Thinking Machines Vise Quarante Milliards Avec Accel

Combien peut-on accorder à un laboratoire d’intelligence artificielle qui n’a même pas deux ans d’existence, quelques dizaines de chercheurs de premier plan et un chiffre d’affaires encore loin des géants du secteur ? La question n’est plus théorique. Thinking Machines, fondé au début de l’année dernière par Mira Murati, ancienne directrice technique d’OpenAI, serait en discussion pour lever environ un milliard de dollars sur une valorisation d’au moins quarante milliards. Le fonds Accel, déjà présent au capital, serait en pourparlers pour mener l’opération. Le marché de l’IA générative continue donc de tester les limites de ce que les investisseurs sont prêts à payer pour le talent, la marque et une plateforme encore jeune.

Une Valorisation Qui Dit Beaucoup Sur La Fièvre De L’IA

Le chiffre frappe d’abord par son écart avec le chiffre d’affaires. Selon une source familière des comptes, le rythme annuel de revenus de la société dépasserait les cent millions de dollars. À quarante milliards de valorisation, le multiple devient vertigineux. Il ne s’agit plus seulement d’acheter de la croissance. On achète une thèse : celle d’une équipe capable de transformer des modèles ouverts et des outils d’adaptation en une machine à cash durable, dans un univers où les coûts de calcul restent énormes et où la concurrence des laboratoires établis ne faiblit pas.

Cette discussion intervient après une première levée déjà hors normes. Un tour de deux milliards de dollars, souvent décrit comme l’un des plus importants financements d’amorçage de l’histoire, avait valorisé l’entreprise autour de douze milliards. Andreessen Horowitz avait alors mené le tour, aux côtés de Nvidia, GV, Lightspeed et Conviction Partners. L’argument principal n’était pas un produit mature. C’était le pedigree. Murati et les chercheurs venus d’OpenAI pesaient plus lourd, à ce moment-là, qu’un pipeline commercial classique.

Entre-temps, la société aurait visé plus haut encore. Fin d’année dernière, des échos parlaient d’une cible proche de cinquante milliards. Le tour aujourd’hui évoqué, s’il se conclut, se situerait donc un cran en dessous de cette ambition. Ce recul relatif n’a rien d’anodin. Il raconte un marché qui reste généreux, mais qui commence à demander des preuves, même aux noms les plus prestigieux.

Le Multiple Derrière Les Quarante Milliards

Un multiple de plusieurs centaines de fois le revenu annuel n’a de sens que si l’on croit à une expansion très rapide des usages. Dans l’IA, cette croyance repose sur trois piliers. D’abord, la demande des entreprises pour adapter des modèles à leurs données internes. Ensuite, la possibilité de facturer le calcul à l’usage plutôt que de vendre seulement une licence. Enfin, l’idée qu’un laboratoire indépendant peut rester attractif face aux écosystèmes fermés des très grandes plateformes.

Thinking Machines a commencé à donner une forme concrète à cette thèse en juillet, avec Inkling, un modèle à poids ouverts. Le revenu ne vient pas uniquement du modèle lui-même. Il passe par des frais de calcul liés à l’adaptation sur données propriétaires, via la plateforme Tinker. Autrement dit, la société ne se positionne pas seulement comme un éditeur de poids de réseau. Elle se présente comme un atelier où les clients paient pour spécialiser un modèle sans tout reconstruire.

Ce choix commercial est cohérent avec l’époque. Beaucoup d’organisations veulent de la personnalisation, mais refusent d’envoyer leurs données les plus sensibles dans un silo unique. Un modèle ouvert, combiné à une couche d’adaptation monétisée, répond à cette tension. Reste à savoir si le volume d’usage justifiera durablement une valorisation de laboratoire de premier rang.

Mira Murati, Le Capital Symbolique Qui Change Tout

On ne comprend rien à cette levée si l’on ignore le rôle de Mira Murati. Ancienne CTO d’OpenAI, elle incarne une génération de dirigeants qui ont vu naître les modèles de grande taille, négocié avec des investisseurs impatientés, géré la tension entre recherche ouverte et produit fermé, puis choisi de construire ailleurs. Son nom suffit à ouvrir des portes. Dans un secteur où le recrutement d’un chercheur senior peut coûter plus cher qu’une campagne marketing annuelle, ce capital symbolique a une valeur comptable.

