Imaginez un instant un monde où les nuits blanches passées à peaufiner des modèles Excel, à coller des slides dans PowerPoint ou à rédiger des rapports de due diligence interminables appartiendraient enfin au passé. Ce n’est plus de la science-fiction. Une jeune pousse londonienne vient de lever une somme colossale pour transformer radicalement le quotidien des banquiers d’affaires et des consultants. Et franchement, le montant fait tourner la tête.

Une levée de fonds qui marque un tournant dans la finance

Model ML vient d’annoncer une levée de fonds de 250 millions de dollars en série B. La valorisation de la société atteint désormais 1,5 milliard de dollars. Ce tour de table a été co-dirigé par General Atlantic et QED Investors, un investisseur déjà présent au capital. Seulement un an après une série A de 75 millions de dollars, la progression est vertigineuse.

Fondée il y a seulement trois ans par les frères Chaz et Arnie Englander, la startup n’est pas née de nulle part. Ces deux entrepreneurs avaient déjà créé Fat Llama, une plateforme de location entre particuliers rachetée en 2022 par le suédois Hygglo pour 41,5 millions de dollars. Ils connaissent donc parfaitement le chemin qui mène d’une idée à une exit réussie.

Leur nouvelle aventure s’attaque à un terrain bien plus vaste et bien plus complexe : le travail répétitif et chronophage des juniors en banque d’investissement et en conseil. Construire des modèles financiers, préparer des pitch decks, rédiger des mémos de due diligence… autant de tâches que Model ML veut désormais confier à des agents d’intelligence artificielle ultra-spécialités.

Des agents IA qui comprennent vraiment le contexte des deals

Ce qui différencie Model ML de beaucoup d’autres solutions, c’est sa capacité à s’intégrer directement dans les outils déjà utilisés par les équipes. Excel, PowerPoint, bases de données internes… les agents de la plateforme se branchent sur l’écosystème existant. Ils ne se contentent pas de générer du contenu isolé. Ils comprennent le contexte global de la transaction en cours.

Lorsqu’une nouvelle information arrive – un changement de multiple, une révision des prévisions de chiffre d’affaires, une modification réglementaire – les agents mettent automatiquement à jour les modèles financiers et les présentations. Plus besoin de refaire manuellement des dizaines de tableaux croisés dynamiques à 2 heures du matin. L’IA s’en charge en quelques minutes.

Nous construisons des agents qui ne se contentent pas de répondre à des questions. Ils comprennent l’ensemble du deal et agissent en conséquence.

Les fondateurs de Model ML

Cette approche change complètement la donne. Au lieu d’avoir un outil qui produit des slides génériques, les banquiers disposent d’un véritable coéquipier numérique capable de suivre l’évolution d’une opération dans le temps. Le gain de productivité annoncé est impressionnant, tout comme la réduction des erreurs humaines qui accompagnent souvent les allers-retours interminables entre versions de fichiers.

Pourquoi les banques d’affaires s’intéressent-elles autant à l’IA ?

Le secteur de la banque d’investissement reste l’un des plus intensifs en main-d’œuvre qualifiée. Les analystes et associates passent encore une part considérable de leur temps sur des tâches à faible valeur ajoutée. Construire un modèle LBO de A à Z, actualiser un comparables multiples ou reformater un pitch deck pour le comité d’investissement : autant d’heures qui pourraient être consacrées à l’analyse stratégique, à la relation client ou à la négociation.

Les cabinets de conseil en stratégie ne sont pas en reste. Les mêmes logiques s’appliquent. Les juniors passent des nuits à peaufiner des présentations qui seront ensuite relues et modifiées par les seniors. L’arrivée d’agents capables de produire un premier jet de qualité professionnelle en quelques minutes bouleverse l’organisation traditionnelle des équipes.

Model ML n’est pas seule sur ce créneau. D’autres acteurs comme Hebbia ou Rogo ont également levé des fonds importants. Rogo a d’ailleurs atteint une valorisation de 2 milliards de dollars en avril dernier après une levée de 160 millions. La concurrence est réelle, mais le marché est immense. Les banques et les cabinets dépensent chaque année des milliards en salaires de juniors dont une partie du temps pourrait être automatisée.

L’avantage concurrentiel des modèles open source

Un point technique mérite d’être souligné. Contrairement à certaines solutions qui s’appuient exclusivement sur les modèles les plus avancés d’OpenAI ou d’Anthropic, Model ML a choisi de travailler principalement avec des modèles open source. Selon la société, cette stratégie lui permet d’opérer à environ 2 % du coût des modèles frontier tout en offrant des résultats plus rapides.

