Magazine LLM Opensource · 17 October 2026

Dragon LLM, LightOn et Pleias : ces pépites françaises qui construisent une IA souveraine, frugale et open source

Mistral AI capte les projecteurs et les milliards, mais derrière le champion tricolore, une poignée d’acteurs construit une alternative plus discrète, plus frugale, et résolument souveraine. Dragon LLM, LightOn et Pleias ne cherchent pas à battre OpenAI sur son terrain — ils veulent inventer le leur. Enquête sur un écosystème qui refuse de jouer le jeu des géants, et qui, en 2026, commence à livrer des preuves tangibles.

À l’ombre de Mistral : trois pépites françaises taillent leur route

Il y a un paradoxe français dans l’IA. D’un côté, un champion national, Mistral AI, dont le cofondateur Arthur Mensch alertait l’Assemblée nationale mi-mai 2026 sur le retard de l’Europe, tout en visant un milliard de dollars de revenus pour 2026 — contre une centaine de millions l’année précédente. De l’autre, un tissu de start-up moins visibles, mais tout aussi déterminées, qui ont choisi une voie différente : celle de l’open source frugal et souverain.

Selon le Mapping 2026 de France Digital, la France compte 1 114 start-up d’IA. Un chiffre impressionnant, mais qui masque une réalité : la grande majorité de ces entreprises travaille dans l’ombre des géants américains et chinois. Parmi elles, trois noms reviennent avec insistance dans les discussions des praticiens : Dragon LLM, LightOn et Pleias. Le Parisien les présentait le 2 juin 2026 comme des « acteurs de la tech reconnus » qui « grandissent à l’ombre » de Mistral AI. Une formule qui résume bien leur position : suffisamment crédibles pour être citées, suffisamment discrètes pour ne pas attirer les projecteurs.

Ce qui les distingue immédiatement, c’est leur refus du modèle dominant. Là où Mistral AI joue la carte de la croissance rapide et des partenariats institutionnels — son accord avec EDF pour une IA dédiée au nucléaire en est l’illustration —, Dragon LLM, LightOn et Pleias misent sur des valeurs que l’on entend rarement dans les conférences tech : sobriété, indépendance, sécurité. Leur objectif commun, tel que le résume Le Parisien : garantir des solutions d’IA « souveraines, à bas coût, bas carbone et sécurisées ».

Ce positionnement n’est pas qu’un argument marketing. Il répond à une urgence géopolitique que même les plus optimistes ne peuvent plus ignorer. L’Europe est absente des principaux marchés de l’IA, comme le rappelle The Conversation, et sa dépendance aux infrastructures et modèles étrangers devient un sujet de sécurité nationale. Pendant ce temps, Meta prévoit de dépenser plus de 125 milliards de dollars en 2026, et Washington envisage de durcir ses sanctions contre l’IA chinoise, en ciblant spécifiquement les modèles open source. Dans ce contexte, l’existence d’une alternative européenne n’est plus une option — c’est une nécessité.

Et cette nécessité, l’automne 2026 vient de la rendre plus tangible que jamais. Le 6 octobre, Mistral AI a dévoilé Mistral Large 4, surnommé « Le Chonk » — un modèle de frontière à plus de 1 000 milliards de paramètres dont 49 milliards activés par réponse, entièrement entraîné en Europe, avec des poids annoncés sur Hugging Face pour le 27 octobre. Le même jour, l’américain Reflection AI dévoilait Beam, un modèle open weight de 501 milliards de paramètres (23 milliards actifs, architecture MoE sparse) revendiquant un coût d’inférence 3 à 4 fois inférieur à ses rivaux. Le 3 octobre, l’allemand Aleph Alpha publiait Kolibri-1, un MoE de 78,1 milliards de paramètres (3,46 milliards actifs) sous licence Apache 2.0. La souveraineté européenne n’est plus un slogan : elle produit des modèles. Reste à savoir si les pépites françaises, elles, transforment l’essai.