Les premiers investisseurs n’ont pas parié sur un tableau de bord déjà rempli. Ils ont parié sur la capacité d’une équipe issue d’OpenAI à recruter, à publier, à convaincre des clients exigeants et à tenir un rythme de recherche compatible avec le marché. Cette logique a fonctionné au moment du seed. Elle est aujourd’hui mise à l’épreuve. Une valorisation de quarante milliards exige davantage qu’une aura. Elle exige une répétabilité commerciale.

Le laboratoire a aussi connu des départs visibles. Plusieurs figures, dont Lilian Weng et Luke Metz, ont regagné OpenAI. Ces allers-retours ne sont pas rares dans la vallée. Ils rappellent toutefois que le talent n’est pas un actif figé. Il circule. Un fonds qui entre à ce niveau de valorisation doit donc croire que le noyau restant, la méthode de travail et la plateforme Tinker suffisent à compenser les mouvements d’équipe.

Accel Face À Un Pari De Conviction

Accel n’arrive pas en terrain inconnu. Le fonds est déjà actionnaire. Mener un tour d’un milliard à ce niveau de prix, c’est afficher une conviction très forte : la société n’est pas au sommet d’une bulle de prestige, mais au début d’une courbe d’usage. C’est aussi accepter un ticket qui pèse lourd dans un portefeuille, même pour un acteur historique du capital-risque.

Ni Accel ni Thinking Machines n’ont commenté publiquement ces discussions au moment des premiers échos. Le silence est classique. Il protège la négociation, évite de figer un prix trop tôt et laisse le champ aux rumeurs, qui font partie du théâtre de ces tours. Pour un lecteur attentif, l’absence de démenti ferme vaut souvent confirmation qu’il se passe quelque chose, sans garantir le montant final ni le calendrier.

Le rôle de chef de file n’est pas seulement financier. Il donne le tempo des autres participants, influence le pacte d’actionnaires et envoie un signal au marché du recrutement. Dire qu’Accel mène, c’est dire que le dossier a passé un filtre interne exigeant. Dans l’IA de 2026, ce filtre ne porte plus seulement sur la qualité scientifique. Il porte aussi sur la maîtrise des coûts de cluster, la rétention des chercheurs et la clarté du modèle de revenus.

Inkling, Tinker Et La Promesse D’Une IA Sur Mesure

Le produit mérite d’être regardé sans lyrisme. Inkling est un modèle à poids ouverts. Cette ouverture n’est pas un geste philanthropique. Elle sert une stratégie. En laissant les poids accessibles, on élargit l’écosystème d’expérimentation. En monétisant l’adaptation sur Tinker, on capture la valeur là où l’entreprise cliente a réellement mal : faire coller un modèle à son jargon, ses procédures, ses bases documentaires et ses contraintes de conformité.

La facturation à l’usage du calcul a l’avantage de suivre le volume. Elle a l’inconvénient de dépendre du prix de l’infrastructure et de la capacité à optimiser l’inférence. Si le coût du token baisse trop vite chez les géants, la marge d’un intermédiaire doit se justifier par la qualité de l’adaptation, la sécurité perçue et la simplicité d’intégration. Tinker joue précisément sur ce terrain.

On peut résumer la proposition commerciale ainsi : ne pas seulement livrer un cerveau générique, mais vendre l’atelier qui le spécialise. Cette idée n’est pas unique. Elle est toutefois plus crédible lorsqu’elle est portée par des gens qui ont déjà entraîné et déployé des systèmes à très grande échelle. C’est tout l’enjeu de la marque Thinking Machines.

• Un modèle ouvert pour élargir l’expérimentation et rassurer certains clients.
• Une plateforme d’adaptation pour transformer l’usage en revenu récurrent lié au calcul.
• Une équipe issue d’un laboratoire de référence pour accélérer la confiance initiale.
• Un risque de concentration du talent et de pression sur les coûts d’infrastructure.

Du Seed Historique À La Discipline Du Marché

Le premier tour de deux milliards à douze milliards de valorisation restera un cas d’école. Il montrait jusqu’où le marché était prêt à aller pour s’attacher une équipe avant même que le produit ne soit pleinement industrialisé. Nvidia dans la table n’était pas un détail. Le fabricant de puces a intérêt à voir émerger des laboratoires qui consomment du calcul. Les fonds généralistes, eux, cherchaient une exposition à une nouvelle génération d’acteurs, après avoir déjà misé sur les plateformes dominantes.

