Un tour de table massif pour tester les agents d’IA
La nouvelle levée de Mercor ne ressemble pas seulement à une opération de financement spectaculaire dans l’IA. L’entreprise de San Francisco a annoncé une série D de 750 millions de dollars, avec une valorisation de 20 milliards de dollars, afin d’étendre son infrastructure d’évaluation et de post-entraînement pour les entreprises qui veulent construire des systèmes d’IA sur leurs propres données et expertises . Cette valorisation représente un doublement par rapport à la série C d’octobre 2025, lorsque Mercor avait levé 350 millions de dollars sur une valorisation de 10 milliards .
La composition du tour est elle aussi révélatrice. Mercor indique que Benchmark, Felicis, Fundomo, des fonds affiliés à Apollo, G Squared, General Catalyst, Glade Brook Capital, NVIDIA, Salesforce, Sapphire Ventures, StepStone Group, XTX Ventures et Zoom ont participé à l’opération . Reuters a également rapporté la participation de Benchmark, Felicis, Fundomo, Nvidia et de fonds affiliés à Apollo, en replaçant l’opération dans une vague plus large de financements privés consacrés à l’IA .
Pour les entreprises, la question centrale n’est plus de savoir si un modèle peut produire une réponse convaincante pendant une démonstration. Elle est de savoir si un agent d’IA peut exécuter un travail réel, dans des flux opérationnels réels, avec des règles internes, des exceptions, des outils métiers et des critères de qualité propres à chaque organisation. La promesse de Mercor consiste précisément à fournir des preuves plus indépendantes et plus granulaires de cette fiabilité.
D’un réseau d’experts à une infrastructure d’évaluation
Mercor a commencé comme une plateforme de recrutement alimentée par l’IA, mais son activité actuelle dépasse largement ce point de départ. Reuters décrit désormais l’entreprise comme un intermédiaire reliant des sociétés technologiques à des experts métier dont les connaissances servent à entraîner, tester et améliorer des modèles et des agents d’IA . Mercor affirme de son côté avoir constitué un réseau de plus de cinq millions d’experts rémunérés pour entraîner les modèles d’IA de pointe grâce à leurs connaissances spécialisées .
Ce changement est important, car la prochaine phase de l’IA en entreprise sera moins jugée sur des benchmarks génériques que sur des résultats très spécifiques à chaque métier. Un agent juridique doit respecter les standards de rédaction d’un cabinet. Un agent médical doit s’aligner sur des protocoles cliniques. Un agent financier doit comprendre des modèles internes, des hypothèses de travail et des procédures de validation. Dans la vision de Mercor, le travail professionnel repose à la fois sur la compréhension d’une tâche et sur la manière dont une entreprise précise veut que cette tâche soit accomplie .
Mercor affirme travailler avec les entreprises et les experts de chaque domaine pour créer des évaluations personnalisées fondées sur les véritables flux de travail des clients, puis utiliser les résultats pour mesurer si les modèles respectent les exigences internes et identifier les besoins de formation supplémentaire . C’est le cœur stratégique de cette levée: vendre l’évaluation comme une infrastructure permanente de confiance pour le travail effectué par l’IA.
Pourquoi Deeptune compte dans cette stratégie
La série D remet aussi en lumière l’acquisition de Deeptune plus tôt cette année. Mercor explique que l’équipe de Deeptune a passé deux ans à recréer des centaines d’applications d’entreprise dans lesquelles des agents d’IA peuvent s’entraîner à des flux de travail professionnels . SiliconANGLE rapporte qu’une partie du post-entraînement de Mercor repose sur le logiciel de Deeptune et que les nouveaux fonds serviront à financer la recherche, l’infrastructure d’évaluation et davantage d’environnements de ce type .
Le signal est fort. Si les agents d’IA doivent exécuter des tâches en plusieurs étapes, les entreprises ne peuvent pas se contenter de tests statiques. Elles ont besoin d’environnements simulés où les agents peuvent essayer, échouer sans risque, recevoir du feedback et s’améliorer. L’évaluation de l’IA d’entreprise commence donc à ressembler à la fois à une salle d’examen, à un simulateur et à un terrain d’entraînement.
Cette logique devient plus critique à mesure que les entreprises passent des copilotes aux agents. Un copilote suggère. Un agent agit. Dès qu’un système agit au nom d’un employé, l’évaluation doit couvrir le coût, la fiabilité, la conformité, les transferts de responsabilité, les escalades et les cas limites. Le financement de Mercor indique que les investisseurs pensent que cette couche de test peut devenir un marché autonome.
