Un spin-off de l'Inria avec 13 millions d'euros en poche
Probabl n'est pas née dans un garage. La startup parisienne est directement issue des laboratoires de l'Inria, l'institut national de recherche en sciences du numérique, avec un mandat précis : sortir scikit-learn du monde académique pour en faire une infrastructure d'entreprise fiable et souveraine. Fondée en 2023 par quatorze cofondateurs, dont Yann Lechelle (ancien directeur général de Scaleway, la filiale cloud d'Iliad) et Gaël Varoquaux, directeur de recherche à l'Inria, la société vient de boucler un tour d'amorçage de 13 millions d'euros.
Le tour est co-mené par Serena, fonds de capital-risque français, et Capital Fund Management, le hedge fund quantitatif. Mozilla Ventures et French Tech Souveraineté, opéré par Bpifrance dans le cadre du plan France 2030, complètent le tour. Ce financement porte le total levé depuis la création à 18,5 millions d'euros, ce qui constitue selon la société l'une des plus importantes levées européennes en amorçage pour un logiciel open source commercial, un segment souvent appelé COSS (Commercial Open Source Software).
La structure juridique de Probabl est elle-même atypique : c'est une société à mission, dont l'État français et l'Inria sont actionnaires aux côtés des fonds privés. Un montage public-privé assumé, qui reflète la volonté du gouvernement de sanctuariser scikit-learn comme actif stratégique. En 2022, dans le cadre de la Stratégie nationale pour l'intelligence artificielle, l'État avait explicitement mandaté l'Inria pour assurer la continuité du développement de la bibliothèque.
Scikit-learn : 4,1 milliards de téléchargements et des clients qui s'appellent Spotify, JP Morgan ou BNP Paribas
Pour comprendre l'enjeu, il faut d'abord mesurer ce qu'est scikit-learn. Lancée en 2007 sous l'impulsion du Google Summer of Code, puis publiée en open source en 2010, la bibliothèque Python est devenue la référence mondiale pour construire des modèles de machine learning classiques : classification, régression, clustering, sélection de modèles. Elle est aujourd'hui déployée dans des organisations aussi différentes que Spotify, Booking.com, JP Morgan et BNP Paribas.
Les chiffres donnent le vertige : scikit-learn a franchi en 2026 la barre des 4,1 milliards de téléchargements cumulés. La version 1.8 de la bibliothèque, sortie fin 2025, a introduit le support natif des calculs sur processeurs graphiques via l'Array API, une évolution majeure qui rapproche scikit-learn des besoins de production modernes. Parmi les sponsors actifs du projet figurent des grands groupes industriels et financiers comme BNP Paribas et Michelin, qui financent directement le développement via Probabl.
Probabl en est l'opérateur exclusif. Ce statut lui donne une position unique : elle ne construit pas un nouveau modèle d'intelligence artificielle, elle entretient et industrialise le socle sur lequel des milliers d'équipes de science des données en entreprise font tourner leurs modèles prédictifs chaque jour. Une infrastructure invisible mais critique, comparable dans sa logique à ce que fait Red Hat avec Linux, ou Elastic avec Elasticsearch. Pour aller plus loin sur la façon dont les agents IA passent en production dans les grandes organisations, le sujet du déploiement industriel reste entier.
Skore : le produit premium qui doit convertir la communauté en revenus
La vraie question pour tout logiciel open source est celle de la monétisation. Probabl a commencé à y répondre en lançant officiellement en mars 2026 Skore, sa plateforme commerciale destinée aux équipes de science des données en entreprise. L'outil permet de gérer le cycle de vie complet des modèles de machine learning : organisation des expériences, collaboration entre data scientists, validation statistique automatique, comparaison de modèles et production de rapports structurés à destination des décideurs.
Ce qui distingue Skore de ses concurrents dans l'outillage MLOps, c'est son intégration profonde avec scikit-learn et sa posture de garde-fou méthodologique. La plateforme détecte les fuites de données dans les pipelines, recommande les métriques adaptées au problème et signale les erreurs silencieuses qui n'apparaissent qu'en production. Elle est compatible avec les environnements de développement assistés par agent comme Pi, Cursor ou Claude, ce qui la positionne sur la vague du codage augmenté. La gouvernance des modèles d'intelligence artificielle est précisément l'un des angles morts identifiés dans les entreprises françaises sans cadre IA formalisé.
Probabl développe également d'autres outils dans son écosystème : skrub pour le traitement des données tabulaires hétérogènes, skolar pour les certifications et la formation, et scikit-learn Central, un catalogue d'écosystème lancé en 2026. Le modèle économique cible les grandes entreprises utilisatrices de scikit-learn, en leur proposant un accès premium à l'expertise des mainteneurs historiques de la bibliothèque.
L'analyse Findfi : 18,5 millions d'euros pour 4,1 milliards de téléchargements, quel ratio ?
Tentons de calibrer la valorisation implicite de ce tour. Probabl n'a pas communiqué de valorisation post-money. Mais en rapportant le financement total de 18,5 millions d'euros à la base d'utilisation de scikit-learn (4,1 milliards de téléchargements cumulés selon les données de la société en 2026), on obtient un coût d'acquisition implicite d'environ 0,0045 euro par téléchargement. Ce chiffre est à manier avec précaution : les téléchargements ne sont pas des clients payants. Mais il illustre l'écart gigantesque entre la base d'adoption mondiale et le financement encore modeste de l'entreprise qui en est garante.
