IA fondamentale contre IA appliquée : deux industries, un seul label et 1,4 milliard d'euros de confusion dans les levées françaises

Le chiffre circule partout depuis quelques semaines : les startups françaises estampillées « intelligence artificielle » ont capté plus de 1,4 milliard d'euros au printemps 2026. Les communiqués s'empilent, les tribunes LinkedIn se congratulent, et la France se raconte une histoire flatteuse sur sa place dans la course mondiale à l'IA.

Sauf que ce chiffre ment. Pas par malveillance — par agrégation.

Quand on fusionne dans une même catégorie un seed de 937 millions d'euros en reinforcement learning, une Série B de 93 millions pour un roboticien logistique et un tour de 3,5 millions pour un outil de monitoring de LLMs, on ne décrit pas un écosystème. On fabrique un mirage statistique. L'« IA française » n'existe pas en tant que bloc homogène. Ce qui existe, ce sont au moins quatre industries distinctes qui partagent un acronyme et presque rien d'autre.

Ce texte tente de les séparer.

Les données brutes : 7 deals, 1 448 millions, 1 label

Avant d'interpréter quoi que ce soit, posons les chiffres. Voici les levées identifiées comme relevant de l'intelligence artificielle (au sens large) sur la fenêtre avril–mai 2026, issues de notre base LevéesFR compilée à partir de Maddyness, FrenchWeb et sources curées :

Startup	Montant (M€)	Stade	Sous-catégorie IA	Part du total
Ineffable Intelligence	937,0	Seed	Modèle fondamental (RL)	64,7 %
Mistral AI	385,0	Série B	Modèle fondamental (LLM)	26,6 %
Sereact	93,0	Série B	IA incarnée / robotique	6,4 %
SquareMind	15,3	Non spécifié	IA incarnée / medtech	1,1 %
Audion	13,0	Non spécifié	IA appliquée / adtech	0,9 %
Phospho	3,5	Seed	Infra & outils IA	0,2 %
Cleo Labs	1,5	Non spécifié	IA-adjacent / regtech	0,1 %
Total	1 448,3			100 %

Deux entreprises — Ineffable Intelligence et Mistral AI — concentrent 1 322 millions d'euros. Soit 91,3 % du capital total étiqueté « IA ». Les cinq autres se partagent 126 millions. L'écart est tellement brutal qu'il rend toute moyenne absurde et toute généralisation dangereuse.

Catégorie 1 : les bâtisseurs de modèles fondamentaux — 1 322 M€ pour la course aux armements

Mistral AI (385 M€ en Série B, valorisation estimée à 5,8 milliards d'euros, investisseurs : Andreessen Horowitz, Lightspeed Venture Partners) et Ineffable Intelligence (937 M€ en seed — oui, en seed) jouent un jeu qui n'a rien à voir avec le reste de l'écosystème startup français. Ce sont des entreprises de recherche fondamentale en intelligence artificielle. Mistral construit des LLMs. Ineffable Intelligence mise sur le reinforcement learning, une approche techniquement et philosophiquement différente que nous avons détaillée dans notre analyse comparative RL vs LLMs.

Leur réalité économique se résume en trois caractéristiques :

Un besoin en capital démesuré. Entraîner un modèle fondamental de dernière génération, c'est louer des milliers de GPUs pendant des mois, recruter des chercheurs dont le salaire annuel dépasse le tour de table de Cleo Labs, et construire une infrastructure de données colossale. Le ticket d'entrée dans cette course est de l'ordre de la centaine de millions — minimum. En dessous, vous ne jouez pas, vous simulez.

Une compétition globale, pas française. Mistral ne se bat pas contre Phospho ou Sereact. Ses rivaux s'appellent OpenAI, Google DeepMind, Anthropic, xAI. Des structures qui lèvent en milliards de dollars et qui ont accès au marché américain comme base arrière. Dans ce contexte, 385 millions d'euros, c'est un budget de survie, pas de domination.

