Pourquoi les startups et les grands groupes vont redessiner l’IA

Un départ peut parfois révéler une tendance plus large. Le 24 septembre 2026, Simon Kohl a quitté DeepMind pour explorer des opportunités en dehors des grandes entreprises, dans un contexte où les startups attirent des investissements records et revendiquent une plus grande agilité.

Cette évolution ne signifie pas que les Big Tech perdent leur rôle. Elles disposent toujours des infrastructures, des données, des capacités de calcul et des budgets nécessaires aux modèles les plus avancés. Mais les startups apportent une autre force : elles testent plus vite, ciblent des marchés précis et peuvent transformer une avancée de recherche en produit sans traverser autant de niveaux de validation.

La prochaine phase de l’IA pourrait donc moins opposer jeunes pousses et grands groupes qu’elle ne les rapprochera. Les premières fournissent la vitesse et l’expérimentation, les seconds la puissance industrielle, la distribution et la capacité à déployer à grande échelle.

Simon Kohl illustre le déplacement des talents hors de la Big Tech

Le départ de Simon Kohl de DeepMind met en lumière l’attrait croissant des environnements entrepreneuriaux pour les chercheurs et ingénieurs spécialisés en IA. Il a choisi d’explorer des opportunités en dehors des grandes entreprises, alors que les startups cherchent à attirer des profils capables de convertir rapidement une expertise scientifique en activité commerciale.

DeepMind reste l’un des laboratoires les plus visibles de l’IA avancée. Le parcours de ses collaborateurs est donc particulièrement observé par l’écosystème technologique : lorsqu’un chercheur quitte une structure disposant de moyens considérables, son choix peut renforcer l’idée que l’innovation ne dépend plus uniquement des laboratoires intégrés aux grandes plateformes.

Le mouvement ne repose pas sur un rejet uniforme de la Big Tech. Les grands groupes continuent d’offrir des équipes de recherche de premier plan, des infrastructures propriétaires et des moyens financiers difficiles à égaler. Pour certains talents, le changement tient plutôt à la possibilité de choisir une feuille de route, de réduire les délais de décision ou de travailler directement sur un produit.

À retenir : Le départ de Simon Kohl ne prouve pas à lui seul un exode de la Big Tech. Il confirme toutefois que les startups constituent désormais une destination crédible pour des spécialistes de l’IA issus des laboratoires les plus avancés.

430 milliards de dollars investis dans l’IA au premier semestre 2026

La capacité d’attraction des startups s’appuie sur un marché financier sans précédent. Selon EY, les investissements mondiaux en capital-risque dans l’IA ont atteint environ 430 milliards de dollars au premier semestre 2026, dépassant déjà le montant enregistré sur l’ensemble de l’année 2025, établi à 254 milliards de dollars.

Ce volume représente plus de quatre fois le total investi en 2023, année marquée par l’accélération de l’intérêt pour l’IA générative. La concentration reste forte : plus de 40 % de la valeur des opérations du premier semestre 2026 provenait de quatre transactions majeures, tandis qu’OpenAI, Anthropic et xAI avaient levé ensemble 172 milliards de dollars.

L’Europe bénéficie également de cette dynamique. EY évalue à 21,3 milliards d’euros les financements directs reçus par les entreprises européennes de l’IA au cours des cinq premiers mois de 2026. Les sociétés spécialisées dans l’IA représentaient alors environ 40 % des opérations de capital-risque recensées sur le continent.

Cette abondance de capitaux donne aux startups les moyens de recruter, d’acheter du calcul, de développer leurs propres modèles et de signer des partenariats industriels. Elle leur permet également de négocier avec les grands groupes depuis une position plus équilibrée qu’au début de la vague de l’IA générative.

Les startups gagnent sur la vitesse, les grands groupes sur l’échelle

La collaboration devient pertinente parce que les deux types d’acteurs ne disposent pas des mêmes avantages. Une startup peut concentrer ses ressources sur un problème étroit, modifier rapidement son produit et prendre une décision sans coordonner une organisation mondiale.

Une grande entreprise, à l’inverse, peut fournir une infrastructure cloud, un réseau commercial, des données opérationnelles, des équipes juridiques et des processus de sécurité. Ces ressources sont essentielles lorsque l’IA quitte le stade de la démonstration pour être utilisée par des milliers ou des millions de personnes.

Ce que les startups apportent

• Une spécialisation sur un cas d’usage ou un secteur précis.
• Des cycles de développement courts et une capacité d’itération élevée.
• Une culture produit souvent centrée sur l’adoption et les résultats mesurables.
• Une capacité à recruter des profils attirés par la prise de risque et l’autonomie.

Ce que les grandes entreprises apportent

• Des infrastructures de calcul et de distribution à grande échelle.
• Des canaux commerciaux déjà implantés auprès des entreprises et des administrations.
• Des moyens de conformité, de cybersécurité et de support international.
• Des données métier et des processus permettant d’évaluer l’IA dans des conditions réelles.

