Barret Zoph Rejoint Google Après Thinking Machines

Et si la plus grande bataille de l’intelligence artificielle ne se jouait plus seulement sur les puces, les data centers ou les modèles, mais sur les agendas des chercheurs qui changent de badge plus vite que les versions d’un chatbot ? L’annonce est tombée presque en catimini, comme souvent dans cet univers où les communiqués officiels arrivent après les rumeurs. Barret Zoph, cofondateur de la jeune pousse Thinking Machines, écarté de sa propre aventure puis rappelé un temps chez OpenAI, vient d’être nommé vice-président de la recherche chez Google. On parle d’un retour, pas d’une découverte : l’homme a déjà travaillé pour Mountain View. On parle surtout d’un signal. Dans un secteur où les laboratoires se disputent les mêmes cerveaux, chaque nomination ressemble à un coup d’État feutré.

La Valse Infinie Des Talents De L’IA

Il y a dix ans, un chercheur restait cinq ou sept ans dans le même labo. Aujourd’hui, deux années font figure de marathon. OpenAI a perdu une partie de son état-major, Anthropic recrute à tour de bras, Meta paie des primes astronomiques, et Google tente de reconstruire autour de Gemini une équipe capable de tenir la distance. Dans ce paysage, Thinking Machines n’est pas un simple nom de startup. C’est le laboratoire né du départ de Mira Murati, ancienne directrice technique d’OpenAI, et de plusieurs figures du post-training. L’histoire de Zoph en dit plus sur l’industrie que n’importe quel tour de table.

Le récit tient en quelques dates, mais il mérite d’être déroulé sans précipitation. Zoph passe environ deux ans chez OpenAI. En octobre 2024, il quitte le laboratoire pour cofonder Thinking Machines aux côtés de Murati, partie le mois précédent. L’ambition affichée : construire des systèmes plus contrôlables, plus utiles en entreprise, plus honnêtes sur ce qu’ils savent et ce qu’ils ignorent. Puis, en janvier, le décor bascule. Zoph et un autre cofondateur, Luke Metz, quittent la jeune pousse pour revenir chez OpenAI. On apprend ensuite que Zoph n’est pas parti de son plein gré : il a été licencié. Son retour au laboratoire d’origine dure cinq mois. On lui confie l’animation commerciale des offres IA destinées aux grandes entreprises. En juin, il s’en va de nouveau. En août, Google confirme son arrivée comme vice-président recherche, avec un mandat clair : ramener son expertise en apprentissage par renforcement et en post-training au service de Gemini.

Thinking Machines, Une Startup Née D’Un Séisme

Pour comprendre pourquoi ce nom circule autant, il faut revenir à l’automne 2024. OpenAI n’est plus seulement un labo de recherche. C’est une machine à produits, une organisation sous pression financière, une marque mondiale. Certains chercheurs estiment que la culture d’origine, celle des articles, des ablations et des discussions sans fin sur l’alignement, s’érode. Mira Murati incarne alors une figure de transition : assez proche du produit pour connaître ChatGPT de l’intérieur, assez scientifique pour parler le langage des modèles. Son départ n’est pas anodin. Il ouvre la voie à une structure indépendante, Thinking Machines, dont le nom même joue sur deux registres. D’un côté, les machines qui pensent. De l’autre, les équipes qui réfléchissent encore à la manière dont on les entraîne après le pré-entraînement massif.

Le post-training, ce n’est pas un détail de pipeline. C’est la phase où un modèle brut, gavé de texte, devient un assistant, un agent, un outil capable de suivre des instructions, de refuser certaines demandes, de s’adapter à un métier. Reinforcement learning from human feedback, optimisation de préférences, distillation, constitution de jeux de données « or » : tout cela se joue après les milliards de tokens du pré-entraînement. Zoph s’est construit une réputation précisément sur ces sujets. Lorsqu’une startup promet de « mieux finir » les modèles, elle ne vend pas seulement une API. Elle vend une doctrine.

