Les modèles open source hébergés en Europe divisent le coût de votre intelligence artificielle par deux, souvent bien davantage. Vos données confidentielles ne quittent plus l'entreprise, et la conformité AI Act devient un argument commercial au lieu d'une contrainte.
Demander un audit de vos coûts IA · Parler à un expert
Le 21 juillet 2026, Microsoft a signé avec Mistral AI un accord de plusieurs milliards de dollars (communiqué Microsoft du 21 juillet 2026). Pas pour acheter des modèles : pour acheter de la puissance de calcul dans les data centers européens de la start-up française. Le premier hyperscaler mondial achète du calcul à une entreprise européenne, sur le sol européen.
Arthur MENSCH, cofondateur de Mistral, l'avait résumé devant les parlementaires français, lors de son audition à l'Assemblée nationale le 12 mai 2026 : « 10 % pour celui qui fournit l'électricité, 90 % pour celui qui la transforme en intelligence » (source : vidéo officielle de l'Assemblée nationale du 12 mai 2026). Un data center est une raffinerie d'un nouveau genre. Il prend de l'électricité en entrée, la fait passer par des processeurs graphiques, et produit en sortie des tokens, c'est-à-dire de l'intelligence utilisable.
Un mégawattheure vendu brut sur le marché de gros français vaut environ 70 euros. Le même mégawattheure passé dans des GPU produit de l'ordre de trois milliards de tokens en inférence open source, soit environ 600 euros de valeur. Même énergie, dix fois la valeur captée. Et ce n'est que le plancher, parce que le prix du token dépend entièrement du modèle qui le produit.
Encadré de preuve. Mistral déclare avoir investi un milliard d'euros dans ses infrastructures, financés notamment par emprunt, avec un objectif d'un gigawatt de puissance installée d'ici 2030. L'engagement de volume pluriannuel signé par Microsoft est précisément ce qui rend ce capex bancable.
La plupart des entreprises françaises paient leur intelligence artificielle au prix du modèle propriétaire de frontière, alors que la majorité de leurs usages métier n'en ont pas besoin. Extraction de données dans des documents, classification de tickets, rédaction de comptes rendus, réponses de premier niveau au support, résumés de réunions : ces tâches sont traitées avec une qualité équivalente par des modèles open source qui coûtent dix à cinquante fois moins cher au million de tokens.
Ordres de grandeur. API propriétaire américaine : environ 10 euros le million de tokens. Open source servi sur infrastructure européenne : environ 0,20 euro le million de tokens. Volume mensuel d'une PME qui automatise son support : environ 1 milliard de tokens. Facture mensuelle en propriétaire : environ 10 000 euros. Facture mensuelle en open source européen : environ 200 euros.
Ces chiffres sont des ordres de grandeur de marché, pas des tarifs contractuels. Le curseur exact dépend de votre mix entrée-sortie et du modèle retenu. Mais le ratio, lui, tient sur toute la fourchette : personne ne paie cinquante fois moins cher par hasard, on le paie moins cher parce qu'on a arrêté d'utiliser un modèle de frontière pour classer des e-mails.
C'est la situation de départ de la quasi-totalité des entreprises. Coût maximal, données transitant hors Union européenne, dépendance totale à un fournisseur unique qui peut modifier ses tarifs, déprécier un modèle ou changer ses conditions d'usage sans préavis. Le seul avantage réel est la vitesse de démarrage.
Vous restez sur un modèle managé, mais l'hébergement et le contrat relèvent du droit européen. Le coût baisse déjà nettement, la question du transfert de données hors Union disparaît, et vous cessez de dépendre d'une politique commerciale extra-européenne. C'est le premier palier réellement défendable devant un client grand compte ou un délégué à la protection des données.
Vous choisissez le modèle, vous le faites servir par un hébergeur européen, vous ne payez plus une licence mais du calcul. C'est le palier où l'économie devient spectaculaire, entre dix et cinquante fois selon les usages. Vous gagnez aussi la portabilité : le même modèle peut être déplacé d'un hébergeur à un autre, ou rapatrié chez vous, sans réécrire vos applications.
