TypeSafe lève 870 M$ à 7,5 Md$ de valorisation pour Jev

TypeSafe Inc. a bouclé une levée de fonds de 870 millions de dollars qui valorise l'entreprise à 7,5 milliards de dollars. La start-up est à l'origine de Jev, un modèle d'IA conçu pour fournir des réponses structurées plutôt que du texte libre.

Andreessen Horowitz a mené le tour de table. Sequoia Capital, DCVC et plusieurs business angels, dont l'identité n'a pas été communiquée, y ont également participé. Cette levée intervient moins d'un mois après le lancement de Jev. Selon TypeSafe, environ un tiers des entreprises du Fortune 500 ont déjà adopté le modèle.

Le problème que Jev entend résoudre

La plupart des applications d'entreprise utilisent les grands modèles de langage de la même façon. L'application envoie au modèle la description d'une tâche, et le modèle lui renvoie une réponse. Cette réponse prend généralement la forme d'un texte en langage naturel, que les logiciels ne peuvent pas exploiter directement.

Avant de pouvoir s'appuyer sur ce résultat, l'application doit donc convertir ce texte dans un format structuré et standardisé. Cette étape oblige les développeurs à écrire et à maintenir du code supplémentaire.

Jev se passe de cette conversion. Lorsqu'une application lui soumet une tâche, le modèle renvoie d'emblée une sortie structurée : il n'y a plus rien à reformater ou à condenser ensuite.

Trois types de réponses, pas un de plus

Jev traite un éventail de requêtes volontairement restreint. Une application peut lui demander l'une de ces trois choses :

1. Répondre par oui ou par non. Le modèle renvoie l'équivalent d'un verdict binaire.
2. Choisir dans une liste. L'application fournit les options et Jev en sélectionne une.
3. Générer un score. Ce sont les développeurs qui décident de ce que le score mesure.

L'option de notation est la plus souple des trois. TypeSafe cite deux exemples : classer des alertes de cybersécurité par niveau de gravité et estimer l'urgence d'un ticket d'assistance.

Comme la sortie est très courte et prévisible, les applications ont besoin de moins de code de préparation des données. Selon TypeSafe, cela permet aux équipes logicielles de boucler leurs projets plus vite. Une base de code plus réduite laisse aussi moins d'endroits où les erreurs peuvent se cacher.

Des scores de confiance pour repérer les hallucinations

TypeSafe ajoute une deuxième fonction de fiabilité. Lorsque Jev choisit dans une liste ou produit un score, il renvoie aussi un nombre indiquant son degré de confiance dans l'exactitude de sa réponse.

Les applications peuvent s'appuyer sur ce nombre pour limiter les dégâts causés par les hallucinations. Un système pourrait par exemple traiter différemment les réponses à faible confiance et celles à forte confiance, au lieu d'accorder le même crédit à chaque résultat.

Nouvelle méthode d'entraînement, nouvelle architecture

TypeSafe affirme avoir entraîné Jev avec une approche qu'elle appelle l'apprentissage par renforcement pour des décisions calibrées. Il s'agit d'une variante de l'apprentissage par renforcement, déjà couramment utilisé pour entraîner les LLM. L'entreprise a également conçu une nouvelle architecture de modèle pour Jev.

La start-up attribue à ces choix la rapidité de Jev. TypeSafe affirme que le modèle traite les requêtes en moins de 700 millisecondes, ce qui le rendrait jusqu'à 200 fois plus rapide que certains LLM de pointe. Elle assure aussi que Jev est jusqu'à 100 fois plus économique. Ces chiffres proviennent de l'entreprise elle-même et n'ont pas été vérifiés de manière indépendante.

À quoi servira l'argent

Jev est le premier modèle d'une gamme baptisée System One. TypeSafe utilisera les fonds levés pour étoffer cette gamme. Elle prévoit également de lancer ce qu'elle appelle des "fonctionnalités entreprise", afin de faciliter l'utilisation de ses modèles par les grandes organisations. Elle n'a pas précisé ce que ces fonctionnalités comprendront.

Notre analyse

Le pari de TypeSafe, c'est que pour de nombreux usages en entreprise, un modèle qui écrit bien compte moins qu'un modèle qui rend un verdict net et exploitable. Une grande partie de l'automatisation des processus métier se résume à du tri : cette alerte est-elle grave, dans quelle file d'attente envoyer ce ticket, ce document respecte-t-il telle règle. Jev est précisément conçu pour ce genre de travail.

Le calendrier laisse penser que l'idée fait son chemin. OpenAI a récemment pris une direction similaire avec son API Decisions, et Cloudflare a présenté des modèles de décision rapides pour les agents. Ce sont les premiers signes que les "modèles de décision" pourraient devenir une catégorie de produits à part entière, distincte des chatbots généralistes. Si c'est le cas, TypeSafe se retrouvera face à des plateformes bien plus grandes, capables d'intégrer des fonctionnalités similaires pour un coût supplémentaire minime.

La valorisation s'inscrit aussi dans une tendance plus large. Les investisseurs paient le prix fort pour des start-up d'IA très tôt, souvent avec des montants de transactions record, avant même qu'elles aient fait leurs preuves. Un prix de 7,5 milliards de dollars moins d'un mois après le lancement en est l'illustration.

Trois points méritent d'être suivis :

• Des tests indépendants. Les promesses de vitesse et de coût tiennent-elles en dehors des propres tests de TypeSafe ?
• La calibration en pratique. Les scores de confiance de Jev permettent-ils réellement de prévoir quand le modèle se trompe ?
• Les prochaines sorties. Le reste de la gamme System One pourra-t-il capitaliser sur cette adoption précoce une fois que les grands acteurs auront réagi ?