Un modèle économique encore théorique. Aucun de ces acteurs n'a encore prouvé qu'un modèle fondamental pouvait générer des marges nettes élevées sur la durée. Le chiffre d'affaires de Mistral progresse, mais les coûts d'inférence restent un boulet. Pour Ineffable Intelligence, on parle d'un seed — le produit commercial n'existe pas encore au sens strict.

J'ai passé un déjeuner, il y a quelques semaines, avec un partner d'un fonds parisien mid-cap. Il m'a dit une chose qui résume bien la situation : « On ne peut pas participer à ces tours. On les regarde passer comme on regarde un Airbus décoller depuis le tarmac. C'est impressionnant, mais ça ne nous concerne pas. » La franchise était rafraîchissante.

La question qui se pose : est-ce que ces deux levées appartiennent réellement au « venture capital » tel qu'on l'entend d'habitude, ou est-ce qu'on est dans une catégorie à part — une sorte de capital stratégique géopolitique déguisé en investissement privé ? Quand un seed fait 937 millions d'euros, le mot « seed » n'a plus de sens agronomique.

Catégorie 2 : l'IA incarnée — 108 M€ pour mettre l'algorithme dans la matière

Sereact (93 M€, Série B) et SquareMind (15,3 M€) représentent une toute autre logique. Ces entreprises ne construisent pas des modèles pour le plaisir de modéliser. Elles embarquent de l'intelligence artificielle dans des objets physiques : des bras robotiques qui trient des colis pour Sereact, un robot d'imagerie dermatologique capable de détecter des cancers de la peau pour SquareMind.

La différence avec la catégorie précédente est structurelle.

D'abord, les cycles sont plus longs et plus tangibles. Un robot doit passer des certifications, des tests cliniques, des validations industrielles. On ne shippe pas un bras robotique en bêta comme on pousse un modèle sur Hugging Face. Cette lourdeur protège aussi : la barrière à l'entrée est physique, pas seulement algorithmique.

Ensuite, le modèle économique est plus lisible. Sereact vend — ou louera — des systèmes robotiques à des entrepôts logistiques. SquareMind commercialise des dispositifs médicaux à des cabinets de dermatologie et des hôpitaux. Ce ne sont pas des paris sur l'émergence d'un marché. Les marchés existent déjà. La question est : cette solution IA est-elle meilleure que ce qui existe ?

Enfin, l'échelle de capital est différente. 93 millions pour Sereact, c'est un gros tour en France, mais c'est un montant rationnel pour construire une usine de robots et déployer une force commerciale en Europe. 15,3 millions pour SquareMind, idem. On comprend où va l'argent.

Pourtant — et c'est une nuance que je tiens à poser — ces entreprises portent un risque technologique réel. Faire fonctionner une IA dans le monde physique est exponentiellement plus dur que dans le monde numérique. Un modèle de langage peut halluciner et le pire qui arrive, c'est un tweet embarrassant. Un bras robotique qui hallucine dans un entrepôt, ça casse des colis. Ou des gens.

108 millions, c'est 7,5 % du total « IA ». Et c'est peut-être la tranche la plus intéressante.

Catégorie 3 : l'infrastructure et les outils — 3,5 M€ dans l'ombre des géants

Phospho a levé 3,5 millions d'euros en seed, avec Y Combinator et Kima Ventures au tableau de chasse. Leur produit : une plateforme d'analytics et d'évaluation pour applications basées sur des LLMs. Autrement dit, de la plomberie. Essentielle, ingrate, presque invisible.

Cette catégorie est la plus sous-financée et probablement la plus mal comprise.

Partout dans le monde, les entreprises qui déploient des LLMs (pour des chatbots internes, de la génération de documents, de l'automatisation de processus) se heurtent au même problème : comment savoir si le modèle fonctionne correctement ? Comment mesurer la qualité des réponses ? Comment détecter les dérives ? Phospho adresse cette question.

3,5 millions. C'est 0,2 % du total étiqueté « IA ». Zéro virgule deux.