Les modèles tournent sur vos serveurs, dans vos locaux ou dans un data center dont vous maîtrisez le contrat. Aucune donnée ne sort. Le coût marginal d'un token tend vers le coût de l'électricité et de l'amortissement matériel. C'est le palier qui transforme une ligne de charge en actif, et c'est celui que nous construisons avec les entreprises dont les volumes le justifient.
La bascule d'un palier au suivant ne se décide pas sur une conviction, elle se calcule. En dessous d'un certain volume mensuel, le palier 3 reste le meilleur rapport coût-effort. Au-dessus, l'amortissement d'une infrastructure dédiée devient plus rentable que la facture d'inférence, et le calcul s'inverse.
L'électricité ne représente qu'une fraction du coût réel d'un token. L'essentiel, c'est l'amortissement des processeurs graphiques. Un GPU à l'arrêt produit zéro token et coûte exactement le même prix qu'un GPU saturé. Toute la rentabilité d'une infrastructure IA tient donc à son taux de charge.
C'est ce qui explique la structure de l'accord Microsoft-Mistral. Microsoft n'apporte pas un chèque, il apporte un engagement de volume pluriannuel, et un engagement de volume rend l'investissement finançable. C'est exactement la mécanique qui a permis à SpaceX de construire ses lanceurs sur des contrats institutionnels avant de revendre la capacité marginale au monde entier. On ne vend pas la fusée, on vend l'accès. On ne vend pas l'électron, on vend le token.
À l'échelle d'une entreprise, la traduction est simple : une infrastructure IA dédiée n'est jamais rentable si elle sert un seul cas d'usage. Elle le devient quand elle porte le support, la documentation, l'analyse contractuelle, les comptes rendus et les agents internes sur la même machine. La bonne question n'est pas combien coûte le serveur, c'est combien de processus vont passer dessus.
Le règlement européen sur l'intelligence artificielle impose une classification des systèmes par niveau de risque, une documentation technique, une traçabilité des données d'entraînement et d'usage, et une information des personnes concernées. Ces obligations sont largement présentées comme un frein. Dans les faits, elles sont beaucoup plus simples à satisfaire quand le modèle tourne chez vous.
Une IA hébergée sur votre infrastructure vous donne l'inventaire exact des traitements, les journaux complets, la localisation certaine des données, et la capacité de démontrer qu'aucune information client n'a servi à entraîner un modèle tiers. Ces éléments sont précisément ceux qu'un auditeur, un grand compte ou un service achats vous demandera. L'entreprise qui les produit en une journée gagne des appels d'offres contre celle qui met trois semaines à interroger son fournisseur américain.
Alerte. Le point aveugle le plus fréquent : beaucoup d'entreprises croient être conformes parce que leur fournisseur l'est. La responsabilité du déployeur est distincte de celle du fournisseur de modèle. Vous restez comptable de l'usage que vous en faites, de l'information de vos utilisateurs et de la supervision humaine de vos décisions automatisées.
Les exemples publics utiles ne sont pas des promesses de vendeurs, ce sont des déploiements documentés.
L'État français a développé Albert, une intelligence artificielle construite sur des modèles ouverts par la direction interministérielle du numérique, mise à disposition des agents publics pour les aider à répondre aux usagers. Le choix de l'open source y a été motivé par la maîtrise des données publiques et l'indépendance vis-à-vis d'un éditeur unique.
Mistral AI a annoncé publiquement des déploiements avec de grands comptes français et européens dans la logistique, l'assurance, la banque, l'industrie automobile et la défense. Le point commun de ces annonces est rarement la performance brute du modèle : c'est la possibilité de le faire tourner dans un périmètre maîtrisé.
En Suisse, les écoles polytechniques fédérales ont publié un grand modèle de langue entièrement ouvert, entraîné sur le supercalculateur national, avec l'objectif explicite de donner aux organisations une alternative auditable. À l'échelle de l'Union, le projet OpenEuroLLM poursuit la même logique sur les langues européennes.