Pour comparaison : dans l'univers des COSS bien établis, les multiples de valorisation sur le chiffre d'affaires annuel récurrent (ARR) oscillent typiquement entre 10x et 20x en amorçage pour les meilleurs dossiers européens. Si Probabl devait atteindre une valorisation comparable à ses pairs (supposons 80 à 100 millions d'euros pour une série A standard dans le segment), elle devrait démontrer un ARR de l'ordre de 5 à 10 millions d'euros. Le lancement de Skore et le développement des certifications skolar sont précisément les leviers pour y parvenir. C'est une estimation Findfi, non confirmée par la société.
Un autre ratio à surveiller : le financement externe de 3 milliards d'euros levés en septembre 2026 par Mistral AI, soit 162 fois le total levé par Probabl depuis sa création. Les deux startups ne jouent pas dans la même catégorie, mais cette asymétrie révèle quelque chose d'important sur les priorités du marché : les grands modèles de langage capturent l'essentiel du capital, pendant que l'infrastructure du machine learning classique, sur laquelle tourne une part massive des décisions métier réelles, reste sous-financée. Retrouvez notre analyse sur Mistral Large 4 et son modèle à 1 000 milliards de paramètres pour mesurer ce contraste.
Un écosystème IA français qui s'élargit, mais sur quelles fondations ?
Yann Lechelle l'a formulé clairement : Mistral n'est plus seul en Europe. La phrase dit quelque chose sur l'état d'esprit de l'écosystème en 2026. Mistral AI a franchi les 21 milliards d'euros de valorisation après sa série D de 3 milliards d'euros bouclée en septembre. AMI Labs, la startup de Yann LeCun fondée à Paris en décembre 2025, a levé plus d'un milliard de dollars en seed pour développer ses world models. La France compte désormais plus de cinquante startups dont l'intelligence artificielle est le cœur du produit, avec un écosystème cumulant plus de onze milliards d'euros levés.
Probabl occupe une niche différente dans ce paysage. Elle ne prétend pas rivaliser avec les laboratoires de recherche fondamentale ni avec les éditeurs de grands modèles. Son terrain de jeu est celui du machine learning tabulaire, du déploiement fiable en entreprise, de la traçabilité et de la souveraineté des outils. Un terrain moins spectaculaire, mais considérable : la majorité des décisions prédictives prises chaque jour en entreprise, qu'il s'agisse de scorer un crédit, de détecter une fraude ou de prévoir une rupture de stock, reposent sur des modèles scikit-learn, pas sur des grands modèles de langage. La question du financement durable de ces infrastructures critiques reste ouverte, comme l'illustre à sa façon le cas Daedalus et ses 41 millions de dollars brûlés.
Concrètement, qu'est-ce que ça change pour une direction financière ou un professionnel de la finance
Pour une direction financière qui utilise des modèles prédictifs, le lancement commercial de Skore change plusieurs choses concrètes. D'abord, la traçabilité des modèles devient accessible sans infrastructure MLOps sur mesure : Skore organise les expériences, compare les versions et produit des rapports lisibles par les décideurs, pas uniquement par les data scientists. C'est un gain direct sur le coût de gouvernance interne des modèles, un sujet qui monte en importance avec l'entrée en vigueur progressive de l'AI Act européen.
Ensuite, la compatibilité avec les environnements de codage assisté par agent (Cursor, Claude, Pi) signifie que les équipes qui utilisent déjà ces outils pour accélérer leur production de code peuvent intégrer Skore comme couche de validation sans changer de stack. Pour une équipe de scoring crédit ou de détection de fraude, cela réduit le risque de mettre en production un modèle mal validé, généré trop vite par un agent. Le profil de Tristan Camilli, cofondateur de Luphy, qui a équipé une trentaine de fonds en outils d'IA, illustre bien ce besoin de rigueur méthodologique dans les organisations financières.
Enfin, le fait que BNP Paribas et Michelin soient déjà sponsors actifs du projet donne un signal fort sur la crédibilité institutionnelle de Probabl. Pour une direction des systèmes d'information ou une direction financière qui cherche à sécuriser ses outils de science des données sur le long terme, s'appuyer sur une société qui emploie les mainteneurs historiques de scikit-learn réduit le risque de dépendance à des bibliothèques sans support actif. Consultez la catégorie Financement et M&A de Findfi pour suivre les autres opérations structurantes de l'écosystème IA.
Ce qu'il faut retenir
Probabl a levé 13 millions d'euros en amorçage, portant son financement total à 18,5 millions d'euros depuis sa création en 2023. La société est l'opérateur exclusif de scikit-learn, bibliothèque de machine learning ayant dépassé 4,1 milliards de téléchargements cumulés en 2026, utilisée par Spotify, JP Morgan, BNP Paribas et Michelin entre autres.
Le modèle public-privé est une singularité : l'État français et l'Inria sont actionnaires aux côtés de Serena et Capital Fund Management. Ce montage reflète la volonté de traiter scikit-learn comme un actif de souveraineté technologique, au même titre que certaines infrastructures numériques critiques.
Skore, le produit commercial lancé officiellement en mars 2026, est le vrai test du modèle économique. Il cible les équipes de data scientists en entreprise avec des fonctionnalités de validation, de collaboration et de gouvernance des modèles de machine learning. Son intégration avec les agents de codage le place sur un marché en forte expansion.
L'écart de financement avec les startups de grands modèles de langage (Mistral a levé 162 fois plus) révèle une asymétrie profonde dans l'allocation du capital IA en Europe. Probabl parie que le machine learning classique et tabulaire, moins visible mais massivement déployé en entreprise, représente un marché commercial durable que les grandes plateformes de modèles ne couvriront pas.