Contexte du financement
HiddenLayer Inc., start‑up américaine fondée en 2022, a annoncé une levée de 100 millions de dollars en série B, portée par Delta‑v Capital et soutenue par M12, Ten Eleven Ventures, Morgan Stanley et Microsoft. Le total levé depuis le seed de 6 M$ atteint 156 M$. En parallèle, Huskeys Security Ltd., créée en 2025 par d'anciens de l’unité 8200, a reçu 27 M$ en série A, portant son capital à 35 M$. Ces deux tours s’inscrivent dans une vague d’investissements liée à la montée des menaces sur les systèmes d’IA et les infrastructures de bord.
Architecture de la sécurité des modèles d'IA
HiddenLayer propose une chaîne de vérification en trois étapes. D’abord, le scanner de modèles analyse les artefacts et leurs dépendances (bibliothèques, conteneurs) afin de détecter toute altération de la chaîne d’approvisionnement avant le déploiement. Ensuite, des exercices de red‑team simulent des attaques ciblant les vulnérabilités du modèle, notamment les injections de prompts. Enfin, le runtime monitor opère au niveau de l’inférence, interceptant les requêtes pour identifier les tentatives d’injection de prompt ou de vol de modèle. La société développe deux lignes de produits : Agentic Runtime Security, qui protège les agents autonomes, et Agent Harness Security, dédié aux agents de codage génératif.
Analyse des enjeux de scalabilité et de risques
Le modèle économique de HiddenLayer repose sur plus de 50 nouveaux clients plateforme en un an, avec un ARR multiplié par dix pour atteindre plusieurs dizaines de millions de dollars. Cette croissance impose des exigences de latence strictes : le monitoring d’inférence doit s’exécuter en temps réel sans dégrader le débit des modèles, souvent déployés sur des GPU ou des TPU. Le principal risque réside dans les faux positifs qui pourraient bloquer des requêtes légitimes, ainsi que dans la capacité à maintenir une base de signatures à jour face à l’évolution rapide des techniques d’injection.
Huskeys adopte une approche différente, centrée sur le bord réseau. Son moteur agrège les configurations des pare‑feux d’applications web (WAF), des réseaux de diffusion de contenu (CDN) et des équilibreurs de charge, les compile dans un modèle unifié, puis exécute des évaluations de posture, génère des politiques et applique des correctifs virtuels. Le volume déclaré de plus d’un trillion de requêtes web par jour impose une architecture de traitement distribuée, probablement basée sur le streaming et le partitionnement des flux. La latence doit rester inférieure à quelques millisecondes pour ne pas impacter l’expérience utilisateur, ce qui contraint le choix des algorithmes de corrélation et de décision.
Perspectives et limites
Les deux entreprises ciblent des clients majeurs : TikTok, Hugging Face, Legoland, Ro et Blackstone utilisent déjà leurs solutions. Cependant, les annonces restent vagues sur les métriques de détection (taux de détection, taux de faux positifs) et sur les exigences matérielles exactes. Sans ces données, l’évaluation de l’efficacité à grande échelle demeure partielle. De plus, la dépendance à des modèles propriétaires complique l’audit externe. Les prochains cycles de financement devront probablement financer des programmes de validation indépendante et l’optimisation des pipelines afin de garantir que la sécurisation à la fois du modèle et du bord ne devienne pas un goulet d’étranglement pour les déploiements d’IA à grande échelle.
