La startup allemande Daisytuner vient de boucler un tour de table de 6 millions d'euros en seed pour imposer son compilateur open source capable d'optimiser un modèle d'inférence sur Nvidia, AMD ou n'importe quelle nouvelle architecture. Un pari technique qui touche à l'un des angles morts les plus coûteux de l'infrastructure IA.
Ce qui s'est passé et pourquoi ça compte
Le 16 novembre 2026, la startup Daisytuner, basée à Darmstadt en Allemagne, a annoncé une levée de 6 millions d'euros en tour de table seed. Le tour a été co-conduit par Elaia et LEA Ventures, avec la participation d'Amadeus APEX Technology Fund et de Seedcamp.
Ce que fait Daisytuner n'est pas anodin : la société développe un compilateur open source baptisé DOCC, capable de prendre du code écrit pour des environnements standards comme PyTorch et de le transformer en code natif optimisé pour chaque processeur cible. Nvidia, AMD, mais aussi les nouvelles architectures de puces qui émergent, rien n'est exclu. C'est ce qu'on appelle faire tomber le verrou du stack propriétaire.
Le moment est précis. L'industrie IA traverse un tournant : après des années à empiler des GPU sans trop se poser de questions de coût, les directions techniques et financières cherchent à faire davantage avec ce qu'elles ont déjà. L'optimisation de l'inférence est devenue, en 2026, un enjeu stratégique autant qu'un enjeu de trésorerie. Daisytuner arrive exactement là.
Le problème que la startup résout : la dépendance au stack Nvidia
Pour comprendre ce que vend Daisytuner, il faut comprendre la structure du marché. Nvidia détient entre 80 et 90 % du marché des accélérateurs IA pour l'entraînement, et ses puces sont, depuis des années, le seul choix crédible pour déployer des modèles en production à grande échelle. Cette domination ne tient pas que sur le silicium, elle tient surtout sur le logiciel. CUDA, l'environnement de programmation de Nvidia, s'est imposé comme le standard de facto, avec un écosystème de développeurs et de bibliothèques qu'aucun concurrent n'a encore vraiment réussi à répliquer.
Le problème : un modèle écrit et optimisé pour CUDA ne tourne pas bien sur autre chose. AMD progresse avec ROCm et revendique environ 8 % du marché des GPU discrets pour l'IA, mais migrer des workloads d'un environnement à l'autre reste une opération coûteuse en temps et en ingénierie. Les nouvelles architectures accélératrices qui arrivent sur le marché, les puces spécialisées d'inférence, les ASICs maison des hyperscalers, souffrent du même problème à l'envers : elles sont difficiles à alimenter en code optimisé.
C'est exactement la friction que Daisytuner cible. Son compilateur open source traduit le code depuis PyTorch, NumPy ou C/C++ en code natif pour CUDA, ROCm et les nouvelles architectures, sans intervention manuelle. Des agents automatisés testent en continu des optimisations sur du vrai matériel, et chaque résultat validé sert à améliorer le compilateur pour les workloads suivants. Le produit commercial qui s'appuie sur ce compilateur s'appelle Daisyflow, un moteur d'inférence lancé simultanément à l'annonce du tour de table.
Pour les entreprises, l'intérêt est double. D'abord, elles peuvent faire tourner leurs modèles dans leur propre infrastructure plutôt que de dépendre d'un fournisseur cloud externe. Ensuite, elles ne sont plus prisonnières d'un seul fabricant de puces, ce qui redevient une question stratégique dans un contexte de tensions géopolitiques sur les semi-conducteurs. C'est ce que certains appellent la souveraineté technologique de calcul.
Les chiffres qui donnent la mesure du marché visé
Le marché de l'optimisation logicielle pour l'inférence IA est valorisé à 4,2 milliards de dollars en 2026 et devrait atteindre 25,8 milliards de dollars d'ici 2036, soit une croissance annuelle composée de près de 20 %. C'est le segment où Daisytuner joue directement.