Passer de douze à quarante milliards en un temps court suppose une accélération du récit commercial. Un rythme de revenus supérieur à cent millions de dollars donne un premier point d’ancrage. Il ne ferme pas le débat. À ce niveau de prix, chaque trimestre compte. Les investisseurs regarderont la concentration des clients, la durée des contrats, le coût d’acquisition et surtout la capacité à retenir les chercheurs qui font la différence sur la qualité des modèles.

Le fait que la cible de cinquante milliards n’ait pas été atteinte, d’après les échos de fin d’année dernière, peut se lire de deux façons. Soit le marché a repris son souffle. Soit les fondateurs et les conseils ont préféré un tour plus réaliste, plus rapide à clôturer, plutôt qu’une bataille de valuation qui aurait duré trop longtemps. Dans les deux cas, le signal n’est pas celui d’un effondrement. C’est celui d’un ajustement.

Ce Que Révèlent Les Allers-Retours Avec OpenAI

Les départs vers OpenAI de certains cofondateurs ont alimenté les conversations de couloir. Ils ne signifient pas nécessairement un échec du projet. Ils disent que la maison d’origine reste un aimant puissant, avec des ressources, une marque grand public et une densité de problèmes scientifiques rare. Ils disent aussi que fonder un laboratoire indépendant, même bien financé, n’annule pas la gravité des grandes plateformes.

Pour un investisseur, le sujet n’est pas moral. Il est opérationnel. Combien de personnes clés faut-il pour maintenir le rythme de recherche ? Quelle part de la propriété intellectuelle et des habitudes de travail reste dans l’entreprise ? Comment la culture interne absorbe-t-elle le départ d’un visage connu ? Thinking Machines devra répondre à ces questions non par communiqué, mais par la cadence de ses prochaines versions et par la fidélité de ses premiers grands comptes.

Le secteur tout entier vit cette circulation. On a vu des vagues vers Anthropic, vers d’autres labs, vers des projets internes chez les GAFAM, puis des retours. Le marché du travail de l’IA ressemble moins à une pyramide stable qu’à un système de vases communicants. La valorisation d’un labo indépendant intègre désormais, implicitement, une prime de rétention.

Pourquoi Les Fonds Continuent De Surpayer Le Récit

On peut juger excessive une valorisation de quarante milliards. On peut aussi comprendre la logique interne des fonds. Manquer le prochain laboratoire structurant coûte plus cher, à leurs yeux, que de payer trop cher un dossier qui devient une plateforme. Cette peur de manquer a déjà produit des tours spectaculaires depuis 2023. Elle n’a pas disparu en 2026. Elle s’est seulement faite plus sélective.

Les critères ont changé de forme. On ne se contente plus d’un démonstrateur bluffant. On veut un début de machine commerciale, une explication claire de la marge sur le calcul, une stratégie face à l’open source communautaire et une réponse au risque réglementaire. Thinking Machines avance des éléments sur plusieurs de ces points, sans encore offrir le confort d’un historique long.

Accel, s’il mène réellement le tour, enverra un message au reste de la place : le dossier n’est pas trop cher pour ceux qui croient à la spécialisation d’entreprise comme prochain relais de croissance. Les sceptiques répondront que cent millions de revenus ne suffisent pas à justifier un multiple aussi extrême, surtout dans un métier où les dépenses d’infrastructure peuvent avaler la croissance.

Les Questions Que Devrait Poser Un Investisseur Prudent

Avant de célébrer le montant, il faut poser des questions simples. Quelle part des revenus vient de quelques clients seulement ? Quelle est la récurrence réelle une fois le projet d’adaptation terminé ? Combien coûte un chercheur senior une fois les packages d’actions réévalués à quarante milliards ? Quelle dépendance à un fournisseur de puces ou de cloud ? Quelle exposition juridique si un client considère que ses données d’adaptation ont trop voyagé ?

Ces questions ne tuent pas le dossier. Elles le ramènent au réel. Un laboratoire peut être brillant et mal cadencé. Il peut aussi être moins spectaculaire en communication et très solide en rétention de contrats. Le public ne voit souvent que le premier aspect. Les partenaires qui mènent un tour de cette taille sont payés pour voir le second.

