Prentis, un nouveau laboratoire de recherche en IA cofondé par Ritankar Das avec Reid Hoffman et Marc Pincus, serait en pourparlers pour lever 100 millions de dollars sur la base d’une valorisation de 1 milliard de dollars, selon TechCrunch, qui a cité deux personnes familières des discussions. Le financement rapporté compte moins comme un autre gros tour de table IA que comme un signal de l’endroit où les investisseurs pensent que le prochain levier de l’IA d’entreprise pourrait se trouver : non pas dans la génération de code, mais dans des agents logiciels capables d’opérer les systèmes métier ordinaires comme le font les employés de bureau.

Selon TechCrunch, Prentis a été lancé en avril et construit ce qu’il décrit comme des modèles de type computer-use entraînés sur des flux de travail routiniers à travers des documents et des systèmes d’entreprise. L’objectif de la société est de créer des agents d’IA capables de contrôler des ordinateurs et d’exécuter des tâches de bureau répétitives, y compris des travaux tels que le traitement de demandes d’indemnisation d’assurance ou la gestion des exceptions de remboursement de droits de douane, sans qu’une personne ait à courir après des fichiers entre plusieurs outils.

Cela place Prentis dans l’un des segments les plus actifs et les plus encombrés du marché de l’IA. Les grands fournisseurs de modèles comme les laboratoires de start-up cherchent tous à passer des interfaces de chat à des agents capables de cliquer, rechercher, saisir des données et accomplir des tâches de bout en bout dans de véritables environnements logiciels. Si Prentis peut montrer que des modèles spécialisés plus petits sont fiables et suffisamment bon marché pour ce travail, cela offrirait une voie différente de la stratégie des modèles de pointe poursuivie aujourd’hui par les grands laboratoires.

Un pari ciblé sur l’automatisation par usage informatique

L’idée centrale de Prentis, telle que décrite par TechCrunch, est que de nombreux flux de travail d’entreprise sont freinés non pas par un manque d’analyses ou de génération de texte, mais par un logiciel fragmenté. Les employés passent encore d’une fenêtre à l’autre, de formulaires en PDF, d’e-mails en systèmes internes pour terminer un travail banal mais à fort volume. Un modèle capable de comprendre les écrans, de localiser les commandes et d’enchaîner des actions pourrait faire passer l’IA de copilote à opérateur.

C’est une thèse produit différente de la première vague d’outils d’IA d’entreprise, qui se concentraient souvent sur des cas d’usage de synthèse, de rédaction ou d’assistant de codage. Prentis parie, selon les rapports, que l’automatisation du travail de bureau quotidien pourrait devenir une opportunité commerciale plus vaste que la génération de code. Cela reste une prévision, et non un fait de marché établi, mais cela s’inscrit dans l’élan plus large vers l’automatisation du travail et les déploiements d’IA d’entreprise liés à des économies directes de main-d’œuvre.

TechCrunch a rapporté que Prentis prévoit d’adapter ses agents aux flux de travail de ses clients plutôt que de proposer uniquement un agent horizontal générique. Pour les acheteurs d’entreprise, cela compte. Les systèmes de computer-use tombent généralement en panne lorsque les flux dépendent de formulaires spécifiques à l’entreprise, d’applications héritées, de parcours d’exception inhabituels ou de contraintes de politique interne. Un modèle de déploiement sur mesure peut améliorer l’adéquation, même s’il peut aussi rendre les ventes et la mise en œuvre plus intensives en services qu’un SaaS standard.

Les personnes et la structure derrière le laboratoire

Prentis est dirigé par Ritankar Das, que TechCrunch a identifié comme fondateur et PDG. Das a également fondé Titan, une société holding qui construit et exploite des entreprises d’IA. TechCrunch a décrit Titan comme le véhicule de longue date de Das pour lancer des entreprises et a mentionné des sociétés précédemment liées à Titan, notamment Tala Health, Forta Health et Dascena.

L’implication de Reid Hoffman et Marc Pincus donne à Prentis une visibilité immédiate à la fois dans les cercles du capital-risque et dans ceux des produits, même si TechCrunch a présenté la société comme une sorte de projet secondaire pour eux au regard de leurs autres engagements. Hoffman a été profondément impliqué dans plusieurs efforts liés à l’IA, depuis OpenAI en tant qu’investisseur précoce jusqu’à Inflection AI, et plus récemment Manas AI. Pincus, surtout connu comme fondateur de Zynga, dirige aujourd’hui Reinvent Capital, où Hoffman est conseiller principal.

