Contexte et financement

Trajectory, jeune startup de 18 personnes fondée il y a un an par trois anciens de Stanford issus de Google DeepMind et d’Apple, a annoncé une levée de 45 millions de dollars en série A, valorisant l’entreprise à 300 millions de dollars. Le tour a été mené par Sequoia, avec la participation de Nvidia, Bessemer Venture Partners et Bain Capital Ventures. Ce financement vise à accélérer le déploiement d’une plateforme qui automatise le post‑entraînement des modèles d’IA, un besoin identifié comme bloquant pour les organisations qui ne disposent pas d’équipes de recherche interne.

Fonctionnement de la plateforme de continual learning

Le produit de Trajectory repose sur le principe du continual learning : les utilisateurs intègrent un modèle open source, connectent la plateforme à leurs applications et collectent des retours d’expérience sur les performances du modèle. Ces retours sont ensuite réinjectés dans un cycle de ré‑entraînement automatisé, permettant au modèle d’ajuster ses paramètres en fonction de critères définis par l’entreprise, comme la précision d’une revue de contrat juridique ou la pertinence d’une évaluation financière.

Contrairement à une simple phase de fine‑tuning, le processus est itératif et continu. Les clients – parmi lesquels Harvey, Rogo, Decagon, Mercor et même Nvidia – utilisent la plateforme pour « post‑train » leurs modèles, les faisant évoluer au fil des tâches spécifiques (ex. : analyse de contrats types, valorisation d’entreprises selon une méthodologie donnée). L’interface, conçue pour être exploitable par des experts non techniques, masque la complexité du pipeline d’entraînement et propose des visualisations simples du « what good looks like » pour chaque organisation.

Analyse des impacts et limites

Sur le plan technique, l’approche de Trajectory réduit le besoin de forward‑deployed engineers (FDE) coûteux, ce qui peut diminuer les coûts d’intégration de l’IA dans des secteurs réglementés comme le droit ou la finance. En gardant les humains dans la boucle, les co‑fondateurs affirment que le risque de recursive self‑improvement incontrôlé est limité, un argument de sécurité souvent avancé dans les débats sur l’autonomie des IA.

Cependant, la méthode repose sur la qualité et la représentativité des retours utilisateurs. Un biais dans les données de feedback peut entraîner une dérive du modèle vers des comportements indésirables. De plus, la plateforme ne résout pas le problème fondamental de la disponibilité de jeux de données annotés à grande échelle, ce qui reste un goulot d’étranglement pour les petites structures.

Enfin, le marché du post‑entraînement est déjà concurrentiel : Thinking Machines Lab (fondée par l’ancienne CTO d’OpenAI), Tinker, Applied Compute et Prime Intellect proposent des solutions similaires. La différenciation de Trajectory repose donc sur son design centré sur l’utilisateur non technique et sur le réseau de talents issus de DeepMind, Apple, OpenAI, Stripe et Netflix, qui pourrait accélérer l’adoption dans des niches à forte valeur ajoutée.