Contexte et financement

Model ML, startup londonienne spécialisée dans l’automatisation des missions habituellement réalisées par les analystes juniors et les consultants, a clôturé une levée de 250 millions de dollars en série B, portant sa valorisation à 1,5 milliard de dollars. Le tour a été co‑mené par General Atlantic et QED Investors, un an après une série A de 75 millions de dollars. Les co‑fondateurs, Chaz et Arnie Englander, ont auparavant créé Fat Llama, cédée pour 41,5 millions de dollars en 2022. Le financement place Model ML parmi les acteurs qui mobilisent d’importants capitaux pour la digitalisation de la finance, aux côtés de Hebbia et Rogo, qui ont levé 160 millions de dollars en avril.

Architecture des agents IA

Les produits de Model ML reposent sur des agents d’intelligence artificielle capables de s’interfacer aux systèmes internes des clients. Chaque agent exploite des modèles de langage open source, probablement issus de la famille Llama 2 ou Mistral, et fonctionne à environ 2 % du coût des modèles propriétaires de pointe tels que ceux d’Anthropic ou d’OpenAI. Cette réduction de coût provient d’une consommation énergétique moindre lors de l’inférence et d’une optimisation du pipeline de traitement, notamment grâce à la quantisation des poids et à l’utilisation de GPU de génération précédente. Les agents analysent le texte des contrats, les métriques financières et les historiques de transactions pour établir un « contexte complet » du dossier, puis génèrent ou modifient les artefacts requis.

Intégration avec les outils financiers

Le cœur de la proposition réside dans l’intégration native avec Microsoft Excel et PowerPoint. Les agents lisent les feuilles de calcul via l’API Office Open XML, extraient les formules, évaluent les dépendances et mettent à jour les cellules dès qu’une donnée évolue. Pour les présentations, ils manipulent les objets de diapositives, insèrent des graphiques actualisés et réécrivent les paragraphes de synthèse en conservant le style visuel. Cette approche nécessite de gérer la sérialisation des macros VBA, d’assurer la cohérence des références croisées et de respecter les politiques de sécurité des entreprises, notamment les restrictions d’exécution de code externe.

Analyse des coûts et limites

Le modèle économique repose sur la promesse d’un coût d’opération inférieur grâce à l’usage de modèles open source. Toutefois, la performance de ces modèles sur des tâches très spécialisées, comme la rédaction de due‑diligence juridique, dépend fortement de la qualité du fine‑tuning et du volume de données d’entraînement internes. Le risque de « hallucination » du modèle reste présent, ce qui impose des contrôles humains avant la diffusion des livrables. De plus, la connexion directe aux bases de données internes soulève des enjeux de confidentialité et de conformité (RGPD, SEC). Enfin, la concurrence d’Anthropic et d’OpenAI, qui offrent des modèles plus puissants mais plus onéreux, crée une tension entre précision et maîtrise budgétaire pour les institutions financières.