Le financement des NeoLabs d’IA de Radical Ventures a atteint 24 milliards de dollars, mais les produits restent à la traîne

Le financement des neoLabs d’IA de Radical Ventures aurait atteint 24 milliards de dollars au cours des deux derniers trimestres, alors que nombre de bénéficiaires ne disposent ni de produits établis, ni de marchés, ni de revenus. Ce total approche cinq fois les capitaux levés par OpenAI et Anthropic avant l’apparition de ChatGPT, selon une analyse mise en avant par le Financial Times.

Cette comparaison illustre un revirement marqué dans le financement des startups. OpenAI et Anthropic ont passé des années à développer leurs programmes de recherche avant que leur dynamique commerciale ne devienne évidente. Aujourd’hui, les investisseurs placent des paris de plusieurs milliards de dollars sur des équipes tout juste constituées, avant même qu’elles n’aient trouvé leur adéquation produit-marché.

Radical Ventures qualifie ces entreprises de « NeoLabs », c’est-à-dire des startups dirigées par des chercheurs et visant des avancées fondamentales en IA en dehors des laboratoires de pointe établis. Cette catégorie comprend Safe Superintelligence, Thinking Machines Lab, World Labs, Reflection AI et des dizaines d’entreprises de recherche plus spécialisées.

Le pari ne consiste pas simplement à croire qu’un autre chatbot gagnera des parts de marché. Les investisseurs misent sur la capacité de petits groupes de chercheurs reconnus à découvrir l’architecture, la méthode d’entraînement ou le système d’apprentissage qui remplacera l’approche dominante actuelle.

Cette thèse soulève une question inconfortable. Les sociétés de capital-risque financent-elles le prochain OpenAI avant sa percée, ou paient-elles des valorisations d’entreprises de pointe pour des projets de recherche dont les voies de commercialisation restent indéfinies ?

Le financement des NeoLabs d’IA de Radical Ventures a atteint un nouveau sommet

Le changement déterminant réside dans le montant de capital que les investisseurs sont prêts à engager avant l’existence de preuves conventionnelles de la viabilité d’une startup.

Radical Ventures a recensé plus de 40 neoLabs d’IA indépendants qui ont collectivement levé plus de 40 milliards de dollars depuis 2024. Sa carte du marché des NeoLabs les répartit entre modèles du monde, apprentissage par renforcement, apprentissage continu, diffusion et autres axes de recherche.

Selon le récit du Financial Times, 24 milliards de dollars ont été levés au cours des deux trimestres les plus récents. Ce rythme compte davantage que le chiffre cumulé, car il suggère que le financement s’accélère au lieu de se stabiliser après une première ruée.

Radical Ventures propose une comparaison historique. Ensemble, OpenAI et Anthropic ont levé 5,3 milliards de dollars entre la création d’OpenAI en 2015 et le lancement de ChatGPT en novembre 2022. La nouvelle cohorte a attiré près de cinq fois ce total en six mois.

La comparaison est imparfaite. Les coûts de calcul ont augmenté, la familiarité des investisseurs avec l’IA a évolué et les laboratoires plus récents peuvent recruter des personnes ayant une expérience avérée dans la création de modèles de pointe. Un dollar levé en 2026 ne représente pas non plus le même pouvoir d’achat ni le même contexte de marché qu’un dollar levé plusieurs années auparavant.

Toutefois, ces réserves n’effacent pas le changement sous-jacent. Le financement des startups suivait autrefois la preuve qu’une entreprise avait découvert un marché. Dans le modèle des neoLabs d’IA, le capital arrive souvent pour financer la recherche d’une découverte susceptible de créer un marché ultérieurement.

Safe Superintelligence illustre ce schéma. Ilya Sutskever, Daniel Gross et Daniel Levy ont lancé l’entreprise en juin 2024 autour d’un objectif déclaré : bâtir une superintelligence sûre. En quelques mois, le laboratoire avait levé son premier milliard de dollars.

Le site public de SSI indique que cette concentration unique évite les « product cycles » et protège ses travaux des pressions commerciales à court terme. Cette mission privilégiant la recherche assume de façon inhabituellement directe le report des obligations habituelles d’une startup logicielle.