Dans un secteur où les volumes de données sont énormes et où la confidentialité est critique, pouvoir faire tourner des modèles en interne ou dans des environnements sécurisés représente un argument de poids. Les institutions financières restent extrêmement prudentes quant à l’envoi de données sensibles vers des API externes. La capacité de Model ML à proposer une solution plus légère et plus contrôlable pourrait faire la différence lors des appels d’offres.

Cela ne signifie pas que les grands modèles de langage n’ont pas leur place. Anthropic et OpenAI ont d’ailleurs développé des outils spécifiques pour les professionnels de la finance. Mais pour les tâches répétitives et structurées qui constituent le cœur du « grunt work », des modèles plus légers et spécialisés semblent suffire, à condition d’être correctement entraînés et intégrés.

Quel impact sur les métiers de la banque et du conseil ?

La question qui revient le plus souvent est celle de l’emploi. Si des agents IA sont capables de produire des modèles financiers et des pitch decks de qualité, que devient le rôle des analystes juniors ? La réponse n’est pas aussi binaire qu’on pourrait le croire.

Dans la plupart des scénarios envisagés par les observateurs, l’IA ne remplace pas totalement les humains. Elle déplace la valeur. Les tâches purement techniques et répétitives diminuent, tandis que les compétences d’interprétation, de jugement et de relation client gagnent en importance. Un junior capable de challenger les outputs de l’IA, de détecter les incohérences et de proposer des angles d’analyse originaux restera précieux.

On peut même imaginer que le volume de deals traités augmente. Si la production de documentation devient beaucoup moins coûteuse en temps, les banques et les cabinets pourront se positionner sur davantage d’opérations, y compris des transactions de taille plus modeste qui n’étaient pas rentables auparavant.

  • Réduction drastique du temps passé sur les modèles Excel
  • Mise à jour automatique des présentations en cas de nouvel événement
  • Amélioration de la cohérence entre les différents documents d’un même deal
  • Libération de temps pour l’analyse stratégique et le conseil client
  • Diminution des erreurs de versioning et de copier-coller

Ces bénéfices ne sont pas théoriques. Plusieurs institutions financières testent déjà ce type d’outils en conditions réelles. Les retours font état de gains de productivité impressionnants sur certaines phases du process, notamment la construction initiale des modèles et la production des premières versions de pitch.

Le parcours atypique des frères Englander

Chaz et Arnie Englander ne sont pas des inconnus dans l’écosystème tech londonien. Après le succès de Fat Llama, ils auraient pu se contenter de profiter de leur exit. Au lieu de cela, ils se sont attaqués à un problème bien plus technique et bien plus concurrentiel. Leur choix de rester à Londres plutôt que de déménager dans la Silicon Valley est également intéressant. La capitale britannique reste un hub majeur pour la fintech et dispose d’un vivier de talents en finance et en intelligence artificielle.

Le fait d’avoir déjà construit et vendu une entreprise leur confère une crédibilité particulière auprès des investisseurs. Ils savent ce que signifie scaler une équipe, gérer une culture d’entreprise et livrer un produit qui répond réellement aux besoins des utilisateurs. Dans un domaine aussi exigeant que la banque d’investissement, cette expérience opérationnelle compte presque autant que la technologie elle-même.

On peut aussi noter que le timing est parfait. Les banques sont sous pression pour améliorer leurs marges. Les coûts salariaux des juniors ont fortement augmenté ces dernières années, tandis que les volumes de transactions restent volatils. Toute solution capable de réduire le coût de production des livrables internes trouve immédiatement une oreille attentive chez les associés et les managing directors.

Comparaison avec les autres acteurs du marché

Le paysage concurrentiel se densifie rapidement. Hebbia s’est positionnée sur la recherche et l’analyse documentaire assistée par IA. Rogo mise également sur des agents capables d’accompagner les banquiers au quotidien. D’autres startups plus discrètes travaillent sur des briques plus spécialisées : génération de modèles LBO, analyse de covenants, extraction d’informations dans les data rooms, etc.

Model ML se distingue par son approche full-stack. La société ne se contente pas d’un chatbot sophistiqué. Elle propose des agents qui agissent directement dans les outils métier. Cette intégration profonde est plus complexe à réaliser, mais elle crée une barrière à l’entrée plus élevée. Une fois qu’une banque a branché ses systèmes et formé ses équipes, le coût de changement devient important.

StartupFocus principalDernière valorisation
Model MLAgents IA intégrés (Excel, PowerPoint, modèles)1,5 milliard $
RogoAgents pour banquiers d’affaires2 milliards $
HebbiaRecherche et analyse documentaireNon communiquée récemment

Ces valorisations montrent à quel point les investisseurs croient au potentiel de transformation du secteur. Même si toutes ces sociétés ne réussiront pas à s’imposer comme leader, le simple fait que des fonds de premier plan injectent des centaines de millions de dollars indique que le marché est jugé immense.