Il faudra aussi surveiller la promesse d’ouverture. Un modèle à poids ouverts crée de la confiance et de l’écosystème. Il crée aussi des copies, des forks, des usages non payants. La barrière se déplace alors vers l’outillage, le support, la sûreté de la chaîne d’adaptation et la qualité de l’expérience développeur. Tinker est précisément le lieu où cette barrière doit se construire.

Une Place À Part Dans La Carte Des Laboratoires

Le paysage s’est polarisé. D’un côté, des organisations très capitalisées, souvent liées à une grande plateforme ou à un nuage. De l’autre, des projets plus communautaires, plus lents à monétiser. Thinking Machines tente une voie médiane : assez indépendante pour séduire des entreprises méfiantes, assez financée pour tenir la course à l’entraînement et à l’inférence, assez ouverte pour ne pas apparaître comme une forteresse.

Cette voie médiane est séduisante sur le papier. Elle est étroite dans les faits. Trop fermée, on perd une partie du récit. Trop ouverte, on peine à défendre le prix. Trop dépendante du prestige des fondateurs, on souffre au premier départ visible. Trop industrielle trop tôt, on déçoit la recherche. Le management d’un tel labo ressemble à un exercice d’équilibriste permanent.

C’est aussi pour cela que le marché continue de payer cher. Peu d’équipes savent tenir ces contradictions en même temps. Celles qui le font, même imparfaitement, deviennent des actifs rares. La rareté, en capital-risque, a toujours eu un prix déraisonnable jusqu’au jour où elle devient évidente pour tout le monde, et donc trop tardive.

Ce Que Cette Histoire Dit Aux Fondateurs Français Et Européens

On aurait tort de lire cet épisode comme une chronique californienne sans leçon. Il montre d’abord que le récit d’équipe reste le premier actif d’un laboratoire. Il montre ensuite que le marché attend désormais un début de revenu, même s’il accepte encore des multiples hors sol. Il montre enfin que l’open weight n’est plus un positionnement militant isolé. C’est devenu un argument commercial, à condition d’y accrocher une plateforme payante.

Les fondateurs qui observent depuis l’Europe peuvent retenir une discipline. Le prestige attire le premier chèque. Seule la répétition des usages justifie les suivants. Une valorisation trop haute trop tôt fige les tours suivants et complique les recrutements si le cours implicite de l’action devient un plafond psychologique. Mieux vaut parfois un prix un peu plus bas et une table d’investisseurs alignée qu’un record qui isole.

Ils peuvent aussi retenir que le calcul n’est pas un détail de back-office. Il est le cœur du modèle. Celui qui ne maîtrise pas sa grille de coûts, ses contrats de capacité et ses optimisations d’inférence se retrouvera avec une croissance qui n’enrichit que ses fournisseurs. Tinker, de ce point de vue, n’est pas un accessoire. C’est le lieu où la thèse financière se joue vraiment.

Les Scénarios Possibles Après L’Annonce

Si le tour se clôture aux conditions évoquées, Thinking Machines disposera d’une réserve de guerre considérable pour recruter, réserver du calcul et accélérer le déploiement de Tinker. Le risque immédiat ne sera pas le manque d’argent. Ce sera la pression du récit. À quarante milliards, chaque retard de modèle, chaque départ, chaque trimestre de revenus moins spectaculaire que prévu sera lu à la loupe.

Si le tour tarde ou se fait plus petit, le marché y verra un rappel utile : même les noms les plus prestigieux n’échappent plus à l’arbitrage. Les dossiers d’IA restent chers. Ils ne sont plus automatiquement illimités. Cette discipline relative serait saine pour l’ensemble de l’écosystème, y compris pour les équipes qui n’ont pas le luxe d’un passé chez OpenAI.

Un troisième scénario, plus discret, consisterait à élargir la table au-delà d’Accel, avec des acteurs stratégiques du calcul ou de l’entreprise. Ce type de montage change la nature du tour. Il n’apporte pas seulement de l’argent. Il apporte des contrats, de la capacité et parfois des contraintes d’exclusivité. Le laboratoire devrait alors défendre son indépendance tout en acceptant des alliances.

• Clôture rapide autour d’Accel et maintien d’une valorisation très élevée.
• Ajustement du montant ou du prix pour élargir le consensus des fonds.
• Entrée d’un partenaire stratégique lié au cloud ou aux puces.
• Période d’attente pendant laquelle le revenu et la rétention du talent deviennent les vrais arguments.

