Applied Compute lève 350 millions de dollars pour des IA sur mesure

Entreprise	Secteur	Montant	Tour	Investisseurs principaux	Date
Applied Compute	Infrastructure d'IA : entraînement, inférence et routage de modèles	350 M$ (environ 305 M€)	Valorisation 3,25 Md$	Elad Gil (chef de file), Kleiner Perkins, Lux Capital, Nvidia, Blackstone, Shopify Ventures, HubSpot Ventures	2 novembre 2026

La startup américaine Applied Compute a levé 350 millions de dollars pour une valorisation de 3,25 milliards de dollars, moins de dix-huit mois après sa création. Elle revendique déjà plus de 100 millions de dollars de revenus annualisés. Son pari : les entreprises voudront posséder et améliorer leurs propres modèles d'IA plutôt que de dépendre uniquement des grands laboratoires.

L'opération a été annoncée le 2 novembre 2026 et rapportée par SiliconANGLE. Le tour est mené par Elad Gil, investisseur providentiel parmi les plus en vue de la Silicon Valley, avec la participation de Nvidia, Blackstone, Kleiner Perkins, Lux Capital, Shopify Ventures et HubSpot Ventures, entre autres, selon le billet de l'entreprise.

Applied Compute ne vend pas un assistant conversationnel de plus. Elle fournit une plateforme cloud pour entraîner des modèles de langage, les faire tourner et répartir les requêtes entre eux, avec une équipe de chercheurs qui accompagne les clients. Cette levée de fonds confirme l'appétit des investisseurs pour une idée qui intéresse aussi les entreprises européennes : reprendre la main sur l'IA qui fait tourner leurs produits.

Une levée record pour une startup de dix-huit mois

Le chiffre le plus frappant est celui de la croissance. Applied Compute affirme être passée de zéro à plus de 100 millions de dollars de revenus annualisés en moins de dix-huit mois. Depuis sa précédente levée, le nombre d'entreprises clientes a plus que doublé, et l'équipe a triplé depuis janvier. Selon l'entreprise, 85 % de ses salariés sont des chercheurs ou des ingénieurs.

Parmi les clients cités figurent Microsoft, Shopify, Mercor, Harvey, DoorDash, Cognition, Clay et Decagon, spécialiste des agents de service client. Les secteurs couverts vont des sciences de la vie à la logistique, en passant par la cybersécurité, le droit et les services financiers.

Les fondateurs et leur vision

L'entreprise a été fondée par Rhythm Garg, Yash Patil et Linden Li. Dans leur billet, ils décrivent l'entraînement, l'inférence et le routage comme « les premières briques d'une pile beaucoup plus large ». Leur objectif : bâtir l'infrastructure dont chaque entreprise aura besoin pour posséder entièrement son intelligence artificielle, des modèles aux systèmes qui les exploitent, les surveillent et les sécurisent.

Les fonds serviront à augmenter la capacité de calcul, à recruter et à accélérer les déploiements en entreprise, précise Applied Compute. SiliconANGLE ajoute que l'argent financera aussi l'achat d'infrastructures et le développement commercial.

Ce que fait Applied Compute

La plateforme couvre trois besoins. Le premier est l'entraînement. Applied Compute utilise un apprentissage par renforcement dit asynchrone : la génération des données d'entraînement et l'ajustement du modèle tournent en même temps, au lieu d'attendre l'un l'autre, ce qui accélère le développement, explique SiliconANGLE. La plateforme propose aussi l'auto-distillation, une méthode qui se passe de modèle « professeur » pour superviser l'entraînement.

Le deuxième besoin est l'inférence, c'est-à-dire l'exploitation du modèle au quotidien. Un moteur ajuste automatiquement le matériel alloué en fonction du trafic, et une fonction d'apprentissage en ligne affine régulièrement le modèle à partir des requêtes reçues. Le service d'inférence traite plus de 1 000 milliards de jetons par jour, selon l'entreprise.

Le troisième est le routage. Le routeur Shift-1 envoie chaque requête d'un agent de code vers le modèle capable de la traiter au meilleur coût, et peut répartir une tâche complexe entre plusieurs modèles.

Des résultats chiffrés chez les clients

Applied Compute met en avant deux exemples. Pour Harvey, éditeur d'outils d'IA pour avocats, elle a entraîné un modèle qui améliore la qualité des réponses et des citations pour moins de la moitié du coût d'inférence d'un modèle de pointe équivalent. Pour Clay, plateforme de données commerciales, un routeur sur mesure a réduit les coûts d'inférence en production jusqu'à 47 %, sans perte de qualité. Ces chiffres proviennent de l'entreprise et n'ont pas été vérifiés de manière indépendante.

Les chiffres clés de la levée

Indicateur	Valeur
Montant levé	350 millions de dollars
Valorisation	3,25 milliards de dollars
Revenus annualisés	Plus de 100 millions de dollars
Âge de l'entreprise	Moins de 18 mois
Entraînements lancés sur AC2 depuis juillet	Plus de 1 700
Jetons traités par jour en inférence	Plus de 1 000 milliards
Clients utilisant entraînement et inférence	40 %

Source : Applied Compute, SiliconANGLE.