TechCrunch a également rapporté que Prentis a déjà recruté plus de 25 employés, dont des chercheurs ayant de l’expérience chez OpenAI, Google DeepMind, Meta, Tencent et Alibaba. Un tel profil de recrutement est remarquable pour une société lancée il y a seulement quelques mois, surtout dans une catégorie où les progrès dépendent souvent autant de pipelines de données spécialisés, de simulation d’environnements et d’infrastructures d’évaluation que de l’entraînement brut du modèle.

Les signaux de revenus sont précoces et à interpréter avec prudence

Une des raisons pour lesquelles cette levée de fonds attire l’attention est que TechCrunch a indiqué que Prentis avait déjà signé des contrats d’une valeur pouvant atteindre 50 millions de dollars avec plusieurs clients, dont une organisation de services de gestion de la santé, un fabricant, ainsi que des fabricants de biens et de vêtements. Mais la publication a également inclus d’importantes réserves issues des documents investisseurs qu’elle a consultés.

Selon TechCrunch, le deck de présentation de Prentis projette un taux de revenus annualisé de 75 millions de dollars d’ici le troisième trimestre de cette année, sur la base d’un honoraire contractuel égal à 20 % des économies réalisées. Le deck préciserait que ces chiffres reflètent une valeur annualisée estimée, et non un revenu reconnu, et qu’ils dépendent de la performance et de l’exécution finale.

Cette distinction est cruciale. Les contrats fondés sur les économies peuvent paraître énormes sur le papier avant que l’automatisation sous-jacente ne soit pleinement déployée ou validée en production. Pour les fondateurs comme pour les acheteurs d’entreprise, c’est un rappel que « valeur contractée », « taux de revenus annualisé » et revenus reconnus ne sont pas interchangeables. Dans les agents d’IA en particulier, tout dépend du fait que le système puisse maintenir la précision, la gestion des exceptions et la traçabilité une fois sorti de l’environnement de démonstration.

Même interprétée avec prudence, l’existence de contrats clients suggère que Prentis ne se présente pas uniquement comme un laboratoire de recherche. Il tente de prouver la demande commerciale en même temps que sa différenciation technique. Dans le marché actuel du financement, cette combinaison a tendance à compter davantage que les victoires de benchmark seules.

Revendications sur le modèle, revendications sur les benchmarks et ce qui n’est pas encore vérifié

TechCrunch a rapporté que Prentis affirme que son modèle Hive-32B surpasse des rivaux tels que GPT-5.4 d’OpenAI et Claude Opus 4.6 de Anthropic sur deux benchmarks de computer-use : WindowsAgentArena et ScreenSpot-v2. Selon le rapport, l’entreprise soutient que son avantage vient de l’utilisation d’un modèle beaucoup plus petit et moins coûteux, et elle revendique un coût par tâche environ 10 fois inférieur à celui des API de pointe.

Ce sont des affirmations importantes si elles se confirment. Un modèle plus petit qui serait mesurablement meilleur pour les actions ancrées dans l’écran pourrait être plus utile aux entreprises qu’un modèle général plus grand, plus cher et moins fiable dans des flux de travail pilotés par l’interface. Le coût par tâche est particulièrement important dans l’automatisation du travail, où des opérations répétitives peuvent se produire des milliers ou des millions de fois.

Mais les preuves disponibles ici sont limitées. Les affirmations sur les benchmarks et les coûts sont rapportées par le fournisseur via les documents de Prentis cités par TechCrunch, et TechCrunch a explicitement indiqué ne pas avoir vérifié indépendamment les résultats des benchmarks. Il n’y a pas non plus assez de détails dans le reportage disponible pour évaluer les conditions de test, les stratégies de prompt, la distribution des tâches, les définitions d’échec ou savoir si les modèles de pointe comparés étaient optimisés pour les mêmes environnements.

Cela ne signifie pas que les affirmations sont fausses ; cela signifie que les lecteurs doivent les considérer comme non vérifiées jusqu’à ce qu’une réplication par un tiers ou des preuves clients apparaissent. Dans les systèmes agentiques, le leadership sur les benchmarks ne se traduit souvent pas proprement en robustesse en production. De petites différences dans les changements d’interface, l’état de session, les contrôles de sécurité ou les erreurs d’OCR peuvent affecter fortement les taux de réussite réels.

Pourquoi cela compte pour les créateurs et les acheteurs d’entreprise

Pour les créateurs d’IA, Prentis est un exemple visible d’une division stratégique du marché. Un camp essaie de rendre les modèles de pointe généralistes capables de contrôler des ordinateurs. Un autre parie que des modèles plus ciblés, des boucles de données plus étroites et un déploiement spécifique aux workflows gagneront en économie et en fiabilité. Prentis semble appartenir au second camp.

