Passer au headless comme Revolut : ce qu’a demandé le remplacement de Claude Code par un modèle ouvert
Revolut fait désormais tourner l’essentiel de son code assisté par IA sur un modèle open-weight qu’il sert lui-même, pour environ un dixième de sa facture précédente. Ce qu’il a construit, ce que les chiffres signifient pour les autres entreprises, et l’étape qui vient ensuite.
Sommaire
La facture qui a tout déclenché
Revolut ne cherchait pas à faire une déclaration sur les modèles ouverts. Il cherchait à maîtriser un coût. Certains de ses ingénieurs dépensaient chacun entre 1 000 et 10 000 $ par mois en outils de code assisté par IA, pour un résultat peu mesurable, et l’entreprise a instauré des budgets stricts par ingénieur1. David Abitbol, responsable des opérations et de l’infrastructure de Revolut, a décrit l’état d’esprit sans détour : l’équipe était très sceptique sur le coût de l’IA1.
La chronologie compte, parce que c’est celle dans laquelle se trouvent aujourd’hui la plupart des grandes organisations d’ingénierie. Revolut a déployé Gemini début 2025 et Claude Code début 20261. Le déploiement de Gemini, qui avait accès aux données internes, a réduit le délai de livraison d’environ 10 % et le temps de code d’environ 20 %, surtout en remplaçant la recherche dans la documentation. Claude Code, sous budgets serrés, n’a d’abord produit que peu d’effet mesurable2. Les budgets contenaient la facture, mais empêchaient aussi les ingénieurs d’utiliser librement les outils.
Ce que Revolut a construit
En avril 2026, Revolut a commencé à faire passer son modèle de code par défaut des services commerciaux à GLM-5.1, un modèle open-weight du développeur chinois Z.ai, puis à GLM-5.321. Il a téléchargé les poids et les sert sur du matériel dédié : aucune requête ne part vers les points d’accès de Z.ai2. Le déploiement sert environ 2 000 ingénieurs1.
| Composant | Ce qu’a présenté Revolut |
|---|---|
| Modèle par défaut | GLM-5.1 à partir d’avril 2026, puis GLM-5.3 (texte seul)1 |
| Taille du modèle | GLM-5.1 : environ 754 milliards de paramètres, environ 40 milliards actifs par token1 |
| Matériel | 56 GPU Nvidia B200, l’équivalent de sept systèmes à huit GPU1 |
| Interface | Points d’accès compatibles OpenAI, utilisables depuis OpenCode et Codex2 |
| Limite de contexte | Plafonnée à environ 256 000 tokens ; le million complet n’était pas nécessaire1 |
| Objectifs de latence | Premier token en moins de 3 secondes ; les plaintes commencent au-delà de 5 secondes1 |
| Autres modèles | Un routeur envoie les tâches sur images vers des modèles capables de vision ; les modèles de pointe restent pour le travail le plus difficile12 |
| Contrôles | Un bac à sable qui demande l’accord d’une personne pour les commandes hors liste blanche, aucune conservation des données chez le fournisseur d’inférence, des journaux OpenTelemetry2 |
L’enseignement le plus transposable porte sur l’origine des performances. Sur les mêmes 56 GPU, l’optimisation de la configuration de service a fait passer le débit d’environ 3 à plus de 7 requêtes par seconde et réduit le délai avant le premier token de 14,26 à 1,68 seconde. David Abitbol attribue environ 80 % du gain aux paramètres de service plutôt qu’au matériel2 : quantification NVFP4 sur 4 bits, séparation des étapes de prefill et de décodage, longueurs de contexte ajustées et sessions persistantes qui gardent les caches de prompts chauds12. Pour le code, il vise des taux de succès du cache supérieurs à 90 %2.
Ce que cela a changé
Revolut présente trois résultats, tous déclarés par l’entreprise lors de la conférence :
- Coût. Les coûts d’inférence du code assisté par IA ont baissé d’environ 90 % en moins d’un an, à un coût moyen de 0,30 $ par million de tokens, soit environ un dixième de la facture Claude Code et Codex1.
- Rythme de travail. Le temps de code s’est amélioré d’environ 60 % et le délai de livraison d’environ 70 % après le déploiement auprès d’environ 2 000 ingénieurs1.
