ChatGPT, Gemini, Claude, Mistral : ce que l'architecture révèle pour la gouvernance IA

Envoyez le même prompt à ChatGPT, Gemini, Claude et Mistral, et les quatre réponses reviendront sensiblement différentes. Claude pousse parfois davantage la contradiction. Gemini digère une vidéo de deux heures aussi facilement qu'un paragraphe de texte. ChatGPT bascule certains prompts vers un mode de raisonnement plus lent sans jamais préciser lequel il a emprunté. Mistral, de son côté, livre ses poids en licence Apache 2.0, ce qu'aucun des trois autres ne fait.

Ces comportements découlent directement de choix d'architecture pris à des moments précis par les équipes qui construisent ces modèles. Comprendre ces choix donne une grille de lecture plus fiable que n'importe quel benchmark, parce qu'ils restent stables d'une version à l'autre, alors que les scores de benchmark, eux, bougent à chaque mise à jour.

Le socle commun

Les quatre modèles partagent la même architecture fondatrice : un réseau de neurones génératif de type transformeur, introduit par l'article « Attention Is All You Need » en 2017. Le mécanisme central, l'auto-attention, permet à chaque token de pondérer sa relation à tous les autres tokens de la séquence. Ce socle est identique partout. Ce qui diverge, ce sont les décisions prises autour de ce socle, et la manière dont chaque entraînement (pré-entraînement puis post-entraînement, via RLHF ou des méthodes apparentées comme la Constitutional AI d'Anthropic) façonne le comportement final.

Premier fork : dense ou mixture of experts

La première question à laquelle chaque équipe a dû répondre est simple : comment augmenter la capacité totale du modèle sans faire exploser le coût de traitement de chaque requête. Dans un réseau dense classique, chaque paramètre s'active pour chaque token, donc doubler les paramètres double le coût.

Google a répondu avec le Mixture of Experts (MoE) : au lieu d'un bloc de calcul monolithique, le réseau contient de nombreux petits experts, et un routeur envoie chaque token vers deux ou trois d'entre eux seulement. Gemini 1.5 et Gemini 3 Pro s'appuient sur cette architecture. Mistral a fait exactement le même choix, et l'assume plus ouvertement encore : Mixtral 8x7B, puis Mistral Large 3 (sorti en décembre 2025), utilisent une architecture MoE granulaire. Mistral Large 3 revendique 675 milliards de paramètres au total, dont seulement 41 milliards actifs par passage, une proportion d'activation qui le place dans la même classe que les plus gros modèles chinois ouverts. OpenAI, à l'inverse, n'a jamais confirmé si GPT-4 ou GPT-5 utilisent du MoE : le rapport technique de GPT-4 omet volontairement ce niveau de détail, et Anthropic garde la même discrétion sur Claude.

Ce silence n'est pas anodin pour un dirigeant qui doit choisir un fournisseur : deux des quatre acteurs (Google et Mistral) documentent leur choix d'architecture, les deux autres (OpenAI et Anthropic) le traitent comme un secret industriel. Or documenter une architecture, c'est la première brique d'une gouvernance IA auditable.

Deuxième fork : la multimodalité, native ou greffée

Deux approches existent pour traiter les entrées non textuelles (image, audio, vidéo). L'approche séquentielle consiste à entraîner d'abord un modèle de langage solide, puis à lui greffer un encodeur séparé qui traduit les entrées non textuelles en représentations que le modèle peut ensuite exploiter. L'approche native consiste à entraîner un seul réseau, dès l'origine, sur toutes les modalités simultanément : texte, image, audio coexistent dans la même séquence et traversent les mêmes couches du transformeur.

Gemini a été conçu nativement multimodal dès l'origine, ce qui explique sa capacité à ingérer une vidéo de deux heures sans traitement différencié. Mistral Large 3 revendique également une multimodalité native, en plus d'un multilinguisme large, un choix cohérent avec sa stratégie de plateforme généraliste destinée aux entreprises (Airbus, BMW) autant qu'aux administrations. ChatGPT et Claude ont historiquement suivi un chemin plus incrémental, ajoutant la vision et l'audio par étapes successives sur un socle texte déjà mature.

Troisième fork : le raisonnement, un modèle ou plusieurs

Le troisième choix concerne la manière de traiter les requêtes qui demandent un raisonnement plus long. GPT-5 utilise, selon la documentation publique d'OpenAI, un routeur qui sélectionne entre plusieurs sous-modèles distincts au moment de l'exécution, sans indiquer à l'utilisateur lequel a été choisi. Mistral a pris une voie différente et plus transparente : plutôt qu'un routeur invisible intégré à un modèle généraliste, l'entreprise publie un modèle de raisonnement dédié et distinct (Magistral), que l'utilisateur choisit explicitement d'invoquer. La différence est notable du point de vue de la gouvernance : un choix de modèle explicite est traçable, un routage invisible ne l'est pas.

Ce que cela change pour une organisation qui choisit son fournisseur

Ces trois forks (densité, multimodalité, raisonnement) ne sont pas qu'une curiosité technique pour ingénieurs. Ils déterminent trois choses très concrètes pour une entreprise qui déploie de l'IA agentique en production : le coût réel par cas d'usage, la traçabilité des décisions du modèle (un prérequis de gouvernance ISO 42001 et AI Act), et le niveau de réversibilité vis-à-vis du fournisseur.

Sur ce dernier point, Mistral se distingue nettement des trois autres : Apache 2.0 est la licence la plus permissive parmi les modèles MoE de classe frontière, ce qui signifie qu'une organisation peut héberger, inspecter et faire évoluer le modèle sans dépendre d'un accès API propriétaire. C'est exactement l'axe Licence & Code de notre modèle de souveraineté chez Gabriel Greenfield : un modèle qu'on peut auditer et faire évoluer soi-même n'a pas le même profil de risque qu'un modèle qu'on ne fait qu'interroger via une API fermée.

En pratique

Le choix entre ChatGPT, Gemini, Claude et Mistral ne devrait jamais se réduire à un classement de benchmarks qui périme en quelques semaines. Il devrait s'appuyer sur ces trois questions structurantes, stables dans le temps : ce fournisseur documente-t-il son architecture, son modèle est-il ouvert ou fermé, et ses décisions de raisonnement sont-elles traçables ou invisibles. Ce sont, très concrètement, les critères que nous intégrons dans nos diagnostics GAME avant toute recommandation de modèle à nos clients.