Ecosia abandonne Mistral et diversifie ses modèles

Ecosia abandonne Mistral au profit de modèles ouverts, dont certains chinois, quelques mois après avoir remplacé OpenAI pour ses réponses générées par intelligence artificielle. Selon Frandroid, le moteur de recherche allemand passe par la plateforme Melious.

Ecosia quitte donc un fournisseur unique pour accéder, via Melious, à plusieurs modèles ouverts. Pour les directions numériques françaises, ce cas rappelle qu’un choix européen ne dispense pas de tester la disponibilité, la qualité par tâche et la réversibilité.

Ecosia met fin à son choix de Mistral

Le revirement intervient après une séquence très courte. D’après Frandroid, Ecosia avait remplacé OpenAI par Mistral en mai 2026 pour produire ses réponses générées par IA. L’entreprise se tourne désormais vers des modèles ouverts, parmi lesquels figurent des solutions chinoises.

Cette décision ne vaut pas verdict général sur l’offre de Mistral. Elle documente en revanche une réalité opérationnelle : pour un service de recherche, la réponse générée n’est pas une démonstration technologique isolée. Elle intervient dans un parcours utilisateur où la pertinence, la continuité de service et la rapidité perçue déterminent l’acceptation du produit.

Le changement porte sur un partenariat technologique, et non sur une simple préférence de modèle. Il conduit Ecosia à passer d’une relation centrée sur un fournisseur à un accès à plusieurs modèles. Un éditeur peut alors répartir les usages selon les tâches, plutôt que de demander à un seul modèle de couvrir chaque besoin.

Pourquoi la qualité et la disponibilité ont pesé

Christian Kroll, fondateur et patron d’Ecosia, a déclaré à Frandroid : « Nous sommes déçus par la qualité de Mistral. » Le même média rapporte qu’il juge les modèles en retard sur la concurrence et évoque des serveurs régulièrement saturés.

Ces griefs doivent être lus avec une limite importante : les sources disponibles ne donnent ni protocole d’évaluation, ni mesure de taux d’erreur, ni indicateur de disponibilité. Ils décrivent donc le retour d’expérience d’un client, pas un classement reproductible des modèles. Une direction financière ou produit ne peut pas en déduire une hiérarchie universelle entre fournisseurs.

L’épisode montre toutefois qu’un contrat d’IA doit être évalué par fonction. Les résumés intégrés dans une page de résultats et un assistant conversationnel ne mobilisent pas les mêmes attentes. Un modèle peut convenir à une tâche, tout en créant une friction sur une autre. Cette logique rejoint les sujets de contrôle et de déploiement abordés dans l’analyse de l’IA française orientée vers le contrôle des entreprises.

Melious ouvre l’accès à un portefeuille de modèles

Comment sortir d’une dépendance à un fournisseur sans multiplier les intégrations ? Selon Frandroid, Melious est une plateforme allemande qui sert depuis l’Europe une soixantaine de modèles ouverts, dont Qwen, GLM et Kimi. Le choix revendique donc un hébergement de service en Europe, tout en ouvrant l’accès à des modèles d’origines diverses.

Une stratégie européenne peut ainsi reposer sur une couche de service européenne sans être limitée à des modèles européens. L’origine d’un modèle ne résume ni la localisation effective des traitements, ni les garanties contractuelles, ni les mécanismes de supervision.

Cette architecture appelle trois constats. La réversibilité dépend de l’interface de la plateforme autant que du modèle. La diversité peut réduire le risque de blocage, mais elle augmente le besoin de contrôle des sorties. Enfin, la liberté de choix ne dispense pas d’établir des critères d’acceptation propres à chaque usage.

Les fonctions concernées restent à distinguer

Selon Mac4Ever, Ecosia a commencé l’IA générative en décembre 2025 avec des résumés automatiques placés en haut des résultats et un assistant conversationnel maison. Le média indique aussi que Small 3.2 servait aux résumés et Small 4 au dialogue après le basculement vers Mistral.

Ces deux usages ne doivent pas être confondus. Le résumé de recherche conditionne la lisibilité immédiate d’une réponse. Le dialogue supporte davantage l’échange, mais exige une continuité de conversation et une gestion précise des réponses incertaines. Les sources ne précisent pas quels modèles remplacent effectivement Mistral pour chacune de ces fonctions, ni la part du trafic qui leur est confiée.

L’activité d’Ecosia ajoute une contrainte de cohérence de marque. L’App Store présente l’application comme finançant des projets climatiques et de plantation d’arbres, et indique que l’entreprise consacre 100 % de ses profits à cette finalité. Les sources ne fournissent toutefois aucun indicateur comparant l’empreinte énergétique ou carbone des modèles et fournisseurs concernés. Il serait donc prématuré d’associer ce changement à un gain environnemental.

Ce que ce retrait change pour le marché français

Pour Mistral, la perte d’un client visible illustre la pression exercée sur les fournisseurs d’IA générative lorsqu’ils sont confrontés à des plateformes à plusieurs modèles. Le marché ne se joue pas uniquement sur les capacités annoncées. Il dépend aussi de l’exploitation quotidienne, de la capacité à absorber des pointes et de l’aptitude à répondre à des usages très différents.

Pour les acheteurs français, notamment une équipe produit d’e-commerce ou un cabinet de services qui intègre un assistant à son logiciel, la leçon est moins géopolitique que méthodologique. Un fournisseur unique simplifie la gouvernance initiale. Un portefeuille de modèles améliore potentiellement la réversibilité, mais impose des règles de sélection, des tests comparables et une supervision continue.

Les sources ne détaillent ni le coût du changement, ni la date de bascule effective, ni les conditions contractuelles entre Ecosia et Mistral. Elles ne permettent pas non plus de mesurer l’effet commercial du retrait pour l’une ou l’autre partie.

Le cas Ecosia ne démontre pas l’échec d’un fournisseur français. Il montre qu’un partenariat d’IA se juge dans les usages, les incidents et la capacité effective à changer de modèle. Les acheteurs doivent donc comparer les modèles par fonction, suivre leurs performances en exploitation et prévoir une solution de repli pour les usages critiques.