Thinking Machines attire très vite l’attention des investisseurs et des médias spécialisés, non parce que son produit est déjà partout, mais parce que ses fondateurs viennent du cœur du réacteur. Dans l’écosystème des startups IA, le pedigree remplace parfois le chiffre d’affaires des six premiers mois. C’est à la fois une force et une fragilité. Une force, car les meilleurs ingénieurs suivent souvent les meilleurs chercheurs. Une fragilité, car la gouvernance d’une équipe de stars n’a rien à voir avec celle d’une scale-up classique. Quand deux cofondateurs partent brutalement, le marché interprète le geste comme un verdict sur la cohésion interne.

Cette phrase courte vaut mieux qu’un communiqué de trois pages. Google ne parle pas d’un profil commercial. Il parle d’un profil scientifique. Le mot « returning » insiste sur la continuité. Zoph n’est pas un trophée ramassé au hasard. C’est un ancien de la maison que l’on rapatrie au moment où Gemini doit cesser d’être perçu comme un rattrapage et devenir une offre de référence, notamment auprès des entreprises.

Cinq Mois Chez OpenAI, Puis Le Silence

Le passage éclair de Zoph à la tête des ventes entreprise d’OpenAI interroge. Un chercheur de post-training promu vers le commercial, ce n’est pas le scénario le plus naturel. On peut y voir une tentative de relier la technique aux comptes stratégiques. Les grands clients ne veulent plus seulement un modèle « intelligent ». Ils veulent des garanties de comportement, des politiques de sécurité, des réglages métier, des coûts prévisibles. Qui mieux qu’un spécialiste du fine-tuning pour expliquer ce qui est possible et ce qui ne l’est pas ?

Pourtant, cinq mois, c’est trop court pour transformer une organisation commerciale. C’est assez long, en revanche, pour constater un décalage. OpenAI, malgré sa puissance de marque et la préparation d’une introduction en Bourse évoquée depuis des mois, a perdu beaucoup de cadres depuis le début de l’année. Direction des opérations, responsables d’infrastructures, figures de la recherche : la liste s’allonge. Chaque départ isolé peut s’expliquer. Leur accumulation crée un récit. Les observateurs parlent de fatigue, de luttes d’influence, de tension entre la mission originelle et la machine économique. Personne, à l’extérieur, ne détient le dossier confidentiel. Tout le monde, en revanche, voit le mouvement.

Le licenciement chez Thinking Machines ajoute une couche plus personnelle. On n’écarte pas un cofondateur sans raison grave, qu’elle soit stratégique, relationnelle ou liée à l’exécution. Les startups de recherche avancée souffrent souvent d’un mal spécifique : trop de visionnaires, pas assez de clarification sur qui décide. Quand le produit n’existe encore qu’à l’état de démonstrations et de prototypes internes, les désaccords portent sur l’essence même de l’entreprise. Faut-il publier ? Faut-il vendre ? Faut-il rester généraliste ou se spécialiser sur un vertical ? Ces questions ne se tranchent pas autour d’un café.

Pourquoi Google Recrute Précisément Ce Profil

Google n’a jamais manqué de chercheurs. DeepMind, Google Brain, puis la fusion des équipes sous la bannière Gemini ont produit des modèles impressionnants. Le défi n’est plus seulement de publier un benchmark. Il est de faire d’un modèle un produit quotidien pour des centaines de millions d’utilisateurs et pour des milliers de directions informatiques. Là, le post-training devient un levier industriel. Un point de plus sur un classement académique impressionne les chercheurs. Une réduction des hallucinations dans un flux de travail juridique ou médical impressionne les acheteurs.

L’apprentissage par renforcement, longtemps associé aux jeux et à la robotique, est redevenu central pour les grands modèles de langage. On l’utilise pour aligner les réponses, pour entraîner des agents qui enchaînent des outils, pour optimiser des politiques de refus, parfois pour comprimer un modèle sans trop perdre en qualité. Zoph arrive donc avec une boîte à outils que Google possède déjà en partie, mais qu’il veut sans doute rendre plus opérationnelle, plus proche des équipes produit Gemini.

