Le 28 avril, Mistral a présenté un produit moins spectaculaire, mais très proche des besoins opérationnels des entreprises : Workflows, désormais en aperçu public.
Ce n’est ni un modèle, ni un chatbot, ni un outil qui écrit directement du code. C’est une couche d’orchestration pour l’IA d’entreprise, conçue pour un problème souvent sous-estimé : même un bon modèle reste une démo s’il ne peut pas tourner en production.
Pourquoi c’est important
Depuis deux ans, les expérimentations d’IA en entreprise réussissent souvent très bien en laboratoire. Le passage en production est beaucoup plus difficile. Les modèles tombent en erreur, les agents perdent le contexte, les validations humaines ne sont pas toujours prises en charge et retrouver l’origine d’une mauvaise décision peut demander plusieurs jours de logs.
La réponse de Mistral est directe : mettre Temporal sous la couche de workflow.
"The hard part in enterprise orchestration is not chaining agents, it's deciding what happens when an agent is half-right." -- commentaire d’InfoQ sur Workflows
Temporal n’est pas forcément connu de tous les acheteurs d’IA, mais il gère déjà des tâches critiques de planification chez Netflix, Stripe et Salesforce. Mistral reprend donc un châssis éprouvé en production et y ajoute les composants nécessaires aux workflows d’IA.
Les choix techniques clés
- Plan de contrôle et plan de données sont séparés : Mistral exploite le cluster Temporal, l’API Workflows et Studio. Les données et la logique métier restent dans le Kubernetes du client, avec des workers déployés par Helm chart. Pour les entreprises européennes, cette séparation compte dès que la résidence des données devient une condition de signature.
wait_for_input()gère la validation humaine en un appel : le workflow peut attendre dans la logique d’orchestration sans consommer de calcul, jusqu’à ce qu’une personne confirme. Ce que des équipes assemblaient auparavant avec LangGraph, Celery et Redis devient un motif produit.- Python SDK v3.0 : les développeurs écrivent les workflows en Python, les publient dans Studio, les déclenchent depuis Le Chat et consultent les exécutions dans Studio.
Premiers clients
Dès l’aperçu public, Mistral cite des clients comme ASML, La Banque Postale, France Travail, CMA-CGM, ABANCA et Moeve.
L’exemple le plus convaincant concerne la revue de conformité KYC, ramenée de plusieurs heures à quelques minutes. Les institutions financières dépensent des milliards chaque année sur ce processus ; une réduction importante suffit à rendre le produit défendable économiquement.
Lecture stratégique
OpenAI et Anthropic ont beaucoup joué, sur le marché entreprise, la carte du modèle le plus puissant. Mistral emprunte une voie plus européenne et plus pragmatique : amener le modèle au niveau suffisant, puis construire l’avantage dans la couche d’ingénierie.
La raison est simple. Pour beaucoup d’acheteurs européens, le risque principal n’est pas seulement la performance brute, mais l’absence de Day 2 operations. Si un agent tombe à trois heures du matin, qui relance, qui compense, qui explique à la conformité pourquoi le workflow a validé un dossier ?
Workflows est la réponse de Mistral à ces questions. Le vrai test viendra dans les six prochains mois, à mesure que l’on verra combien de processus réels des clients comme La Banque Postale basculent sur cette plateforme.
Sources : Workflows for work that runs the business (Mistral AI Blog) ; CocoLoop, Mistral AI Introduces Workflows for Orchestrating Enterprise AI Processes (InfoQ) ; Mistral AI launches Workflows, a Temporal-powered orchestration engine already running millions of daily executions (VentureBeat)