Arlequin AI lève 28 M€ : ses réseaux topologiques restent à démontrer

À Paris, Arlequin AI a officialisé le 10 septembre 2026 une série A de 28 millions d’euros. Dans son communiqué sur le tour de table, la société précise que l’opération, financée exclusivement par des investisseurs européens, est codirigée par redalpine et OTB Ventures, avec le Fonds Innovation Défense de Bpifrance, Vsquared Ventures, 10x Founders, Xavier Niel et ZEBOX.

Le financement doit accélérer l’entraînement de modèles propriétaires reposant sur des réseaux neuronaux topologiques, ou TNN, ainsi que le déploiement international de la plateforme. La levée est confirmée ; la différence technique avancée est intelligible, mais ses gains de précision, de calcul et de traçabilité ne sont pas encore étayés par des benchmarks publics reproductibles.

La série A finance des modèles encore en développement

Arlequin dispose déjà d’une plateforme qui rapproche des données hétérogènes, notamment des documents, des transactions, des vidéos et des informations opérationnelles. Les TNN constituent l’étape technologique suivante : les capitaux doivent servir à développer et entraîner ces modèles, et non à commercialiser une architecture présentée comme achevée.

Le financement soutient aussi l’expansion commerciale et scientifique. La couverture de SiliconANGLE confirme l’ouverture de bureaux à Londres et Berlin, le projet de laboratoire dans la Silicon Valley et l’objectif d’étendre les déploiements en Europe et au-delà.

Fondée à Paris en 2024 par Hugo Micheron et Antoine Jardin, l’entreprise associe ce financement européen à un objectif de souveraineté technologique. Cette provenance du capital ne constitue cependant pas une validation de l’architecture : elle renseigne sur la stratégie industrielle et l’actionnariat du tour, pas sur les performances des modèles.

Un TNN veut dépasser les relations deux à deux d’un graphe

La différence revendiquée tient à l’unité de relation que le modèle doit apprendre. Un transformer utilisé dans un grand modèle de langage traite principalement des dépendances au sein de séquences de jetons. Un réseau neuronal sur graphe, ou GNN, représente des nœuds et des arêtes, puis propage de l’information entre des entités reliées.

Un réseau dit topologique cherche à modéliser directement des interactions d’ordre supérieur, impliquant plusieurs éléments simultanément. Dans un exemple hypothétique de fraude, le signal pertinent ne serait pas seulement le lien entre deux comptes, mais la configuration commune formée par une personne, plusieurs comptes, des intermédiaires, des lieux et une succession d’opérations.

Des objets mathématiques comme les hypergraphes ou les complexes permettent de représenter de telles configurations. Le mot « topologique » ne suffit toutefois pas à révéler les choix précis d’Arlequin : les publications disponibles ne détaillent ni l’ensemble des opérateurs employés, ni la procédure d’entraînement, ni une architecture complète permettant une reproduction externe.

Dans l’entretien publié par Pathfounders, Antoine Jardin présente les TNN comme un complément aux LLM plutôt que comme leur remplacement, tandis que Hugo Micheron décrit le domaine comme encore jeune et évoque de premiers modèles déjà construits. Le projet se situe donc entre recherche appliquée et industrialisation, sans comparaison publique suffisante avec des GNN ou des transformers.

Les usages visés exigent des relations vérifiables

Les domaines cités comprennent la sécurité et la défense, les enquêtes criminelles, la fraude et le blanchiment, la cybersécurité, l’intégrité de l’information et la sûreté des systèmes d’IA. Leur point commun est la nécessité de rapprocher des éléments dispersés tout en conservant l’accès aux données qui fondent chaque résultat.

Le blanchiment illustre l’argument fonctionnel. Des transactions considérées séparément peuvent sembler régulières, alors que leur organisation autour de plusieurs comptes et intermédiaires peut faire apparaître un circuit. Dans une enquête de sécurité, la même logique consiste à examiner ensemble des personnes, des lieux, des communications et des événements issus de supports différents.

La traçabilité fait partie des propriétés visées par l’architecture : un résultat doit pouvoir être relié aux données sous-jacentes. Cette capacité faciliterait l’audit d’une analyse, mais elle ne prouverait pas que la relation détectée est correcte. Elle ne mesure, à elle seule, ni les faux positifs, ni les omissions, ni la résistance du modèle à des informations incomplètes ou contradictoires.

Les capacités publiques se répartissent en quatre niveaux

Les informations disponibles distinguent nettement la plateforme actuelle des modèles que finance la série A. Cette séparation empêche d’attribuer dès maintenant aux TNN toutes les fonctions déjà proposées par le produit existant.

• Établi : le tour de table est bouclé et doit soutenir à la fois le développement des modèles et l’expansion internationale.
• Déclaré comme opérationnel : la plateforme peut analyser plusieurs formats de données et fait l’objet de déploiements auprès de gouvernements et de grandes organisations européennes. Aucun résultat détaillé par client n’est rendu public dans les pages examinées.
• En développement : les modèles propriétaires destinés à apprendre des interactions complexes à grande échelle constituent la prochaine étape technologique.
• Non démontré publiquement : les avantages avancés en matière de puissance de calcul, d’efficacité et de traçabilité ne sont accompagnés d’aucun benchmark reproductible face à des GNN, des transformers ou d’autres méthodes de référence.

Une évaluation probante devrait documenter les jeux de données, les tâches, les modèles comparés, les taux d’erreur et les coûts d’entraînement comme d’inférence. Elle devrait aussi séparer la capacité à représenter une relation entre plusieurs entités de la capacité à l’apprendre avec une précision utile sur des données réelles.

Arlequin AI a donc obtenu les moyens de poursuivre une architecture distincte, avec une plateforme existante et de premiers modèles en cours d’industrialisation. La prochaine étape vérifiable sera la publication de spécifications techniques, de benchmarks comparatifs et, idéalement, d’évaluations reproductibles ou indépendantes.

À lire aussi:

• Arga lève 10 M$ : ses copies de logiciels laissent les agents échouer sans dégâts
• Aslan lève 20,8 M$ pour infiltrer des réseaux criminels avec des agents IA
• Rillet lève 100 millions : sa troisième levée en un an la valorise 1 milliard