Il y a aussi une dimension symbolique. Recruter un ancien d’OpenAI, cofondateur d’une startup concurrente, c’est afficher que Mountain View reste une destination de premier choix. Après des années où le récit médiatique plaçait OpenAI au centre du jeu, chaque retour vers Google alimente un contre-récit : la profondeur scientifique n’a pas quitté le campus, elle s’est réorganisée.

Ce Que Cette Histoire Dit Des Startups IA

Présenter une startup d’intelligence artificielle en 2026, ce n’est plus raconter uniquement un produit et un marché. C’est raconter une coalition de personnes qui auraient pu rester dans un grand laboratoire, qui ont choisi l’indépendance, puis qui parfois y renoncent. Thinking Machines illustre le modèle « labo-spinout » : on part avec une réputation, un réseau, une thèse technique, et l’on lève des fonds avant même d’avoir un chiffre d’affaires comparable à celui d’une scale-up SaaS traditionnelle.

Ce modèle crée des entreprises fascinantes et instables. Fascinantes, parce qu’elles peuvent attirer en quelques semaines des profils que des ETI mettent des années à recruter. Instables, parce que la valeur de la société repose d’abord sur des individus. Si deux cofondateurs s’en vont, le récit d’investisseur se fissure. Les salariés restants se demandent s’ils ont rejoint une mission ou une parenthèse. Les clients potentiels, déjà prudents face à des outils encore jeunes, hésitent davantage.

• Une thèse technique claire, ici le post-training et le contrôle des modèles, vaut davantage qu’un slogan vague sur « l’IA responsable ».
• La gouvernance des cofondateurs doit être écrite tôt, y compris les conditions de départ, sous peine de transformer chaque désaccord en crise publique.
• Le retour vers un ancien employeur n’est plus un tabou : c’est devenu une option de carrière presque normale dans la recherche IA.
• Les grands groupes, Google en tête, restent capables d’absorber ces trajectoires dès qu’un besoin produit devient urgent.

Les fondateurs qui observent Thinking Machines depuis l’extérieur devraient retenir une leçon simple. Lever des fonds grâce à un nom prestigieux accélère le début. Cela n’épargne pas le travail sale : aligner les egos, choisir un client cible, dire non à trois opportunités pour en réussir une. Les laboratoires indépendants qui survivent sont ceux qui transforment une réputation en processus. Documentation des expériences, reproduction des résultats, industrialisation des pipelines de données, relation claire entre recherche et go-to-market. Sans cela, l’entreprise reste une équipe de recherche déguisée en société.

OpenAI, Google, Anthropic : Trois Gravités Différentes

On compare trop souvent ces organisations comme s’il s’agissait du même objet. OpenAI fonctionne comme une entreprise-produit sous très forte lumière, avec une base d’utilisateurs immense et une promesse de croissance qui attire autant qu’elle épuise. Google dispose d’une distribution inégalée, d’une infrastructure colossale et d’une culture historique de la recherche, parfois ralentie par la taille. Anthropic a construit son identité autour de la sécurité et d’une relation étroite avec un nombre plus restreint de grands comptes. Les chercheurs circulent entre ces pôles parce que chacun offre un cocktail différent de liberté, de moyens et de visibilité.

Dans ce triangle, une startup comme Thinking Machines tente une quatrième voie : assez petite pour bouger vite, assez prestigieuse pour recruter, assez indépendante pour explorer des approches que les géants hésitent à prioriser. Cette voie n’est tenable que si l’équipe dirigeante reste soudée pendant les dix-huit premiers mois, ceux où le produit n’a pas encore la preuve par le revenu. Le départ de Zoph et de Metz a donc une portée qui dépasse deux CV. Il interroge la viabilité du modèle « all-star founding team » lorsque la pression médiatique arrive trop tôt.

Il faut aussi parler d’argent sans naïveté. Les packages d’embauche dans l’IA générative ont atteint des niveaux qui brouillent les décisions. Un chercheur peut aimer une mission et choisir malgré tout la stabilité d’un bilan, d’une infrastructure déjà payée, d’une équipe déjà constituée. Google, en rapatriant Zoph, n’achète pas seulement une compétence. Il rachète du temps. Former en interne un profil équivalent prend des années. Le recruter remet immédiatement quelqu’un dans la boucle des décisions sur Gemini.