Les défis qui restent à relever

Malgré l’enthousiasme, plusieurs obstacles demeurent. Le premier concerne la qualité et la fiabilité des outputs. Un modèle financier erroné peut coûter très cher. Les banquiers ont besoin de pouvoir faire confiance aux résultats produits par l’IA, ou du moins de pouvoir les vérifier rapidement. La transparence des raisonnements et la capacité à tracer chaque hypothèse restent des points critiques.

Le deuxième défi est culturel. Les banques d’affaires cultivent une certaine fierté du travail bien fait, souvent synonyme de longues heures passées sur les dossiers. Accepter qu’une machine produise une grande partie de ce travail demande un changement de mindset. Les seniors doivent apprendre à manager des équipes mixtes humains-IA, et les juniors doivent développer de nouvelles compétences.

Enfin, la question de la confidentialité et de la conformité réglementaire n’est jamais loin. Les données de deals sont parmi les plus sensibles qui existent. Toute solution doit démontrer un niveau de sécurité et de contrôle d’accès irréprochable. Les audits, les certifications et les architectures on-premise ou private cloud jouent un rôle déterminant dans les décisions d’achat.

Ce que cette levée de fonds révèle sur l’état de la fintech

Le tour de table de Model ML s’inscrit dans une dynamique plus large. Après une période de refroidissement des valorisations en 2022-2023, l’intelligence artificielle a relancé l’appétit des investisseurs pour les startups technologiques. La finance, traditionnellement plus lente à adopter les nouvelles technologies, semble aujourd’hui rattraper son retard à grande vitesse.

Les montants levés par les acteurs de l’IA appliquée à la finance atteignent désormais des niveaux comparables à ceux observés dans d’autres verticales. Cela s’explique par la taille du marché adressable. Les banques d’investissement et les cabinets de conseil représentent des dizaines de milliards de dollars de coûts salariaux chaque année. Même une automatisation partielle de 20 ou 30 % de certaines tâches crée une valeur économique considérable.

On assiste également à une spécialisation croissante. Il ne suffit plus de proposer un grand modèle de langage générique. Les clients demandent des solutions qui comprennent le jargon, les process et les contraintes spécifiques de leur métier. Model ML a clairement choisi cette voie en se concentrant exclusivement sur le monde de la banque d’affaires et du conseil.

Vers une nouvelle organisation du travail en finance

Si l’on projette cette tendance sur cinq à dix ans, le métier d’analyste junior pourrait évoluer de façon spectaculaire. Moins de temps passé à construire des tableaux, plus de temps passé à interpréter les résultats, à challenger les hypothèses et à préparer les recommandations stratégiques. Le profil recherché pourrait se rapprocher de celui d’un data analyst capable de dialoguer avec des agents IA plutôt que d’un « Excel monkey » capable de produire des modèles complexes à la main.

Les écoles de commerce et les programmes de formation devront s’adapter. Savoir formuler les bonnes instructions à une IA, vérifier la cohérence d’un modèle généré automatiquement ou identifier les biais potentiels deviendront des compétences aussi importantes que la maîtrise des raccourcis clavier d’Excel.

Du côté des banques, celles qui réussiront à intégrer ces outils le plus rapidement et le plus intelligemment pourraient gagner un avantage concurrentiel significatif. Elles pourront répondre plus vite aux clients, produire des analyses plus riches et allouer leurs talents humains sur les sujets à plus forte valeur ajoutée.

Les prochaines étapes pour Model ML

Avec 250 millions de dollars en plus dans ses caisses, la startup dispose désormais des moyens de ses ambitions. On peut s’attendre à un renforcement significatif des équipes techniques, commerciales et de support client. L’expansion géographique est également probable. Si le marché londonien et européen constitue un point de départ logique, les États-Unis restent le plus grand marché de la banque d’investissement au monde.

Le développement de nouvelles fonctionnalités devrait aussi s’accélérer. Après les modèles financiers et les pitch decks, on peut imaginer des agents spécialisés dans l’analyse de data rooms, la génération de term sheets, le suivi des covenants ou même la préparation de memoranda de conseil d’administration. Plus la plateforme couvrira de cas d’usage, plus elle deviendra indispensable au quotidien des équipes.

La concurrence ne va pas dormir. Les grands acteurs historiques des logiciels financiers (Bloomberg, FactSet, S&P Capital IQ…) travaillent également sur des fonctionnalités d’intelligence artificielle. Les banques elles-mêmes développent parfois des solutions internes. Model ML devra continuer à innover et à démontrer une valeur claire pour justifier sa valorisation et conserver ses clients.

