Mistral AI ha raccolto 3 miliardi di euro in un round Serie D che porta la valutazione post-money della società francese oltre 21 miliardi di euro, circa 24 miliardi di dollari.
È, secondo dati Pitchbook, il più grande round di capitale azionario mai completato da una società tecnologica europea (il precedente riferimento era il round azionario da 2,75 miliardi di dollari raccolto nel 2021 dalla svedese Northvol).
Samsung Electronics ha guidato l’operazione, affiancata come co-lead dallo Scaleup Europe Fund, gestito da EQT, e dall’investitore già presente PSG Equity.
Il salto di scala è rapido. Nel settembre 2025 Mistral aveva raccolto 1,7 miliardi con una valutazione post-money di 11,7 miliardi di euro, in un round guidato da ASML. In un anno la valutazione è quindi quasi raddoppiata.
Ma il nuovo finanziamento racconta soprattutto un cambiamento del terreno sul quale Mistral vuole competere. La società nata nel 2023 come laboratorio europeo di foundation model non rinuncia alla ricerca di frontiera: dichiara anzi che una parte rilevante dei nuovi capitali servirà ad aumentare il compute per l’addestramento di modelli più potenti. Contemporaneamente sta però costruendo infrastruttura, capacità di calcolo, servizi cloud e strumenti per eseguire modelli propri e di terzi.
Mistral cerca così di trasformarsi da produttore di modelli in un operatore presente su più livelli della filiera dell’intelligenza artificiale.
La scelta risponde anche a un problema evidente: nelle capacità generali misurate dai benchmark, i migliori modelli Mistral sono oggi molto distanti dai frontier model statunitensi.
Indice degli argomenti:
Quanto è distante Mistral dai migliori modelli USA
Per quantificare il divario occorre utilizzare una fotografia temporalmente e metodologicamente coerente. Artificial Analysis ha aggiornato il proprio Intelligence Index alla versione 4.3 il 7 settembre 2026. L’indice riunisce dieci valutazioni che comprendono knowledge work agentico, attività professionali, automazione di workflow SaaS, coding, ragionamento scientifico, conoscenza e long-context reasoning.
Con questa stessa versione dell’indice, Mistral Medium 3.5 ottiene 15 punti. GPT-6 Astra medium arriva a 50, mentre le configurazioni xhigh e max di Astra raggiungono 53. Anche Claude Fable 5.1 di Anthropic arriva a 53 nelle configurazioni più elevate. Artificial Analysis colloca quindi oggi i due modelli americani alla frontiera dell’indice, molto sopra il miglior modello sviluppato da Mistral fra quelli che monitora.
Da notare che Mistral Medium 3.5 è stato rilasciato il 28 aprile 2026, mentre GPT-6 Astra appartiene alla generazione di settembre.
Anche la finestra di contesto mostra un divario: Artificial Analysis indica un milione di token per Astra medium contro 256 mila per Medium 3.5.
Prezzo e open vs closed
Se però dal punteggio di intelligence si passa a costo e caratteristiche operative, il confronto cambia parecchio.
Artificial Analysis calcola un prezzo blended, utilizzando il proprio mix standard 7:2:1 tra cache hit, input e output, pari a circa 1,16 dollari per milione di token per Medium 3.5 contro 7,70 dollari per Astra medium. Sul costo medio dei task che compongono lo stesso Intelligence Index, la differenza è di 0,44 contro 1,54 dollari.
Medium 3.5 genera inoltre output a circa 149 token al secondo, contro circa 53 per Astra medium. Questo dato, però, non significa che Mistral sia più rapido in ogni senso. Artificial Analysis misura per Medium 3.5 un tempo più breve fino al primo token, ma un tempo più lungo fino alla prima risposta effettiva a causa del reasoning; su una risposta completa da 500 token, il tempo end-to-end indicato è circa 19 secondi per Mistral contro 15 per Astra medium.
È un esempio utile di quanto sia rischioso sintetizzare la competizione tra modelli in un solo numero.