Post-Training : Le Vrai Champ De Bataille Discret

Le grand public discute des modèles comme s’il s’agissait de personnalités. « Plus intelligent », « plus créatif », « plus sûr ». Les équipes techniques savent que l’écart se creuse souvent après le pré-entraînement. Deux laboratoires peuvent partir d’un socle comparable et obtenir des comportements radicalement différents selon la qualité des annotateurs, la conception des récompenses, la diversité des cas limites, la manière dont on pénalise la confidence excessive.

Le renforcement appliqué aux modèles de langage n’est pas magique. Mal réglé, il produit des assistants trop plats, trop d’accord avec l’utilisateur, trop prompts à inventer une source pour avoir l’air utiles. Bien réglé, il donne des systèmes capables de demander une précision, de citer avec prudence, de déléguer à un outil plutôt que d’halluciner une réponse. C’est exactement le type de différenciation que les directions informatiques commencent à exiger dans les appels d’offres. D’où l’intérêt de Google pour un profil rompu à ces arbitrages.

On peut décrire le post-training comme une cuisine de précision. Le pré-entraînement fournit la farine. Ensuite viennent les dosages : quelle part de données humaines, quelle part de données synthétiques, quelle température d’exploration, quels garde-fous réglementaires selon les pays. Une startup qui maîtrise cette cuisine peut vendre du sur-mesure à des banques, des hôpitaux, des administrations. Un géant qui la maîtrise à l’échelle peut intégrer ces réglages dans un assistant utilisé par défaut dans la messagerie, le navigateur, le cloud. Les deux stratégies coexistent. Elles se disputent les mêmes spécialistes.

Le Coût Humain D’Une Industrie Accélérée

On rit parfois de cette « chaise musicale » des cadres. Il faut aussi voir ce qu’elle produit dans les équipes. Chaque départ d’un cofondateur ou d’un vice-président réouvre des débats déjà tranchés, gèle des projets, oblige à réexpliquer la feuille de route. Les ingénieurs plus juniors, ceux qui n’ont pas de stock-options au sommet de la pyramide, vivent ces mouvements comme une instabilité constante. Travailler sur un modèle pendant six mois puis apprendre que le responsable de la direction a changé de camp, cela use.

Il existe une autre fatigue, plus discrète : celle de la loyauté. Dans la recherche classique, on restait fidèle à un laboratoire parce que les données, les clusters et les thèses s’y accumulaient. Dans l’IA générative, les clusters se ressemblent, les papiers circulent, les méthodes se recopient en quelques semaines. La fidélité se négocie. Ce n’est ni moral ni immoral. C’est un marché du travail devenu aussi liquide que le capital-risque qui le finance.

Pour les fondateurs de startups françaises ou européennes qui regardent cette séquence depuis Paris, Berlin ou Zurich, le message n’est pas « copiez OpenAI ». Le message est plus terre à terre. Attendez-vous à ce que vos premiers employés reçoivent des offres. Écrivez des clauses de non-sollicitation réalistes. Construisez une culture où l’on reste pour le problème à résoudre, pas seulement pour le prestige du logo. Et acceptez qu’un départ spectaculaire, s’il est mal expliqué, coûtera plus cher en recrutement futur que le salaire économisé.

Mira Murati Et L’Ombre Portée Des Figures Tutélaires

Impossible d’évoquer Thinking Machines sans revenir sur Mira Murati. Son passage à la direction technique d’OpenAI a coïncidé avec l’explosion grand public de ChatGPT. Elle est devenue, presque malgré elle, un visage de la bascule entre recherche et produit. Créer une société après cela, c’est accepter de vivre sous un projecteur permanent. Chaque embauche, chaque départ, chaque rumeur de valorisation sera lue comme un chapitre de sa biographie autant que comme la vie d’une entreprise.

