Pourquoi Lightspeed a financé deux levées consécutives de cette startup spécialisée dans l'évaluation d'agents

Pourquoi Qualcomm veut acquérir Modular, la startup spécialisée dans les puces IA ?

Qualcomm est en discussions avancées pour racheter Modular, une startup américaine spécialisée dans les infrastructures logicielles pour l'intelligence artificielle, pour un montant d'environ 4 milliards de dollars. L'information, révélée par Bloomberg le 22 juin 2026, représente une prime spectaculaire : Modular avait été valorisée 1,6 milliard de dollars il y a seulement neuf mois. Fondée en 2022 par Chris Lattner et Tim Davis, deux anciens ingénieurs de Google, la startup a développé des outils permettant aux entreprises de déployer des modèles d'IA sur des architectures matérielles variées sans réécrire leur code, s'attaquant ainsi à l'un des problèmes les plus concrets du secteur : la fragmentation des infrastructures. Pour Qualcomm, cette acquisition comblerait une lacune stratégique majeure. Le fabricant de semi-conducteurs, historiquement dépendant des puces pour smartphones dans un marché qui arrive à maturité, cherche depuis plusieurs années à s'imposer sur les segments à forte croissance que sont les centres de données et l'IA. Mais face à Nvidia, dont la domination repose autant sur l'écosystème logiciel CUDA que sur la puissance brute de ses GPU, posséder de bons processeurs ne suffit plus. Intégrer Modular donnerait à Qualcomm une couche logicielle crédible, capable d'attirer des développeurs et des entreprises souhaitant déployer des applications d'IA à grande échelle sur du matériel non-Nvidia. Cette opération s'inscrit dans une offensive d'acquisitions sans précédent pour Qualcomm. Le groupe serait également en négociations pour racheter Tenstorrent, spécialiste des puces IA, pour un montant pouvant atteindre 10 milliards de dollars. Si les deux transactions aboutissent, Qualcomm aura investi plus de 14 milliards de dollars pour construire un écosystème couvrant l'ensemble de la chaîne de valeur, des processeurs aux outils de déploiement. L'enjeu est de taille : dans la course à l'IA, les acteurs qui contrôlent à la fois le silicium et le logiciel disposent d'un avantage structurel difficile à contourner. Aucun accord définitif n'a encore été signé et les négociations pourraient échouer, mais la trajectoire de Qualcomm indique clairement une ambition : devenir une alternative crédible à Nvidia dans l'infrastructure IA des entreprises.

💬 Qualcomm paie 4 milliards pour admettre ce que tout le monde sait depuis un moment : face à Nvidia, le silicium seul ne suffit plus, c'est l'écosystème logiciel qui verrouille les développeurs. C'est exactement le problème que Modular réglait. Reste à voir si ça tient quand c'est absorbé par un grand groupe, ce genre de rachat finit souvent par neutraliser ce qui rendait la boîte intéressante.

Anthropic veut contrôler mémoire, évaluations et orchestration des agents, de quoi inquiéter les entreprises