L’enjeu consiste à éviter une relation déséquilibrée dans laquelle la startup ne serait qu’un fournisseur interchangeable. Le partenariat devient plus durable lorsque chaque partie conserve un rôle clairement défini : la jeune pousse développe une technologie ou un produit différenciant, tandis que le grand groupe fournit un accès au marché, une infrastructure ou une capacité d’industrialisation.

L’adoption en entreprise pousse les deux modèles à coopérer

L’IA ne se limite plus aux laboratoires et aux prototypes. EY indique que l’adoption de l’IA en entreprise a plus que doublé entre 2023 et 2025, passant de 8 % à 20 % des entreprises. Les grandes organisations sont les plus avancées, avec un taux d’adoption de 58 %, contre 29 % pour les entreprises de taille moyenne et 17 % pour les petites entreprises.

Ces écarts créent une complémentarité directe. Les startups peuvent proposer des solutions adaptées à des métiers précis, mais elles ont souvent besoin d’un partenaire capable de les intégrer dans les systèmes existants. Les grands groupes disposent de clients et de processus, mais peuvent manquer de solutions assez spécialisées pour répondre rapidement à chaque besoin.

Une entreprise qui déploie un agent IA, c’est-à-dire un logiciel capable d’enchaîner plusieurs actions pour atteindre un objectif, doit par exemple gérer l’accès aux données, les droits utilisateurs, la traçabilité et la sécurité. Une startup peut fournir l’agent et son interface métier. Le grand groupe peut fournir l’environnement d’exécution, l’intégration au système d’information et le support.

Le même schéma s’applique à la gouvernance de l’IA, qui regroupe les règles de contrôle, d’audit, de sécurité et de responsabilité appliquées aux systèmes automatisés. Les startups innovent sur les outils de détection, d’évaluation ou de supervision. Les grandes entreprises disposent des équipes nécessaires pour inscrire ces outils dans une politique globale.

La bureaucratie accélère la recherche de partenaires externes

La vitesse d’exécution devient un facteur de compétitivité aussi important que la puissance de calcul. Une étude de McKinsey citée dans le débat sur l’innovation technologique indique que 70 % des salariés de la tech considèrent la bureaucratie comme un frein à l’innovation.

Ce chiffre explique en partie pourquoi les grands groupes cherchent à travailler avec des startups, à créer des fonds d’investissement ou à organiser des programmes d’accélération. Ces dispositifs permettent de tester une technologie dans un cadre plus souple, tout en donnant à l’entreprise accès à des équipes qu’elle ne pourrait pas toujours constituer rapidement en interne.

La collaboration ne supprime pas la bureaucratie. Elle déplace une partie de l’expérimentation vers une structure plus légère, mais le passage à l’échelle réintroduit nécessairement des exigences de sécurité, d’achat, de conformité et de gouvernance.

La réussite dépend donc du modèle de partenariat. Un comité trop lourd peut ralentir une startup jusqu’à annuler son avantage principal. À l’inverse, un accès sans contrôle aux données ou aux systèmes critiques peut créer des risques opérationnels importants.

Trois modèles qui se renforcent

• Investissement stratégique : le grand groupe apporte des capitaux et obtient un accès privilégié à une technologie émergente.
• Partenariat commercial : la startup fournit une solution et bénéficie de la distribution ou de la base clients du groupe.
• Industrialisation conjointe : les deux entreprises développent une offre intégrée, avec une répartition des responsabilités techniques et commerciales.

Le choix du modèle dépend de la maturité de la technologie, de la criticité des données et de la capacité de la startup à supporter une croissance rapide. Une solution expérimentale peut commencer par un projet limité. Une technologie déjà validée peut directement faire l’objet d’un accord de distribution ou d’intégration.

Mistral AI montre comment une startup européenne peut changer d’échelle

Mistral AI offre un exemple concret de la convergence entre startup et grande entreprise. Le 8 septembre 2026, la société française a annoncé une levée de 3 milliards d’euros menée par Samsung Electronics, avec la participation du Scale-up Europe Fund géré par EQT et de PSG Equity.

Cette opération a porté la valorisation de Mistral AI au-delà de 21 milliards d’euros selon Numerama, tandis que Le Monde l’a présentée comme une levée de 3 milliards d’euros. La société a également indiqué accompagner plus de 125 grandes entreprises internationales, parmi lesquelles Airbus, ASML et HSBC.

Le cas Mistral AI illustre le rôle que peuvent jouer les grands groupes au-delà du financement. Un industriel ou une entreprise technologique peut devenir investisseur, client, partenaire de distribution ou acteur de l’intégration. Pour la startup, cette relation apporte des débouchés commerciaux et une validation industrielle. Pour le partenaire, elle offre un accès à une entreprise spécialisée dans les modèles d’IA et à une équipe concentrée sur ce marché.

