Financement et positionnement

Vectorial AI Inc. a annoncé une levée de fonds de 3 millions de dollars en seed round. Le tour a été co‑mené par Smilegate et SenseAI Ventures, avec le soutien des fonds d’écosystème de l'Université de Californie à Berkeley et de Stanford. Des investisseurs providentiels issus de Meta Platforms, Mastercard et Shopify ont également participé. Cette injection de capital vise à accélérer le déploiement d’une plateforme IA qui remplace les enquêtes traditionnelles, souvent limitées à 50‑100 participants et à des délais de plusieurs semaines.

Architecture du modèle SAPIENS

Le cœur du produit repose sur le modèle comportemental nommé SAPIENS. Ce modèle est entraîné sur un jeu de données contenant plus de 2,5 millions de consommateurs réels, incluant des attributs sociodémographiques, psychographiques et comportementaux. Selon le directeur produit, SAPIENS offre une précision supérieure de 30 % aux modèles génériques lorsqu’il prédit des comportements d’achat. La plateforme génère des « audiences simulées » en fonction de critères démographiques définis par le client, puis intègre ces simulations directement dans les pipelines de développement produit, assurant un flux continu de retours.

Le processus d’entraînement repose sur un apprentissage incrémental : chaque interaction simulée est comparée à des études réelles, les écarts sont rétro‑propagés pour affiner les poids du modèle. Cette boucle de mise à jour continue crée ce que l’entreprise qualifie de « living model », capable d’incorporer les tendances émergentes sans intervention manuelle.

Évaluation des performances et limites

Les premiers utilisateurs – notamment GoodRx, Boat, Everkind et Concrete Software – exécutent en moyenne 600 simulations par mois. Les comparaisons entre les résultats simulés et les études utilisateurs réelles montrent une précision d’environ 86 %. Cette métrique, bien que élevée, repose sur des jeux de test limités à des secteurs spécifiques (e‑commerce, jeux vidéo, santé). Le modèle actuel ne couvre pas encore les comportements contextuels complexes, comme les réactions à des événements macro‑économiques, ce qui justifie le développement prévu de SAPIENS 2.0 pour enrichir le corpus de données.

Un autre point d’attention réside dans la dépendance à la qualité des données d’entrée. Si les profils sociodémographiques sont mal définis, les simulations peuvent diverger de la réalité, reproduisant ainsi les biais présents dans les données d’entraînement. Enfin, l’intégration continue des simulations dans les flux de développement nécessite des API robustes et une orchestration compatible avec les outils CI/CD existants, condition indispensable pour éviter des ruptures de synchronisation entre les équipes produit et les modèles IA.