Contexte et modèle économique
Mercor.io Corp. a annoncé une levée de 750 millions de dollars lors d’une série D, portant sa valorisation à 20 milliards de dollars. La société s’appuie sur un réseau de plus de 5 millions d’experts sectoriels pour fournir des données d’entraînement et d’évaluation aux modèles d’intelligence artificielle. Jusqu’alors, la majeure partie du chiffre d’affaires provenait de laboratoires d’IA de pointe, avec un revenu annualisé dépassant 2 milliards de dollars en juin 2026. Les nouveaux fonds, provenant notamment de Nvidia, Salesforce et Zoom, sont destinés à étendre cette offre aux entreprises de tous les secteurs.
Infrastructure d’évaluation et benchmarks personnalisés
Mercor critique la pertinence des benchmarks publics, qui ne reflètent pas les politiques, systèmes et cas limites propres à chaque organisation. Pour chaque client, la société conçoit un benchmark sur mesure qui mesure la performance d’un modèle selon les standards internes de l’entreprise. Le processus de post‑formation débute par l’application de ce benchmark, puis ajuste le modèle en fonction des écarts observés. Cette approche repose sur la collecte d’étiquettes humaines précises, garantissant que les scores obtenus sont directement corrélés aux exigences opérationnelles du client.
Acquisition de Deeptune et simulation d’applications
En juillet 2026, Mercor a acquis Deeptune Inc., une startup new‑yorkaise spécialisée dans la génération d’environnements d’entreprise virtuels. L’équipe de Deeptune a passé deux ans à reproduire des centaines d’applications métier afin que les agents IA puissent s’exercer dans des contextes réalistes. Ces environnements sont intégrés au pipeline de post‑formation et permettent d’évaluer les agents sur des tâches concrètes, comme la gestion de tickets ou la manipulation de bases de données internes. Le capital levé finance l’expansion de cette infrastructure, notamment la création de nouveaux scénarios d’entreprise et l’automatisation du déploiement des environnements de test.
Perspectives et limites
L’ambition de Mercor est de rendre chaque poste de travail « compatible » avec un agent IA dédié, mais la dépendance à un réseau humain de plus de 5 millions d’experts pose des questions de scalabilité et de confidentialité des données. Le coût d’obtention d’étiquettes de haute qualité peut limiter l’adoption chez les PME, tandis que les grandes entreprises devront gérer la gouvernance des données sensibles utilisées pendant les évaluations. De plus, l’émergence d’open‑source LLM capables de s’auto‑évaluer pourrait réduire la valeur ajoutée d’une couche d’expertise humaine si les modèles atteignent une robustesse suffisante. Mercor devra donc équilibrer l’expansion de son offre avec la maîtrise des coûts opérationnels et la protection des informations clients.