Souveraineté, frugalité, sécurité : le triptyque qui les unit

Pour comprendre ce qui motive Dragon LLM, LightOn et Pleias, il faut regarder les chiffres qui structurent le débat. Fin 2024, 378 millions d’utilisateurs avaient eu recours à une solution d’IA générative, selon Statista, cité par The Conversation. Un marché colossal, dominé à plus de 90 % par des acteurs américains et chinois. L’Europe, elle, regarde passer les trains — ou plutôt les GPU.

Le problème n’est pas seulement économique, il est existentiel. Les modèles d’IA sont devenus des infrastructures critiques : ils traitent des données de santé, des dossiers administratifs, des secrets industriels. Les confier à des entreprises étrangères, c’est accepter une dépendance structurelle que les sanctions américaines contre la Chine rendent chaque jour plus tangible. Washington l’a bien compris : en ciblant les modèles open source chinois, les États-Unis cherchent à contrôler la diffusion d’une technologie devenue stratégique. L’Europe, elle, tente désormais de répondre — l’AI Act, dont les règles de transparence s’appliquent depuis le 2 août 2026, pose un cadre, mais ne règle pas la question de la dépendance technologique.

C’est là que le triptyque souveraineté-frugalité-sécurité prend tout son sens. La souveraineté, d’abord : il s’agit de garantir que les données européennes restent en Europe, traitées par des modèles européens, sur des infrastructures européennes. La frugalité, ensuite : là où Meta investit 125 milliards de dollars, les acteurs européens doivent faire avec des budgets cent fois inférieurs. Cette contrainte, loin d’être un handicap, devient un avantage compétitif : elle force à l’innovation sur l’efficacité énergétique et l’optimisation des ressources. La sécurité, enfin : un modèle open source, auditable par la communauté, est potentiellement plus sûr qu’une boîte noire propriétaire — à condition que la communauté fasse son travail.

Ce positionnement n’est pas théorique. The Conversation plaide dans une analyse récente pour une « IA open source et frugale » comme clé de l’autonomie stratégique européenne. L’argument est simple : face à des acteurs qui dépensent des centaines de milliards, l’Europe ne peut pas gagner la course à l’échelle. Elle peut gagner celle de l’intelligence — en construisant des modèles plus petits, plus efficaces, mieux adaptés aux langues et aux cultures européennes. L’actualité d’octobre 2026 lui donne raison sur un point : les modèles qui font parler d’eux ne sont plus seulement les plus gros, mais ceux qui affichent le meilleur rapport performance/compute. Beam de Reflection, Kolibri-1 d’Aleph Alpha, Clef de Cloudflare — tous revendiquent la frugalité comme argument central. C’est exactement le terrain sur lequel les pépites françaises ont choisi de se battre.

Dragon LLM, LightOn, Pleias : trois ADN, une même quête d’indépendance

Si les trois acteurs partagent une même vision, leurs trajectoires et leurs priorités diffèrent sensiblement. En 2026, ils ont néanmoins livré des réalisations concrètes qui permettent de passer des intentions aux preuves.

Dragon LLM incarne l’ancrage souverain dans sa forme la plus directe. Son nom même est un programme : un modèle de langage « dragon », c’est-à-dire français, conçu pour des usages institutionnels et de défense. L’entreprise, fondée par Olivier Debeugny, s’est imposée en quelques années comme une référence européenne des architectures IA frugales, avec une spécialisation sur les modèles légers, peu gourmands en ressources et facilement déployables sur site. En août 2026, Dragon LLM a franchi un cap décisif avec le lancement de LLM Open Finance, une collection open source de modèles et de jeux de données dédiés à la finance, disponible sur Hugging Face. Cette initiative, qui couvre la classification de documents, l’analyse de sentiment et les principaux cas d’usage du secteur financier, répond à la demande croissante d’indépendance technologique dans un environnement réglementé. Pour Olivier Debeugny, « seule l’ouverture permettra au secteur financier de s’approprier durablement l’IA » : les établissements doivent pouvoir auditer, adapter et enrichir les modèles, sans dépendre de solutions opaques ou de fournisseurs extra-européens.

