Databricks a officialisé le 9 juillet 2026 un changement majeur dans sa stack de développement : l’entreprise remplace Anthropic Opus 4.8 par GLM 5.2, un modèle open source chinois développé par Zhipu AI. Le motif ? Des performances équivalentes pour un coût inférieur de 34 %. Un signal fort pour l’adoption des modèles chinois en entreprise.
Table des matières
- Le benchmark interne qui a tout déclenché
- Une tendance lourde chez les géants tech
- Trois classes de performance, zéro monopole
- Ce que ça change pour les développeurs
Le benchmark interne qui a tout déclenché
Dans un billet de blog cosigné par Matei Zaharia, cofondateur de Databricks, l’entreprise détaille son analyse comparative. Le test, réalisé sur le codebase interne de Databricks, place GLM 5.2 dans le même cluster de performance qu’Opus 4.8, avec un taux de réussite de 82 à 90 %.
La différence se joue sur la facture : GLM 5.2 coûte 1,28 dollar par tâche de codage, contre 1,94 dollar pour Opus 4.8. Soit une économie de 34 % à résultat statistiquement identique.
« Les preuves montrent qu’il est temps de commencer à déployer ces modèles comme outils quotidiens pour le codage. » — Matei Zaharia, Databricks
Le retour des développeurs internes a confirmé les chiffres. Databricks travaille désormais à faire tourner GLM 5.2 à performance maximale sur son infrastructure.
Une tendance lourde chez les géants tech
Databricks n’est pas un cas isolé. L’entreprise cite plusieurs acteurs majeurs qui ont fait le même calcul :
- Coinbase a migré vers GLM 5.2 et Kimi 2.7, divisant sa facture IA par deux tout en augmentant son volume de tokens.
- Lindy a abandonné Claude au profit de DeepSeek v4 et économisé des millions.
- Snowflake a testé GLM 5.2 contre Opus 4.7 : résultats quasi identiques, coût divisé par plusieurs.
Sur OpenRouter, la plateforme de routage de modèles, les modèles chinois représentent désormais plus de 30 % du trafic hebdomadaire depuis février 2026, contre 11 % l’année précédente. La raison est simple : des coûts 60 à 90 % inférieurs aux alternatives occidentales.
Pourquoi maintenant ?
La qualité des modèles open source chinois a franchi un cap. GLM 5.2, développé par Zhipu AI (également connu sous le nom de Z.ai), fait partie de cette nouvelle génération qui rivalise avec les meilleurs modèles propriétaires. DeepSeek v4, Kimi K2.7 et Qwen 3.7 complètent le tableau.
Ces modèles bénéficient d’un entraînement massif sur des données de code et d’une architecture optimisée pour le raisonnement. Le gap avec Opus, GPT-5.5 ou Claude Fable 5 s’est considérablement réduit.
Trois classes de performance, zéro monopole
L’analyse de Databricks révèle une structure claire du marché des modèles de codage :
- Cluster supérieur (82-90 % de réussite) : Opus 4.8, GLM 5.2, GPT 5.5 (en configuration spécifique)
- Cluster intermédiaire : Claude Sonnet 5, Qwen 3.7 Max, GLM 5.1
- Cluster économique : DeepSeek v4, Qwen 3.7 Plus, Gemini 3.5 Flash
Aucun fournisseur ne domine le haut du tableau. Opus 4.8, GLM 5.2 et GPT 5.5 se partagent la première place selon les configurations. Pour les entreprises, cela signifie qu’elles peuvent choisir en fonction du coût plutôt que de la performance pure.
Ce que ça change pour les développeurs
La décision de Databricks envoie un message clair au marché enterprise : les modèles open source chinois sont désormais des daily drivers crédibles pour le codage professionnel.
Plusieurs conséquences pratiques :
- Réduction des coûts : les équipes de développement peuvent maintenir la même qualité de code avec un budget réduit de 30 à 60 %.
- Indépendance vis-à-vis des fournisseurs : ne plus dépendre d’un seul acteur (Anthropic, OpenAI) réduit le risque de lock-in.
- Flexibilité architecturale : les modèles open source peuvent être déployés on-premise, un argument majeur pour les secteurs régulés (banque, santé, défense).
Pour Anthropic et OpenAI, la pression monte. Leurs modèles restent au top, mais le différentiel de coût devient difficile à justifier pour de nombreuses tâches de codage standard. La bataille se déplace : il ne s’agit plus seulement de performance brute, mais de rapport qualité-prix et de flexibilité de déploiement.
Sources
- The Decoder – Databricks adopte GLM 5.2 comme moteur de codage par défaut
- Databricks Blog – Analyse comparative des modèles de codage
Pourquoi Databricks a-t-il choisi GLM 5.2 plutôt qu’Opus 4.8 ?
Databricks a choisi GLM 5.2 car son benchmark interne montre des performances équivalentes à Opus 4.8 (82-90 % de réussite) pour un coût inférieur de 34 % : 1,28 $ par tâche contre 1,94 $.
Quels autres modèles chinois sont utilisés en entreprise ?
Coinbase utilise GLM 5.2 et Kimi 2.7, Lindy utilise DeepSeek v4, Snowflake a testé GLM 5.2. Sur OpenRouter, les modèles chinois représentent 30 % du trafic depuis février 2026.
GLM 5.2 est-il open source ?
Oui, GLM 5.2 est développé par Zhipu AI (Z.ai) et disponible en open source. Cela permet aux entreprises de le déployer on-premise et de l’adapter à leurs besoins spécifiques.