GLM 4.6 multiplie par dix le nombre d’utilisateurs payants de Zhipu AI à l’étranger, tandis que ses outils de codage s’internationalisent

Un tournant pour un modèle de codage chinois

Zhipu AI, la start-up pékinoise à l’origine de la marque Z.ai, affirme que l’utilisation payante de ses services hors de Chine a été multipliée par dix au cours des deux derniers mois. L’entreprise compte désormais environ 100 000 clients API payants par mois et quelque 3 millions d’utilisateurs de son chatbot gratuit à l’étranger. Cette dynamique s’est enclenchée après le lancement, fin septembre, de GLM 4.6, un modèle conçu pour le codage, le raisonnement et les flux de travail faisant appel à des agents. Sa sortie a immédiatement fait entrer Zhipu dans les outils quotidiens de nombreux développeurs, grâce à un prix attractif, à une intégration simple et à des performances concrètes sur de véritables tâches de programmation.

Li Zixuan, qui dirige les opérations internationales de Zhipu, a présenté cette croissance comme le signe de l’évolution du marché et des prochains investissements de l’entreprise. Selon lui, la demande à l’étranger progresse désormais plus vite que l’adoption en Chine, et l’équipe entend poursuivre son développement dans plusieurs régions plutôt que de privilégier une seule zone géographique.

Après avoir décrit cette évolution, Li a résumé la stratégie en quelques mots.

« Nous voulons croître sur tous les marchés, car la croissance à l’étranger dépasse celle enregistrée en Chine », a déclaré Li Zixuan, responsable des opérations internationales chez Zhipu AI.

GLM 4.6 a été présenté comme un puissant modèle ouvert pour le codage. Il a rapidement été intégré à des outils de développement déjà utilisés par de nombreux programmeurs. Claude Code, soutenu par Anthropic, a ajouté la prise en charge de GLM 4.6. D’autres agents de codage, comme Cline, Roo Code et Kilo Code, ont suivi. Kilo Code a indiqué que le modèle avait entraîné l’adoption la plus rapide jamais observée sur sa plateforme, avec une utilisation des jetons multipliée par 94 en 12 jours. En cause : son faible coût et son niveau « suffisamment bon » par rapport aux principaux systèmes américains. Cette combinaison de capacités satisfaisantes et de prix abordable a permis à Zhipu de percer auprès des développeurs individuels et des petites équipes hors de Chine.

Ce qui rend GLM 4.6 attractif pour les développeurs

GLM 4.6 porte la fenêtre de contexte à 200 000 jetons, ce qui lui permet de lire et de traiter davantage de contenu à la fois, par exemple de vastes bases de code ou de longs documents techniques. Le modèle améliore également la qualité du code, le raisonnement et l’utilisation des outils. Selon les évaluations internes de l’entreprise portant sur les agents, le raisonnement et le code, GLM 4.6 affiche des progrès nets par rapport à GLM 4.5. Il s’intègre plus facilement aux frameworks d’agents, gère les appels d’outils pendant l’inférence et produit des pages front-end plus abouties que la version précédente.

Lors de tests internes et publics, GLM 4.6 rivalise avec de nombreux modèles largement utilisés. Il se rapproche de Claude Sonnet 4 dans les comparaisons directes sur les tâches d’agent de CC Bench, avec un taux de victoire de 48,6 %, tout en utilisant moins de jetons que GLM 4.5 pour accomplir les mêmes tâches. Zhipu reconnaît également que GLM 4.6 reste derrière Claude Sonnet 4.5 sur certains tests de codage. Cet équilibre correspond aux retours des développeurs, qui se demandent souvent si un système est assez fiable pour le travail quotidien, même s’il n’est pas le meilleur modèle de tous les classements.

Les développeurs peuvent accéder à GLM 4.6 via l’API de Z.ai, des plateformes de routage telles qu’OpenRouter ou en exécutant localement les poids du modèle, disponibles en accès libre. Zhipu a publié ces poids sur des plateformes comme Hugging Face et ModelScope et prend en charge des environnements d’inférence courants, notamment vLLM et SGLang. Le modèle peut ainsi séduire les équipes d’ingénierie qui souhaitent garder la maîtrise de son déploiement. Le blog technique de l’entreprise détaille les changements et présente les paramètres recommandés pour le codage et les tâches assistées par des outils. Pour des informations techniques plus approfondies, Zhipu propose une page consacrée au modèle et une documentation sur GLM 4.6 sur ses canaux officiels, notamment sur son blog, à l’adresse z.ai.