LightOn a fait de la frugalité son étendard. L’entreprise s’est spécialisée dans l’inférence à bas coût et l’efficacité énergétique, un positionnement qui résonne particulièrement dans un contexte où le coût des GPU explose et où l’empreinte carbone de l’IA devient un sujet politique. Son approche : des modèles optimisés pour tourner sur des infrastructures modestes, avec une consommation électrique minimale. LightOn a notamment dévoilé Alfred-40B-0723, un LLM open source destiné aux entreprises, construit sur Falcon 40B. Ce modèle illustre la philosophie de l’entreprise : partir d’une base éprouvée, l’optimiser pour des usages professionnels, et la diffuser en open source pour permettre aux entreprises de déployer de l’IA sans alourdir leur facture énergétique — ni leur bilan carbone.

Pleias, enfin, a misé sur la donnée. L’entreprise construit des corpus d’entraînement européens, pensés pour refléter la diversité linguistique et culturelle du continent. Là où les modèles américains sont entraînés sur des données majoritairement anglophones, Pleias veut offrir aux langues européennes — et au français en particulier — des modèles qui les comprennent vraiment, sans passer par la traduction ou l’adaptation. En 2026, Pleias a démontré la puissance de son approche avec plusieurs réalisations marquantes. L’entreprise a entraîné un modèle spécialisé de 600 millions de paramètres pour la RATP, chargé de détecter et d’interpréter les signaux de sécurité dans les messages des usagers du métro parisien. Après seulement trois mois de développement, ce modèle, qui bat des modèles fermés 200 fois plus gros, est en production sur l’infrastructure souveraine de la RATP chez Scaleway. Pleias a également ouvert le Telco Common Corpus, un jeu de données de plus de 10 milliards de tokens de télécommunications, dans le cadre de l’initiative GSMA Open Telco AI. À l’occasion du sommet AI for Good à Genève, l’entreprise a open-sourcé ses modèles, datasets et frameworks de déploiement, y compris un pipeline de recherche en français pour Raspberry Pi et Android, fonctionnant entièrement hors ligne sur du matériel coûtant moins de 100 €.

Critère	Dragon LLM	LightOn	Pleias
Positionnement	Souveraineté institutionnelle	Frugalité énergétique	Données européennes
Public cible	Administrations, défense, finance, industries critiques	Entreprises soucieuses des coûts et du carbone	Acteurs multilingues, institutions européennes
Approche technique	Modèles sécurisés, déployables en environnement contraint	Optimisation de l’inférence, basse consommation	Corpus d’entraînement européens, multilingues
Réalisations 2026	LLM Open Finance (collection open source pour la finance)	Alfred-40B-0723 (LLM open source basé sur Falcon 40B)	Modèle 600M pour la RATP, Telco Common Corpus (10B+ tokens)
Argument principal	Indépendance stratégique	Coût total de possession réduit	Représentation des langues européennes

Ce tableau, volontairement qualitatif, reflète l’état de l’information disponible : les trois entreprises n’ont pas publié de spécifications techniques détaillées pour tous leurs modèles, et les données chiffrées (tailles de paramètres, scores de benchmarks, levées de fonds) restent largement confidentielles. C’est à la fois une force — elles évitent la course à la communication — et une faiblesse — elles peinent à convaincre les entreprises qui veulent des preuves. Mais les réalisations de 2026 montrent que ces acteurs passent de la promesse à la production.

Le nerf de la guerre : des données qui parlent français

Tous les spécialistes vous le diront : un LLM vaut ce que valent ses données d’entraînement. Et c’est précisément là que se joue la bataille la plus importante pour l’écosystème français. Les modèles dominants — GPT, Claude, Gemini, Llama — sont entraînés sur des corpus massivement anglophones. Le français y figure, certes, mais en position subalterne, souvent comme une langue « de seconde zone » après traduction ou adaptation.