Est-ce que ça signifie que la couche outils est négligeable ? Non. Aux États-Unis, cette couche a déjà produit des licornes (LangChain, Weights & Biases dans une vie antérieure, etc.). En France, elle reste embryonnaire. Le passage par Y Combinator de Phospho est d'ailleurs un signal en soi : pour lever sur cette catégorie en tant que startup française, il faut aller chercher la crédibilité outre-Atlantique. Les VCs français, pour la plupart, ne savent pas évaluer un outil d'infra IA. Ils comprennent les robots, les médicaments, les modèles à la Mistral — les trucs qui font des gros titres. L'observabilité d'un pipeline LLM ? Pas vendeur en comité d'investissement.

C'est un problème. Parce que dans tout écosystème technologique mature, la couche outils finit par capter une part significative de la valeur. Les vendeurs de pioches pendant la ruée vers l'or, et ainsi de suite. L'image est galvaudée mais elle reste vraie.

Catégorie 4 : l'IA-adjacent — quand le label déborde

Audion (13 M€, adtech audio) et Cleo Labs (1,5 M€, conformité produit) se présentent-ils comme des startups « IA » ? Pas explicitement, ou pas uniquement. Audion utilise de l'IA pour cibler la publicité audio programmatique. Cleo Labs automatise des processus de conformité réglementaire, probablement avec du NLP et de la classification documentaire.

Faut-il les compter dans le total « IA » ? La question paraît anodine. Elle ne l'est pas.

La manière dont on trace les frontières de l'étiquette « IA » détermine les chiffres qu'on produit, et ces chiffres influencent les politiques publiques, les allocations de fonds, la perception internationale de l'écosystème. Si on inclut toute startup qui utilise un modèle de machine learning quelque part dans sa stack, alors 60 à 70 % des startups fondées en 2025-2026 sont des « startups IA ». Le label perd toute substance.

Si on restreint aux entreprises dont l'IA est le cœur du produit et de la propriété intellectuelle — Mistral, Ineffable Intelligence, Sereact, SquareMind, Phospho — le total descend à 1 433,8 M€ et la concentration sur les deux modèles fondamentaux grimpe à 92,2 %.

14,5 millions pour les trois autres.

Ce décalage est le vrai sujet.

Ce que la taxonomie révèle : quatre industries, quatre logiques de capital, zéro cohérence

Récapitulons. Sous l'étiquette « IA française, printemps 2026 », coexistent :

1. Deux entreprises de recherche fondamentale engagées dans une course aux armements mondiale, financées par du capital quasi-souverain déguisé en venture. Coût de participation : 300 M€+ par tour. Horizon de rentabilité : inconnu.

2. Deux entreprises d'IA physique qui construisent des produits tangibles pour des marchés existants, avec des cycles de développement industriels et des barrières réglementaires. Coût de participation : 15 à 93 M€. Horizon de rentabilité : 3 à 5 ans si exécution correcte.

3. Une entreprise d'infrastructure IA qui construit la couche d'outillage dont tout le monde aura besoin mais que personne ne finance sérieusement en France. Coût de participation : 3,5 M€. Horizon de rentabilité : 2 à 3 ans.

4. Deux entreprises qui utilisent l'IA comme composant parmi d'autres, et que les statistiques agrègent dans le total pour gonfler le chiffre.

Traiter ces quatre catégories comme « l'IA française » reviendrait à regrouper Airbus, Dassault Aviation, une école de pilotage et un fabricant de drones FPV sous le label « l'aéronautique française » et à tirer des conclusions sur l'industrie à partir de la somme de leurs chiffres d'affaires. C'est techniquement possible. C'est intellectuellement vide.

Le trou béant : l'IA appliquée en SaaS B2B

Il y a un fantôme dans cette liste. Regardez bien : où sont les startups françaises qui construisent des SaaS B2B augmentés par l'IA ? Des outils de vente intelligents, des plateformes de recrutement prédictif, des solutions de pricing dynamique, de la gestion de supply chain automatisée ?