Cette approche pourrait trouver un écho auprès des équipes d’IA d’entreprise qui se soucient moins des performances de raisonnement larges que de l’exécution prévisible dans les logiciels métier. Dans des secteurs comme l’administration de la santé et la fabrication, de nombreux processus à forte valeur impliquent encore un travail de transfert entre systèmes. Un agent d’IA capable de naviguer dans ces systèmes pourrait être plus immédiatement utile qu’une couche de chatbot supplémentaire.

En même temps, la catégorie reste difficile. Les acheteurs auront besoin de preuves concernant les autorisations de sécurité, les étapes de revue humaine, les contrôles de retour arrière et l’intégration avec les systèmes existants. Un agent de computer-use peut créer de la valeur opérationnelle, mais il peut aussi créer du risque opérationnel s’il clique sur le mauvais contrôle, traite mal des données sensibles ou échoue silencieusement dans des cas limites. Les seuils de fiabilité dans le traitement des demandes d’indemnisation ou dans la finance sont très différents des taux d’erreur acceptables pour un assistant grand public.

La concurrence sera également intense. TechCrunch a signalé des efforts d’OpenAI, d’Anthropic et de Thinking Machines dans ce domaine, et a noté qu’Anthropic avait auparavant acheté Vercept, une start-up axée sur le computer-use. Ce contexte compte : même si Prentis obtient tôt des clients, les plus grands fournisseurs de modèles disposent d’une distribution de plateforme, de capital et de relations d’entreprise existantes.

Preuves et affirmations

L’information centrale de cette histoire provient du reportage de TechCrunch fondé sur deux personnes non identifiées familières des discussions de financement de Prentis et sur des documents investisseurs examinés par la publication. La levée de fonds rapportée de 100 millions de dollars et la valorisation de 1 milliard de dollars n’ont pas été confirmées indépendamment dans le matériel source fourni ici par Prentis lui-même.

L’orientation produit, les exemples de clients, le profil des effectifs et les affirmations sur les performances du modèle proviennent tous du récit de TechCrunch sur Prentis et ses documents de présentation. Les affirmations selon lesquelles Hive-32B surpasse GPT-5.4, Claude Opus 4.6, WindowsAgentArena et ScreenSpot-v2 sont des revendications rapportées par le fournisseur et attribuées à Prentis. Les contrats rapportés pouvant atteindre 50 millions de dollars et le taux de revenus annualisé projeté de 75 millions de dollars doivent également être considérés avec prudence, car TechCrunch a noté qu’ils reposent sur une valeur annualisée estimée et des structures dépendantes de la performance plutôt que sur des revenus reconnus.

Ce qu’il faut surveiller ensuite

Le prochain signal important sera de savoir si Prentis confirme la levée, nomme des investisseurs ou fournit davantage de détails sur les métriques de déploiement plutôt que sur les résultats de benchmark. Pour cette catégorie, la rétention client et les taux de réussite des tâches vérifiés compteront davantage que la valorisation mise en avant dans les titres.

Un deuxième signal sera de voir si Prentis publie des détails techniques sur Hive-32B, y compris la méthodologie d’évaluation et des comparaisons avec les systèmes d’OpenAI et d’Anthropic dans des conditions cohérentes. Sans cela, son récit sur le coût et la performance restera difficile à évaluer.

Troisièmement, il faudra surveiller la capacité des agents de computer-use à survivre aux contraintes réelles des entreprises : authentification, permissions, mises à jour d’applications, gestion des exceptions et pistes d’audit. Si Prentis peut montrer des cas d’usage en production dans la santé, la fabrication ou les opérations commerciales, cela pourrait renforcer l’idée que les agents d’IA deviennent une couche pratique d’automatisation du travail plutôt qu’une fonctionnalité expérimentale.

Point de vue de Creati.ai

Prentis est intéressant non pas parce qu’il s’agit d’une autre start-up d’IA bien connectée, mais parce qu’il avance un argument commercial très précis : le prochain travailleur utile de l’IA est celui qui utilise les logiciels comme les humains le font déjà. C’est une thèse plus nette que « l’IA générale pour l’entreprise », et elle vise des budgets liés aux économies opérationnelles plutôt qu’à la nouveauté.

La réserve est que ce marché peut produire en même temps des démonstrations impressionnantes et des déploiements fragiles. Si la stratégie de petits modèles de Prentis s’avère à la fois moins chère et plus fiable que les API de pointe pour les tâches fondées sur l’écran, elle pourrait devenir un point de référence important pour la conception de l’IA d’entreprise. Sinon, l’entreprise pourrait tout de même aider à clarifier une leçon plus large du secteur : dans les agents d’IA, les victoires sur les benchmarks ne sont que le début ; la valeur durable vient de la fiabilité en production, des contrôles et de l’adéquation au workflow.