Quelques semaines seulement après le lancement de Claude Managed Agents, Anthropic a enrichi sa plateforme de trois nouvelles fonctionnalités majeures : « Dreaming », « Outcomes » et « Multi-Agent Orchestration ». Dreaming permet aux agents de réviser leurs sessions passées pour construire une mémoire évolutive et détecter des patterns jusque-là invisibles. Outcomes offre aux équipes la possibilité de définir des critères de succès précis pour mesurer la performance de leurs agents. Quant à Multi-Agent Orchestration, elle permet à un agent principal de décomposer des tâches complexes et de les déléguer à des agents spécialisés. L'objectif affiché d'Anthropic est de réduire au minimum l'intervention humaine dans la gestion des agents, en intégrant mémoire, évaluation et orchestration au sein d'une seule et même infrastructure hébergée. Ce repositionnement place Anthropic en concurrence directe avec un écosystème entier d'outils spécialisés que les entreprises utilisent aujourd'hui séparément : LangGraph et CrewAI pour l'orchestration, Pinecone pour la mémoire vectorielle à long terme, DeepEval pour l'évaluation externe, et des équipes humaines entières pour le contrôle qualité. En consolidant toutes ces couches dans un runtime unifié, Anthropic promet une traçabilité complète et un déploiement simplifié. Mais cette intégration verticale soulève des questions sérieuses pour les entreprises. La plateforme tourne sur une infrastructure qu'elles ne contrôlent pas, ce qui peut créer des problèmes de conformité sur la résidence des données, un point critique dans des secteurs régulés comme la finance ou la santé. Par ailleurs, les organisations déjà engagées dans de vastes chantiers de transformation IA ne peuvent pas forcément remplacer leurs systèmes existants du jour au lendemain sans casser leurs workflows. La vraie tension est celle du lock-in. En concentrant mémoire, orchestration et évaluation dans une même couche, Anthropic capte l'essentiel de l'architecture décisionnelle des agents, et les entreprises qui adoptent pleinement la plateforme se retrouvent structurellement dépendantes d'un seul fournisseur. Cette dynamique n'est pas propre à Anthropic : OpenAI et Microsoft poussent également vers des architectures intégrées, au motif que rapprocher orchestration et modèle améliore le contrôle et la cohérence. Mais le mouvement accélère une recomposition du marché où les couches intermédiaires, mémoire, routing, évaluation, risquent d'être absorbées par les grands modèles eux-mêmes. Les entreprises qui ont investi dans des stacks modulaires et flexibles devront arbitrer entre la commodité d'une plateforme tout-en-un et leur capacité à rester agiles face à un marché encore en pleine définition.

💬 Anthropic ne vend plus un modèle, il vend une plateforme, et la différence va se payer cash d'ici 18 mois. Mémoire, orchestration, évaluation dans un seul runtime hébergé, c'est séduisant pour les équipes qui gèrent 4 outils différents, mais ça fait une dépendance énorme sur l'architecture décisionnelle complète. Pour les boîtes françaises en finance ou santé, la question de la résidence des données n'est pas rhétorique.

La dette de prompts, de récupération et d'évaluation redéfinit discrètement le risque de l'IA en entreprise

Une étude du MIT publiée en 2025 révèle que 95 % des projets d'IA n'atteignent jamais la production ou ne génèrent aucune valeur concrète. Dans le même temps, une enquête de S&P Global Market Intelligence indique que 42 % des entreprises ont abandonné plusieurs initiatives d'IA en 2025, contre seulement 17 % l'année précédente. Derrière ces chiffres alarmants se cache un phénomène encore mal nommé : la dette technique liée à l'IA, qui se manifeste sous quatre formes distinctes. La première, la dette de prompts, est la plus visible : des ajustements non documentés, des corrections rapides empilées, l'absence de versionnage, et le "prompt stuffing", l'injection excessive de contexte dans les requêtes, transforment les prompts en code non typé, non testé et fragile. La deuxième forme, la dette de dépendance aux modèles, découle du fait que la logique applicative repose désormais sur des modèles externes (OpenAI, Anthropic, Google...) que l'entreprise ne contrôle pas : une mise à jour du fournisseur peut dégrader silencieusement les performances sans que personne ne le détecte immédiatement. La dette de récupération (retrieval debt) affecte les systèmes RAG, qui puisent dans des bases documentaires d'entreprise souvent désordonnées, dupliquées ou obsolètes, générant des réponses techniquement exactes mais périmées, difficiles à détecter précisément parce qu'elles semblent plausibles. Enfin, la dette d'évaluation reflète l'absence de standards de test continus, de jeux de données de référence et de monitoring en temps réel des déploiements. Ces nouvelles formes de dette ont des conséquences concrètes pour les directions techniques. Contrairement à la dette logicielle classique, localisée dans une base de code et reproductible, la dette IA est distribuée sur des couches hétérogènes, prompts, modèles, pipelines de données, infrastructure, et se manifeste de façon intermittente, en raison de la nature probabiliste des systèmes d'IA. Un bug traditionnel se reproduit et se corrige ; une dérive de modèle ou un prompt dégradé peut passer inaperçu pendant des semaines, s'aggraver progressivement et ne se révéler qu'en production. CTO et CIO perdent ainsi la visibilité sur les performances réelles de leurs systèmes, sans équivalent à l'intégration continue (CI/CD) pour les prompts et les modèles. Ce constat s'inscrit dans une transformation plus profonde de la définition même du risque technique. Pendant vingt ans, la dette technique désignait une architecture vieillissante ou du code mal maintenu, des problèmes circonscrits et relativement maîtrisables. L'IA introduit des dépendances externes non contrôlées, des comportements non déterministes et des pipelines de données vivants, rendant les points de défaillance à la fois plus nombreux et plus difficiles à anticiper. Les entreprises qui déploient des agents et des applications fondées sur des API de modèles fondamentaux s'exposent à des risques systémiques si elles ne mettent pas en place dès maintenant des pratiques de gouvernance adaptées : versionnage des prompts, tests de régression sur les sorties de modèles, et monitoring continu post-déploiement. La prochaine vague d'échecs d'IA ne viendra probablement pas d'hallucinations spectaculaires, mais d'une accumulation silencieuse de dettes invisibles.