Nulle part. Zéro deal identifié dans cette catégorie sur la période.

Ce n'est pas que ces entreprises n'existent pas. Elles existent, et certaines fonctionnent plutôt bien. Mais elles ne lèvent pas — ou pas assez pour apparaître dans les radars médiatiques. Soit elles s'autofinancent (ce qui serait un signe de santé), soit elles ne trouvent pas de financement (ce qui serait un signe de dysfonction), soit elles lèvent des montants trop modestes pour que FrenchWeb ou Maddyness les couvrent.

Cette absence est peut-être le signal le plus important de tout le dataset. Comme nous l'avons noté dans notre analyse du ticket médian au printemps 2026, la médiane des deals connus s'établit à 26 M€ — un chiffre tiré vers le haut par la sélection médiatique. Les tours de 1 à 5 M€, ceux qui financent la majorité des startups SaaS B2B early-stage, sont invisibles dans les données publiques.

On parle beaucoup du « milieu manquant » dans le venture français — l'absence de Série A consistantes. Mais peut-être que le vrai trou est en amont : le pré-seed et le seed en IA appliquée B2B, cette zone où des équipes de 5 personnes construisent des produits avec des LLMs open-source et n'ont besoin que de 500 K€ à 2 M€ pour atteindre la rentabilité. Personne ne finance ça avec des communiqués de presse, donc personne ne le mesure.

Pourquoi cette confusion arrange tout le monde (et pourquoi elle coûte cher)

Agrégation flatte. C'est sa fonction sociale.

Le gouvernement peut annoncer « 1,4 milliard investis dans l'IA française » et cocher une case dans sa stratégie numérique. Les VCs qui ont participé aux mega-tours de Mistral ou Ineffable Intelligence peuvent brandir leur portfolio « IA ». Les médias tech ont un gros chiffre à mettre en titre. Les fondateurs de startups IA qui n'ont levé que 3 millions d'euros peuvent dire qu'ils font partie d'un secteur en plein boom.

Le coût de cette confusion est réel, pourtant.

Pour les fondateurs, elle crée des attentes décalées. Un fondateur d'IA appliquée B2B qui lit « l'IA française lève 1,4 milliard » pourrait croire que les vannes sont ouvertes. Elles ne le sont pas pour lui. Elles le sont pour deux types d'entreprises très spécifiques — celles qui construisent des modèles fondamentaux et celles qui font de l'IA incarnée avec de la deep tech. Le reste se débrouille.

Pour les investisseurs, elle brouille les critères d'évaluation. Comment comparer les métriques d'un Mistral AI (consommation de compute, benchmarks de modèle, rétention API) avec celles d'un Phospho (ARR, churn, nombre de pipelines monitorés) ? Ce sont des métiers différents évalués par des grilles différentes. Les mettre dans la même catégorie pousse à appliquer les mauvais critères au mauvais deal.

Pour les politiques publiques, elle mène à des allocations absurdes. Si « l'IA » lève 1,4 milliard, pourquoi subventionner le secteur ? Mais si on réalise que l'IA appliquée et l'infra IA lèvent 126 millions à elles toutes — dont 93 pour un seul deal industriel — la question devient légitime. Les 33 millions restants ne sont pas exactement le signe d'un secteur auto-suffisant.

La question interdite : et si Mistral et Ineffable Intelligence n'étaient pas du venture ?

Je vais poser une hypothèse qui va froisser quelques associés de fonds. Peut-être que Mistral AI et Ineffable Intelligence ne devraient pas être comptabilisés dans les statistiques du venture capital français. Pas parce qu'ils ne sont pas français — ils le sont. Mais parce que la nature de leur financement n'a rien à voir avec ce qu'on appelle habituellement du capital-risque.

Un fonds de venture traditionnel investit 2 à 20 millions dans une startup early-stage, prend 15 à 25 % du capital, et espère un retour de 10x en 7-10 ans. Ce modèle fonctionne sur un portefeuille : sur 20 investissements, 2 ou 3 marchent très bien, le reste périclite.