Au-dessus de ce marché logiciel, le marché global des accélérateurs IA tourne autour de 120 à 230 milliards de dollars selon les périmètres retenus en 2026, avec une croissance de 25 à 30 % par an projetée jusqu'en 2030. La logique est claire : plus le parc matériel s'élargit avec des puces hétérogènes, plus le besoin d'une couche logicielle capable de les orchestrer devient pressant.
Dans ce contexte, les startups du secteur ont levé 15 milliards de dollars dans les neuf premiers mois de 2026, soit plus qu'en 2024 et 2025 réunis. Les 6 millions de Daisytuner sont modestes rapportés à cette échelle, mais le tour seed d'une startup de deux ans fondée sur de la recherche académique n'a pas vocation à rivaliser avec les tours de croissance. Il s'agit d'un pari sur une technologie de couche basse, fondatrice.
Un signal de validation de ce segment est venu en juin 2026, quand Qualcomm a annoncé l'acquisition de Modular, une société dont la technologie permet de faire tourner des modèles IA sur des puces différentes, pour 3,9 milliards de dollars. L'ADN de Daisytuner est proche : même conviction que la portabilité du code IA est un actif stratégique de premier plan.
L'équipe et la recherche derrière le produit
Daisytuner a été fondée en 2024 par Lukas Trümper et Adrian Schmitz. L'équipe rassemble des chercheurs issus d'ETH Zurich, de la TU Munich, de RWTH Aachen, de TU Darmstadt et du Lawrence Livermore National Laboratory américain. Ce dernier est l'un des centres de calcul haute performance les plus avancés au monde, notamment engagé sur des simulations de physique nucléaire et d'armement. La crédibilité technique de l'équipe est donc réelle, ancrée dans plus d'une décennie de travaux sur les compilateurs et l'optimisation de code.
La décision de passer par l'open source pour le compilateur est également stratégique. Elle réduit la friction d'adoption dans les équipes d'ingénierie, un développeur peut tester, contribuer, adapter sans passer par un cycle commercial. Cela crée aussi une dynamique de communauté qui accélère la couverture de nouvelles architectures de puces, sans que Daisytuner ait à tout porter seul. Le modèle économique repose ensuite sur Daisyflow, le produit d'inférence packagé à destination des entreprises.
Les fonds levés seront principalement alloués aux recrutements et à l'achat de puces auprès de différents fabricants pour tester, benchmarker et entraîner les agents qui améliorent le compilateur en continu. Ce n'est pas un budget marketing, c'est un budget de R&D et de validation matérielle.
L'analyse Findfi
Quelques ordres de grandeur méritent d'être posés clairement. Daisytuner lève 6 millions d'euros en 2026, deux ans après sa création, sur un marché de l'optimisation logicielle pour l'inférence valorisé à 4,2 milliards de dollars. Cela représente moins de 0,15 % de la taille du marché adressable, ce qui, pour un tour seed, est cohérent avec l'ambition affichée : occuper une position fondatrice dans une infrastructure critique, pas encore scaler.
Le vrai ratio à surveiller est ailleurs. Qualcomm a payé 3,9 milliards de dollars pour Modular, une société dont la promesse centrale est quasi-identique à celle de Daisytuner. Si l'on rapporte ce prix d'acquisition aux caractéristiques d'une startup early-stage comparable, le multiple implicite sur un tour seed de 6 millions d'euros pourrait théoriquement atteindre plusieurs centaines de fois la mise en cas de rachat dans quelques années. Ce n'est pas une prédiction, c'est un signal sur la valorisation stratégique que les industriels attribuent à ce type de couche logicielle. Elaia et LEA Ventures ont manifestement fait le même calcul.
Ce que l'opération Qualcomm/Modular dit aussi, c'est que les grandes entreprises n'ont pas l'intention de construire cette brique elles-mêmes. Elles rachètent. Ce qui rend les startups comme Daisytuner particulièrement attractives : elles construisent exactement ce que les industriels ne savent pas ou ne veulent pas bâtir en interne, avec une équipe académique de niveau mondial et un ticket d'entrée encore accessible pour les investisseurs.