Des informations publiées en 2025 indiquaient que SSI avait ensuite levé 2 milliards de dollars supplémentaires, pour une valorisation de 32 milliards de dollars. À ce stade, l’entreprise ne disposait toujours d’aucune feuille de route produit publique. Les investisseurs valorisaient les fondateurs, l’objectif de recherche et la possibilité d’une future percée.

Thinking Machines Lab a suivi une autre version de la même trajectoire. L’entreprise, fondée par l’ancienne directrice technique d’OpenAI Mira Murati, a bouclé un tour de table d’amorçage de 2 milliards de dollars avant de lancer un produit. Sa valorisation initiale a atteint 12 milliards de dollars, selon les informations publiées à l’époque.

L’ampleur et le calendrier de ces tours de table changent la signification même de l’« investissement d’amorçage ». Traditionnellement, un tour d’amorçage finance les premiers recrutements, le développement produit et les premiers tests de marché. Un tour de table de neoLab d’un milliard de dollars finance les talents, le calcul informatique et le temps à une échelle plus proche de celle des institutions.

Radical Ventures affirme que 13 fournisseurs de modèles nord-américains et européens ont réalisé des tours d’au moins 1 milliard de dollars depuis le début de 2025. Huit appartenaient à sa catégorie NeoLab.

Il ne s’agit pas d’opérations isolées autour de fondateurs célèbres. Elles forment une structure de capital émergente pour la recherche en IA, construite autour d’engagements initiaux exceptionnellement importants et de calendriers techniques très longs.

Pourquoi les investisseurs financent des équipes avant les produits

Les investisseurs des neoLabs d’IA financent des chercheurs rares et des thèses de recherche, et non des revenus actuels.

Cette approche part de la conviction qu’un petit nombre de chercheurs peut modifier de manière significative la trajectoire de l’intelligence artificielle. Leurs parcours deviennent des substituts aux produits qui n’existent pas encore.

Sutskever a contribué au développement de systèmes de réseaux neuronaux influents avant de cofonder OpenAI. Murati a supervisé d’importants efforts de produit et de recherche chez OpenAI. La fondatrice de World Labs, Fei-Fei Li, possède des décennies de travaux reconnus en vision par ordinateur et en intelligence spatiale.

Ces parcours réduisent une forme d’incertitude. Les investisseurs peuvent évaluer si une équipe fondatrice a déjà contribué à des systèmes de pointe, recruté des collègues d’élite et géré d’importants programmes de calcul.

Ils ne suppriment pas l’incertitude commerciale. Une équipe de recherche accomplie peut poursuivre une idée qui échoue techniquement, arrive après un concurrent ou s’avère trop coûteuse pour les clients.

L’argument des investisseurs repose en partie sur des rendements de type loi de puissance. La plupart des laboratoires peuvent échouer si une entreprise prospère devient une nouvelle plateforme à très forte valeur économique. Un seul gagnant pourrait couvrir les pertes sur le reste du portefeuille d’un fonds.

OpenAI et Anthropic font office de preuves d’existence. Toutes deux sont issues de groupes concentrés de chercheurs, ont attiré des capitaux substantiels et ont fini par développer des produits largement adoptés. Leurs trajectoires rendent un nouveau laboratoire indépendant moins improbable qu’il ne l’aurait été avant ChatGPT.

Pourtant, cette comparaison condense des années de développement difficile en un récit de réussite limpide. OpenAI a exploré la robotique, l’apprentissage par renforcement, les modèles de langage et d’autres projets avant que ChatGPT ne provoque une adoption de masse. Anthropic a développé ses modèles et ses méthodes de sûreté tout en construisant une activité commerciale tournée vers les entreprises.

Les nouveaux neoLabs reçoivent des valorisations influencées par ce que ces entreprises sont devenues, et non par ce qu’elles étaient durant leurs toutes premières années. Les investisseurs anticipent, en pratique, la valeur future attendue.

La concurrence pour les talents renforce ce comportement. Un laboratoire nouvellement créé ne peut recruter des chercheurs reconnus sur la seule promesse lointaine et une rémunération de startup ordinaire. Il lui faut suffisamment de capital pour proposer des packages compétitifs, sécuriser des capacités de calcul et démontrer que ses travaux peuvent se poursuivre pendant plusieurs cycles d’entraînement.