La stratégie tarifaire et la thèse du « suffisamment bon »

Le coût est l’une des principales raisons de la progression de GLM 4.6. Zhipu met en avant une formule de codage qui, selon l’entreprise, offre des performances équivalentes à celles de Claude pour une fraction du prix. L’entreprise annonce un coût environ sept fois inférieur et un quota d’utilisation plus généreux que dans une offre équivalente d’un service américain de premier plan. Le montant exact dépend de l’utilisation et de la région, mais le message est clair : de nombreux développeurs veulent un assistant fiable qui respecte un budget serré et préfèrent livrer du code plutôt que de courir après de petits gains sur des tests peu connus.

Pour les programmeurs indépendants, les étudiants et les start-up, un outil « suffisamment bon » et peu coûteux peut faire la différence entre l’adoption de l’IA comme assistant quotidien et son abandon après une période d’essai. GLM 4.6 s’est montré efficace sur des tâches courantes auxquelles les développeurs sont confrontés chaque jour : déboguer, écrire des fonctions côté serveur, connecter des services et mettre en forme des composants front-end. Les avis de la communauté des développeurs soulignent le bon rapport coût-efficacité du modèle : même s’il faut parfois corriger ses résultats, sa rapidité et son prix en font un choix pratique pour les tâches habituelles.

Zhipu souligne également que le modèle accomplit les tâches avec moins de jetons que son prédécesseur. Ce détail compte pour les utilisateurs qui paient au jeton : une facture réduite pour une même tâche diminue le coût total de possession. L’entreprise associe cette promesse d’efficacité à une mise à niveau simple. Les abonnés à sa formule de codage passent automatiquement à GLM 4.6 ; il suffit de sélectionner le nom du nouveau modèle dans la configuration de l’application.

Intégration aux outils internationaux et nouveau débat sur l’origine des modèles

Si GLM 4.6 s’est rapidement diffusé, c’est notamment parce qu’il fonctionne avec les outils auxquels les développeurs font déjà confiance. Claude Code, Cline, Roo Code et Kilo Code le prennent tous en charge. Concrètement, un programmeur peut passer d’un fournisseur à l’autre dans un même agent de codage, comparer les résultats sur un problème et choisir le modèle qui offre le meilleur équilibre entre vitesse, qualité et coût. Cette intégration facile a permis à Zhipu de profiter de l’essor des assistants de codage de type agent, capables de gérer des tâches en plusieurs étapes grâce à l’utilisation d’outils, à la recherche sur le Web et aux opérations sur les dépôts de code.

Cette dynamique a aussi relancé le débat sur l’origine de certains nouveaux outils de codage américains. Deux services très médiatisés lancés ces dernières semaines, dont un nouveau modèle de Cognition AI baptisé SWE 1.5 et l’outil Composer de Cursor, ont attiré l’attention d’utilisateurs qui ont relevé des traces de comportements typiques de modèles chinois dans les deux systèmes. L’un générait des traces de raisonnement en chinois ; l’autre reconnaissait reposer sur un modèle ouvert de premier plan sans en révéler le nom.

Zhipu s’est exprimé publiquement sur le sujet. Dans un communiqué, l’entreprise a déclaré penser que l’un de ces outils reposait sur son dernier modèle.

« Nous pensons que SWE 1.5 a utilisé notre dernier modèle, GLM 4.6, comme modèle de base », a déclaré Zhipu AI en réponse aux questions sur l’origine des modèles.

Le débat porte moins sur le droit que sur les usages. Les licences ouvertes autorisent la réutilisation commerciale, y compris sans attribution, ce qui explique pourquoi des systèmes de classe mondiale aux poids ouverts servent souvent de base à de nombreux produits dérivés. Certains experts soulignent que la valeur propre d’un outil commercial peut venir de l’affinage, des pipelines de données et de l’ingénierie système ajoutés au modèle de base.

Florian Brand, chercheur à l’université de Trèves spécialisé dans les modèles ouverts, a résumé ce point de vue.

« L’affinage, c’est la sauce », a déclaré Florian Brand, évoquant l’entraînement personnalisé et le travail d’ingénierie qui transforment un modèle de base en un produit abouti.

Priorité à l’international et contraintes sur le marché intérieur

La croissance à l’étranger s’explique à la fois par une forte demande et par des facteurs qui poussent l’entreprise à se tourner vers ces marchés. La demande internationale en IA de codage abordable est importante, et Zhipu y répond avec un modèle facile à intégrer et peu coûteux à faire fonctionner. En Chine, l’entreprise est confrontée à des délais plus longs dans les marchés publics et à une concurrence accrue. Sa direction affirme que la croissance à l’étranger dépasse désormais celle du marché intérieur, d’où les investissements de Zhipu dans les marchés où les développeurs paient déjà pour des outils d’IA.

