Le tour d’amorçage d’un milliard de dollars d’AMI Labs : comment JEPA et les méga-levées transforment le financement de l’IA

Le tour qui a réécrit les règles

En mars 2026, une entreprise d’environ 12 employés et sans aucun produit commercialisé a levé plus d’argent en un seul tour d’amorçage que la plupart des startups n’en lèvent durant toute leur existence. AMI Labs, l’entreprise de recherche en IA basée à Paris et cofondée par l’ancien Chief AI Scientist de Meta, Yann LeCun, a bouclé un tour d’amorçage de 1,03 milliard de dollars à une valorisation pré-money de 3,5 milliards de dollars — le plus grand tour d’amorçage de l’histoire européenne.

LeCun a annoncé son départ de Meta en novembre 2025, après 12 ans au sein de l’entreprise — cinq en tant que directeur fondateur de Facebook AI Research (FAIR) et sept en tant que Chief AI Scientist. En décembre 2025, le nom de l’entreprise était confirmé. Quatre mois plus tard, le tour était bouclé. La rapidité seule en dit long sur la recalibration du marché du capital-risque pour l’IA.

Le tour a été co-dirigé par Cathay Innovation, Greycroft, Hiro Capital, HV Capital et Bezos Expeditions. Les investisseurs stratégiques incluent Nvidia, Samsung, Sea, Temasek et Toyota Ventures, aux côtés de soutiens français comme le Groupe Industriel Marcel Dassault et Publicis Groupe. Parmi les investisseurs individuels figurent Eric Schmidt, Mark Cuban, Xavier Niel et Tim Berners-Lee.

Alexandre LeBrun, un entrepreneur français ayant précédemment fondé la startup d’IA médicale Nabla, occupe le poste de PDG. LeCun assume le rôle de président exécutif tout en restant professeur à NYU — une structure qui signale qu’AMI Labs construit une organisation axée sur la recherche avec un leadership commercial dès le premier jour.

Pourquoi JEPA a attiré un milliard de dollars

LeCun n’est pas un nouveau venu en quête de validation. Il est lauréat du prix Turing, architecte des réseaux de neurones convolutifs qui alimentent la vision par ordinateur moderne, et la personne qui a passé une décennie chez Meta à soutenir — publiquement et de manière provocante — que les grands modèles de langage sont une impasse pour l’intelligence artificielle véritable.

Sa thèse est directe. Les LLM sont des systèmes sophistiqués de reconnaissance de motifs qui prédisent le prochain token dans une séquence. Ils génèrent du texte fluide, réussissent des examens du barreau et écrivent du code fonctionnel. Mais ils ne comprennent pas le monde physique — comment les objets se comportent, comment la gravité fonctionne, pourquoi un verre se brise en tombant sur du carrelage.

L’architecture JEPA (Joint Embedding Predictive Architecture), proposée par LeCun en 2022, est son alternative. Au lieu de prédire des séquences de tokens, les systèmes JEPA apprennent à prédire des représentations abstraites du monde. Plutôt que de générer des prédictions pixel par pixel de ce qui se passe ensuite dans une vidéo, un modèle JEPA apprend des abstractions de haut niveau : qu’un objet en chute accélère, qu’une porte qui s’ouvre révèle une pièce, qu’une personne marchant vers un bord s’arrêtera ou tombera.

AMI Labs s’entraîne sur de la vidéo, de l’audio et des données de capteurs — pas seulement du texte. Les applications cibles sont l’automatisation industrielle, la robotique et la santé, avec Nabla comme premier partenaire annoncé. Si JEPA fonctionne comme théorisé, cela pourrait produire des systèmes d’IA comprenant véritablement la causalité physique — quelque chose qu’aucune mise à l’échelle de prédiction de texte n’a réussi à atteindre.

Les investisseurs ne valorisent pas AMI Labs sur des multiples de revenus. Ils évaluent trois facteurs : la rareté du fondateur (peut-être cinq personnes au monde pourraient crédiblement diriger une alternative au paradigme LLM construite de zéro), l’optionnalité de paradigme (si JEPA s’avère même partiellement supérieur pour la compréhension du monde physique, les marchés de la robotique et de l’IA incarnée dépasseront 500 milliards de dollars d’ici 2030) et l’urgence concurrentielle (chaque grand laboratoire investit désormais dans les modèles du monde).

La nouvelle économie des méga-levées en IA

Le tour d’AMI Labs ne s’est pas produit isolément. C’est le point de données le plus marquant d’une restructuration plus large de la façon dont le capital-risque s’oriente vers les entreprises d’IA.

Les chiffres de début 2026 sont stupéfiants. En février seulement, les startups liées à l’IA ont levé 171 milliards de dollars — 90 % de l’ensemble du financement mondial en capital-risque ce mois-là. Les entreprises d’IA ont représenté 41 % des 128 milliards de dollars déployés via la plateforme Carta en 2024-2025, une part annuelle record. La concentration s’intensifie.

Les méga-levées racontent l’histoire :

Ces chiffres auraient été inconcevables lors de tout cycle technologique précédent. Trois entreprises — OpenAI, Anthropic et xAI — ont levé un total combiné de 160 milliards de dollars au cours des deux premiers mois de 2026.

Pourquoi les tours d’amorçage ressemblent désormais à des tours de croissance

L’échelle de financement traditionnelle — pré-amorçage, amorçage, Série A à C — a été conçue pour des entreprises logicielles où les coûts principaux étaient les salaires des développeurs et l’hébergement cloud. Une équipe talentueuse de cinq ingénieurs pouvait construire un produit SaaS viable pour moins de 5 millions de dollars.