Ne Pas Confondre Vitesse Du Récit Et Maturité Du Produit

La presse spécialisée aime les tours ronds. Un milliard, quarante milliards, deux milliards de seed : ces chiffres circulent plus vite que les détails d’architecture ou de marge. Le lecteur gagnerait à inverser l’ordre. D’abord le produit. Ensuite le rythme d’adoption. Ensuite seulement le prix de l’action. Dans le cas présent, Inkling et Tinker donnent une prise concrète. Ils ne ferment pas le chapitre de la preuve.

Une entreprise peut afficher plus de cent millions de revenus et rester fragile si ces revenus sont trop liés à des projets d’intégration ponctuels. Elle peut aussi sembler petite et déjà solide si une base de clients paie chaque mois pour adapter, évaluer et déployer. On ne dispose pas ici du détail public de cette mixité. D’où l’importance de rester prudent dans l’enthousiasme comme dans le procès d’intention.

Le style humain d’un bon article de fond consiste précisément à tenir les deux bouts. Reconnaître la force du signal Accel et Murati. Refuser d’en faire une vérité comptable. La valorisation n’est pas une récompense morale. C’est un prix d’équilibre temporaire entre la peur de manquer et le besoin de preuves.

Le Talent Comme Matière Première, Le Calcul Comme Contrainte

Deux ressources commandent encore ce métier. Les personnes capables d’imaginer, d’entraîner et d’aligner des modèles. Les grappes de puces capables de les faire tourner à un coût acceptable. Thinking Machines est née du premier ressort. Elle devra gagner sur le second. Les investisseurs qui mettent un milliard sur la table le savent. Ils financent autant des salaires hors normes que des réservations de capacité.

Cette double nature explique les multiples. On ne valorise pas seulement un logiciel. On valorise une organisation capable d’arbitrer en continu entre publication, secret, ouverture des poids, exigences clients et réalités de cluster. Peu d’entreprises tiennent cet arbitrage plus de quelques années sans se diluer ou se faire avaler. Celles qui y parviennent deviennent des infrastructures. Les autres restent de belles pages dans l’histoire récente de l’IA.

Le retour de certains profils vers OpenAI rappelle que la matière première humaine est mobile. Le silence d’Accel et de la société sur le tour rappelle que le prix, lui, se négocie dans une pièce fermée. Entre les deux, le public n’a que des fragments. Ces fragments suffisent pourtant à dessiner une tendance : le marché continue de croire aux laboratoires indépendants, mais il commence à compter.

Une Lecture Sobre Pour La Suite

Rien n’oblige à conclure que quarante milliards sont justes ou absurdes. Le seul constat utile est celui-ci : Thinking Machines est passé en peu de temps du statut de pari sur des personnes au statut de dossier que l’on compare à un revenu, à un produit nommé et à une capacité à encaisser des départs. C’est déjà une autre entreprise que celle du seed à douze milliards.

Si Accel mène effectivement le tour, le message envoyé à l’écosystème sera net. Les laboratoires qui savent articuler modèle ouvert et adaptation payante ont encore droit à des valorisations de plateforme. Si le tour se fait attendre, le message sera tout aussi net. Même Mira Murati doit désormais aligner le récit, le talent restant et la facturation réelle.

Pour celles et ceux qui suivent les startups d’intelligence artificielle, l’épisode vaut surtout comme révélateur. L’ère où un nom suffisait à tout emporter n’est pas finie. Elle n’est plus seule aux commandes. Le calcul, les contrats et la rétention ont repris une place dans la conversation. C’est, au fond, une bonne nouvelle. Pas pour les records. Pour la qualité des entreprises qui sortiront de cette séquence.

Thinking Machines n’a pas besoin d’être mythifiée. Elle a besoin d’être observée avec exigence. Un milliard de plus dans la trésorerie peut accélérer une plateforme utile. Il peut aussi masquer un moment où le marché paie encore trop cher le prestige. La suite se lira moins dans les communiqués que dans l’usage quotidien de Tinker, la stabilité de l’équipe et la capacité à transformer un modèle ouvert en habitude de travail chez les clients. C’est là, et nulle part ailleurs, que la valorisation de quarante milliards cessera d’être un slogan pour devenir un bilan.