Une révolution silencieuse déjà en marche

Ce qui se joue actuellement dans les salles de marché et les open spaces des banques d’affaires ressemble à une révolution silencieuse. Les annonces de levées de fonds attirent l’attention, mais le vrai changement se produit au quotidien, lorsque des équipes commencent à déléguer une partie de leur charge de travail à des agents numériques.

Model ML incarne parfaitement cette vague. En combinant une compréhension fine des besoins métier, une intégration profonde dans les outils existants et une approche pragmatique de l’intelligence artificielle, la société s’est positionnée sur un créneau à fort potentiel. La confiance des investisseurs, matérialisée par cette levée de 250 millions de dollars, confirme que le pari est pris au sérieux.

Pour les professionnels de la finance, le message est clair. L’IA n’est plus une technologie expérimentale réservée aux laboratoires de recherche. Elle entre dans le flux de travail quotidien et redéfinit progressivement ce que signifie « être productif » dans un métier exigeant. Ceux qui sauront tirer parti de ces nouveaux outils sans perdre le sens critique et le jugement humain auront un temps d’avance.

Les frères Englander, de leur côté, semblent déterminés à écrire un nouveau chapitre de l’histoire de la fintech européenne. Après avoir révolutionné la location entre particuliers, ils s’attaquent maintenant à l’un des derniers bastions du travail intensif en main-d’œuvre qualifiée. Si leur vision se concrétise, le « grunt work » des banquiers d’affaires pourrait bien devenir un souvenir d’un autre temps.

Et vous, êtes-vous prêts à travailler aux côtés d’agents d’intelligence artificielle qui mettent à jour vos modèles pendant que vous dormez ? La question n’est plus de savoir si cela va arriver, mais à quelle vitesse. Avec des acteurs comme Model ML qui accélèrent le mouvement, la réponse pourrait bien être : plus vite que vous ne le pensez.

Dans les mois et les années à venir, il sera fascinant d’observer comment les grandes banques et les cabinets de conseil intègrent réellement ces technologies. Les déclarations d’intention sont nombreuses. Les déploiements à grande échelle le seront-ils autant ? C’est là que se jouera la vraie bataille. Model ML, grâce à cette levée de fonds record, dispose désormais des ressources nécessaires pour tenter de devenir l’un des acteurs incontournables de cette transformation. L’histoire ne fait que commencer.

Le secteur de la banque d’investissement a toujours su se réinventer. Des salles de trading bondées aux plateformes électroniques, des calculs manuels aux modèles sophistiqués, chaque décennie a apporté son lot d’évolutions. L’arrivée massive de l’intelligence artificielle dans les process de production documentaire et d’analyse représente sans doute le prochain grand chapitre. Et Model ML entend bien en écrire quelques pages importantes.

Pour les jeunes diplômés qui envisagent une carrière en banque d’affaires, le message est double. D’un côté, certaines tâches traditionnelles vont perdre de leur importance. De l’autre, de nouvelles opportunités apparaissent pour ceux qui sauront combiner expertise financière et maîtrise des outils d’IA. La capacité à dialoguer efficacement avec ces agents, à en comprendre les limites et à en maximiser la valeur deviendra un différenciateur clé.

Les associés et managing directors, quant à eux, devront repenser l’organisation de leurs équipes et la formation de leurs talents. Le modèle pyramidal classique, où une large base de juniors produit le travail de base pour un nombre plus restreint de seniors, pourrait évoluer vers une structure plus plate, où chaque collaborateur est amplifié par des agents numériques. Les implications en termes de management, de culture et de rémunération restent encore largement à explorer.

Enfin, pour l’écosystème startup européen, le succès de Model ML envoie un signal positif. Il est possible de bâtir des entreprises technologiques de premier plan depuis Londres, de lever des montants importants auprès d’investisseurs internationaux et de s’attaquer à des marchés aussi exigeants que la finance de haut de bilan. Dans un contexte où beaucoup d’observateurs s’interrogeaient sur la capacité de l’Europe à produire des licornes dans le domaine de l’IA, cette levée de fonds apporte une réponse encourageante.

Model ML n’est qu’un exemple parmi d’autres, mais un exemple particulièrement éloquent. En ciblant un problème concret, douloureux et coûteux pour ses clients, en proposant une solution intégrée et en s’appuyant sur une équipe expérimentée, la société a su convaincre. Le reste de l’histoire s’écrira dans les salles de réunion des banques et dans la capacité de la startup à livrer, encore et encore, de la valeur mesurable. Pour l’instant, le compteur affiche 250 millions de dollars et une valorisation de 1,5 milliard. La suite s’annonce passionnante.