Cette situation a des conséquences concrètes. Un modèle entraîné principalement sur de l’anglais aura tendance à produire des réponses calquées sur des schémas culturels anglo-saxons, à mal comprendre les subtilités administratives françaises, à échouer sur des références locales. Pour une administration, une entreprise du CAC 40 ou un hôpital, c’est rédhibitoire.

C’est là que Pleias a trouvé sa niche. L’entreprise construit des corpus européens, conçus pour refléter la diversité linguistique du continent. Son site présente son activité en trois piliers : des données entièrement ouvertes — le plus grand ensemble de données au monde libéré de droits et basé sur la provenance pour les LLM, couvrant archives gouvernementales, littérature juridique, littérature scientifique et sources multilingues —, des données synthétiques pour les agents IA, simulant un raisonnement de niveau expert pour générer des données d’entraînement qui construisent une véritable spécialisation, et des outils natifs IA pour les agents, transformant des documents hétérogènes en une ressource de données structurée et conforme. L’idée est simple : plutôt que d’adapter des modèles anglophones, il faut entraîner des modèles sur des données authentiquement européennes — des textes administratifs, des articles de presse, des documents juridiques, des œuvres littéraires dans leur langue d’origine.

Cette approche « data-first » trouve un écho dans la stratégie des nouveaux entrants européens. Aleph Alpha, avec Kolibri-1, revendique l’allemand et l’anglais comme langues principales, avec une fenêtre de contexte allant jusqu’à 1 048 576 tokens (environ 262 144 recommandés en production) — une manière de dire que la souveraineté linguistique passe aussi par la capacité à traiter de gros volumes documentaires dans sa langue. La différence de Pleias, c’est qu’elle ne vend pas seulement un modèle : elle vend la matière première. Dans un écosystème où les poids ouverts se multiplient (Mistral Large 4, Beam, Kolibri-1, Clef), la donnée d’entraînement propre, licite et culturellement ancrée devient le vrai facteur différenciant. Un modèle, on peut le télécharger ; un corpus européen de qualité, on ne le trouve pas sur n’importe quel dépôt.

L’écosystème 2026 : la frugalité devient la norme, pas l’exception

Ce qui rend la position des trois pépites françaises plus solide qu’il n’y paraît, c’est que leur credo — faire mieux avec moins — est devenu, en 2026, la ligne de fracture de tout l’écosystème open source mondial.

Prenez Reflection AI. Le 5 octobre 2026, cette société soutenue par Nvidia a dévoilé Beam, un modèle open weight de 501 milliards de paramètres dont seulement 23 milliards sont activés par token. Son argument n’est pas la puissance brute — Help Net Security note qu’il reste derrière les meilleurs modèles sur les tests de code — mais le coût d’inférence, revendiqué 3 à 4 fois inférieur à celui de ses concurrents. « La seule façon de posséder l’intelligence, c’est, par définition, qu’elle soit ouverte », résume le CEO de Reflection, qui vise explicitement les entreprises et les nations souveraines avec un produit d’« usines IA » permettant aux institutions de bâtir leurs propres systèmes locaux. Le discours est presque mot pour mot celui de Dragon LLM et de LightOn.

Prenez Cloudflare. Le 3 octobre 2026, l’entreprise a publié Clef, une famille de modèles de décision (Clef 27B et Clef-flash 9B) sous Apache 2.0, avec un score BFCL de 98,76 et un temps de réponse revendiqué de 38,8 ms contre 524 ms pour son concurrent Jev. Là encore, la promesse n’est pas « plus intelligent que tout le monde », mais « plus rapide et moins cher pour une tâche précise ».

Prenez Aleph Alpha. Le 3 octobre, l’allemand a publié Kolibri-1, un MoE de 78,1 milliards de paramètres dont 3,46 milliards actifs (environ 4,4 % de ratio d’activation), sous Apache 2.0, avec des scores Tau2-Bench de 76,7 % (Airline), 69,9 % (Retail) et 94,7 % (Telecom), un BFCL v4 de 61,4 % et un Tau3-Bench Banking de 38,1 %. Un modèle taillé pour les agents, pas pour les démonstrations de force.