Ce que ces trajectoires ont en commun : aucune n'a commencé par acheter du matériel. Toutes ont commencé par identifier les usages où un modèle ouvert suffisait, puis ont rapatrié progressivement.
Nous mesurons ce que vous consommez réellement, usage par usage, en tokens et en euros. Nous identifions où partent vos données, qui y a accès et sous quel régime juridique. Ce diagnostic sort avec un chiffre : votre économie potentielle à qualité constante.
Tous les usages ne se valent pas. Nous séparons ceux qui basculent immédiatement en open source sans perte de qualité, ceux qui demandent un travail d'ajustement, et le noyau résiduel qui justifie de garder un modèle de frontière. Cette étape évite l'erreur classique du tout ou rien.
Une infrastructure IA sans équipe formée reste un centre de coût. Nos formations sont dispensées par un intervenant qui enseigne l'IA appliquée à HEC Paris, à l'École 42 et chez Google, titulaire de onze certifications officielles Claude AI d'Anthropic, et membre du Claude Partner Network d'Anthropic. Organisme certifié Qualiopi, formations finançables par les OPCO.
Installation des modèles retenus, connexion à vos sources internes, mise en place des agents qui automatisent vos processus métier, journalisation conforme AI Act, supervision humaine sur les décisions sensibles. Vos données ne sortent pas de l'entreprise.
Pour les organisations dont les volumes le justifient, nous accompagnons le passage à une infrastructure propre, du dimensionnement au choix de l'hébergement, jusqu'au modèle économique qui permet d'amortir la capacité et, le cas échéant, d'en revendre l'excédent.
Basculer tous les usages d'un coup. La bascule se fait usage par usage, avec une mesure de qualité avant et après. Une migration en bloc produit une régression invisible sur un cas d'usage marginal, et la confiance interne s'effondre.
Acheter du matériel avant d'avoir mesuré le volume. Un serveur GPU sous-utilisé coûte plus cher qu'une facture d'API. L'infrastructure vient après la démonstration du volume, jamais avant.
Croire que l'open source signifie gratuit. Le modèle est libre, le calcul ne l'est pas, l'exploitation non plus. L'économie vient de la suppression de la marge de licence, pas de la disparition du coût.
Négliger la documentation de conformité pendant la phase pilote. Reconstituer a posteriori la traçabilité d'un système déjà en production coûte plusieurs fois ce qu'aurait coûté sa mise en place initiale.
Sur les usages métier courants, oui. Extraction, classification, rédaction assistée, support de premier niveau, synthèse documentaire : l'écart de qualité avec un modèle de frontière est négligeable, quand il est mesurable. Sur le raisonnement complexe, la génération de code exigeante ou les tâches à contexte très long, l'écart existe encore. C'est exactement pourquoi la cartographie des usages précède la bascule.
Sur les usages transférables, l'écart de prix unitaire va de dix à cinquante fois. Rapporté à un budget IA complet, en tenant compte du noyau qui reste sur un modèle de frontière et du coût d'exploitation, une réduction de l'ordre de cinquante pour cent est un objectif réaliste et défendable devant une direction financière.
Non, et il ne faut surtout pas commencer par là. Le palier 3, l'open source servi par un hébergeur européen, se met en place en quelques semaines et délivre l'essentiel de l'économie. L'infrastructure dédiée est une étape ultérieure, décidée sur des volumes constatés.
Sur une infrastructure que vous maîtrisez, non, et vous pouvez le démontrer. C'est la différence structurelle avec une API tierce, où la garantie repose sur une clause contractuelle que vous ne pouvez pas auditer vous-même.
La partie formation est finançable par votre OPCO, notre organisme étant certifié Qualiopi. Le volet technique relève de l'investissement classique, avec un retour mesurable puisque l'économie sur la facture d'inférence est calculable dès l'audit initial.