Un tour de 937 millions en seed ne relève pas de cette logique. C'est du financement de programme de recherche de grande envergure, comparable à ce que fait la DARPA aux États-Unis ou ce que les grandes entreprises technologiques financent en interne. Les investisseurs ne cherchent pas un 10x — un 3x sur 937 millions, soit un retour de 2,8 milliards, serait déjà historique. Ils cherchent un actif stratégique dans une course géopolitique à l'IA.

Tant qu'on mélange ce type de financement avec le venture « classique », on déforme l'image complète du marché.

Comme le soulignait notre analyse sur la concentration du capital dans les méga-levées deeptech, retirer Ineffable Intelligence des statistiques d'avril 2026 change radicalement le portrait : d'un « mois record à plus d'un milliard » on passe à un « mois correct à 217 millions », plus en ligne avec la dynamique de fond.

Ce qui manque pour parler d'un vrai écosystème IA français

Un écosystème, ça ne se mesure pas au montant total levé. Ça se mesure à la diversité des couches, à la capacité de circulation des talents entre elles, à l'existence de clients locaux qui achètent les produits des startups locales, et à la production régulière de sorties — acquisitions ou introductions en bourse — qui recyclent le capital et l'expérience.

Sur ces critères, la France en est où ?

Diversité des couches. Mauvaise. La couche fondamentale est sur-financée (ou plutôt : deux acteurs sont sur-financés). La couche IA incarnée est correcte mais concentrée sur deux deals. La couche outils/infra est quasi-inexistante. La couche IA appliquée B2B est invisible.

Circulation des talents. Difficile à mesurer avec nos données, mais le fait que le chercheur Devendra Chaplot soit passé de Mistral AI à xAI (selon FrenchWeb, 23 avril 2026) suggère que la circulation va… vers les États-Unis. Classique. Probablement pas le signe d'un écosystème qui retient ses gens.

Clients locaux. La question rarement posée. Qui achète les produits de Mistral AI en France ? Qui déploie les robots Sereact dans des entrepôts français ? L'essentiel du chiffre d'affaires de ces startups, quand il existe, provient de l'international. Ce n'est pas un problème en soi — un marché mondial, c'est bien. Mais ça signifie que l'écosystème français finance la R&D sans forcément capter la valeur d'usage.

Sorties. Quasi-néantes sur la période. WeMaintain a été racheté par Otis, le géant américain des ascenseurs. C'est une sortie, certes, mais c'est aussi du transfert de valeur vers les États-Unis. Pas exactement le « cercle vertueux » qu'on nous vend.

Et maintenant ?

La tentation serait de conclure sur une note prescriptive. Voici ce qu'il faudrait faire, etc. Je vais résister.

D'abord parce que les solutions évidentes — « il faut plus de VCs spécialisés en IA appliquée B2B », « il faut un fonds d'infra IA » — sont plus faciles à énoncer qu'à exécuter. Créer un fonds spécialisé prend 18 mois et nécessite des LPs convaincus. Convaincre des LPs, ça demande un track record. Le serpent se mord la queue.

Ensuite parce que le problème est peut-être moins un manque de capital qu'un manque de lucidité. Tant que la France se racontera qu'elle dispose d'un « écosystème IA de 1,4 milliard d'euros » sans regarder ce que ce chiffre contient réellement, elle allouera mal ses ressources — publiques comme privées.

Ce qui serait utile, en revanche, c'est que chaque acteur de cet écosystème — journaliste, investisseur, politique, fondateur — prenne l'habitude de distinguer les catégories. Pas besoin de devenir data scientist. Juste de poser la question : « IA de quel type ? » à chaque fois qu'on lit un chiffre agrégé.

Et si vous cherchez à explorer ces données par vous-même, notre outil de recherche de levées par secteur et montant reste accessible gratuitement.

La France ne manque pas d'argent pour l'IA. Elle manque de granularité dans la manière dont elle en parle.

C'est un problème plus subtil. Et peut-être plus difficile à résoudre.