À retenir : Une grande entreprise ne transforme pas seulement une startup en lui apportant de l’argent. Elle peut aussi lui donner un accès commercial, une infrastructure et des cas d’usage suffisamment complexes pour améliorer son produit.

Ce modèle reste différent d’un rachat. La startup conserve sa marque, sa gouvernance et sa capacité à travailler avec plusieurs partenaires. Le grand groupe, lui, peut bénéficier de l’innovation sans absorber immédiatement l’ensemble des coûts et des risques liés à la construction d’un laboratoire interne.

Le calcul et les données redéfinissent la valeur d’un partenariat

Les modèles d’IA avancés nécessitent des ressources que peu de startups peuvent réunir seules. Le calcul, les jeux de données, l’optimisation des modèles et la distribution deviennent donc des actifs de négociation.

Le grand groupe peut fournir l’accès à des puces, à un cloud ou à des données métier. La startup peut apporter une méthode d’entraînement, une architecture logicielle ou une interface spécialisée. La valeur ne se trouve pas uniquement dans le modèle, mais dans l’ensemble de la chaîne qui permet de le rendre utile et fiable.

Cette évolution favorise des accords plus précis. Les partenaires doivent définir les droits d’utilisation des données, la propriété des modèles adaptés, les conditions de sortie et les responsabilités en cas d’erreur. Ils doivent aussi déterminer si la solution fonctionnera sur un cloud donné, sur une infrastructure privée ou dans un environnement hybride.

L’inférence, soit l’exécution d’un modèle déjà entraîné pour produire une réponse, devient notamment un sujet économique central. Une startup peut disposer d’un modèle performant, mais son coût d’utilisation peut limiter sa diffusion. Un partenaire industriel capable d’optimiser l’infrastructure peut alors rendre le service viable dans des conditions commerciales réelles.

La collaboration change également la manière d’évaluer les performances. Un benchmark public mesure généralement une capacité donnée dans un environnement contrôlé. Une entreprise doit aussi mesurer le coût par requête, le taux d’erreur, la latence, la sécurité et la valeur créée pour un métier précis.

Les talents pourraient accélérer la circulation entre recherche et produit

Le parcours de Simon Kohl s’inscrit dans un marché du travail où les compétences en IA sont recherchées par les laboratoires, les startups et les entreprises traditionnelles. Les spécialistes ne choisissent plus uniquement entre recherche académique et Big Tech. Ils peuvent rejoindre une jeune pousse, créer une entreprise, intégrer une équipe d’innovation industrielle ou travailler sur une infrastructure spécialisée.

Cette circulation peut raccourcir le passage entre une découverte et son application. Un ingénieur ayant connu les contraintes d’un grand laboratoire sait ce qu’implique l’entraînement d’un modèle à grande échelle. Dans une startup, il peut utiliser cette expérience pour sélectionner un problème plus ciblé et organiser une équipe autour d’un produit.

Le mouvement fonctionne aussi dans l’autre sens. Les grandes entreprises peuvent recruter des fondateurs et des ingénieurs issus de startups afin d’accélérer leur culture produit. Elles peuvent également acquérir une société pour intégrer ses équipes, sa technologie et ses relations commerciales.

Ce que les entreprises devront proposer aux profils spécialisés

• Une autonomie réelle sur les choix techniques.
• Un accès rapide aux données et aux environnements de test.
• Des objectifs évalués par des résultats plutôt que par le nombre de réunions.
• Un cadre clair pour publier, expérimenter et collaborer avec des partenaires.

La rémunération reste un facteur important, mais elle ne suffit pas à expliquer les choix de carrière. La possibilité de travailler sur une feuille de route visible, de prendre des décisions et d’observer rapidement l’impact d’un produit peut peser dans la décision de rejoindre une startup.

Notre avis : la meilleure stratégie sera hybride

La collaboration entre startups et grandes entreprises va transformer l’IA parce qu’elle combine deux temporalités. Les startups avancent par expérimentation et spécialisation. Les grandes entreprises avancent par industrialisation, contrôle et diffusion.

Le modèle le plus efficace ne sera probablement ni la startup isolée ni le laboratoire fermé. Ce seront des partenariats ciblés, avec des contrats lisibles, des accès techniques rapides, des responsabilités documentées et des critères de performance définis dès le départ.

Sur les six prochains mois, l’attention se portera moins sur le nombre de démonstrations que sur la capacité à déployer des systèmes d’IA dans des organisations complexes. Les entreprises qui sauront associer l’agilité d’une startup à leurs propres données, infrastructures et réseaux commerciaux disposeront d’un avantage concret.

Le départ de Simon Kohl rappelle enfin que les frontières entre Big Tech, startup et laboratoire deviennent plus perméables. Si d’autres talents suivent cette trajectoire, les grands groupes devront-ils réinventer leur organisation pour retenir les chercheurs, ou les partenariats deviendront-ils leur principal moyen d’innover ?