Pourquoi cette levée compte pour les entreprises françaises

Le discours d'Applied Compute repose sur un constat : les modèles à poids ouverts ont fait de tels progrès qu'ils offrent une base solide, que chaque entreprise peut spécialiser avec ses propres données et son savoir-faire. C'est une alternative à l'achat de jetons auprès des grands laboratoires, dont les prix et les conditions peuvent évoluer.

Le mouvement est porté par les géants eux-mêmes. Meta a publié le 15 octobre Muse Spark Open, une version à poids ouverts de son modèle Muse Spark, présentée comme adaptée au code et aux tâches d'agents de longue durée, selon SiliconANGLE. Plus ces modèles ouverts progressent, plus l'écart avec les modèles fermés se réduit pour des tâches précises, et plus la spécialisation devient intéressante. Les acteurs comme Applied Compute se positionnent exactement sur ce créneau : transformer un modèle ouvert générique en outil métier performant, puis l'exploiter à grande échelle pour le compte de leurs clients.

Pour une entreprise française, l'enjeu est double. Économique d'abord : les exemples de Harvey et de Clay montrent qu'un modèle spécialisé peut coûter nettement moins cher à faire tourner qu'un modèle généraliste haut de gamme. Stratégique ensuite : un modèle que l'on possède est un modèle que l'on peut héberger où l'on veut, y compris en Europe ou dans ses propres locaux, ce qui répond aux préoccupations de souveraineté des données.

Cette logique rejoint l'approche hybride que nous décrivions dans notre article sur l'intérêt d'associer intelligence artificielle locale et cloud. Une PME n'a pas besoin d'entraîner son propre modèle pour en tirer parti : elle peut s'appuyer sur des prestataires qui utilisent des modèles ouverts spécialisés, et garder la maîtrise de ses données.

Quelques questions à poser avant de se lancer :

• Le volume justifie-t-il un modèle dédié ? La spécialisation devient rentable quand les requêtes se comptent en millions.
• Les données sont-elles prêtes ? Un modèle sur mesure ne vaut que par la qualité des exemples utilisés pour l'entraîner.
• Où le modèle sera-t-il hébergé ? Le choix du cloud ou d'un serveur local conditionne la conformité au RGPD.

Limites et questions ouvertes

La valorisation de 3,25 milliards de dollars repose largement sur des chiffres communiqués par l'entreprise elle-même. Les revenus annualisés, calculés sur une période récente et projetés sur un an, peuvent fluctuer fortement, surtout pour une activité d'infrastructure qui dépend de quelques gros clients. Applied Compute ne publie pas de résultats audités.

Le modèle économique comporte aussi des risques. L'entreprise doit acheter massivement de la capacité de calcul, alors que les prix des puces et de l'énergie restent élevés. Elle affronte des concurrents puissants : les hyperscalers proposent leurs propres outils d'entraînement, et les grands laboratoires offrent aussi des services de personnalisation de leurs modèles. La présence de Nvidia parmi les investisseurs illustre la proximité entre fournisseurs de puces et clients, un schéma devenu courant dans le secteur.

Enfin, l'idée que chaque entreprise possédera son modèle reste à démontrer au-delà des grandes entreprises technologiques. Les clients cités sont presque tous des acteurs du numérique, bien dotés en compétences. Pour une entreprise industrielle ou de services classique, la marche reste haute.

Perspectives : ce qu'il faut surveiller

Trois signaux seront à suivre. D'abord la part des clients qui utilisent à la fois l'entraînement et l'inférence, aujourd'hui de 40 %, qui mesure la capacité d'Applied Compute à devenir une plateforme complète. Ensuite son éventuelle arrivée en Europe, où la demande de modèles hébergés localement est forte. Enfin l'évolution des modèles ouverts, dont la qualité conditionne tout le modèle d'Applied Compute.

La levée de 350 millions de dollars d'Applied Compute montre que les investisseurs croient à une IA d'entreprise plus spécialisée et mieux maîtrisée. Pour les dirigeants, c'est un signal à prendre au sérieux : la dépendance à un seul fournisseur de modèles n'est plus une fatalité.

En bref

• Applied Compute lève 350 millions de dollars à une valorisation de 3,25 milliards de dollars, sous la conduite d'Elad Gil.
• La startup revendique plus de 100 millions de dollars de revenus annualisés, moins de 18 mois après sa création.
• Sa plateforme permet d'entraîner, d'exploiter et de router des modèles d'IA sur mesure, souvent à partir de modèles ouverts.
• Ses clients incluent Microsoft, Shopify, DoorDash, Harvey et Decagon.
• Pour les entreprises européennes, le modèle ouvre la voie à une IA moins coûteuse et plus souveraine.

Sources

• AI cloud startup Applied Compute raises $350M after reaching key revenue milestone, SiliconANGLE, 3 novembre 2026
• Applied Compute hits $100M run rate and raises $350M, Applied Compute (blog), 2 novembre 2026
• Applied Compute Raises $350M as Annualized Revenue Tops $100M, ValiantCEO, 4 novembre 2026

Photo d'illustration : StartupStockPhotos sur Pixabay.