IA de codage : Revolut dit payer dix fois moins

L’IA de codage de Revolut repose désormais par défaut sur GLM, un modèle développé par l’entreprise chinoise Z.ai. David Abitbol a présenté ce changement à la conférence AI Engineer NYC 2026. Il dirige les opérations et l’infrastructure chez Revolut. La fintech a d’abord utilisé GLM-5.1, puis GLM-5.3. Elle conserve l’accès aux services commerciaux pour certains cas. Le changement porte donc sur le modèle utilisé en priorité par les équipes.

IA de codage : à quoi correspond la facture divisée par dix ?

David Abitbol avance un coût moyen d’environ 0,30 dollar par million de jetons. Un jeton est une unité de texte que le modèle traite ou produit. Le chiffre donne un ordre de grandeur du coût de l’inférence, c’est-à-dire de l’exécution du modèle lorsqu’il répond à une demande. Le responsable indique aussi que la dépense de ce déploiement représente environ un dixième de l’ancienne facture Anthropic et OpenAI. La présentation ne donne pas le détail des coûts qui permettrait de recalculer cette économie.

Le changement déplace la dépense. Avec un service externe, le prix dépend des conditions du contrat et, souvent, du volume de texte traité. Avec un modèle que l’entreprise exploite elle-même, le prix dépend aussi de la capacité qu’elle réserve et de son utilisation. Une machine qui traite peu de demandes coûte plus cher par tâche qu’une machine identique utilisée de façon régulière. En contrepartie, l’entreprise doit disposer d’assez de capacité lorsque plusieurs équipes travaillent en même temps.

Revolut indique utiliser 56 accélérateurs Nvidia B200 pour faire tourner GLM-5.3. Le chiffre donne l’échelle du projet. Pour évaluer une installation comparable, il faudrait compter le coût des machines ou de leur location, ainsi que l’exploitation et le temps des équipes. Le prix par million de jetons peut aider à suivre la consommation. Pour arbitrer entre deux modèles, le coût par tâche terminée est également utile. Une réponse bon marché peut demander plusieurs essais ou davantage de corrections.

Des gains revendiqués au-delà de l’écriture du code

Sur un échantillon d’environ 2 000 ingénieurs, Revolut rapporte une amélioration d’environ 60 % sur le temps de codage et de 70 % sur le délai de livraison après le passage à GLM-5.1. Le délai court de la prise en charge d’une fonctionnalité à son intégration dans le code. À ce stade, elle est prête à être déployée. La comparaison interne ne permet pas d’isoler l’effet du modèle de celui des changements d’usage ou d’organisation.

Auparavant, explique David Abitbol, les ingénieurs rationnaient les requêtes quand leur budget était limité. Un accès moins coûteux a élargi les tâches qu’ils pouvaient confier aux outils, dont la recherche d’un bug ou le traitement d’un ticket. Le gain éventuel se mesure donc sur l’ensemble du travail, revue du code comprise. Business Times avait relevé une difficulté comparable chez Mantu et Dust, où le nombre d’agents créés ne suffit pas à établir le temps gagné.

Héberger un modèle donne la main sur son exécution

La fiche de GLM-5.3 publiée par Z.ai met à disposition les poids du modèle, c’est-à-dire les paramètres qui lui permettent de produire ses réponses. Revolut peut ainsi faire tourner le modèle sur une infrastructure qu’elle choisit. Pour les requêtes traitées sur cette infrastructure, l’exécution ne dépend pas d’un envoi au service hébergé par Z.ai. Les éventuels appels aux services commerciaux suivent, eux, un autre circuit.

Le choix de l’hébergement laisse entière la question des droits de l’agent. Lire un fichier, modifier du code et exécuter une commande sont des opérations différentes. Revolut décrit des règles d’approbation et un environnement isolé pour encadrer les actions sensibles. Ce sont aussi des compétences à prévoir dans une équipe. Comme le montre notre article sur les compétences IA demandées dans les offres d’emploi françaises, les besoins changent selon le métier et les tâches à accomplir.

Pour une entreprise qui évalue le même choix, la comparaison peut partir de tâches déjà réalisées par ses développeurs. Il faut relever le temps de traitement, les corrections nécessaires et le coût d’exploitation des deux options. Ce relevé permet de voir si un modèle hébergé sur une infrastructure dédiée reste moins coûteux au volume réel de l’équipe.