une partie de son réseau à chaque étape, choisie par un mécanisme de routage. Concrètement, Mixtral 8x7B dispose d’environ 47 milliards de paramètres au total, mais n’en active qu’environ 13 milliards pour traiter un mot donné, un principe détaillé dans la fiche dédiée du dossier consacrée aux architectures à mixture of experts. Ce choix architectural vise à réduire le coût de calcul par requête tout en limitant la perte de performance par rapport à un modèle dense de taille comparable, sans que l’article ne dispose ici d’un chiffrage indépendant de cet écart.

Mixtral 8x7B est publié, lui aussi, sous licence Apache 2.0 : l’ouverture n’était pas un coup d’essai pour se faire connaître, elle se poursuit sur un modèle plus ambitieux techniquement.

Deux axes qui persistent, génération après génération

En février 2024, Mistral publie Mistral Large [3], un modèle plus large, positionné pour rivaliser avec les modèles de pointe du marché, accessible via une API et non diffusé en poids ouverts. Ce choix ne contredit pas la direction initiale : la lecture la plus cohérente, sur les trois modèles observés ici, est celle d’un portefeuille à deux étages ; ce cadre reste à confronter aux publications futures de Mistral avant d’être considéré comme confirmé plutôt que comme une hypothèse de lecture. Un modèle bascule dans l’étage ouvert quand il sert avant tout à démontrer l’efficience et à ancrer l’adoption : poids sous licence Apache 2.0, taille pensée pour l’auto-hébergement. Il bascule dans l’étage propriétaire quand il vise la capacité de pointe et le financement de l’entreprise : accès par API, poids non diffusés. Mistral 7B et Mixtral 8x7B relèvent du premier étage, Mistral Large du second. Le test à appliquer à toute future publication de Mistral : regarder la licence et le canal de diffusion effectifs, pas le discours qui les accompagne.

Pourquoi cette direction, et pas une autre

Ce que j’en déduis. Le pari de l’efficience n’est pas qu’une question de moyens. Mistral, comparée aux géants américains du secteur, dispose vraisemblablement de ressources de calcul plus limitées (l’article ne dispose pas ici de chiffres comparatifs vérifiés sur ce point) : présenter l’efficience comme un choix stratégique de segment plutôt que comme une contrainte subie peut aussi se lire comme une manière de transformer une limite de moyens en avantage revendiqué. Les deux lectures ne s’excluent pas : un choix stratégique peut naître d’une contrainte réelle, sans cesser d’être un choix assumé une fois formulé et tenu dans la durée.

Le meilleur contre-argument à cette lecture

Ce qu’il faut en tirer. Je le formule sans l’atténuer : sur ce comparatif précis, Mistral Large 3 n’est pas seulement moins cher, il est aussi mesurablement moins capable et plus lent que le modèle américain auquel il se compare le plus naturellement en positionnement. Si l’efficience choisie était un pur choix stratégique indépendant de toute contrainte de moyens, je m’attendrais à voir Mistral égaler la capacité du haut du marché tout en restant moins coûteux à faire tourner. Ce n’est pas le cas : il est moins cher en partie parce qu’il en fait moins. Ce chiffre ne réfute pas la thèse du portefeuille à deux étages développée plus haut. Il oblige à la reformuler plus prudemment : l’efficience revendiquée par Mistral n’annule pas un écart de capacité brute mesurable face au haut du marché américain. Elle en fait un compromis assumé et documenté, pas une parité déguisée en choix de segment. C’est autre chose qu’une concession tardive : Mistral n’a pas renoncé après coup à rivaliser sur la capacité pure, elle n’a vraisemblablement jamais disposé de ressources comparables pour viser ce terrain-là en premier lieu (sans chiffres vérifiés pour l’établir, voir plus haut), et le communique en assumant le compromis plutôt qu’en le masquant.

Depuis Mistral 7B jusqu’à Mistral Large 3, la même logique se répète sous des formes différentes : rendre l’IA plus efficiente à faire tourner, et en garder une partie ouverte, plutôt que tout enfermer derrière une API propriétaire : un choix de segment qui coexiste avec un écart de capacité mesurable face au haut du marché, pas un moyen de l’effacer.

Mes réserves

• Je m’arrête aux jalons datés et publics les plus stables (Mistral 7B, Mixtral 8x7B, Mistral Large), sans couvrir l’ensemble du catalogue publié depuis, dont je ne détaille volontairement pas l’évolution la plus récente pour rester évergreen.
• La part de souveraineté numérique dans le positionnement de Mistral est en partie une lecture du débat public français et européen autour de l’entreprise, pas uniquement une déclaration mesurable et vérifiable chiffre à l’appui.
• Je n’ai pas de source chiffrée sur la part réelle des revenus de Mistral générée par les modèles ouverts par rapport aux modèles propriétaires : l’existence des deux gammes est établie, leur poids économique respectif ne l’est pas ici.
• L’indice composite d’intelligence d’Artificial Analysis, cité plus haut pour comparer Mistral Large 3 et GPT-5, est une mesure parmi d’autres, construite à partir d’un panier de bancs d’essai propre à ce cabinet : un autre indice donnerait probablement un classement relatif proche mais pas nécessairement identique. La vitesse mesurée par ce même cabinet est, elle, un fait d’observation directe moins sujet à ce biais de construction ; le prix, lui, résulte d’une méthodologie de facturation mixte propre à ce cabinet, donc d’une construction moindre que l’indice composite mais non nulle.
• Je ne détaille pas ici la structure capitalistique de Mistral AI (origine de ses investisseurs, part de capital non européenne) : la souveraineté numérique dont il est question porte sur le développement et l’hébergement des modèles, pas sur l’actionnariat de l’entreprise, que je ne documente pas dans cette pièce.

Concrètement, l’écart mesuré change ce qu’il faut demander avant de choisir. Sur une tâche qui exige la meilleure capacité de raisonnement disponible, l’écart de plus du simple au double sur l’indice d’Artificial Analysis désavantage nettement Mistral Large 3 face à GPT-5, quel que soit l’argument de souveraineté. Sur une tâche à fort volume et faible enjeu par requête, comme la classification de documents ou le support de premier niveau, la contrainte réelle est souvent l’hébergement en Europe ou le coût par token, pas le score brut d’intelligence. Dans ce cas, l’écart de prix mesuré par Artificial Analysis (0,60 contre 1,34 dollar par million de tokens) et la possibilité d’auto-hébergement pèsent davantage que l’écart de capacité qu’elle mesure. La direction de Mistral ne se choisit donc pas dans l’absolu : elle se choisit contre un cas d’usage précis, en comparant ce que coûte l’écart de capacité à ce que vaut la contrainte de souveraineté ou de coût.

Retour au dossier Comprendre les modèles post-LLM. Voir aussi Open source, Llama, Qwen : une direction collective et Convergence ou divergence des grands labs IA.