Un chercheur de première ligne qui passe côté fondateur
Nando de Freitas n'est pas un entrepreneur de la première vague. Docteur de l'université de Cambridge, professeur à Oxford puis à l'université de Colombie-Britannique, il a rejoint DeepMind en 2014 lorsque Google a acquis Dark Blue Labs, le spinoff Oxford qu'il avait cofondé. Il y a passé près d'une décennie en tant que chercheur principal avant de prendre le poste de vice-président chez Microsoft AI. C'est depuis cette position qu'il a décidé de franchir le pas et de fonder Revolution Labs.
Le signal est fort : quand un chercheur de ce calibre quitte un grand groupe pour monter sa propre structure, c'est rarement anodin. De Freitas n'est pas seul dans cette dynamique. Plusieurs anciens de Google DeepMind auraient récemment échangé sur leurs stratégies de levée de fonds, dans ce qui ressemble à une vague organisée de sorties vers l'entrepreneuriat. La question n'est plus de savoir si les grands labos perdent leurs talents, mais à quelle vitesse et vers quoi.
60 millions de dollars pour parier contre les transformers
Selon des informations non confirmées, Accel serait en discussions avancées pour mener un premier tour de 60 millions de dollars dans Revolution Labs, dans le cadre d'une opération dont le montant total visé serait d'au moins 100 millions de dollars, possiblement en plusieurs tranches. Accel avait levé en mai 2024 un fonds de 650 millions de dollars ciblant les startups européennes et israéliennes, avec une orientation marquée vers les technologies d'intelligence artificielle, ce qui inscrit cet intérêt pour Revolution Labs dans une stratégie cohérente.
Le pari technologique au cœur du projet est explicite. Revolution Labs se concentre sur les modèles de diffusion, une architecture alternative aux transformers qui dominent aujourd'hui le marché des grands modèles de langage. Là où les modèles autorégressifs génèrent du texte token par token, les modèles de diffusion produisent des sorties en parallèle, en raffinant progressivement le signal. C'est un paradigme différent, avec des implications concrètes sur la vitesse d'inférence et le coût de calcul. Pour aller plus loin sur les enjeux de financement des startups IA en Europe, voir notre enquête sur les montants réellement levés par les startups IA européennes.
Les modèles de diffusion, un marché en forte accélération
Le timing n'est pas anodin. Le marché des modèles de diffusion est évalué à 2,83 milliards de dollars en 2026, contre 2,23 milliards en 2025, soit une croissance annuelle supérieure à 27 %. Les projections tablent sur 7,41 milliards de dollars d'ici 2030, selon une étude récente. Parallèlement, les dépenses d'inférence en intelligence artificielle devraient atteindre 20,6 milliards de dollars en 2026, dépassant pour la première fois les dépenses d'entraînement, ce qui avantage structurellement les architectures capables de réduire le coût de génération.
Cette montée en puissance n'est pas un phénomène isolé. Inception Labs a levé 50 millions de dollars auprès de Nvidia, Microsoft et Databricks pour commercialiser Mercury, son modèle de diffusion textuel. Google a présenté Gemini Diffusion, une variante prometteuse pour la génération de texte à grande vitesse. Le secteur n'en est plus au stade de la curiosité de laboratoire : il attire des capitaux sérieux et des acteurs industriels majeurs. En 2025, l'investissement privé dans l'intelligence artificielle générative avait déjà atteint 33,9 milliards de dollars, en hausse de 18,7 % par rapport à l'année précédente.
Les modèles de diffusion se distinguent par leur capacité à générer en parallèle plutôt que séquentiellement, ce qui ouvre la voie à des gains de vitesse substantiels. Les transformers restent dominants avec environ 40 % de part de marché dans l'IA générative, mais les modèles de diffusion gagnent du terrain, en particulier sur les usages image, vidéo et génération de contenu multimodal. Pour comprendre comment cette dynamique touche concrètement les acteurs fintech, notre article sur les verticaux IA en fintech détaille où la valeur est en train de se déplacer.
L'analyse Findfi
Si le tour de table se clôture à 60 millions de dollars pour une première tranche et que le montant total visé atteint 100 millions, cela implique que la fraction initiale représente 60 % de l'ambition totale annoncée. C'est un calibrage inhabituel pour une startup de ce stade : en général, les premiers tours sont plus modestes et servent à prouver le concept avant d'aller chercher des montants significatifs. Ici, l'effet de réputation du fondateur compresse l'habituelle progression par paliers.
En prenant un ratio de valorisation d'entrée compris entre 8x et 12x la mise (fourchette courante pour des tours de démarrage en IA fondationnelle en 2026), Revolution Labs serait valorisée entre 480 et 720 millions de dollars sur la base du seul premier tour de 60 millions. C'est une estimation Findfi, non confirmée par les parties. Ce multiple reflète non pas la traction commerciale, inexistante à ce stade, mais la prime accordée au profil du fondateur et à la thèse technologique. C'est exactement le mécanisme qu'on observe sur d'autres paris de long terme en IA fondationnelle en Europe, comme le montre le palmarès Sifted AI 100 2026.