Les entreprises d’infrastructure IA fonctionnent avec une économie fondamentalement différente. L’entraînement d’un modèle de pointe coûte de 100 millions à 1 milliard de dollars en calcul GPU seul. Les chercheurs seniors en IA perçoivent des packages de rémunération de 1 à 5 millions de dollars par an. La fenêtre concurrentielle se mesure en trimestres, pas en années. Une entreprise passant 18 mois sur des tours successifs de petite taille pendant que ses concurrents entraînent des modèles de nouvelle génération arrivera sur le marché avec l’architecture d’hier.

Le tour d’amorçage d’un milliard est une stratégie de compression temporelle : tout lever en amont et se concentrer exclusivement sur la recherche.

L’effet haltère

Le paysage du financement de l’IA développe une forme d’haltère prononcée. D’un côté, un petit nombre d’entreprises lèvent des tours mesurés en milliards. De l’autre, une longue traîne d’entreprises d’applications IA lèvent des tours modestes (5 à 20 millions de dollars) pour construire des produits verticaux sur les API de modèles de fondation.

Le milieu se creuse. La fourchette de 50 à 200 millions de dollars qui finançait historiquement les entreprises au stade infrastructure est de plus en plus inadéquate pour la recherche IA mais excessive pour les entreprises applicatives. Le mot « amorçage » a été vidé de son sens traditionnel — il n’implique plus petit ou expérimental. Il signifie simplement « premier tour ».

L’angle européen

Le choix de Paris comme siège social par AMI Labs est significatif. L’IA européenne a longtemps souffert d’un déficit de capital — des chercheurs talentueux formés dans les universités européennes qui migraient vers la Silicon Valley parce que c’était là que se trouvait le financement.

Ce tour suggère que la dynamique pourrait changer. Paris, Londres et Zurich possèdent des communautés de recherche en IA de classe mondiale ancrées par l’INRIA, DeepMind London et l’ETH Zurich. Les salaires des chercheurs seniors en IA à Paris sont inférieurs de 30 à 40 % à ceux de San Francisco. Les gouvernements européens et les fonds souverains sont de plus en plus disposés à soutenir l’infrastructure IA pour réduire la dépendance aux plateformes dominées par les États-Unis.

AMI Labs rejoint Mistral AI (qui a levé 1,7 milliard d’euros en septembre 2025 à une valorisation d’environ 14 milliards de dollars) comme preuve que l’IA européenne peut rivaliser pour les capitaux aux plus hauts niveaux. Si ces entreprises réussissent commercialement, elles pourraient briser le schéma de longue date des chercheurs européens construisant des entreprises américaines.

Ce que cela signifie pour les fondateurs des marchés émergents

Pour les écosystèmes technologiques en dehors du triangle Silicon Valley-Londres-Paris, le tour d’AMI Labs contient à la fois un avertissement et une opportunité.

L’avertissement : rivaliser au niveau de l’infrastructure IA exige désormais des réserves de capital inaccessibles aux startups de la plupart des marchés émergents. Aucun tour d’amorçage nord-africain, moyen-oriental ou sud-est asiatique n’a jamais approché les 100 millions de dollars.

L’opportunité réside dans la couche applicative. À mesure que la pile d’infrastructure IA mûrit via les API et les modèles open source, l’avantage concurrentiel passe de « qui a le plus de GPU » à « qui comprend le mieux le problème local ». La santé, la logistique, l’énergie, l’agriculture — ce sont des domaines où la connaissance locale et l’accès au marché comptent plus que la puissance de calcul.

La réponse stratégique pour les fondateurs des marchés émergents n’est pas de rivaliser avec AMI Labs mais de construire sur le paradigme gagnant. Les premières entreprises à appliquer les API de modèles du monde aux défis industriels locaux captureront une valeur considérable.

Les facteurs de risque

JEPA est un programme de recherche, pas une architecture commerciale éprouvée. Les propres recherches JEPA de Meta ont produit des résultats académiques impressionnants mais n’ont pas démontré de supériorité commerciale claire par rapport aux approches basées sur les transformers. Les 1,03 milliard de dollars donnent à AMI Labs environ 3 à 4 ans de runway. Si JEPA ne produit pas de résultats commercialement viables dans cette fenêtre, la prochaine levée de fonds fera face à une pression brutale sur la valorisation.

La concentration du capital dans l’IA soulève un risque sectoriel. Quand l’IA absorbe la majorité du capital-risque, la climate tech, la biotech et la fintech se disputent un bassin en diminution. Si la thèse IA vacille — limites de mise à l’échelle, contraintes réglementaires, adoption entreprise plus lente — les paris concentrés pourraient produire une correction rivalisant avec le krach des dot-com.

Et le marché des talents est en surchauffe. AMI Labs, OpenAI, Anthropic et Google DeepMind se disputent les mêmes 2 000 à 3 000 chercheurs environ capables de travail de pointe, avec des rémunérations dépassant fréquemment 5 millions de dollars annuels. Le résultat est un cycle auto-renforçant qui concentre les capacités en IA dans un nombre décroissant d’organisations.

Sources et lectures complémentaires

• Yann LeCun’s AMI Labs raises $1.03B to build world models — TechCrunch
• Yann LeCun’s New AI Startup Raises $1 Billion in Seed Funding — Bloomberg
• Turing Winner LeCun’s New ‘World Model’ AI Lab Raises $1B In Europe’s Largest Seed Round — Crunchbase News
• Massive AI Deals Drive $189B Startup Funding Record In February — Crunchbase News
• Yann LeCun’s new venture is a contrarian bet against large language models — MIT Technology Review
• Anthropic closes $30 billion funding round at $380 billion valuation — CNBC