Radical Ventures estime que plus de 40 fondateurs de NeoLabs ont auparavant travaillé chez Google DeepMind. D’autres ont quitté OpenAI, Meta, de grandes universités et des startups établies dans l’IA.

L’influence de DeepMind est particulièrement importante. Ses équipes ont contribué à AlphaGo, AlphaStar, AlphaFold et d’autres programmes de recherche très médiatisés. Les anciens employés apportent à leurs nouvelles entreprises à la fois des connaissances techniques et des réseaux professionnels.

Cela crée un mécanisme de financement circulaire. Des chercheurs célèbres attirent des capitaux, ces capitaux aident à recruter d’autres chercheurs célèbres, et l’équipe élargie justifie une valorisation plus élevée. Les preuves liées au produit peuvent rester secondaires au début du cycle.

Les investisseurs craignent également de manquer une entreprise qui définira une catégorie. Une fois qu’un laboratoire a réuni une équipe renommée et obtenu un engagement de calcul important, y entrer plus tard peut devenir bien plus coûteux.

Cette crainte favorise les décisions rapides. Attendre des revenus pourrait apporter de meilleures preuves, mais cela peut aussi faire perdre l’accès à l’investissement ou faire grimper fortement la valorisation d’entrée.

Le résultat ressemble davantage au financement de la recherche pharmaceutique qu’à celui des logiciels traditionnels. Les investisseurs financent des programmes scientifiques pendant de longues périodes sans revenus commerciaux, car une découverte réussie peut soutenir un portefeuille de produits de grande valeur.

L’IA diffère toutefois sur un point crucial. Le développement pharmaceutique comporte des phases cliniques structurées, des jalons réglementaires et des méthodes plus claires pour comparer les traitements candidats. La recherche en IA de pointe ne dispose pas d’un cadre de validation équivalent.

Les benchmarks apportent des preuves partielles, mais ils peuvent être optimisés, contaminés ou rapidement dépassés. Les démonstrations techniques révèlent des capacités sans prouver que les clients paieront suffisamment pour couvrir les coûts de développement et d’inférence.

Cet écart explique pourquoi la réputation des fondateurs pèse autant financièrement. Lorsque les jalons objectifs restent incertains, les réussites antérieures deviennent un signal particulièrement important.

Le pari porte sur de nouvelles architectures face à la frontière actuelle

La compétition principale oppose des paradigmes de recherche alternatifs aux systèmes de transformeurs à grande échelle déjà commercialisés par les acteurs établis.

La plupart des neoLabs ne promettent pas une version légèrement améliorée d’un assistant existant. Ils soutiennent, explicitement ou implicitement, que les modèles actuels se heurtent à des limites exigeant une voie technique différente.

Les chercheurs travaillant sur les modèles du monde estiment que les systèmes ont besoin de représentations internes des environnements physiques, et non seulement de motifs statistiques appris à partir de texte. De tels modèles tentent de prédire comment une scène ou un environnement évolue après une action.

World Labs poursuit l’intelligence spatiale, tandis que d’autres entreprises appliquent des idées proches à la robotique, à la vidéo et à la simulation. Leur opportunité dépend du fait que les modèles multimodaux actuels atteignent un plafond que des représentations fondées sur le monde peuvent dépasser.

Les entreprises d’apprentissage continu se concentrent sur une autre limite. La plupart des modèles fondamentaux déployés restent largement figés après leur entraînement. Les développeurs peuvent leur ajouter des informations récupérées ou les affiner, mais le modèle sous-jacent ne se met pas continuellement à jour par l’expérience quotidienne.

Un système d’apprentissage continu performant s’adapterait tout en préservant les connaissances antérieures. Cette combinaison demeure difficile, car les nouveaux apprentissages peuvent endommager des capacités déjà acquises, un problème souvent appelé oubli catastrophique.

Les laboratoires d’apprentissage par renforcement avancent un argument différent. Ils soutiennent que les modèles entraînés principalement à prédire des données générées par des humains ne peuvent pas aller de manière fiable au-delà des connaissances existantes.

Leurs systèmes apprennent à partir de retours dans des environnements où les résultats peuvent être vérifiés. Gagner une partie, démontrer une équation ou produire un programme fonctionnel fournit un signal plus fort que la simple imitation de texte.