Les investisseurs ont pris note de cette évolution. L’entreprise est valorisée à environ 40 milliards de yuans et prépare une entrée en Bourse visée pour 2026. Fondée en 2019 à la suite d’une scission de l’université Tsinghua, Zhipu est devenue l’une des entreprises d’IA chinoises les plus en vue. Sans encore chercher à bâtir une offre d’abonnement grand public capable de rivaliser avec les plateformes américaines, elle mise sur les contrats avec les entreprises et sur une formule de codage destinée aux développeurs afin de générer des revenus plus prévisibles.

La géopolitique continue d’influencer les décisions des clients. Zhipu affirme que les clients de pays tiers acceptent d’utiliser ses services si les données peuvent être hébergées localement ou si l’entreprise s’engage à ne pas les conserver. Cette combinaison d’hébergement local et de politiques strictes de conservation des données devient une approche courante chez les fournisseurs d’IA pour répondre aux préoccupations liées à la protection de la vie privée au-delà des frontières.

Les performances de GLM 4.6 au-delà des classements

Les tests de référence permettent de situer les capacités d’un modèle, mais les développeurs veulent surtout savoir s’il est capable d’accomplir des tâches concrètes. Zhipu a élargi ses évaluations CC Bench pour y inclure des tâches plus complexes en plusieurs étapes : développement front-end, création d’outils, analyse de données, tests et problèmes algorithmiques. Lors de ces essais, des évaluateurs humains ont travaillé avec les modèles dans des environnements isolés pour mesurer leur capacité à gérer des flux de travail réalistes comportant plusieurs échanges. GLM 4.6 a progressé par rapport à GLM 4.5 et s’est rapproché de Claude Sonnet 4 sur ces tâches d’agent. Il a également accompli les tâches avec environ 15 % de jetons en moins que GLM 4.5, signe d’une meilleure efficacité en pratique.

Les développeurs indiquent que GLM 4.6 gère mieux les dépôts contenant plusieurs fichiers et peut planifier des séquences plus longues lors du développement de nouvelles fonctionnalités. Le modèle commet moins d’erreurs de contexte sur les grands projets, car il peut lire davantage de fichiers à la fois. Il produit aussi des composants front-end plus propres et peut générer des pages complètes nécessitant moins de retouches, même si les mises en forme complexes et les cas particuliers gagnent toujours à être vérifiés par un humain. Ce sont des progrès qui comptent dans le quotidien des équipes de développement logiciel.

Que signifient « fenêtre de contexte » et « jetons » ?

Un jeton est une petite unité de texte qu’un modèle utilise pour lire et écrire. On peut le voir comme un fragment de mot. Le prix des API dépend souvent du nombre de jetons consommés par le modèle. C’est pourquoi l’efficacité compte : si un modèle peut accomplir une tâche avec moins de jetons, la facture baisse et l’interaction paraît souvent plus rapide.

La fenêtre de contexte désigne la quantité de texte qu’un modèle peut prendre en compte à la fois. Plus elle est grande, plus le modèle peut lire de fichiers et d’instructions avant de commencer à travailler. Avec un contexte de 200 000 jetons, GLM 4.6 peut traiter d’un seul coup de longues chaînes de fonctions, des fichiers de configuration et des suites de tests, ce qui est essentiel pour les travaux de programmation dans des conditions réelles. Cela ne dispense pas de rédiger des consignes précises ni de bien choisir les outils, mais réduit les allers-retours qui ralentissent les développeurs sur les grands projets.

Risques, réglementation et accès

Les entreprises chinoises spécialisées dans l’IA évoluent dans un contexte marqué par les contrôles à l’exportation, les contraintes sur les chaînes d’approvisionnement et la surveillance réglementaire dans plusieurs pays. Ces facteurs influent sur les plans d’entraînement et de déploiement. Les modèles à poids ouverts comme GLM 4.6 peuvent donner davantage de contrôle aux clients sur le lieu et les modalités d’exécution du système, notamment sur site ou dans la région de leur choix au sein d’un cloud. Même avec ces possibilités, les acheteurs évaluent le soutien à long terme, les engagements de niveau de service et les fonctions de conformité avant de choisir un fournisseur.

Le traitement des données figure parmi les principales préoccupations. Pour convaincre les clients internationaux, Zhipu met en avant l’hébergement local des données et les paramètres permettant de ne pas les conserver. L’objectif est de garder le code et les documents sensibles dans la région choisie par le client, tout en profitant d’un assistant de codage performant. Pour de nombreuses équipes, cette configuration offre un compromis raisonnable entre performances, confidentialité et coût.

