Contexte et modèle économique

Profound, créée il y a deux ans, propose une plateforme d’analyse et de création de stratégies marketing orientées vers les résultats de recherche pilotés par l’intelligence artificielle. La société se positionne dans le segment émergent du GEO/AEO (generative engine optimization et answer engine optimization), où les marques cherchent à être visibles dans les systèmes de recherche AI utilisés par les consommateurs. Le modèle repose sur la collecte de signaux d’interaction utilisateur, le traitement de ces données via des modèles de langage et la génération de recommandations d’optimisation de contenu.

Architecture technique et flux de données

Le cœur du service de Profound est une chaîne de traitement qui intègre plusieurs couches : ingestion de logs publicitaires, enrichissement par des API de modèles de génération (ex. GPT‑4 ou Claude), puis scoring des opportunités de visibilité. Chaque client – parmi plus de 1 000 entreprises comme Comcast, Estée Lauder ou Walmart – dispose d’un tableau de bord où les métriques de performance (impressions, taux de conversion, position dans les réponses AI) sont actualisées en temps réel. L’infrastructure repose sur des clusters de calcul cloud (AWS ou GCP) capables de paralléliser les inférences de modèles sur des millions de requêtes quotidiennes, tout en respectant les exigences de conformité (RGPD, CCPA) grâce à un chiffrement au repos et en transit.

Croissance, financement et implications

Le 15 septembre 2026, Profound a annoncé une levée de 180 M$ en série D, portée à une valorisation de 1,8 milliard de dollars. Cette opération, menée par Sequoia et Kleiner Perkins, intervient moins de sept mois après la série C de 96 M$, ce qui reflète une accélération du chiffre d’affaires de trois fois en six mois. Le financement permet d’étendre la capacité de traitement des modèles, d’intégrer de nouveaux moteurs de recherche AI (ex. Bing AI, Gemini) et de renforcer les équipes de recherche appliquée. Sur le plan concurrentiel, la montée en puissance du GEO/AEO crée une pression sur les plateformes publicitaires traditionnelles, qui devront offrir des API compatibles avec les exigences de visibilité AI.

Limites et défis techniques

Malgré la croissance, le secteur reste confronté à plusieurs contraintes : la dépendance aux modèles propriétaires entraîne des coûts d’inférence élevés, la volatilité des algorithmes de recherche AI peut rendre les recommandations obsolètes rapidement, et la protection des données clients impose des architectures de type « zero‑trust ». De plus, la mesure de l’impact réel sur les ventes reste difficile à isoler, car les signaux d’attribution sont souvent dilués entre plusieurs points de contact numériques. Profound devra donc investir dans des métriques d’attribution plus granulaire et dans des mécanismes de mise à jour continue des modèles pour maintenir la pertinence de ses recommandations.