D’autres groupes explorent les modèles de langage fondés sur la diffusion. Les modèles autorégressifs traditionnels génèrent un token après l’autre. Les approches par diffusion peuvent affiner de plus grands blocs en parallèle, modifiant potentiellement l’arbitrage entre vitesse, coût et qualité de sortie.

Les modèles fondés sur l’énergie empruntent une autre voie. Au lieu de générer directement une séquence, ils évaluent des configurations candidates au regard de contraintes. Leurs défenseurs estiment que ce processus peut améliorer la planification et le raisonnement vérifiable.

Ces approches sont techniquement distinctes, mais leurs récits d’investissement partagent la même structure. Chaque laboratoire identifie une limite des modèles de pointe actuels et propose une méthode qui pourrait devenir essentielle lorsque les gains issus de la mise à l’échelle commenceront à diminuer.

OpenAI, Anthropic, Google DeepMind et Meta ne restent pas immobiles pendant que ces startups mènent leurs recherches. Les acteurs établis peuvent explorer en interne bon nombre des mêmes méthodes, avec le soutien de leurs infrastructures, de leur distribution et de leurs relations clients existantes.

C’est la pression centrale qui pèse sur la thèse des neolabs. Une startup a besoin de plus qu’une idée de recherche valable. Elle doit développer cette idée plus vite qu’un acteur établi ne peut la reproduire, l’acquérir ou la surpasser.

Radical Ventures inscrit cette cible mouvante parmi les principaux risques de la catégorie. Les laboratoires spécialisés dans le code, par exemple, peuvent consacrer des années au développement de systèmes spécialisés avant de se retrouver face à des produits qui progressent rapidement, tels que Claude Code ou Codex.

Les modèles à poids ouverts ajoutent une autre difficulté. Si des systèmes performants deviennent librement disponibles peu après qu’un laboratoire a achevé une coûteuse phase d’entraînement, la différenciation technique peut perdre sa valeur commerciale avant que l’entreprise n’ait bâti sa distribution.

L’originalité de la recherche ne garantit pas non plus la pérennité d’une entreprise. Un laboratoire peut publier une technique influente que de plus grandes entreprises intègrent sans rémunérer le développeur d’origine.

Le meilleur scénario exige trois réussites liées. L’équipe doit réaliser une véritable avancée technique, la transformer en produit et créer un avantage commercial que les concurrents ne peuvent pas rapidement effacer.

La première étape attire l’attention et les financements. Les deuxième et troisième déterminent si les investisseurs ont financé une entreprise ou un programme de recherche exceptionnellement coûteux.

Ce que le chiffre de 24 milliards de dollars ne montre pas

Les montants de financement affichés peuvent surestimer la part de risque acceptée par les investisseurs indépendants et le capital réellement disponible pour les laboratoires.

Les annonces de financements privés combinent souvent plusieurs formes d’engagement. Un tour annoncé peut inclure des liquidités, des crédits cloud, des tranches futures, des investissements stratégiques ou des financements liés à certaines conditions.

Le montant annoncé ne correspond donc pas toujours à des fonds non affectés immédiatement déposés sur le compte bancaire d’une entreprise. Sans documents transactionnels complets, les observateurs externes ne peuvent pas comparer de manière fiable chaque tour selon des conditions identiques.

Les valorisations peuvent créer une autre distorsion. Une petite part d’une entreprise peut être vendue à un prix élevé, établissant une valorisation affichée pour l’ensemble de l’activité. Ce chiffre ne dit pas si l’entreprise pourrait vendre une part bien plus importante au même prix.

Les investisseurs stratégiques ont également des intérêts qui dépassent les rendements financiers. Les fabricants de puces bénéficient des achats de matériel informatique par les laboratoires. Les fournisseurs de cloud bénéficient lorsque les startups s’engagent à utiliser leurs infrastructures sur le long terme.

Nvidia est devenu l’un des investisseurs les plus actifs sur le marché des fournisseurs de modèles, selon Radical Ventures. Cette position reflète le lien étroit entre le financement des startups et la demande en puissance de calcul.

