Revolut passe à l'IA open source. L'étape suivante : posséder son modèle

Revolut vient de livrer la démonstration la plus nette à ce jour de l'IA open source dans une grande entreprise. En moins d'un an, la fintech a fait passer le modèle par défaut de ses quelque 2 000 ingénieurs de Claude Code et Codex à GLM, un modèle open-weight qu'elle fait tourner sur des GPU dédiés, et annonce une facture en baisse d'environ 90 %. Pour un dirigeant comme pour un DSI, le cas mérite d'être étudié de près : il montre jusqu'où mène la maîtrise de l'inférence, et où se trouve encore le véritable avantage.

Le problème que toutes les entreprises partagent

La plupart des entreprises louent les mêmes quelques modèles de pointe. Cela a deux conséquences qui s'aggravent avec l'usage. La première est le coût : chaque requête est facturée, et plus les équipes utilisent l'IA, plus la facture grimpe vite. Avant le changement, certains ingénieurs de Revolut dépensaient entre 1 000 et 10 000 dollars par mois chacun en outils de programmation assistée, et l'entreprise a dû imposer des budgets stricts (The Register). Ces budgets ont contenu la dépense, mais ils ont aussi freiné l'usage qui crée la valeur.

La seconde conséquence est plus discrète. Quand toutes les entreprises envoient leur travail au même modèle, aucune IA ne sait rien de particulier. Vos concurrents obtiennent les mêmes réponses que vous. Ce qui peut rendre un modèle vraiment vôtre, c'est ce qu'il apprend de votre entreprise, et c'est précisément ce que la location ne vous donne pas. C'est aussi une question de souveraineté : votre savoir-faire n'a pas vocation à nourrir le modèle d'un autre.

Nous déployons l'IA dans des entreprises établies depuis quatre ans, et nous voyons partout le même schéma : des dépenses d'IA en hausse, un usage rationné, et le savoir propre de l'entreprise totalement absent du modèle.

Ce que Revolut a réellement fait

David Abitbol, responsable des opérations et de l'infrastructure IA de Revolut, a présenté ce changement à la conférence AI Engineer de New York (vidéo de l'intervention). Les éléments clés :

• Un modèle ouvert par défautGLM-5.1 à partir d'avril 2026, puis GLM-5.3, du développeur Z.ai. Les modèles de pointe restent disponibles pour les tâches où ils sont nettement meilleurs.
• Un hébergement maîtrisé56 GPU Nvidia B200 ; les poids sont téléchargés et exécutés sur une infrastructure dédiée, si bien qu'aucune requête ne part chez l'éditeur du modèle.
• Un routeur en façadeles outils s'adressent à un point d'accès unique compatible OpenAI, et les tâches sur images sont orientées vers des modèles capables de les traiter. C'est le sens du mot « headless » : les outils des équipes sont séparés du modèle qui répond derrière.
• Optimiser avant d'acheter du matérielenviron 80 % du gain de performance vient de la configuration (quantification, cache, limites de contexte), pas de GPU supplémentaires.

Ce sont les chiffres de Revolut. L'essentiel est la tendance : dès que la facture a cessé de croître à chaque requête, les ingénieurs se sont servis de l'IA pour le débogage, les tickets et la documentation, et pas seulement pour écrire du code. C'est là qu'Abitbol a observé les gains les plus importants.

Ce que Revolut n'a pas encore fait

Revolut maîtrise désormais son inférence. Il ne possède pas encore son intelligence. Ni l'intervention ni la presse ne mentionnent un entraînement du modèle sur le code, les tickets ou les décisions de Revolut. Le modèle sait ce que sait n'importe quelle copie de GLM-5.3, plus ce qui est collé dans la requête au moment où elle part.

Cette dernière étape est plus difficile que l'hébergement d'un modèle, et la difficulté ne tient pas à l'entraînement. Elle tient aux données. Le savoir d'une entreprise vit dans les e-mails, les messageries, les documents, les tickets et les enregistrements de ses systèmes : écrit pour des humains, dupliqué, contradictoire, dispersé dans une douzaine d'outils SaaS. Avant qu'un modèle puisse en apprendre quoi que ce soit, il faut le retrouver, le nettoyer, l'étiqueter et le structurer, et continuer à le faire tant que l'entreprise fonctionne.

Où intervient OpenLazarus

OpenLazarus agit comme le bibliothécaire de l'entreprise. Les applications que les équipes utilisent au quotidien tournent sur un même système d'exploitation, si bien que les décisions, les échanges, les processus et les résultats qu'elles produisent sont captés et structurés au fil du travail. L'activité de l'entreprise devient ainsi une matière dont un modèle peut apprendre, préparée pour l'entraînement sur des architectures open source.

À partir de là, le chemin est celui qu'a ouvert Revolut, poussé un cran plus loin :

• Routerchaque requête passe par notre AI Router, vers un modèle de pointe, un modèle ouvert ou un modèle entraîné pour vous (la tarification de l'accès headless à l'IA). Les modèles de Mistral, le champion français, y ont naturellement leur place aux côtés des autres.
• Posséder ses donnéesvos données sont réunies en un seul endroit qui vous appartient, et non chez vos éditeurs de logiciels.
• Entraînernous affinons un modèle open-weight sur vos données préparées, pour que ses réponses reflètent la façon dont votre entreprise fonctionne réellement.
• Continuer à changercomme les outils sont headless, un meilleur modèle ouvert l'an prochain devient un simple réglage, pas une refonte.

OpenLazarus est une entreprise européenne, avec des serveurs en Europe. C'est un point décisif pour toutes les entreprises qui ne peuvent pas confier leur savoir à un fournisseur de modèles hors de l'Union européenne : la souveraineté commence par l'endroit où tournent vos données.

La démarche en cinq étapes

• Mesurerrelevez pendant un mois les coûts d'IA, les tokens et les temps de réponse par équipe, pour savoir ce que vous payez réellement.
• Routerplacez un point d'accès unique devant tous les modèles, pour qu'en changer ne soit plus qu'un réglage.
• Changer le modèle par défautfaites tourner l'essentiel du travail sur un modèle ouvert et gardez les modèles de pointe pour les tâches les plus difficiles.
• Organiser votre savoirréunissez vos données dans une couche structurée qui vous appartient, et constituez un jeu d'évaluation à partir de tâches réelles.
• Entraîner et routeraffinez un modèle ouvert sur ces données, confiez-lui le travail qu'il fait le mieux, et continuez à mesurer.

Revolut a montré que les trois premières étapes sont rentables. Les deux dernières font la différence entre une entreprise qui loue la même intelligence que tout le monde et une entreprise qui possède la sienne.