Applied Compute lève 350 millions de dollars sur une valorisation de 3,25 milliards après avoir dépassé 100 millions de revenus annualisés

La start-up d'infrastructure IA Applied Compute, fondée par Rhythm Garg, Yash Patil et Linden Li, a annoncé le 2 novembre une levée de 350 millions de dollars qui la valorise 3,25 milliards. Le tour est mené par l'investisseur Elad Gil. Selon l'annonce de l'entreprise, Kleiner Perkins, Lux Capital, Nvidia, Blackstone, Shopify Ventures et HubSpot Ventures y participent, aux côtés d'une bonne dizaine d'autres fonds.

Revenus et clients

Applied Compute indique que son chiffre d'affaires annualisé a franchi la barre des 100 millions de dollars, moins de 18 mois après sa fondation. Parmi ses clients, elle cite Microsoft, Shopify, Mercor, Harvey, DoorDash, Cognition, Clay et Decagon, et précise que le nombre de grands comptes a plus que doublé depuis sa précédente levée. Les effectifs ont triplé depuis janvier ; chercheurs et ingénieurs représentent 85 % du personnel.

L'entreprise met en avant deux cas clients. Pour Harvey, un modèle conçu pour l'outil Review Table aurait amélioré la qualité des réponses et des citations pour moins de la moitié du coût d'inférence d'un modèle de pointe. Pour Clay, un routeur sur mesure aurait réduit jusqu'à 47 % les coûts d'inférence en production. Ces chiffres sont fournis par la société et n'ont pas été vérifiés de manière indépendante.

Ce que fait la plateforme

L'idée défendue par la start-up : les entreprises devraient posséder les modèles qui font tourner leurs produits plutôt que de louer des modèles généralistes. Applied Compute entraîne, déploie, évalue et améliore en continu des modèles personnalisés construits sur des bases open-weight. Sa plateforme AC2, lancée il y a environ trois mois, réunit entraînement, inférence et amélioration continue ; plus de 1 700 entraînements y auraient été lancés depuis juillet. Son service d'inférence traite plus de mille milliards de jetons par jour, et environ 40 % des clients l'utilisent à la fois pour l'entraînement et pour la mise en service.

SiliconANGLE précise que la plateforme s'appuie sur l'apprentissage par renforcement asynchrone et en ligne, ainsi que sur l'autodistillation, qui dispense d'un modèle « enseignant » distinct. Un routeur baptisé Shift-1 dirige chaque requête vers le modèle le plus économique et peut répartir une tâche complexe entre plusieurs modèles.

Contexte

La croissance de l'entreprise repose sur un pari : que les entreprises préféreront, pour une partie de leurs usages, des modèles open-weight adaptés plutôt que des modèles de pointe prêts à l'emploi, surtout pour des raisons de coût et de maîtrise. Les fonds serviront à accroître la capacité de calcul, à recruter et à accélérer les déploiements chez les clients. Les fondateurs présentent l'entraînement, l'inférence et le routage comme les premières briques d'un ensemble plus vaste, sans détailler la suite.