Les startups construites autour d’une personnalité de cette ampleur gagnent un accès immédiat aux investisseurs, aux journalistes, aux candidats. Elles paient le prix inverse : l’organisation peine à exister indépendamment de sa fondatrice. Si l’équipe tient, la personnalité devient un accélérateur. Si l’équipe se fissure, la personnalité devient le seul récit disponible, ce qui n’est bon ni pour elle ni pour la société. L’affaire Zoph, quelle qu’en soit la vérité interne, s’inscrit dans cette tension.

On aurait tort, toutefois, de réduire Thinking Machines à une addition de CV. D’autres laboratoires indépendants ont survécu à des départs précoces. Ce qui compte désormais, c’est la capacité à publier ou à livrer quelque chose de distinctif : un modèle mieux calibré, une méthode d’évaluation plus honnête, une offre entreprise qui ne se contente pas de revendre un socle existant. Sans preuve tangible, le marché passera à la startup suivante. Avec une preuve, le départ d’un cofondateur deviendra une anecdote, pas une sentence.

Google Et La Reconquête Par La Recherche Appliquée

Depuis l’arrivée des chatbots grand public, Google a dû se réinventer sous le regard de ses propres utilisateurs. Le moteur de recherche, longtemps intouchable, se trouve challengé par des réponses générées. Gemini n’est pas seulement un modèle. C’est une tentative de réancrer l’IA dans tous les produits de la maison : messagerie, documents, cloud, Android, publicité. Pour que cette intégration tienne, il ne suffit pas d’un beau lancement. Il faut des comportements stables, des mises à jour fréquentes, une réduction des incidents visibles.

Nommer un vice-président recherche issu du post-training, c’est admettre que la bataille se gagne dans les détails. Moins d’erreurs factuelles dans un résumé de réunion. Meilleure utilisation des outils internes. Agents capables de mener une tâche sur plusieurs étapes sans dérailler. Ces progrès n’éclatent pas toujours dans une keynote. Ils se sentent dans le taux de rétention d’un produit. Google, mieux que quiconque, sait mesurer ces micro-améliorations à l’échelle mondiale.

Le retour de Zoph s’inscrit aussi dans une habitude ancienne de l’entreprise : faire revenir ceux qui sont partis voir ailleurs. Cette politique n’est pas toujours populaire en interne, car elle peut donner l’impression que l’on récompense l’infidélité. Elle a pourtant une efficacité froide. Les « alumni » reviennent avec une carte des pratiques concurrentes, une connaissance des angles morts, parfois une urgence nouvelle. Ils savent ce que Google fait moins bien, et ils n’ont plus l’excuse de l’ignorance.

Comment Lire Cette Séquence Sans Tomber Dans Le Spectacle

La presse technologique aime les rebondissements. Cofondateur licencié, retour manqué, nouveau badge. C’est un bon scénario. Ce n’est pas forcément la meilleure grille d’analyse. Derrière le spectacle, trois questions plus utiles se posent pour quiconque construit ou finance une startup.

Première question : la thèse technique survit-elle aux personnes ? Si Thinking Machines a réellement une avance sur le contrôle des modèles, cette avance doit pouvoir se transmettre. Sinon, ce n’était pas une entreprise, c’était un collectif. Deuxième question : les grands laboratoires sont-ils en train de re-centraliser le talent après une période de diaspora ? Les salaires, les GPU et la distribution plaident pour un oui prudent. Troisième question : le marché entreprise est-il assez mature pour payer la qualité du post-training, ou continuera-t-il d’acheter d’abord la marque du modèle de fondation ? Selon la réponse, des dizaines de jeunes pousses vivront ou disparaîtront.

On peut ajouter une quatrième interrogation, plus politique. Plus les chercheurs circulent, plus les méthodes se diffusent. L’avantage compétitif fond plus vite. Les entreprises se distinguent alors par la donnée propriétaire, par l’accès au calcul, par la distribution, par la conformité. Autrement dit, par tout ce qu’une startup purement scientifique ne possède pas au premier jour. D’où l’intérêt, pour les fondateurs, de nouer très tôt des partenariats d’accès aux données et aux canaux, au lieu de parier uniquement sur l’éclat d’une équipe de recherche.