Radical estime que l’entraînement et l’inférence absorbent généralement bien plus de la moitié des dépenses d’un neolab. Si un investisseur fournit des puces, de la capacité cloud ou un financement lié aux infrastructures, une partie de la transaction soutient son propre écosystème commercial.

Cela ne rend pas l’investissement artificiel. Les laboratoires ont réellement besoin de puissance de calcul, et les partenariats stratégiques peuvent réduire le risque d’un manque de capacité. Cela complique toutefois toute interprétation simple du financement comme un signe de confiance indépendante dans de futurs revenus produits.

Les engagements en puissance de calcul peuvent aussi devenir des passifs. Un laboratoire peut réserver des années de capacité avant de savoir quelle architecture fonctionnera ou quelle demande un futur produit générera.

L’entraînement d’un modèle de pointe produit un actif technique, mais chaque nouvelle génération peut nécessiter un autre investissement majeur. Une entreprise qui manque un cycle important peut devoir lever de nouveau des fonds à des conditions défavorables.

Le financement initial de SSI a montré à quelle vitesse cette tension peut apparaître. Axios a souligné que même un tour de table d’un milliard de dollars en liquidités pourrait ne pas durer longtemps si l’entreprise poursuivait la superintelligence sans revenus intermédiaires. Son analyse du financement identifiait les besoins répétés en capitaux comme un risque central.

L’absence de revenus ne constitue pas automatiquement une preuve d’échec. Les entreprises orientées vers la recherche peuvent raisonnablement retarder leur commercialisation afin de protéger un programme technique difficile.

Le problème est que les investisseurs doivent distinguer une patience productive d’une absence indéfinie de validation. Les informations privées donnent aux observateurs extérieurs peu de visibilité sur les résultats d’entraînement, les rythmes de dépenses ou les jalons internes.

Les laboratoires peuvent rester discrets tout en levant des fonds à des valorisations plus élevées. Chaque nouveau tour semble alors valider le précédent, même lorsque le signal le plus fort est la volonté d’un autre investisseur de participer.

Le modèle devient fragile si la disponibilité du capital se détériore. Une entreprise ayant des clients payants peut ajuster ses dépenses, améliorer ses marges ou se concentrer sur son produit le plus solide. Un laboratoire sans revenus dispose de moins d’options, car réduire ses ressources de calcul ou perdre des chercheurs peut fragiliser son principal actif.

La concentration des talents introduit un risque similaire. La valorisation d’un laboratoire peut dépendre fortement de plusieurs fondateurs reconnus ou chercheurs seniors. S’ils partent, l’entreprise ne peut pas remplacer leur réputation aussi facilement qu’une société de logiciels remplace un directeur commercial.

Thinking Machines a connu un premier exemple lorsque son cofondateur Andrew Tulloch est retourné chez Meta après son important financement d’amorçage. Ce départ n’a pas déterminé le destin de l’entreprise, mais il a montré à quelle vitesse une thèse d’investissement fondée sur les talents peut être mise à l’épreuve.

La diligence habituelle des startups demande si les clients choisissent régulièrement un produit. La diligence appliquée aux NeoLabs demande souvent si une équipe peut rester unie assez longtemps pour découvrir quelque chose de défendable.

Ces questions exigent des preuves différentes. Les montants de financement ne répondent à aucune des deux.

Le financement des AI NeoLabs met les acteurs établis et les petites startups sous pression

Cet argent intensifie la concurrence pour les chercheurs et la puissance de calcul, tout en relevant le coût minimal nécessaire pour poursuivre indépendamment l’IA de pointe.

OpenAI, Anthropic, Google DeepMind et Meta font face à un problème direct de rétention. Leurs meilleurs chercheurs savent désormais qu’un départ peut débloquer des financements considérables et un contrôle important sur un nouvel agenda de recherche.

Les grands laboratoires peuvent réagir par des rémunérations plus élevées, une autonomie accrue ou des équipes internes organisées autour de projets spéculatifs. Les campagnes de recrutement agressives de Meta ont montré à quelle vitesse la rémunération des chercheurs peut devenir une dépense stratégique.

Les acteurs établis conservent des avantages importants. Ils fournissent d’immenses systèmes de calcul, des équipes opérationnelles expérimentées, l’accès à des données propriétaires et des voies immédiates entre la recherche et des millions d’utilisateurs.

