Contexte et financement
Nous Research a clôturé une levée de 90 millions de dollars en série B, portant la valorisation de la société à 1,5 milliard de dollars. Le tour a été mené par Robot Ventures avec la participation de Nvidia, Union Square Ventures, Menlo Ventures, Samsung et 1789 Capital. Ce financement porte le total des capitaux levés à 158 millions de dollars depuis la création il y a trois ans. Au milieu septembre 2026, l’entreprise affichait un chiffre d’affaires annualisé d’environ 36 millions de dollars et prévoit de dépasser 100 millions de dollars d’ici la fin de l’année, selon le Wall Street Journal.
Architecture du Hermes Agent
Le produit phare, l’Hermes Agent, est publié sous licence open source et a été cloné plus de 24 millions de fois. Selon les estimations de la startup, ces instances représentent environ 2,5 % de la consommation mondiale de jetons d’IA. L’agent repose sur un modèle de chaîne de prompts capable d’orchestrer des tâches séquentielles, ce qui lui permet d’exécuter des flux de travail multi‑étapes sans intervention humaine. Le code source expose des points d’extension pour intégrer des modèles de langage propriétaires ou tiers, tout en conservant une interface de programmation (API) standardisée.
Déploiement en entreprise et gestion des données
La nouvelle offre « Hermes for Businesses » propose aux organisations de déployer des agents personnalisés capables de manipuler des processus internes complexes tout en maintenant les données « on‑premise » ou dans des environnements cloud privés. La solution utilise le chiffrement de bout en bout pour chaque échange de token, limitant ainsi les risques d’exposition. Les politiques de rétention sont configurables au niveau du client, ce qui répond aux exigences de conformité telles que le RGPD ou le CCPA. Le modèle d’abonnement prévu par Nous Research inclut un support dédié pour l’intégration de pipelines de données d’entreprise.
Perspectives et limites
Le plan de croissance repose sur la conversion de la base développeur open source en clients payants, un modèle qui a déjà généré 36 millions de dollars de revenu. Cependant, la dépendance à la consommation de jetons d’IA implique une sensibilité aux fluctuations de prix des fournisseurs de modèles. De plus, la personnalisation d’agents pour des flux de travail très spécifiques peut nécessiter des ajustements de modèle coûteux en temps de calcul. Enfin, la visibilité sur les performances réelles en production reste limitée, les seules métriques publiques étant le nombre de clones et la part de token usage.