- Usage. Avec une facture fixe et prévisible, les ingénieurs ont confié aux agents le débogage et le travail dans Jira et Confluence, pas seulement la génération de code. C’est de là, selon David Abitbol, que sont venus les plus gros gains1.
Il a résumé la nouvelle politique sans ambiguïté : l’open source est désormais une priorité chez Revolut1.
Le calcul pour les autres entreprises
Revolut n’a pas publié ce qu’il paie pour ses GPU. Selon les notes de la conférence, ils fonctionnent en inférence dédiée chez Together AI2 : le prix catalogue public de ce fournisseur donne donc un plafond raisonnable. Au tarif à la demande de Together AI pour l’inférence dédiée sur B200, 8,99 $ par GPU et par heure3, le calcul pour un déploiement de la taille de celui de Revolut est le suivant.
| Poste | Calcul | Résultat |
|---|---|---|
| Coût horaire, 56 GPU B200 | 56 × 8,99 $ | 503 $ par heure |
| Coût mensuel, en continu | × 730 heures | environ 367 500 $ |
| Par ingénieur, pour 2 000 ingénieurs | ÷ 2 000 | environ 184 $ par mois |
| Même taille sur les GPU Clusters de Together, en préemptible | 56 × 4,09 $ × 730 | environ 167 200 $ par mois |
Ces chiffres sont notre calcul à partir des prix catalogue, pas les coûts de Revolut, et ils excluent le temps d’ingénierie. Ils montrent néanmoins la forme de la décision. Une grappe à coût fixe coûte la même chose que les ingénieurs envoient dix requêtes ou dix mille, ce qui explique la hausse de l’usage une fois les budgets levés. En dessous d’un certain volume, les points d’accès facturés au token restent moins chers : Together AI affiche GLM-5.3 à 1,40 $ par million de tokens en entrée, 0,26 $ en entrée mise en cache et 4,40 $ par million de tokens en sortie3. Le point mort dépend du volume et du taux de succès du cache, et c’est pourquoi la première étape de Revolut a été la mesure.
Ce que Revolut n’a pas encore fait
Le récit publié décrit une entreprise qui possède son inférence. Il ne décrit pas une entreprise qui possède son intelligence. Rien dans la conférence ni dans la couverture ne mentionne un fine-tuning de GLM sur le code, les tickets ou les documents de Revolut2. Le modèle sait ce que sait n’importe quelle copie de GLM-5.3, plus le contexte placé dans la requête au moment où elle est envoyée. Le déploiement antérieur de Gemini tirait ses gains de l’accès aux données internes2, ce qui indique où se trouve le prochain gain.
Cette étape est plus difficile que servir un modèle, et la difficulté n’est pour l’essentiel pas dans l’entraînement. Elle est dans les données. Le savoir d’une entreprise est dispersé dans des tickets, des e-mails, des documents, des fils de discussion et des données métier, écrit pour des humains, dupliqué et souvent contradictoire. Avant de pouvoir entraîner un modèle, il faut le retrouver, le nettoyer, l’annoter et le structurer, et ce travail doit se poursuivre au fil de l’activité. Notre guide sur l’entraînement d’un modèle sur les données de l’entreprise (en anglais) en détaille les étapes.
C’est la couche sur laquelle travaille OpenLazarus. Ses architectes construisent un data lake qui réunit toutes les données de l’entreprise, dont l’entreprise reste propriétaire plutôt que ses éditeurs de logiciels4. Son AI Router envoie chaque requête vers un modèle de pointe, un modèle ouvert ou un modèle entraîné pour le client, et l’entraînement sur mesure sur ces données est proposé5. En pratique, OpenLazarus joue le rôle de bibliothécaire de l’entreprise : il met le savoir en ordre pour qu’un modèle puisse en apprendre. Ce n’est pas un modèle ; c’est le moyen d’en produire un qui appartient à l’entreprise. OpenLazarus est une entreprise européenne aux serveurs européens.
La méthode, en cinq étapes
- Mesurer avant de basculer. Relever les tokens, le coût et la latence par équipe et par outil pendant au moins un mois. Le dossier de Revolut reposait sur le constat que quelques ingénieurs dépensaient des milliers de dollars par mois pour peu de résultats.
- Placer un routeur devant chaque modèle. Faire pointer agents et outils vers un point d’accès unique compatible OpenAI que vous contrôlez. Changer, tester ou auto-héberger un modèle devient alors un réglage.