Mistral presenta poi una differenza strutturale: Medium 3.5 è distribuito come open-weight sotto licenza Modified MIT, mentre Astra e Fable sono modelli proprietari. I pesi possono quindi essere scaricati e il modello può essere eseguito in ambienti scelti dall’organizzazione anziché essere utilizzato esclusivamente attraverso l’API del produttore.
Per un’impresa la scelta non coincide dunque necessariamente con la domanda “qual è il modello con il benchmark più alto?”. Entrano nel calcolo prestazioni sul workload specifico, costo, latenza, possibilità di personalizzazione, localizzazione dei dati, dipendenza dalle API del fornitore e facilità di migrazione.
È su questo insieme di variabili che Mistral sta provando a spostare parte della competizione.
Mistral AI da produttore di modelli a piattaforma AI
La pagina di Artificial Analysis dedicata a Mistral come provider rende particolarmente visibile il cambiamento.
Artificial Analysis monitora attualmente 19 modelli disponibili attraverso Mistral e ne classifica 15 come open-weight. Il modello con il miglior punteggio di intelligence offerto dalla piattaforma, però, non è sviluppato dalla società francese: è GLM-5.2 max della cinese Z.ai, con 39 punti, contro 15 di Mistral Medium 3.5. GLM-5.2 risulta anche il più veloce fra i modelli monitorati sul provider, con circa 214 token al secondo.
Il dato è significativo perché rende concreta la trasformazione della proposta commerciale.
Mistral può continuare a sviluppare i propri modelli e contemporaneamente fornire a un cliente un modello diverso quando risulta più adatto a uno specifico workload. La stessa azienda presenta il proprio AI Cloud come un ambiente nel quale eseguire modelli Mistral e modelli open di terzi con gli stessi strumenti infrastrutturali e controlli regionali.
La strategia riconosce implicitamente una caratteristica del mercato AI: la leadership dei modelli cambia rapidamente e un singolo laboratorio difficilmente possiede in ogni momento il sistema migliore per ogni utilizzo.
Mistral prova quindi a creare valore anche a un altro livello: quello attraverso il quale le imprese scelgono, eseguono, personalizzano e integrano i modelli.
Il paradosso dei modelli cinesi
Questa impostazione produce un apparente paradosso per un’azienda diventata uno dei simboli della sovranità tecnologica europea.
Mistral ha annunciato nell’agosto 2026 l’apertura della propria infrastruttura a modelli open-weight di terzi, iniziando proprio da GLM-5.2 di Z.ai. Il modello può essere eseguito sulla stessa infrastruttura e con gli stessi controlli regionali utilizzati per i modelli Mistral.
Perché costruire un campione europeo dell’AI se poi la sua piattaforma distribuisce anche tecnologia cinese?
La risposta sta nella particolare definizione di sovranità adottata dalla società. Nel presentare il nuovo round, Mistral la articola intorno a quattro elementi: dati mantenuti entro il perimetro dell’organizzazione, modelli controllabili e personalizzabili, capacità di calcolo privata e prevedibile, sistemi in produzione controllabili e auditabili.
La sovranità, in questa impostazione, non richiede che ogni modello utilizzato sia europeo. Richiede piuttosto la capacità di scegliere il modello senza perdere il controllo sugli altri strati.
Un modello cinese open-weight può essere eseguito attraverso Mistral senza dipendere dall’API del laboratorio cinese che lo ha sviluppato. Con i Regional Endpoints, l’inferenza viene eseguita nell’Unione europea o negli Stati Uniti a scelta del cliente. Mistral precisa tuttavia che, anche quando viene selezionata una regione, possono avvenire trasferimenti limitati e protetti verso subprocessori esterni a quella regione. Non è quindi corretto equiparare automaticamente “regional inference” a una segregazione geografica assoluta di ogni trattamento.
La distinzione sposta la sovranità dalla nazionalità del singolo LLM alla possibilità di governare l’architettura complessiva.