Pour des angles connexes sur les enjeux d'infrastructure IA et de financement en Europe, l'article sur le piège du growth stage en Europe et la compétition entre IA et fintech pour les capitaux donne une lecture complémentaire utile.
Ce que ça change concrètement pour une direction financière ou technique
Pour une direction financière ou une DSI qui déploie des modèles d'inférence en production, le problème que Daisytuner adresse est très concret. Aujourd'hui, chaque migration de charge de travail d'une puce vers une autre représente des semaines d'ingénierie, des tests intensifs, et souvent une perte de performance à l'arrivée. Résultat : les entreprises restent captives de leur fournisseur de GPU initial, même quand les prix augmentent ou que l'accès aux puces se raréfie.
Une solution comme Daisyflow, le moteur d'inférence de Daisytuner, déployable dans sa propre infrastructure, ouvre plusieurs leviers. D'abord, la négociation : si votre code tourne aussi bien sur AMD que sur Nvidia, vous avez un argument de pression réel sur les prix. Ensuite, la résilience opérationnelle : en cas de pénurie sur une architecture, vous pouvez basculer. Enfin, la gouvernance des coûts : l'optimisation automatique du code à chaque nouvelle puce évite de repasser par des cycles d'ingénierie coûteux à chaque changement de matériel.
C'est aussi une réponse à la question de la souveraineté numérique qui remonte dans les stratégies des grands groupes européens. Déployer ses modèles dans son propre data center, sur du matériel non exclusivement dépendant d'un seul fournisseur américain, est devenu un critère de conformité et de gouvernance autant qu'un critère financier. Sur ce point, l'initiative Lockwood d'Anne Boden, qui construit une banque pensée pour les agents IA, illustre bien comment la couche d'infrastructure logicielle devient un enjeu de premier ordre dans les modèles financiers de demain.
Pour des directions qui évaluent des logiciels de ce type, la nature open source du compilateur DOCC est un point d'entrée non négligeable. Elle permet une évaluation technique en interne sans engagement commercial préalable, ce qui réduit le risque de la décision initiale. La monétisation vient ensuite, via Daisyflow, ce qui correspond à un modèle souvent efficace pour des outils d'infrastructure critique. Sur la façon dont les logiciels financiers intègrent ces nouvelles couches, le test complet de Pennylane donne un point de comparaison utile sur ce que signifie un produit bien positionné entre open source et modèle commercial.
Ce qu'il faut retenir
Daisytuner lève 6 millions d'euros en seed pour développer un compilateur open source capable d'optimiser des modèles d'inférence IA sur n'importe quelle puce, Nvidia, AMD ou nouvelle architecture, sans réécriture manuelle.
Le marché adressable est celui de l'optimisation logicielle pour l'inférence IA, valorisé à 4,2 milliards de dollars en 2026 et projeté à 25,8 milliards de dollars d'ici 2036. L'acquisition de Modular par Qualcomm pour 3,9 milliards de dollars confirme que les industriels valorisent très fortement ce type de couche logicielle.
La startup fondée en 2024 s'appuie sur une équipe de recherche issue d'ETH Zurich, TU Munich, RWTH Aachen et Lawrence Livermore, et lance simultanément Daisyflow, son moteur d'inférence packagé à destination des entreprises.
Pour les directions techniques et financières, l'enjeu est immédiat : réduire la dépendance à un seul fournisseur de GPU, négocier les prix, et déployer en infrastructure propre sans perdre en performance. L'open source du compilateur réduit le risque d'entrée. C'est une brique d'infrastructure sur laquelle les grandes entreprises devraient commencer à se positionner, sans attendre que le marché soit consolidé. Pour aller plus loin sur la dynamique de financement de l'infrastructure IA en Europe, voir aussi comment Nvidia s'est imposé comme investisseur discret avec 13 tours de table en 12 mois et la levée de Fractile sur une puce d'inférence souveraine britannique.

