Nvidia et Salesforce financent Mercor, qui juge leurs modèles

Mercor a levé 750 millions de dollars, valorisée 20 milliards. En octobre 2025, la même société valait 10 milliards après un tour de 350 millions. Entre les deux dates, treize mois. La liste des signataires est instructive : Benchmark, Felicis, General Catalyst, Sapphire Ventures, mais aussi Nvidia, Salesforce et Zoom. Des fonds de capital-risque classiques côtoient trois entreprises dont le métier est de vendre de l'IA à d'autres entreprises. Le tour comprend également une offre de rachat d'actions auprès des salariés — Mercor ne précise pas quelle part des 750 millions y est consacrée.

Voilà le fait qui devrait arrêter le lecteur. Nvidia, Salesforce et Zoom investissent dans une société dont le produit est de vérifier que des modèles d'IA fonctionnent sur un métier donné. La documentation ne dit pas combien chacun met, ni s'il s'agit d'un investissement stratégique ou financier. Mais la coïncidence mérite d'être posée : ceux qui vendent les modèles financent celui qui les note.

Le produit réel n'est pas l'IA, c'est le doute

Mercor a commencé comme plateforme de recrutement assistée par IA. Elle exploite aujourd'hui un réseau de plus de cinq millions d'experts, payés pour entraîner et évaluer des modèles avec leur savoir professionnel. Ses acheteurs étaient jusqu'ici les labos d'IA de frontière. L'argent nouveau doit servir à vendre le même service au reste de l'économie.

Le mécanisme est simple à décrire. Mercor construit des tests sur mesure — des « evals », dans le vocabulaire du secteur — à partir des flux de travail réels d'une entreprise. Les résultats servent ensuite à affiner un modèle sur le travail de cette entreprise, souvent en partant d'un modèle ouvert. Deeptune, rachetée plus tôt dans l'année, a reconstitué des centaines d'applications d'entreprise pour en faire des environnements d'entraînement pour agents.

La justification est donnée par Adarsh Hiremath, co-directeur général : un modèle peut obtenir un bon score sur un test public et échouer malgré tout sur les systèmes, les politiques et les cas limites qui définissent le fonctionnement d'une entreprise précise. Autrement dit : les classements publics ne disent rien de ce qui se passe chez vous. Il faut quelqu'un pour aller regarder chez vous.

Pourquoi les labos ne le font pas eux-mêmes

La question mérite d'être posée, parce que la réponse structure tout le marché. Un labo d'IA de frontière dispose d'ingénieurs, de modèles et d'argent. Pourquoi payer Mercor ?

La documentation ne répond pas directement. Elle dit que les labos de frontière ont été les principaux acheteurs de Mercor jusqu'ici, et que l'entreprise vend un service que les labos n'ont pas intérêt à construire en interne : un réseau de professionnels extérieurs à leur secteur, mobilisés sur des métiers qu'ils n'exercent pas. Un comptable, un radiologue, un juriste fiscaliste. Recruter et rémunérer cinq millions de personnes pour tester un modèle sur leur métier, c'est un travail d'organisation, pas de recherche. Que les labos préfèrent l'externaliser est plausible ; aucun document fourni ne le démontre. Ce qui est documenté, c'est qu'ils le paient.

Le précédent existe et il est instructif. En août, Mercor a été désignée acheteur de secours pour les données de Spirit Airlines que Google avait remportées lors d'une vente aux enchères de faillite. Une compagnie aérienne en liquidation, ses données opérationnelles, et deux acheteurs potentiels : un géant du cloud et un sous-traitant de main-d'œuvre experte. La donnée de fonctionnement réel d'une entreprise est devenue un actif dont la propriété se dispute.

Le chiffre que le patron jette en passant

Brendan Foody, co-directeur général, avance un ratio interne : Mercor dépense déjà trois fois plus en inférence — le coût de faire tourner des modèles — qu'en salaires de ses propres employés. Il en tire une extrapolation : si ce rapport tient à l'échelle de l'économie, cela pointe vers une croissance du PIB à deux chiffres sur cinq ans.

Retenez la structure de l'argument, pas la prévision. Un patron dont l'entreprise vend de l'évaluation de modèles explique que le coût de faire tourner les modèles va dominer l'économie. C'est peut-être vrai. C'est surtout le discours d'un vendeur de pelles dans une ruée vers l'or qui annonce que la ruée va durer. Le ratio lui-même n'est pas vérifiable de l'extérieur : il compare les dépenses d'inférence de Mercor à sa masse salariale propre, deux périmètres qui n'ont aucune raison d'être proportionnels ailleurs. Aucun document ne dit combien touche un expert du réseau sur ce que facture Mercor.

Ce que 20 milliards achètent vraiment

La valorisation ne rémunère pas un produit fini. Elle rémunère une position : Mercor est l'un des rares intermédiaires capables de dire à la fois à un labo et à une entreprise ce que vaut un modèle sur un travail donné. Celui qui détient le test détient le pouvoir de dire qui passe.

On l'a déjà vu dans un autre secteur. Les agences de notation n'ont jamais fabriqué un seul titre financier ; elles ont vécu de la vente du droit de dire qu'un titre était sûr. L'analogie a ses limites, mais elle éclaire le modèle économique : l'évaluateur est payé par celui qui a besoin du certificat. La différence, c'est que Mercor vend aussi la correction — l'affinage du modèle après le test. Elle note et elle révise.

Cette position a un coût. En avril, un incident de sécurité chez Mercor a conduit Meta à geler son travail de données IA avec la société. Mercor a publié une mise à jour sur l'incident en juin. Ni le communiqué de levée ni le billet de Foody n'en parlent. C'est pourtant la question que tout acheteur devrait poser : quand vous confiez vos flux de travail réels à un sous-traitant qui emploie cinq millions de personnes, où passe la frontière de ce que vous avez accepté de donner à voir ?

La réponse n'est pas dans la documentation. Elle le sera peut-être dans le prochain tour de table.