Cependant, l’échelle peut aussi créer de la frustration. Les calendriers produits, les examens de sécurité, les engagements envers les entreprises clientes et les couches organisationnelles peuvent contraindre les chercheurs qui souhaitent poursuivre une thèse technique plus ciblée.

Les NeoLabs proposent une alternative. Une petite équipe peut choisir un problème à long terme, éviter de soutenir des produits matures et organiser toute l’entreprise autour de sa recherche.

Cette proposition exerce aussi une pression sur les startups indépendantes. Une entreprise d’IA classique cherchant quelques millions de dollars pour créer un produit utile rivalise désormais pour attirer l’attention avec des laboratoires levant des milliards autour d’ambitions techniques plus spectaculaires.

Les deux groupes visent souvent des marchés différents, mais puisent dans des viviers qui se recoupent : ingénieurs, investisseurs et ressources de calcul. Les rémunérations élevées des laboratoires bien financés peuvent rendre le recrutement bien plus difficile pour les entreprises axées sur les produits.

La capacité cloud et les puces créent une autre ligne de fracture. Radical Ventures estime qu’un accès garanti et pluriannuel à la puissance de calcul est devenu plus restrictif que le capital lui-même.

Une équipe peut lever des fonds tout en peinant à obtenir suffisamment d’accélérateurs avancés au bon moment. Les retards peuvent perturber les calendriers d’entraînement tandis que des rivaux mieux connectés progressent.

La vague de financement affecte également les acheteurs en entreprise. Davantage de laboratoires promettent des modèles spécialisés, des architectures alternatives ou une inférence moins coûteuse. Les acheteurs gagnent en options, mais nombre de fournisseurs ne disposent pas d’un historique opérationnel éprouvé.

Un résultat de benchmark technique ne répond pas à la question de savoir si un fournisseur peut prendre en charge des charges de travail en production, protéger les données, respecter ses engagements de service ou survivre plusieurs années. Les équipes achats doivent évaluer l’endurance financière des fournisseurs au même titre que les capacités des modèles.

Les développeurs font face à un problème connexe. S’appuyer profondément sur un nouveau modèle peut créer des coûts de changement, même lorsque son interface de programmation d’application semble compatible avec des alternatives.

Un neolab qui change de direction, manque de financement ou vend son équipe à un acteur établi peut laisser ses clients sans la feuille de route produit qu’ils attendaient.

Une acquisition n’est pas un filet de sécurité garanti. Radical Ventures note que le bassin d’acheteurs naturels est limité, car les grandes entreprises technologiques entretiennent déjà des relations étroites avec des laboratoires d’IA établis.

Les régulateurs ont également examiné des montages qui transfèrent des équipes et des technologies sans acheter une entreprise entière. Ces opérations dites de reverse acquihire peuvent offrir aux fondateurs et aux employés une sortie tout en laissant les investisseurs externes face à des récupérations incertaines.

L’accord entre Microsoft et Inflection AI a illustré pourquoi de telles structures attirent l’attention. La transaction a transféré des cadres dirigeants et accordé une licence sur la technologie sans suivre la forme la plus simple d’une acquisition conventionnelle.

Pour un neolab qui réussit, la pression exercée sur les acteurs établis peut devenir productive. Une alternative crédible peut forcer des lancements plus rapides, de meilleures conditions de recherche ou des prix plus compétitifs.

Pour les laboratoires qui échouent, cette même pression peut produire une duplication coûteuse. Plusieurs équipes peuvent dépenser massivement pour entraîner des systèmes similaires avant de découvrir qu’aucune ne possède d’avantage défendable.

La vague de 24 milliards de dollars accroît donc à la fois l’expérimentation et le gaspillage. Les portefeuilles de capital-risque peuvent tolérer cette combinaison, mais les fournisseurs d’infrastructure, les employés et les clients entreprises en subissent les conséquences différemment.

Trois signaux mettront à l’épreuve la thèse des AI NeoLabs

Les produits, les preuves techniques indépendantes et les revenus récurrents détermineront si la vague de financement a créé de nouvelles entreprises de pointe.

