Une startup parisienne qui affirme que l'avenir de l'intelligence artificielle réside dans la topologie plutôt que dans l'échelle a obtenu 28 millions d'euros de financement en série A. Arlequin AI, fondée en 2024, développe ce qu'elle appelle des réseaux neuronaux topologiques, des architectures conçues pour apprendre non seulement à partir de points de données individuels, mais aussi des relations entre eux. Le tour de table a été co-piloté par la société de capital-risque suisse-allemande redalpine et la polonaise OTB Ventures, avec la participation du Fonds d'innovation de défense de Bpifrance. Les investisseurs historiques Vsquared Ventures et 10x Founders ont réitéré leur confiance, et le milliardaire des télécoms Xavier Niel a rejoint le capital.

Un duo de fondateurs atypique

Les origines de l'entreprise ne sont pas celles d'une spin-off classique en informatique. Hugo Micheron, le directeur général, a bâti sa carrière sur l'étude du terrorisme et de l'instabilité géopolitique. Antoine Jardin, le directeur technique, a passé des années comme ingénieur de recherche au CNRS, le centre national de recherche français, spécialisé dans la science des données et le comportement humain. Leur collaboration est née d'une frustration commune : les organisations prenant des décisions critiques, que ce soit dans la sécurité, la détection de fraude ou la cyberdéfense, se noyaient dans des données fragmentées mais manquaient d'outils capables de cartographier les liens entre documents, transactions, flux vidéo et journaux d'exploitation.

Ce problème a donné son cap à l'entreprise. La plateforme d'Arlequin est déjà déployée auprès de gouvernements et de grandes organisations en Europe de l'Ouest et de l'Est, où elle est utilisée pour retracer les liens dans les enquêtes criminelles, les réseaux de blanchiment d'argent et les opérations de maintien de l'intégrité de l'information. Le nouveau capital est destiné à transformer l'approche sous-jacente de la plateforme en modèles propriétaires qui pourront être entraînés et vendus plus largement.

Ce que font réellement les réseaux neuronaux topologiques

L'apprentissage profond classique traite les données comme une collection plane de caractéristiques. Un modèle Transformer, par exemple, apprend les associations statistiques entre les jetons, mais n'a aucune représentation native de la structure qui les relie. Les méthodes topologiques, en revanche, s'inspirent de la topologie algébrique, la branche des mathématiques qui étudie les propriétés conservées lors de déformations continues, pour représenter les données sous forme de formes et de connexions. Dans l'implémentation d'Arlequin, le réseau apprend une signature topologique de l'ensemble de données : quels groupes sont liés, où apparaissent des trous, comment les composants persistent à travers les échelles. L'affirmation est que cela permet au modèle de capturer des interactions multiples, trois, quatre entités ou plus agissant de concert, sans l'explosion combinatoire qui oblige les modèles standard à croître de manière exponentielle.

Jardin l'a dit sans détour : l'entreprise estime que les progrès futurs de l'IA nécessiteront des architectures différentes plutôt que de simples modèles plus grands entraînés sur davantage de données et de puissance de calcul. Si cette affirmation se vérifie, les implications pour la chaîne d'approvisionnement en semi-conducteurs et la demande énergétique sont significatives. L'entraînement d'un grand modèle de langage de pointe aujourd'hui peut consommer des dizaines de milliers de GPU et des mégawatts d'électricité. Une approche centrée sur la topologie qui atteint des performances comparables sur des tâches structurées et relationnelles avec une fraction de ce matériel bouleverserait l'économie du déploiement de l'IA.

La question de la puissance de calcul

Arlequin n'a pas encore publié de benchmarks comparant ses modèles de front avec les références des modèles Transformer sur des tâches standards. L'entreprise affirme que ses modèles propriétaires sont désormais en cours de développement, le financement en série A permettant de financer l'équipe élargie nécessaire pour les entraîner et les évaluer. Les sceptiques noteront que l'analyse topologique des données promet une efficacité de calcul depuis des années sans pour autant déloger l'apprentissage profond basé sur le gradient en production. La différence cette fois-ci, selon les fondateurs, est l'intégration de couches topologiques directement dans l'architecture neuronale, rendant la topologie apprenable de bout en bout plutôt qu'une simple étape de prétraitement.

La participation du Fonds d'innovation de défense de Bpifrance indique d'où proviendront probablement les premiers clients payants. Les agences de défense et de renseignement disposent de vastes ensembles de données hétérogènes : imagerie satellite, interceptions de signaux, rapports open source, renseignement humain. Dans ces domaines, les relations entre les entités comptent plus que n'importe quel point de données individuel. Un système capable de faire émerger un réseau caché de sociétés écrans, ou de retracer l'évolution d'une campagne de désinformation sur plusieurs plateformes, sans nécessiter de centre de données dédié, présente un attrait évident.

Empreinte européenne, ambition américaine

L'entreprise a déjà ouvert des bureaux à Londres et à Berlin, se positionnant des deux côtés de la Manche et au cœur de la plus grande économie de l'UE. Un laboratoire d'IA dans la Silicon Valley est prévu pour les prochains mois, une décision qui reflète la réalité selon laquelle les budgets américains de défense et de renseignement dictent toujours le rythme de l'acquisition d'analyses avancées. L'implication de Niel ajoute un poids lourd français de la tech à la base d'investisseurs ; son groupe Iliad a construit son propre cloud GPU via la filiale Scaleway, et il a publiquement soutenu la poussée de Mistral AI pour des modèles souverains européens.

Le débat sur la mise à l'échelle en contexte

Ce financement intervient à un moment où le paradigme dominant, des modèles plus grands, plus de données, plus de calcul, est remis en question sur plusieurs fronts. L'IA Act de la Commission européenne, entré en vigueur en août 2026, impose des obligations de transparence et de gestion des risques qui s'adaptent à la capacité du modèle. Les coûts de l'énergie en Allemagne et en France restent élevés après la crise du gaz, faisant des entraînements énergivores une préoccupation pour les conseils d'administration. Et les restrictions du CHIPS Act américain sur les exportations de semi-conducteurs avancés vers la Chine ont rappelé à tout acheteur non américain que l'approvisionnement en GPU est politique. L'argument d'Arlequin est qu'une fondation mathématique différente contourne plusieurs de ces contraintes à la fois.

Micheron a décrit le moment en termes grandioses : « Aujourd'hui, une autre révolution est en train de prendre forme : le développement de nouveaux systèmes d'IA capables de comprendre des dynamiques très complexes cachées au sein de millions de points de données. » Que cette révolution se concrétise dans un produit qui surpasse une variante Llama ou GPT affinée sur un benchmark de détection de fraude reste à prouver. La série A leur donne environ 18 à 24 mois de trésorerie pour le démontrer.

Personnalités mentionnées

  • Hugo Micheron

    Chief executive and co-founder, Arlequin AI

  • Antoine Jardin

    Chief technology officer and co-founder, Arlequin AI

  • Xavier Niel

    Investor, Iliad

Organisations

Arlequin AI · redalpine · OTB Ventures · Bpifrance Defence Innovation Fund · CNRS · Vsquared Ventures