Ce Que Les Fondateurs Peuvent Emprunter À Cette Chronique

Il serait facile de conclure sur un ton moralisateur. Mieux vaut rester pratique. Si vous lancez une société d’IA générative, documentez dès le premier mois qui possède quoi : les poids, les jeux de données, les évaluations, le code d’alignement. Clarifiez le rôle de chaque cofondateur par écrit, y compris le droit de veto sur les levées et les embauches clés. Prévoyez un mécanisme de médiation avant le premier conflit sérieux. Ces précautions paraissent administratives. Elles évitent que le premier désaccord stratégique ne se transforme en communiqué de presse.

Ensuite, résistez à la tentation de tout miser sur le storytelling du pedigree. Les journalistes aiment les anciens d’OpenAI. Les clients aiment les démonstrations qui marchent sur leurs propres documents. Construisez les deux, mais dans cet ordre-là. Une startup qui ne sait montrer qu’un lineage impressionnant finira par perdre ses talents au profit d’un acteur capable d’offrir à la fois le prestige et la stabilité.

• Traitez le post-training comme un produit, pas comme une arrière-cuisine réservée aux chercheurs.
• Mesurez la qualité perçue chez le client final, pas seulement les scores internes.
• Acceptez que certains départs soient sains, à condition qu’ils soient expliqués à l’équipe restante.
• Gardez un canal ouvert avec les grands laboratoires : aujourd’hui concurrent, demain partenaire d’infrastructure ou d’emploi pour vos alumni.

Enfin, souvenez-vous que l’industrie aime les récits de génies nomades, mais que les entreprises durables sont bâties par des gens qui restent assez longtemps pour voir un système échouer, puis le corriger. Zoph a enchaîné les maisons. Google parie qu’il restera suffisamment pour inscrire son savoir dans Gemini. Thinking Machines devra prouver que sa thèse survit à l’absence d’un cofondateur. OpenAI devra convaincre que la rotation de ses cadres n’affaiblit pas sa capacité à livrer. Trois mises à l’épreuve, une seule industrie.

Une Industrie Qui N’A Pas Fini De Se Redistribuer

On refermera cette chronique sans prétendre que le dernier mouvement de Barret Zoph change à lui seul l’équilibre des forces. Un vice-président, même brillant, ne bascule pas une guerre de modèles. En revanche, la répétition de ces bascules dessine un climat. Les frontières entre laboratoire historique, startup de rupture et géant du cloud deviennent poreuses. On y circule avec son ordinateur portable et son réseau. On y emporte des habitudes, des outils, parfois des rancœurs.

Pour le lecteur qui suit les startups, le geste utile n’est pas de tenir un tableau des transferts comme on tient un mercato. Il est de relier chaque transfert à une compétence rare. Ici, la compétence rare s’appelle post-training et renforcement. Demain, ce sera peut-être l’évaluation des agents, la synthèse de données confidentielles, l’orchestration de flottes de modèles spécialisés. Les sociétés qui sauront nommer cette rareté, la payer sans se ruiner et la fidéliser sans naïveté auront une longueur d’avance, qu’elles s’appellent Thinking Machines, qu’elles naissent à Station F ou qu’elles vivent dans un étage anonyme d’un campus californien.

Quant à Google, le défi reste le même depuis que Gemini existe aux yeux du public : transformer une puissance scientifique en habitude quotidienne. Le retour d’un ancien n’y suffira pas. Il peut, en revanche, accélérer le travail invisible par lequel un modèle cesse d’être une démonstration pour devenir une infrastructure. C’est moins romanesque qu’un licenciement de cofondateur. C’est probablement là que se joue, pour de bon, la suite.

En suivant cette trajectoire, on comprend mieux pourquoi la présentation d’une startup IA ne peut plus se limiter à un slide de marché et à une capture d’écran. Il faut raconter les gens, les désaccords, les compétences fines, les allers-retours avec les géants. Thinking Machines restera, quoi qu’il arrive à son produit, un cas d’école. Barret Zoph, lui, reprend une place dans une maison qu’il connaissait déjà. Entre les deux, l’industrie continue de tourner, plus vite que les organigrammes.