« On ne confierait pas à un modèle de langage le pilotage d’un avion ». C’est tout l’enjeu de l’après-LLM, selon Arlequin AI

Le 10 septembre 2026, la start-up française Arlequin AI annonce une levée de fonds de 28 millions d’euros en série A. Cette opération marque un tournant pour l’entreprise, spécialisée dans les réseaux de neurones topologiques, une technologie alternative aux modèles de langage (LLM) comme ceux utilisés par ChatGPT. Les fondateurs, Hugo Micheron (sciences politiques) et Antoine Jardin (chercheur au CNRS en data science), soulignent que cette architecture est encore à un stade comparable à celui des LLM il y a dix ans. Déjà active en France, au Royaume-Uni et en Allemagne, Arlequin prévoit d’ouvrir un laboratoire à San Francisco pour renforcer ses activités, notamment en sécurité des systèmes d’IA avancés.

Arlequin AI se distingue des modèles de langage (LLM), qui génèrent des réponses à partir de probabilités mais ne garantissent pas des résultats exacts ou reproductibles. Selon Hugo Micheron, les LLM sont conçus pour produire du texte ou du raisonnement, mais leur fonctionnement peut introduire des biais ou des erreurs, ce qui les rend inadaptés à des secteurs où la fiabilité est cruciale, comme la sécurité, la défense ou la finance. Par exemple, confier le pilotage d’un avion à un LLM serait impensable en raison de ces risques. Les fondateurs estiment que cette confusion entre IA générative et IA analytique nuit à la compréhension globale du secteur.

Les réseaux de neurones topologiques (TNN) développés par Arlequin AI diffèrent des architectures classiques comme les Transformers (utilisés par les LLM) ou les réseaux de neurones graphiques (GNN). Les Transformers relient les éléments par des associations statistiques globales, tandis que les GNN représentent des relations deux à deux. Les TNN, en revanche, modélisent des interactions de groupe en utilisant des structures mathématiques issues de la topologie, comme des triangles ou des tétraèdres. Cette approche permet de capturer des phénomènes émergents dans des jeux de données complexes, comme des réseaux biologiques ou des systèmes financiers. Le topological deep learning est encore un champ de recherche jeune, mais prometteur pour analyser des données massives et multidimensionnelles.

Arlequin AI propose une plateforme qui analyse des données (texte, image, vidéo, audio) sans nécessiter de prompt ou d’interaction utilisateur. Les données sont traitées par des modèles non supervisés qui extraient les relations et structures pertinentes, puis les stockent de manière à pouvoir être interrogées ultérieurement. Contrairement aux LLM, qui génèrent des réponses, Arlequin utilise ces modèles uniquement pour restituer des informations déjà calculées et vérifiées. Cette méthode garantit une traçabilité totale des résultats, depuis la donnée source jusqu’à l’analyse finale. Par exemple, pour détecter des fraudes financières, la plateforme peut identifier des schémas complexes entre plusieurs transactions, invisibles aux outils classiques.

Les principaux atouts d’Arlequin AI sont sa capacité à révéler des phénomènes invisibles aux outils d’analyse traditionnels et sa transparence totale. Contrairement aux LLM, dont le raisonnement interne est difficile à tracer, les TNN permettent une auditabilité complète des étapes de traitement. Antoine Jardin cite l’exemple des journaux de logs (fichiers enregistrant les activités d’un système) pour détecter des cyberattaques ou des fraudes. La plateforme peut aussi corriger les biais de confirmation des utilisateurs en signalant lorsqu’une analyse repose sur une fraction trop réduite des données. Enfin, elle évite d’ajouter des hypothèses externes aux résultats, se contentant de refléter les informations présentes dans les données.

Arlequin AI cible des secteurs où la fiabilité et la traçabilité sont essentielles, comme la sécurité, la défense, la finance, la lutte contre la fraude ou la désinformation. D’autres clients incluent des médias ou des services d’enquête pour analyser des volumes massifs de données, comme des statistiques sportives ou des enquêtes journalistiques. Par exemple, des clubs de football utilisent la plateforme pour analyser les performances de joueurs sur plusieurs saisons et plusieurs championnats. La technologie est également adaptée à l’analyse de données complexes en biologie ou en neurosciences. Les fondateurs soulignent que leur approche répond à un besoin croissant de certifier les décisions automatisées dans des systèmes critiques.