Mistral vuole controllare anche il compute
Questa strategia richiede però una risorsa molto più difficile da sostituire rapidamente di un modello: la capacità di calcolo.
Mistral ha annunciato ad agosto un piano per costruire fino a 1 GW di capacità AI in Europa entro il 2030. L’iniziativa prevede di aggregare impegni pluriennali di aziende e istituzioni attraverso le cosiddette European Compute Units: contratti di lungo periodo che dovrebbero dare ai partecipanti accesso a infrastruttura costruita da Mistral e, nello stesso tempo, creare domanda sufficiente a giustificare nuovi investimenti.
È una distinzione importante. Il gigawatt non va letto semplicemente come un unico data center di proprietà di Mistral, ma come obiettivo di una più ampia infrastruttura europea costruita attraverso domanda aggregata e impegni di lungo termine.
Sul proprio AI Cloud, Mistral dichiara inoltre di voler offrire cluster dedicati per training e inferenza, esecuzione regionale e capacità prenotabile a lungo termine. L’obiettivo è ridurre il rischio che un’azienda costruisca applicazioni AI critiche senza avere garanzie sulla disponibilità futura del compute necessario a farle funzionare.
I nuovi 3 miliardi finanziano anche questo.
Mistral indica esplicitamente tra gli obiettivi del round sia l’aumento della capacità di calcolo per addestrare nuovi modelli sia l’espansione dell’infrastruttura commerciale.
Il passaggio verso infrastruttura e servizi non equivale quindi, almeno nelle intenzioni dichiarate dalla società, all’abbandono dei frontier model. È un tentativo di collegare le due attività: il compute serve alla ricerca, mentre infrastruttura e servizi devono produrre ricavi che consentano di sostenere investimenti sempre più costosi nella ricerca stessa.
La sovranità europea diventa politica industriale
Mistral si muove dentro una trasformazione più ampia della politica tecnologica europea.
Il 3 giugno 2026 la Commissione europea ha presentato lo European Technological Sovereignty Package, che comprende due proposte legislative, Chips Act 2.0 e Cloud and AI Development Act, insieme alla nuova Open Source Strategy e a una roadmap per digitalizzazione e AI nel settore energetico. La Commissione lega esplicitamente queste misure alla necessità di ridurre le dipendenze europee lungo una filiera che va dai semiconduttori all’infrastruttura, fino a software, cloud e AI.
Il Cloud and AI Development Act punta in particolare ad aumentare la capacità europea di cloud e data center, complementando gli investimenti nelle AI Factories e nelle future AI Gigafactories.
Il 30 luglio l’UE ha inoltre aperto la procedura per realizzare fino a sette AI Gigafactories. L’iniziativa prevede fino a 10 miliardi di euro di sostegno pubblico europeo e nazionale e punta a mobilitare almeno altri 20 miliardi di capitali privati. Le infrastrutture dovranno mettere a disposizione capacità per training, inferenza e fine-tuning dei modelli avanzati.
A questa rete si aggiungono 19 AI Factories e 13 AI Factory Antennas attualmente in fase di realizzazione nell’ecosistema EuroHPC.
Anche la struttura finanziaria del round Mistral rientra in questo quadro. Lo Scaleup Europe Fund è un’iniziativa nata con la Commissione europea e altri investitori per colmare il deficit di capitali nella fase di crescita delle imprese tecnologiche europee. EQT è stato scelto per gestire il fondo, che ha un obiettivo di raccolta di 5 miliardi di euro.
La politica industriale europea sta quindi cercando di agire contemporaneamente su due problemi: costruire infrastruttura di compute sul continente e fornire alle aziende europee capitale sufficiente per crescere senza dover necessariamente trasferire il baricentro altrove.
Sovranità non significa autosufficienza
Il concetto di sovranità richiede però un’altra distinzione.
Un’infrastruttura gestita da un operatore europeo e situata nell’Unione non equivale a uno stack tecnologico interamente prodotto in Europa.
