Après une série A de 28 millions d'euros bouclée le 10 septembre 2026, la start-up parisienne Arlequin AI sort de sa réserve. Fondée en 2024 par un spécialiste du djihadisme et un ingénieur du CNRS, elle mise sur une architecture différente des grands modèles de langage : les réseaux de neurones topologiques, censés produire des liens « traçables » plutôt que des probabilités. Sa cible : les secteurs où une erreur coûte cher, sécurité, défense et finance. Reste à distinguer ce qui relève de la science établie de ce qui demeure une promesse d'entreprise.

Deux profils inattendus pour une deep tech

Arlequin AI n'a pas été lancée par des ingénieurs sortis d'un laboratoire d'apprentissage automatique. Son PDG, Hugo Micheron, a appris l'arabe en Syrie et bâti sa réputation académique en interrogeant des terroristes condamnés pour comprendre la structure des réseaux djihadistes européens. Il a enseigné à Princeton entre 2020 et 2023 et reçu le Prix du livre géopolitique en 2023. Son associé, Antoine Jardin, est ingénieur de recherche au CNRS, spécialiste du big data et de la réduction de dimensionnalité, et a contribué à la stratégie nationale française pour l'intelligence artificielle en 2018.

Ce croisement entre sciences sociales et mathématiques appliquées irrigue le discours de l'entreprise. L'idée de départ, résumée par Micheron, tient à un constat : « Submergés par l'information, nous devons reprendre le contrôle. Les algorithmes doivent offrir davantage de transparence et de maîtrise. » L'enjeu n'est pas de générer du texte, mais de repérer des relations cachées dans de gros volumes de données hétérogènes, vidéo, audio, texte et images.

Ce que sont les réseaux de neurones topologiques

Le terme peut intimider. Il désigne un champ de recherche réel, quoique encore jeune. La topologie, en mathématiques, étudie la « forme » des objets : les composantes connexes, les boucles, les cavités, ce qui reste stable quand on déforme sans déchirer. Appliquée aux données, cette approche a donné l'analyse topologique des données (topological data analysis), qui cherche des structures persistantes dans un nuage de points et résiste bien au bruit.

Les réseaux de neurones topologiques, ou apprentissage profond topologique, prolongent cette idée. Un graphe classique relie les points deux par deux : une arête, deux extrémités. Or beaucoup de phénomènes ne se réduisent pas à des paires. Pour les modéliser, ces réseaux utilisent des objets qui relient plusieurs éléments à la fois, comme les complexes simpliciaux ou les hypergraphes, et captent ce que les chercheurs appellent des interactions d'ordre supérieur : groupes, cycles, hiérarchies, coalitions.

C'est là que le parcours des fondateurs prend son sens. Un réseau de blanchiment d'argent, une campagne de désinformation coordonnée ou une cellule clandestine ne se lisent pas dans une suite de transactions isolées, mais dans la manière dont des dizaines d'acteurs s'organisent simultanément. Selon redalpine, l'un des deux chefs de file du tour de table, l'architecture d'Arlequin apprend « à partir des points de données mais aussi de la façon dont ils sont connectés ».

Pourquoi parler d'« après-LLM »

Un grand modèle de langage prédit le mot suivant à partir de milliards de paramètres entraînés sur du texte. Il excelle à manipuler le langage, mais raisonne de façon probabiliste et reste opaque : il est difficile de savoir pourquoi il a produit telle réponse. Arlequin oppose à ce fonctionnement une architecture qui, affirme-t-elle, exhibe des connexions « vérifiables et auditables » et non des scores de vraisemblance.

L'argument central est celui du titre de l'entretien accordé à Numerama : « On ne confierait pas à un modèle de langage le pilotage d'un avion. » L'entreprise le décline par un exemple chiffré : un niveau de confiance de 80 % suffit pour rédiger un courriel, mais devient dangereux en contre-terrorisme, où une erreur d'attribution a des conséquences réelles. Deux autres avantages sont revendiqués auprès de Tech.eu : l'architecture réclamerait « nettement moins de calcul » que les gros transformeurs, réduisant la dépendance aux semi-conducteurs de pointe.

Deux précautions s'imposent. D'abord, ces performances sont celles annoncées par l'entreprise et ses investisseurs, sans évaluation indépendante publiée. Ensuite, l'apprentissage profond topologique reste largement un domaine de recherche académique, dont l'industrialisation à grande échelle n'est pas démontrée. Enfin, Arlequin continue d'employer des modèles de langage pour son interface conversationnelle. L'« après-LLM » désigne donc moins un remplacement qu'un déplacement : confier le raisonnement critique à une autre architecture et laisser au LLM le rôle d'interface. La démarche rejoint celle d'autres voix qui jugent les modèles de langage inaptes à comprendre le réel, comme Yann Le Cun et ses « world models », ou celle de l'inférence causale, qui cherche la cause plutôt que la corrélation.

Sécurité, défense, finance : les terrains visés

Arlequin ne vise pas le grand public. Ses cas d'usage annoncés couvrent le renseignement et la défense, les enquêtes criminelles, la détection de fraude et de blanchiment, l'intégrité de l'information et la cybersécurité. Point commun : ce sont des domaines où une décision automatisée engage, et où l'auditabilité d'un résultat compte autant que le résultat lui-même.

L'entreprise revendique plus de 30 clients, gouvernements et grandes organisations, répartis dans quatre pays d'Europe de l'Ouest et de l'Est. Elle a ouvert des bureaux à Londres et Berlin et annonce un laboratoire dans la Silicon Valley. Le montant de la levée doit financer cette expansion internationale et le développement de ses modèles propriétaires.

Une « alternative européenne à Palantir »

Le positionnement est assumé jusque dans les annonces de recrutement : Arlequin se présente comme « l'alternative souveraine européenne à Palantir », le géant américain de l'analyse de données très implanté dans la défense et le renseignement. Plutôt que de rivaliser sur la puissance de calcul, la start-up propose une approche technologique différente, argument régulièrement mobilisé dans le débat sur la souveraineté numérique du continent.

Le tour de table reflète cette ambition. Les 28 millions d'euros ont été co-menés par redalpine et OTB Ventures, avec le Fonds Innovation Défense de Bpifrance, les investisseurs historiques Vsquared Ventures et 10x Founders, ainsi que l'entrée de Xavier Niel et de ZEBOX, l'accélérateur de CMA CGM. En incluant un amorçage de 4,4 millions d'euros bouclé en juin 2025, le financement total atteint 32,4 millions d'euros.

Arlequin AI dispose désormais des moyens de confronter sa promesse au terrain. La preuve manquante reste une évaluation indépendante de ses modèles topologiques face aux architectures existantes, qu'aucune publication n'a fournie à ce stade.