Le premier signal est la livraison de produits. Les laboratoires ayant levé d’importants tours initiaux doivent transformer leurs programmes de recherche en systèmes que des utilisateurs externes peuvent examiner.

Une sortie ne doit pas nécessairement ressembler à ChatGPT. Il peut s’agir d’un modèle, d’une plateforme pour développeurs, d’un système robotique, d’un outil scientifique ou d’un produit d’infrastructure. Il doit néanmoins résoudre un problème défini pour des utilisateurs au-delà de l’équipe de recherche fondatrice.

Thinking Machines a offert un premier test lorsqu’elle a commencé à publier des outils après son tour d’amorçage record. Ses mises à jour d’entreprise fournissent un historique public permettant aux investisseurs et aux développeurs de comparer les attentes antérieures.

La question cruciale n’est pas de savoir si un laboratoire lance quelque chose. Les entreprises peuvent présenter des méthodes existantes sous la forme de démonstrations respectables. La question est de savoir si le produit démontre un avantage lié à la thèse de recherche originale du laboratoire.

Le deuxième signal est une validation technique indépendante. Les NeoLabs avancent fréquemment des affirmations sur de nouvelles méthodes d’apprentissage, des architectures ou des voies vers l’intelligence générale.

Ces affirmations deviennent plus crédibles lorsque des chercheurs externes peuvent reproduire les résultats, que les clients peuvent tester les performances ou que des évaluations détaillées montrent des avantages sur des tâches significatives.

Une avance dans un benchmark qui disparaît après quelques semaines apporte un soutien limité à une valorisation de plusieurs milliards de dollars. Une méthode qui réduit les coûts d’entraînement, améliore la fiabilité ou rend possibles des applications auparavant impraticables fournit des preuves plus solides.

Les investisseurs devraient également surveiller si les acteurs établis adoptent des méthodes similaires. Cette adoption peut valider l’orientation de la recherche tout en affaiblissant l’avantage concurrentiel de la startup.

Le troisième signal est la qualité des revenus. Un laboratoire n’a pas besoin d’être immédiatement rentable, mais une demande récurrente des clients distingue une entreprise durable d’une expérimentation financée.

Les revenus doivent provenir de clients qui choisissent le produit, et non principalement d’accords stratégiques connexes ou de partenariats de recherche ponctuels. La croissance doit également rester significative après prise en compte des coûts d’inférence et d’infrastructure.

La trajectoire d’OpenAI illustre pourquoi la distribution compte. Son annonce de financement de 2025 associait les nouveaux capitaux à l’extension de l’infrastructure et à des produits destinés à des centaines de millions d’utilisateurs hebdomadaires. La mise à jour sur le financement de l’entreprise reliait les dépenses de recherche à un moteur d’adoption déjà visible.

La plupart des nouveaux laboratoires n’ont pas encore établi cette boucle. Ils lèvent les capitaux nécessaires pour déterminer si elle existe.

Les prochains trimestres devraient révéler des différences importantes au sein de cette catégorie. Certaines équipes publieront des systèmes crédibles. D’autres resteront privées tout en recherchant des financements supplémentaires. Quelques-unes perdront des talents, changeront de direction ou chercheront des sorties stratégiques.

Le total de 24 milliards de dollars constitue donc un point de départ, et non un tableau de résultats. Il mesure la volonté des investisseurs de financer des voies alternatives au-delà des entreprises de pointe actuelles. Il ne mesure pas combien de ces voies fonctionnent.

Les développeurs et les acheteurs d’entreprise devraient vérifier si le produit de chaque laboratoire reflète la distinction technique qu’il promet. Les investisseurs devraient regarder au-delà de la prochaine valorisation et se demander si les preuves s’accumulent plus vite que les dépenses.

Le financement des AI neolabs de Radical Ventures a rendu possible la recherche indépendante de pointe à une échelle sans précédent. La tâche la plus difficile commence après la clôture du tour de table : transformer des talents concentrés, une puissance de calcul coûteuse et une ambition scientifique en produits que les gens choisissent à plusieurs reprises.

Quels laboratoires pourront démontrer cette transformation avant leur prochain financement majeur ? La réponse révélera si le boom des NeoLabs a élargi la frontière de l’IA ou simplement fait monter le prix de sa recherche.