Mistral Compute dichiara di utilizzare GPU Nvidia GB200, GB300 e B300, CPU Grace e sistemi x86.
Nvidia è statunitense ma è un produttore fabless: progetta i chip senza possedere le fabbriche nelle quali vengono realizzati. ASML indica Nvidia tra gli esempi di società fabless, mentre TSMC è una delle principali foundry alle quali questo tipo di aziende affida la produzione. Le GPU Blackwell, per esempio, utilizzano il processo TSMC 4NP.
E nemmeno questa produzione è ormai semplicemente “asiatica”: Blackwell viene fabbricato anche nello stabilimento TSMC di Phoenix, in Arizona, dove la produzione è arrivata a volumi industriali.
La catena resta quindi profondamente globale: progettazione statunitense, produzione TSMC in più continenti, macchinari essenziali come quelli litografici di ASML in Europa e una rete internazionale di packaging, memoria, sistemi e componenti.
Per questo motivo, la sovranità digitale non può essere trattata come una condizione binaria. Occorre chiedersi quale strato della filiera si controlla: chip, infrastruttura fisica, cloud, modello, dati, applicazioni, chiavi crittografiche, deployment.
E poi chiedersi se questo controllo è sufficiente per sentirsi a proprio agio. La risposta cambia anche a seconda delle evoluzioni geopolitiche e normative.
La parabola di Mistral aiuta a sottolineare questo concetto.
Certo non rende l’Europa autosufficiente nella produzione di acceleratori AI né poteva essere la sua ambizione.
Cerca invece di aumentare il controllo sui livelli nei quali un’impresa può oggi diventare direttamente dipendente da un singolo provider: disponibilità del compute, API, modello, localizzazione dell’inferenza e possibilità di migrazione.
Cosa cambia per le imprese europee
È qui che la strategia diventa particolarmente rilevante per il mercato enterprise.
Per molte aziende utilizzare via API il miglior frontier model disponibile resta la soluzione più semplice e, per i workload più difficili, può offrire prestazioni nettamente superiori. I benchmark di Artificial Analysis mostrano che oggi questo vantaggio è reale.
Ma quando un sistema AI deve entrare nei processi aziendali e funzionare per anni, la qualità del modello è soltanto una delle variabili.
Che cosa succede se il prezzo dell’API cambia? Se una versione viene ritirata? Se cambiano le condizioni di accesso in una determinata giurisdizione? Quanto costa migrare un’applicazione costruita intorno a funzionalità proprietarie? Quali dati possono lasciare l’organizzazione? E chi garantisce la disponibilità del compute nei momenti di picco?
Con i modelli open-weight il cliente può mantenere maggiori possibilità di scelta sul deployment. Mistral prova a portare la stessa logica un livello più in alto: rendere anche il modello una componente sostituibile della piattaforma.
La stessa infrastruttura può eseguire Medium 3.5 oppure un modello open di un’altra azienda come GLM-5.2. Mistral offre inoltre un’API compatibile con quella OpenAI, altro elemento che può ridurre l’attrito tecnico nel passaggio tra piattaforme, anche se la portabilità reale di un’applicazione complessa dipende da molti altri componenti.
Il valore competitivo si sposta così dalla proprietà esclusiva del modello alla capacità di combinare modelli, compute, deployment, governance e continuità operativa.
Per alcune imprese europee il compromesso può essere razionale: utilizzare un modello con capacità inferiori alla frontiera quando il workload non richiede il massimo assoluto, ottenendo in cambio maggiore libertà di deployment e controllo. Per altri casi, Mistral stessa sembra accettare che la risposta possa essere utilizzare un modello sviluppato da un altro laboratorio.
In questo senso si può dire che la storia di Mistral e quella dell’Europa, nell’AI, sono legate. Sono entrambe figlie dello stesso recinto in cui ci muoviamo. Dei nostri limiti da cui derivano le nostre opportunità di crescita e innovazione.
Partecipa alla community