La jeune pousse Trajectory officialise une série A de 45 millions de dollars pour automatiser le post-entraînement des modèles. Elle promet un continual learning piloté par les métiers, désormais accessible via une plateforme ouverte au public, sur un créneau déjà disputé par plusieurs acteurs.
Un terrain déjà disputé par Thinking Machines Lab, Tinker et Applied Compute
Trajectory se positionne face à plusieurs acteurs présents sur le créneau de l’automatisation du post-entraînement. La startup considère comme rivaux directs Thinking Machines Lab, créée par Mira Murati, ancienne CTO d’OpenAI, ainsi que l’entreprise responsable de la plateforme de fine-tuning Tinker. Elle mentionne également Applied Compute, valorisée à 3,25 milliards de dollars le mois dernier, et Prime Intellect, qui accompagne des sociétés dans la création et l’entraînement de leurs propres agents d’IA.
Financement de 45 M$ et valorisation à 300 M$ menés par Sequoia
La société a levé 45 millions de dollars en série A, pour une valorisation de 300 millions de dollars. Le tour est mené par Sequoia, avec la participation de Nvidia, Bessemer Venture Partners et Bain Capital Ventures. L’entreprise compte 18 employés.
Une plateforme de continual learning désormais ouverte au public
Trajectory mise sur le continual learning : les entreprises démarrent avec un modèle open source et connectent la plateforme à leurs applications pour capter des retours de performance. Ces données servent ensuite à réentraîner le modèle afin d’améliorer ses compétences dans des tâches spécialisées au fil du temps. La plateforme de post-formation est désormais disponible au public. Les utilisateurs définissent ce qu’est un bon résultat dans leur organisation et peuvent en faire des améliorations de modèle ; selon Ronak Malde, des spécialistes comme des avocats ou des médecins peuvent ainsi intervenir presque automatiquement. Cette capacité pourrait accélérer et réduire le coût du déploiement d’IA spécialisée. L’approche présente des similitudes avec la recursive self-improvement, mais Michael Elabd souligne que maintenir l’humain dans la boucle la rend plus sûre, l’amélioration autonome pouvant produire des effets imprévus ou dangereux. Elle entend répondre à une limite des modèles actuels, qui n’apprennent pas de leurs erreurs sans réentraînement, alors que les entreprises spécialisent aujourd’hui des modèles généraux au prix d’équipes internes ou de consultants FDE. Trajectory veut automatiser cette amélioration, que Malde illustre par l’écart entre un profil très brillant mais toujours nouveau et l’expérience acquise au fil des années.
L’IA qui transforme le business ?
Stratégies, mouvements et levées IA décryptés, chaque soir en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisissez votre rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Harvey, Rogo et d’autres clients affinent des modèles open source
Harvey et Rogo utilisent déjà la plateforme pour affiner des modèles open source après leur entraînement initial. Ils s’en servent notamment afin d’intégrer des apprentissages issus de tâches réalisées précédemment, telles que la relecture d’une catégorie de contrat ou l’analyse d’une entreprise selon une méthode spécifique. D’autres clients incluent Decagon, Mercor et Nvidia.
Une équipe issue de DeepMind et Apple, et un pari sur l’interface
Ronak Malde considère que la force principale de Trajectory réside dans son équipe. Il figure parmi les rares chercheurs à avoir rejoint Google DeepMind depuis Windsurf ; Michael Elabd a également exercé chez DeepMind, tandis qu’Arjun Karanam a participé chez Apple au développement de modèles fondamentaux génératifs. La société a par ailleurs recruté des talents provenant d’OpenAI, Stripe et Netflix. Selon Karanam, le design occupe une place centrale : l’interface développée vise à rendre le post-entraînement accessible à des clients sans expertise technique.