Startup IA Baseten : une levée de 1,5 milliard de dollars en préparation

Baseten, startup américaine spécialisée dans l'inférence IA et fondée en 2019 à San Francisco par Tuhin Srivastava, Amir Haghighat et Pankaj Gupta, serait sur le point de finaliser une levée de fonds de 1,5 milliard de dollars qui valoriserait l'entreprise à 13 milliards de dollars. L'opération, révélée par le Wall Street Journal, impliquerait un consortium d'investisseurs de premier plan comprenant Spark Capital, Sands Capital, Altimeter Capital et Wellington Management. Ce qui rend cette transaction particulièrement frappante, c'est sa rapidité : en janvier 2026, Baseten bouclait déjà une série E de 300 millions de dollars à 5 milliards de valorisation, elle-même précédée d'une série D de 150 millions quelques mois plus tôt. En moins de six mois, la valorisation de la startup aurait ainsi progressé de 160 %. À noter toutefois que cette nouvelle opération reposerait sur une structure de "valorisation fractionnée" : certains investisseurs se seraient positionnés à 13 milliards, d'autres autour de 11 milliards, une pratique de plus en plus courante dans l'écosystème IA pour attirer des capitaux tout en affichant des chiffres ambitieux. Cette trajectoire fulgurante illustre un basculement structurel dans la chaîne de valeur de l'intelligence artificielle. L'entraînement des grands modèles a longtemps concentré l'essentiel des investissements et de l'attention médiatique, mais c'est désormais l'inférence, c'est-à-dire l'exécution concrète des modèles à chaque requête utilisateur, qui devient le nerf de la guerre économique. À mesure que les entreprises déploient des applications génératives à grande échelle, les coûts d'inférence deviennent un facteur déterminant de rentabilité. Baseten propose d'optimiser cet acheminement en orientant les requêtes vers les modèles les plus adaptés selon le rapport performance-coût, favorisant parfois des alternatives open source face aux modèles propriétaires dominants. Pour les entreprises dont les usages IA se généralisent, cette optimisation peut représenter des économies considérables. Baseten s'inscrit dans un segment d'infrastructure IA en pleine consolidation, aux côtés d'acteurs comme Together AI, Fireworks AI ou Modal, tous en compétition pour capter la demande croissante d'exécution de modèles à moindre coût. La startup avait su se distinguer en attirant des clients entreprises cherchant à maîtriser leurs dépenses opérationnelles liées à l'IA, un positionnement qui prend de la valeur à mesure que la phase d'expérimentation laisse place au déploiement industriel. Si cette levée se concrétise, Baseten disposerait des ressources pour accélérer son développement commercial et renforcer ses capacités techniques à un moment où la demande d'inférence optimisée ne montre aucun signe de ralentissement. La prochaine étape logique pour une startup à cette valorisation serait une introduction en bourse, mais dans un marché aussi volatile, les fondateurs pourraient préférer consolider leur position avant de franchir ce cap.

💬 160% de valorisation en six mois, ça ressemble à de la fièvre, mais le fond est solide : l'inférence est en train de dépasser l'entraînement comme centre de gravité économique de l'IA. Quand tu déploies à grande échelle, c'est là que la facture explose, et les entreprises commencent à vraiment le sentir passer. La "valorisation fractionnée" à 11 ou 13 milliards selon les investisseurs, c'est un détail qui dit beaucoup sur comment ces deals se fabriquent.