Contexte et financement
En novembre 2026, Noeri Inc. a annoncé une levée de 110 millions de dollars, menée par Menlo Ventures avec la participation de Madrona Ventures, Kindred Ventures, Wing Venture Capital, NEA, ainsi que Snowflake et Cisco Ventures. Les co‑fondateurs, Yejin Choi et Carlos Guestrin, sont deux chercheurs de Stanford ayant mené des travaux sur les systèmes auto‑améliorants à l’Université de Washington. Leur expérience inclut la création de XGBoost et la direction de l’unité IA d’Apple, ce qui ancre le projet dans une expertise reconnue en apprentissage automatique.
Architecture du système vivant
Noeri propose un logiciel capable d’analyser les données, les flux de travail et les processus métier d’une organisation. En apprenant de ces éléments, le système génère des suggestions – changement d’instructions, adoption d’outils différents ou substitution du modèle d’une étape – chaque proposition étant accompagnée d’une explication et soumise à une validation humaine, à l’image des revues de code générées par IA. Le produit accepte à la fois des modèles à poids ouvert et des modèles propriétaires, tout en garantissant que les clients conservent la pleine propriété de leurs flux et de leurs IA.
Mécanismes d’auto‑distillation et d’orchestration
Le cœur technique repose sur deux recherches distinctes. Guestrin a développé une technique d’auto‑distillation qui transforme les erreurs du modèle en enseignements, permettant une amélioration continue sans supervision externe. Choi, quant à elle, a démontré que de petits modèles capables d’orchestrer une équipe d’agents IA et d’outils peuvent surpasser des modèles de pointe à moindre coût. Cette approche a été validée sur un groupe de microbiologie et d’immunologie de Stanford, où un modèle interne a surpassé le GPT‑5 plus récent sur les tâches du laboratoire.
Enjeux et limites
Le modèle « living » de Noeri soulève plusieurs défis. La dépendance à un human‑in‑the‑loop ralentit la mise en production à grande échelle et introduit un point de friction opérationnel. La gestion simultanée de plusieurs modèles augmente la complexité de la gouvernance des données et le risque de dérive de performance si les flux changent rapidement. En outre, la promesse de coût réduit face aux modèles centralisés doit être confrontée aux dépenses liées à l’infrastructure multi‑modèle et aux licences éventuelles. Des concurrents comme Tinker de Thinking Machines Labs ou Applied Compute offrent des services similaires, ce qui contraint Noeri à prouver la valeur ajoutée de son architecture hybride et de son cadre de propriété des modèles.