Ce basculement change la donne pour les pépites françaises. Hier, leur frugalité était perçue comme un aveu de faiblesse budgétaire. Aujourd’hui, elle est la tendance que tout le monde revendique. La question n’est plus « pouvez-vous rivaliser avec les géants ? » mais « votre rapport performance/compute tient-il la comparaison ? ». Et sur ce terrain, un modèle de 600 millions de paramètres qui bat des modèles 200 fois plus gros en production à la RATP vaut tous les tableaux de bord.

Ce que les benchmarks ne diront jamais

Il faut cependant se garder d’un enthousiasme naïf. La connaissance mutualisée de ce magazine le rappelle avec insistance : les classements de LLM open source se contredisent, et un modèle peut dominer un leaderboard tout en s’effondrant en production. Les scores annoncés par les éditeurs — qu’il s’agisse de Mistral Large 4, de Beam ou de Kolibri-1 — sont des scores d’éditeurs, mesurés sur des protocoles choisis par eux. La contamination des jeux de test, le cherry-picking des prompts, les différences de prompts système expliquent une bonne part des écarts affichés.

Pour les pépites françaises, cette cacophonie est à double tranchant. D’un côté, elle les protège : personne ne peut les déclarer « perdantes » sur la base d’un tableau unique. De l’autre, elle les prive de l’argument massue qu’est un score spectaculaire sur un benchmark reconnu. Leur réponse, jusqu’ici, a été de parler résultats de production plutôt que scores synthétiques — le modèle RATP de Pleias en est l’exemple type. C’est plus honnête, mais plus lent à convaincre.

La leçon de 2026, telle que la tire l’écosystème, est qu’il faut construire ses propres évaluations : un mini-benchmark représentatif de son usage réel, des evals privées, des tests en conditions de production. Les trois pépites ne s’en sortiront pas autrement. Leur crédibilité ne viendra pas d’un classement, mais de la capacité de leurs clients à dire, preuves en main, que le modèle tourne, coûte peu et respecte la souveraineté des données.

Le vrai test : passer de la preuve au marché

Reste la question qui fâche. Mistral AI vise un milliard de dollars de revenus en 2026. Dragon LLM, LightOn et Pleias, eux, ne communiquent pas de chiffres d’affaires. Leur discrétion, vertu revendiquée, est aussi un angle mort : dans une économie de l’IA où la visibilité attire les talents, les clients et les capitaux, l’ombre de Mistral peut devenir un plafond de verre.

Les signaux de 2026 sont pourtant encourageants. La multiplication des modèles open weight — Mistral Large 4 avec ses poids attendus le 27 octobre, Beam, Kolibri-1, Clef — crée un écosystème dans lequel la valeur se déplace du modèle vers la donnée, l’intégration et la conformité. Or c’est exactement là que les pépites françaises ont bâti leur expertise : Pleias sur les corpus, Dragon LLM sur les déploiements contraints, LightOn sur l’efficacité énergétique. Dans un marché où l’AI Act impose depuis le 2 août 2026 des obligations de transparence, et où les entreprises cherchent des alternatives auditables aux boîtes noires américaines, leur positionnement cesse d’être un pari pour devenir une offre.

La souveraineté européenne ne se décrète pas ; elle se construit modèle par modèle, corpus par corpus, déploiement par déploiement. Mistral AI a montré qu’un champion français pouvait exister à l’échelle mondiale. Dragon LLM, LightOn et Pleias montrent qu’une autre voie est possible : plus lente, plus discrète, mais peut-être plus durable. En 2026, ils ont livré leurs premières preuves. Le prochain défi n’est plus technique — il est commercial. Et c’est là que se jouera vraiment la bataille de l’IA souveraine.

Sources

Article recherché et rédigé automatiquement · Magazine Electrosens

📬 Restez à la pointe

Recevez chaque semaine les nouveautés de ce magazine par email.

💬 Une remarque, une correction ?

Aidez-nous à améliorer cet article. Nous prenons en compte vos retours.

Dragon LLM, LightOn, Pleias : la troisième voie française de l’IA open source