Autre ratio à noter : si Revolution Labs lève effectivement en plusieurs tranches pour atteindre 100 millions, et qu'on se base sur les standards actuels du secteur fondationnel, le coût d'entraînement d'un modèle de diffusion compétitif à grande échelle se situe entre 30 et 60 millions de dollars. La levée serait donc calibrée au minimum vital pour prétendre au premier rang technologique, sans marge de manœuvre excessive.
Pourquoi ce pari est crédible, et pourquoi il est risqué
La thèse de Revolution Labs repose sur une idée simple : les transformers ont des limites physiques. Le coût de calcul croît de façon quadratique avec la longueur du contexte, ce qui plafonne mécaniquement leur efficacité sur certaines tâches. Les modèles de diffusion, en générant en parallèle plutôt que séquentiellement, échappent à cette contrainte et peuvent délivrer des résultats comparables à une fraction du coût d'inférence. C'est une vraie différence architecturale, pas un argument marketing.
Mais le risque est tout aussi réel. Les transformers bénéficient d'une infrastructure d'optimisation massive : des années de travail sur les compilateurs, les GPU, les bibliothèques logicielles. Un modèle de diffusion plus efficace en théorie peut rester moins efficace en pratique faute d'écosystème. De plus, Google, Microsoft et Meta investissent tous, à des degrés divers, dans des architectures hybrides qui pourraient absorber les avantages des modèles de diffusion sans les inconvénients d'une rupture complète. Le risque de se faire « hybridiser » par les grands acteurs est bien réel pour une startup fondationnelle. On a vu ce scénario se concrétiser dans d'autres configurations, comme le rappelle le cas Daedalus en faillite malgré 41 millions levés.
La crédibilité de De Freitas est un actif rare, mais ce n'est pas un bouclier. La recherche fondamentale et la mise en production industrielle sont deux métiers distincts. Ce que les investisseurs financent ici, c'est surtout la capacité du fondateur à attirer les meilleurs chercheurs et à convertir une thèse académique en produit utilisable à grande échelle. C'est loin d'être acquis, même avec un tel profil.
Concrètement, ce que ça change pour une direction financière
Pour une direction financière ou un directeur des systèmes d'information qui suit l'évolution des outils d'intelligence artificielle, le signal à retenir n'est pas le montant de la levée, mais la direction qu'elle indique. Si des architectures alternatives aux transformers commencent à attirer des capitaux sérieux et des profils de première ligne, cela signifie que le marché commence à parier sur une diversification des socles technologiques sous-jacents.
Concrètement, cela a deux implications. D'abord, les coûts d'inférence, c'est-à-dire le coût de faire tourner un modèle en production, pourraient baisser significativement si les modèles de diffusion tiennent leurs promesses de génération parallèle. Pour une entreprise qui intègre des briques d'intelligence artificielle dans ses workflows financiers, c'est potentiellement une réduction des coûts variables d'exploitation. Ensuite, cela signifie qu'il est encore trop tôt pour considérer les fournisseurs actuels comme inamovibles. La couche modèle est encore en compétition ouverte, ce qui justifie de ne pas s'enfermer dans des contrats pluriannuels avec un seul acteur.
Pour les équipes finance qui évaluent déjà des agents autonomes dans leurs processus, la question de l'architecture sous-jacente commence à devenir pertinente. Les agents les plus efficaces seront ceux qui s'appuient sur les modèles les plus rapides et les moins coûteux à l'inférence. C'est exactement sur ce terrain que les modèles de diffusion veulent concurrencer les transformers. Un éclairage complémentaire sur la façon dont les agents IA s'intègrent dans la finance est disponible dans notre article sur les agents IA et leur taux de survie en production. Voir aussi notre catégorie dédiée à l'IA et Finance pour suivre l'ensemble des développements sur ce segment.
Ce qu'il faut retenir
Nando de Freitas, ancien chercheur principal chez DeepMind et vice-président chez Microsoft, fonde Revolution Labs avec l'ambition de positionner les modèles de diffusion comme une alternative crédible aux transformers dominants.
Accel serait sur le point de mener un premier tour de 60 millions de dollars, dans le cadre d'une levée totale visant au moins 100 millions selon des informations non confirmées. C'est l'un des premiers tours d'amorçage significatifs sur une architecture non-transformer pour du texte, ce qui en fait un signal d'investissement à suivre de près.
Le marché des modèles de diffusion croît à un rythme de 27 % par an et est projeté à 7,41 milliards de dollars en 2030. L'essor des dépenses d'inférence, désormais supérieures aux dépenses d'entraînement, renforce la pertinence d'architectures conçues pour générer plus vite et moins cher.
Le risque principal est structurel : les grands acteurs investissent dans des architectures hybrides qui pourraient absorber les avantages des modèles de diffusion sans abandonner leur base transformer. Revolution Labs joue une course de vitesse contre des groupes disposant de ressources sans commune mesure avec les siennes.