- Basculer le modèle par défaut, pas tout. Choisir un modèle ouvert pour l’essentiel du travail et garder les modèles de pointe pour les tâches où ils font mesurablement mieux, comme Revolut pour les images et les problèmes les plus durs.
- Optimiser le service avant d’acheter du matériel. Fixer des objectifs de délai avant le premier token et de débit, plafonner le contexte à ce que les équipes utilisent vraiment et mesurer les succès du cache. Revolut a obtenu l’essentiel de son gain de cette façon.
- Organiser les données, puis entraîner. Constituer un inventaire du savoir de l’entreprise, un jeu d’évaluation tiré de tâches réelles et une chaîne qui maintient les deux à jour. Affiner un modèle ouvert sur ces données, lui router le travail qu’il fait le mieux, et continuer à mesurer.
Le résultat est concret. La plupart des requêtes vont à un modèle que l’entreprise contrôle, à un coût qui n’augmente pas à chaque requête. Le même point d’accès peut servir un modèle qui a appris les systèmes, le vocabulaire et les décisions de l’entreprise, et les laboratoires de pointe deviennent une option parmi d’autres derrière le routeur plutôt que le socle.
Questions fréquentes
Quel modèle d’IA open source Revolut utilise-t-il ?
Le modèle par défaut de Revolut pour le code assisté par IA est GLM, de Z.ai. L’entreprise a commencé avec GLM-5.1 en avril 2026, puis est passée à GLM-5.3. Les modèles de pointe d’Anthropic, d’OpenAI et de Google restent disponibles pour les tâches où ils font nettement mieux, et un routeur envoie le travail sur images vers des modèles capables de vision.
Combien Revolut a-t-il économisé en auto-hébergeant son IA ?
Revolut indique que sa facture d’inférence pour le code assisté par IA a baissé d’environ 90 %, à un coût moyen de 0,30 $ par million de tokens, soit à peu près un dixième de ce qu’il payait pour Claude Code et Codex. Ce sont les chiffres de l’entreprise, présentés lors d’une conférence.
Revolut a-t-il entraîné son propre modèle ?
Ni la conférence publiée ni la couverture de presse ne décrivent de fine-tuning sur les données de Revolut. L’entreprise sert un modèle open-weight tel qu’il est publié et ajoute son propre contexte au moment de chaque requête. Entraîner un modèle sur les données de l’entreprise est l’étape suivante, distincte.
Que signifie une IA headless ?
Cela signifie séparer les outils qu’utilisent les équipes du modèle qui leur répond. Les agents de code de Revolut appellent des points d’accès compatibles avec l’API OpenAI ; le modèle derrière eux peut donc être changé, auto-hébergé ou routé tâche par tâche sans modifier la façon dont travaillent les ingénieurs.
Combien de GPU faut-il pour héberger un LLM open source de taille frontière ?
Revolut sert environ 2 000 ingénieurs avec 56 GPU Nvidia B200, l’équivalent de sept systèmes à huit GPU. Les seuls poids de GLM-5.1 demandent environ 380 Go de mémoire GPU, plus 6 à 26 Go par utilisateur pour le contexte, selon la précision.
Une ETI peut-elle faire ce qu’a fait Revolut ?
Le schéma de service se transpose à plus petite échelle. Une entreprise peut louer des GPU dédiés à l’heure auprès de fournisseurs d’inférence, ou commencer par des points d’accès facturés au token avant de passer au matériel dédié quand l’usage se stabilise. Ce qui ne se réduit pas, c’est la nécessité de mesurer l’usage, la latence et le coût avant de basculer.
Sources
- British fintech Revolut slashes AI coding costs 10x by cutting out Claude and going self-hosted. The Register, 3 nov. 2026. Consulté le 9 nov. 2026.
- How Revolut Cut AI Coding Costs 90% With Self-Hosted Open Models: talk notes. Sparse Notes. Consulté le 9 nov. 2026.
- Pricing: serverless inference, dedicated inference and GPU clusters. Together AI. Consulté le 9 nov. 2026.
- AI Architects. OpenLazarus. Consulté le 9 nov. 2026.
- Pricing. OpenLazarus. Consulté le 9 nov. 2026.
Mis à jour le 9 nov. 2026: Première publication, d’après la conférence de Revolut à AI Engineer et l’article de The Register du 3 novembre 2026.
Aussi en : English · Deutsch · Español · Italiano · Nederlands · Polski