Contexte et financement

Atomic, startup issue du groupe de planification de Tesla, a annoncé une levée de fonds de 12,5 M$ en série A. Ce financement porte le total des capitaux levés à un peu plus de 15 M$. Le tour a été mené par Klass Capital et Madrona Venture Group, avec la participation de Jeff Goodrich, ancien directeur de la planification chez Tesla, nommé CTO.

Architecture de la solution

Le cœur du produit repose sur une simulation de scénarios d’inventaire. Le moteur génère des prévisions de besoins, puis explore un espace de décision considéré comme « infini » par les fondateurs. L’IA, décrite comme un agentic AI, identifie les règles de décision implicites des clients, même lorsqu’elles ne sont pas formalisées. Cette capacité repose sur l’apprentissage supervisé à partir de données opérationnelles (commandes, livraisons, stocks) et sur des algorithmes d’optimisation combinatoire qui sélectionnent la combinaison de niveaux de stock et de réapprovisionnement la plus efficace.

Déploiement et adoption

Atomic a passé le stade pilote pour servir des clients de grande envergure, notamment DoorDash et HelloFresh. DoorDash utilise la plateforme pour 90 % de ses achats sur plusieurs centaines de sites, ce qui réduit le gaspillage et la détérioration des denrées. La société affirme que son chiffre d’affaires récurrent annuel a été multiplié par cinq depuis le début de l’année, ce qui indique une adoption rapide. Le processus d’onboarding a été compressé à quelques semaines grâce à la capacité du système à « inférer » les règles de décision internes du client, éliminant ainsi la nécessité de formaliser manuellement chaque politique d’achat.

Analyse des limites et perspectives

Le modèle généraliste d’Atomic, capable de s’adapter à différents secteurs (CPG, mobilité, fabrication), repose sur la disponibilité de données opérationnelles de qualité. Dans les environnements où les flux de données sont fragmentés ou où les historiques sont incomplets, la précision des recommandations peut diminuer. De plus, la prise de décision autonome implique des risques de gouvernance : les entreprises doivent définir des garde-fous pour éviter des achats non désirés en cas d’erreur de prédiction. Enfin, la dépendance à un modèle d’IA propriétaire rend la transparence des algorithmes difficile à auditer, ce qui peut poser des questions de conformité dans certains marchés réglementés.