Le virage vers les entreprises
La communication de Mercor rend cette stratégie explicite. L’entreprise affirme vouloir apporter aux entreprises les capacités développées pour les laboratoires d’IA de pointe, afin de les aider à évaluer ce que les agents peuvent faire, combien ils coûtent et comment améliorer leurs performances . Elle ajoute que le nouveau financement accélérera ses investissements dans les évaluations, la recherche en post-entraînement et les environnements où les agents apprennent des flux de travail complexes .
The Next Web rapporte que les principaux clients de Mercor étaient jusqu’ici les laboratoires d’IA de pointe, et que les nouveaux fonds doivent permettre de vendre les mêmes services à d’autres entreprises . SiliconANGLE souligne également que ces laboratoires ont été les principaux acheteurs de données d’entraînement produites par des experts, tandis que certains investisseurs s’attendent à une demande plus large à mesure que les modèles ouverts deviennent suffisamment performants pour être personnalisés par les entreprises .
C’est aussi ce qui rend la présence de NVIDIA, Salesforce et Zoom notable . Ces acteurs occupent des positions différentes dans la chaîne de valeur de l’IA d’entreprise: calcul, logiciel métier et communications professionnelles. Leur participation ne garantit pas à elle seule la solidité économique de Mercor, mais elle montre que de grands acteurs de l’écosystème voient de la valeur dans une infrastructure capable de mesurer et d’améliorer les performances des agents.
Une valorisation qui parie sur une nouvelle catégorie
Une valorisation de 20 milliards de dollars place Mercor parmi les startups privées d’IA les plus observées du moment. Reuters cite des données de Crunchbase selon lesquelles les startups axées sur l’IA ont levé 102 milliards de dollars, soit 64% du capital-risque mondial, au troisième trimestre 2026 . Dans ce contexte, la série D de Mercor apparaît à la fois comme une étape d’entreprise et comme une thèse de marché: le principal goulot d’étranglement de l’adoption de l’IA pourrait moins être l’accès aux modèles que leur déploiement fiable.
Tech Funding News rapporte que Mercor a levé ce tour sur une valorisation deux fois supérieure à la précédente et pousse désormais l’évaluation de l’IA d’entreprise, face notamment à Scale AI et Surge AI . Le média indique aussi que Mercor avait annoncé en juillet un rythme de revenus annualisés supérieur à 2 milliards de dollars, tout en précisant qu’il s’agissait de facturations brutes et que les contractants conservaient une part importante de ces montants . Cette nuance est essentielle: un rythme de facturation élevé ne signifie pas automatiquement un chiffre d’affaires net ou des marges équivalentes.
La levée comprenait aussi une offre de liquidité pour les employés, selon le billet de blog de Mercor, mais l’entreprise n’a pas précisé quelle part des 750 millions correspondait à du capital primaire et quelle part relevait de ventes secondaires d’actions . SiliconANGLE a également relevé ce point, en notant que Mercor n’avait pas détaillé la répartition entre argent frais et tender offer .
Le risque derrière l’enthousiasme
L’opportunité de Mercor est claire: toute entreprise qui envisage d’utiliser des agents d’IA a besoin d’un moyen de les tester contre du travail réel. Mais les risques le sont aussi. Mercor doit prouver que la demande des entreprises peut dépasser durablement les laboratoires de modèles qui ont structuré son marché initial. Elle doit aussi démontrer que ses réseaux d’experts, ses benchmarks personnalisés et ses environnements simulés peuvent passer à l’échelle sans devenir une activité trop proche du conseil.
Il existe enfin une tension plus profonde. L’avantage de Mercor vient de l’expertise humaine, mais ses clients achètent de l’automatisation. Ses marges à long terme dépendront de sa capacité à transformer cette expertise humaine en systèmes d’évaluation réutilisables, en workflows de post-entraînement et en environnements d’agents industrialisables. Si chaque client exige un travail sur mesure très intensif, le modèle ressemblera davantage à des services. Si l’infrastructure devient répétable, la valorisation devient plus compréhensible.
Pour l’instant, les investisseurs ont tranché. La série D de 750 millions de dollars de Mercor indique que l’assurance qualité des agents d’IA n’est plus seulement une fonction secondaire du développement de modèles. Elle devient une couche autonome de l’IA d’entreprise. Plus les entreprises paieront des agents pour travailler, plus elles paieront aussi pour prouver que ce travail est fiable.
Commentaires
Sois le premier à commenter.