Le 14 octobre 2026, Labelbox, société établie à San Francisco, a annoncé une série E de plus de 100 millions de dollars américains. Selon le communiqué diffusé par PR Newswire, ces capitaux serviront à accélérer le développement de deux produits : Horizon, qui aide les laboratoires d'IA de pointe à entraîner et à évaluer leurs modèles, et Recursion Managed Agents, destiné aux entreprises qui veulent déployer des agents capables de s'améliorer au fil de l'expérience. Le message est clair : l'entreprise, longtemps associée à l'étiquetage de données, veut désormais se placer au cœur de l'apprentissage par renforcement, l'une des méthodes qui structurent aujourd'hui la course à l'IA.
Ce que l'annonce dit, et ce qu'elle ne dit pas
Le communiqué, comme c'est l'usage pour ce genre de levée, reste avare de détails financiers. On y lit un montant (« plus de 100 millions de dollars »), la mention d'une série E et les deux produits à financer. Nous n'avons pas pu vérifier, au moment d'écrire ces lignes, l'identité des investisseurs, la valorisation retenue ni la répartition entre capitaux neufs et titres existants. Ces éléments, s'ils sont publiés ultérieurement par la presse spécialisée, permettront de mieux mesurer l'ampleur du pari. D'ici là, il faut s'en tenir à ce que l'entreprise affirme elle-même, et le lire avec la prudence qu'impose un texte de relations publiques.
Une série E, en revanche, est en soi un signal. Dans le capital-risque, on parle rarement de cinq tours de financement pour une jeune pousse qui vient de naître : l'étiquette indique une société déjà mûre, qui a traversé plusieurs phases d'expansion et qui cherche un nouveau palier de croissance plutôt qu'un simple démarrage.
De l'étiquetage de données aux « environnements » d'entraînement
Pour comprendre l'enjeu, il faut revenir à ce que fait le secteur. Pendant des années, l'industrie de l'IA a dépendu d'une main-d'œuvre chargée d'annoter des images, des textes ou des sons afin d'enseigner aux algorithmes à reconnaître des objets ou à comprendre un énoncé. C'est le terrain historique de Labelbox, qui propose des outils pour organiser ce travail, des données jusqu'à l'évaluation des résultats.
Or le centre de gravité s'est déplacé. Les grands modèles de langage ont d'abord été bâtis sur d'immenses corpus de textes, puis affinés par des retours humains. Une troisième étape gagne en importance : l'apprentissage par renforcement, où le modèle apprend en agissant dans un environnement et en recevant une récompense lorsqu'il réussit une tâche. Plutôt que d'imiter des exemples, il s'améliore par essais et erreurs. Cette approche est particulièrement prisée pour les modèles de « raisonnement » et pour les agents, ces systèmes censés enchaîner des actions de manière autonome : naviguer dans un logiciel, remplir un formulaire, résoudre un problème de programmation.
Le hic, c'est que ce type d'entraînement exige des environnements fiables, des tâches vérifiables et des critères d'évaluation solides. Fabriquer ces terrains d'exercice, et mesurer sans complaisance ce que les modèles y accomplissent, est devenu un métier à part entière. C'est précisément le créneau que Horizon dit viser auprès des laboratoires de pointe.
Horizon et Recursion : deux clientèles, une même logique
Les deux produits annoncés s'adressent à des publics différents, mais reposent sur la même idée : l'amélioration par l'expérience.
Horizon cible les laboratoires qui développent les modèles les plus avancés. Il s'agit de leur fournir de quoi entraîner et évaluer leurs systèmes, un besoin qui croît avec l'ambition de ces modèles. Plus les agents deviennent capables, plus il est difficile de dire s'ils progressent réellement, et sur quoi. L'évaluation, longtemps parent pauvre de la recherche, devient un goulot d'étranglement.
Recursion Managed Agents vise pour sa part les entreprises utilisatrices. L'argument avancé par Labelbox est que ces agents ne restent pas figés après leur déploiement : ils « s'améliorent par l'expérience ». Pour une organisation, la promesse est séduisante, car elle laisse entrevoir des assistants qui s'adaptent à ses processus internes plutôt que de rester génériques. Mais elle soulève aussi des questions de contrôle que le communiqué n'aborde pas : comment s'assurer qu'un agent qui apprend en continu ne dérive pas, comment auditer ses décisions, qui est responsable de ses erreurs ?
Un marché encombré, des rivaux bien financés
Labelbox n'est pas seule sur ce terrain. Le secteur des données et de l'évaluation pour l'IA attire depuis quelques années des acteurs nombreux, de plateformes d'annotation établies à de jeunes sociétés spécialisées dans les environnements d'apprentissage par renforcement. La concurrence se joue sur plusieurs plans : la qualité des données, l'accès à des experts capables d'évaluer des tâches complexes (droit, médecine, finance, programmation), la rapidité d'exécution et, de plus en plus, la capacité à livrer des environnements sur mesure aux laboratoires.
Cette dynamique éclaire la logique d'une levée de cette taille. Les laboratoires d'IA de pointe dépensent des sommes considérables pour améliorer leurs modèles, et une partie croissante de ce budget se déplace des données brutes vers des données et des environnements de très haute qualité. Les fournisseurs qui s'imposent comme maillon indispensable de cette chaîne peuvent espérer des contrats récurrents et volumineux. À l'inverse, ils dépendent d'une clientèle très concentrée : quelques grands laboratoires pèsent lourd dans le chiffre d'affaires, ce qui expose à un risque si l'un d'eux décide d'internaliser ces activités.
Pourquoi les agents d'entreprise sont le véritable enjeu
Si l'entraînement pour les laboratoires est le cœur historique du dossier, le volet destiné aux entreprises est sans doute le plus révélateur de la direction prise par le secteur. Après l'engouement pour les assistants conversationnels, la promesse des agents est de passer de la simple réponse à l'exécution : traiter une demande de bout en bout, coordonner plusieurs outils, prendre en charge un processus répétitif.
Les entreprises, elles, avancent avec prudence. Les projets pilotes se multiplient, mais le passage à l'échelle se heurte à la fiabilité, à la sécurité des données et à la difficulté de mesurer un retour sur investissement concret. Un agent qui réussit 90 % des tâches peut être inacceptable si les 10 % restants touchent des opérations sensibles. C'est ce qui rend l'argument de l'amélioration continue à la fois attrayant et délicat : il suppose des mécanismes d'évaluation robustes, justement le savoir-faire que Labelbox met de l'avant.
Ce qu'il faut surveiller
Plusieurs éléments permettront de juger si ce financement est le début d'une consolidation ou simplement un tour de plus dans une industrie en ébullition. D'abord, la publication de précisions sur les investisseurs et la valorisation, qui diront à quel point le marché croit au virage vers l'apprentissage par renforcement. Ensuite, les premiers clients nommés de Recursion Managed Agents : tant que des entreprises reconnues ne témoignent pas de résultats mesurables, l'offre demeure une promesse. Enfin, la capacité de la société à conserver sa place face aux laboratoires eux-mêmes, qui développent leurs propres outils, et à une concurrence qui ne cesse de se renforcer.
Pour l'instant, ce que l'on peut dire avec certitude tient en peu de chose : une entreprise californienne a réuni plus de 100 millions de dollars pour se repositionner sur l'une des techniques les plus stratégiques de l'IA actuelle. Que ce pari soit gagnant dépendra moins de l'annonce que de la capacité à démontrer, chiffres à l'appui, que des agents qui apprennent par l'expérience tiennent leurs promesses dans le monde réel des affaires.