Un marché des assistants de codage très concurrentiel

Le marché des assistants de codage est désormais saturé de services bien établis et de nouveaux venus. GitHub Copilot a popularisé cette catégorie. Les modèles d’OpenAI et d’Anthropic alimentent des outils haut de gamme aux capacités de raisonnement et de gestion du contexte avancées. Les acteurs chinois ont rapidement progressé avec des systèmes comme DeepSeek et Qwen, tandis que des start-up dans de nombreuses régions développent des assistants d’IDE de type agent qui coordonnent recherche, analyse, modifications du code et tests dans une même boucle.

Dans ce paysage, Zhipu mise sur trois avantages distinctifs. D’abord, le prix : l’entreprise présente GLM 4.6 comme un outil pratique et performant, proposé à moindre coût. Ensuite, l’ouverture : l’accès aux poids du modèle et la prise en charge de frameworks d’inférence courants séduisent les équipes qui souhaitent le personnaliser ou l’héberger elles-mêmes. Enfin, l’intégration : en fonctionnant facilement avec des agents de codage populaires et en proposant des options API simples, Zhipu réduit les efforts nécessaires pour essayer et adopter son modèle. Aucun de ces facteurs ne garantit une position dominante. Ils dessinent toutefois une trajectoire crédible vers une croissance régulière auprès des développeurs qui privilégient la fiabilité, la maîtrise et une facture raisonnable en fin de mois.

La direction se projette dans l’avenir

Le directeur général de Zhipu, Zhang Peng, s’est exprimé publiquement sur le rythme des progrès de l’IA avancée. Selon lui, les discussions sur la superintelligence artificielle tendent à brouiller des distinctions importantes et toute échéance doit être considérée comme évolutive. Pour les clients, l’essentiel est de savoir si les modèles peuvent surpasser les humains dans des tâches précises qui les intéressent et si ces progrès se traduisent par des gains de productivité réels.

Lors d’un récent événement de lancement, Zhang a expliqué comment il envisage les prochaines années.

« Atteindre ou dépasser l’intelligence humaine d’ici à 2030 pourrait signifier surpasser les humains dans certains domaines, tout en restant en retrait dans bien d’autres », a déclaré Zhang Peng, directeur général de Zhipu AI.

Cette approche pragmatique se reflète dans les choix de produits de l’entreprise. Zhipu ne cherche pas à remporter toutes les batailles de l’abonnement grand public. Elle se concentre sur les entreprises et sur une formule de codage destinée aux développeurs, tout en maintenant une offre gratuite de chatbot accessible pour attirer de nouveaux utilisateurs. À court terme, l’objectif n’est pas de définir le point d’arrivée de l’intelligence. Il s’agit de proposer un modèle qui aide à livrer des fonctionnalités, corriger des bogues et travailler plus vite, tout en maîtrisant les coûts.

L’essentiel

• Zhipu AI affirme que le nombre de ses utilisateurs payants à l’étranger a été multiplié par dix en deux mois, pour atteindre environ 100 000 clients API mensuels, auxquels s’ajoutent 3 millions d’utilisateurs de son chatbot gratuit hors de Chine.
• Cette hausse a suivi le lancement de GLM 4.6, un modèle de codage et de raisonnement rapidement intégré à des outils comme Claude Code, Cline, Roo Code et Kilo Code.
• Kilo Code a fait état de l’adoption la plus rapide jamais observée sur sa plateforme : l’utilisation de jetons de GLM 4.6 a été multipliée par 94 en 12 jours grâce à son faible coût.
• GLM 4.6 porte la fenêtre de contexte à 200 000 jetons, améliore l’utilisation des outils et les performances des agents, et accomplit les tâches avec environ 15 % de jetons en moins que GLM 4.5.
• Le modèle se rapproche de Claude Sonnet 4 sur les tâches d’agent de CC Bench, mais reste derrière Claude Sonnet 4.5 dans certains tests de codage.
• Ses poids ouverts sont disponibles pour un déploiement local et le modèle prend en charge des environnements d’inférence comme vLLM et SGLang.
• Zhipu mise sur des prix bas et met en avant une formule de codage qui, selon l’entreprise, offre des performances équivalentes à celles de Claude pour une fraction du coût.
• L’entreprise est valorisée à environ 40 milliards de yuans et prépare une possible entrée en Bourse en 2026, tout en privilégiant les entreprises et le développement auprès des développeurs à l’étranger.