Ruslan Salakhutdinov a quitté Meta pour fonder une entreprise appelée Sooth Labs.
Salakhutdinov n'est pas un "ancien employé de Meta" ordinaire. Il a été scientifique en chef de l'IA chez Meta, auparavant professeur à l'Université Carnegie Mellon, et est une figure majeure dans le domaine de l'apprentissage profond. Les cofondateurs Chuck Hoover et Yaser Sheikh étaient également des chercheurs clés chez Meta.
L'entreprise a annoncé le 22 avril avoir bouclé un tour de financement de 50 millions de dollars, pour une valorisation de 335 millions, mené par Felicis Ventures.
Deux noms d'investisseurs méritent d'être notés : Yann LeCun ("parrain de l'apprentissage profond", lauréat du prix Turing) et Jeff Dean (fondateur de Google Brain, actuellement scientifique en chef chez Google). L'ancien CTO de Meta, Andrew Bosworth, agit en tant que conseiller.
Voir ces trois noms apparaître simultanément sur la table de capitalisation d'une entreprise est rare dans l'industrie de l'IA. Sur quoi parient-ils ?
Que fait Sooth Labs ?
En une phrase : Aider les entreprises à prédire la probabilité d'événements géopolitiques et de marché spécifiques.
Ce n'est pas un assistant de dialogue, un outil de programmation ou une application RAG. Sooth Labs veut construire un "moteur de prédiction" – fournir aux entreprises des évaluations probabilistes basées sur l'IA, indiquant la probabilité qu'un événement donné se produise.
Les scénarios concrets pourraient inclure : la probabilité d'un changement de politique dans un pays, le risque réglementaire d'un marché spécifique, le risque de conflit géopolitique sur la chaîne d'approvisionnement… Auparavant, ces évaluations reposaient sur l'expérience et l'intuition d'analystes humains ; désormais, l'idée est d'utiliser l'IA pour effectuer des estimations quantitatives.
Cette direction a son contexte historique.
Pourquoi maintenant ?
Les marchés de prédiction se sont développés rapidement ces dernières années avec le soutien de l'IA. Des plateformes comme Polymarket et Metaculus ont déjà prouvé que l'agrégation des croyances des participants au marché peut générer des estimations de probabilité plus précises que les prédictions traditionnelles.
Sooth Labs veut aller plus loin : non seulement agréger les croyances humaines, mais aussi entraîner des modèles d'IA à apprendre directement les schémas d'occurrence des événements à partir de vastes ensembles de données.
Plusieurs défis techniques se posent pour ce problème :
- Faible nombre d'échantillons d'événements géopolitiques (les guerres à grande échelle ne se produisent pas fréquemment, les données historiques sont limitées)
- Faible comparabilité entre événements similaires (chaque crise a un contexte différent)
- Difficulté à séparer le signal du bruit (les reportages médiatiques ne représentent pas la probabilité réelle)
Pour être honnête, la question de savoir si cela peut bien fonctionner reste en suspens. Mais les trois fondateurs ont réalisé un travail considérable sur les données structurées et l'entraînement par retour humain chez Meta, des expériences qui ont une valeur transférable pour la modélisation prédictive.
Que signifie le pari de LeCun et Jeff Dean sur cette direction ?
LeCun a récemment fondé AMI Labs, axé sur les "modèles du monde" – permettre à l'IA de comprendre réellement le monde physique tridimensionnel, et pas seulement de traiter du texte.
Son investissement dans Sooth Labs indique qu'il croit que la capacité de l'IA à comprendre les "événements" est également une partie importante du modèle du monde. Les événements géopolitiques sont l'un des schémas les plus complexes du monde humain ; les prédire avec précision signifie que le modèle a une compréhension profonde de la dynamique de la société humaine.
Jeff Dean a dirigé une grande partie des travaux de prédiction et de ML de séries temporelles chez Google. Son investissement dans Sooth Labs est davantage un aval que "cette direction est techniquement réalisable".
Tous deux, de perspectives de recherche différentes, aboutissent à la même conclusion : La voie de l'IA pour prédire des événements complexes est prometteuse.
Qui paiera ?
Valorisation de 335 millions de dollars, financement de 50 millions – dans l'environnement actuel de financement de l'IA, ce n'est pas énorme.
Mais les clients potentiels de ce segment sont très clairs : les départements de gestion des risques des entreprises multinationales, les fonds spéculatifs, les équipes d'actuaires d'assurance, les agences gouvernementales. Ces clients sont prêts à payer et ont la capacité de payer.
Comparée à l'IA grand public destinée à tous, le segment vertical B2B de l'IA prédictive est beaucoup moins concurrentiel, mais le plafond est également relativement clair.
La thèse centrale que Sooth Labs doit prouver est : Les estimations de probabilité générées par l'IA sont-elles plus précises, plus rapides et moins chères qu'une équipe d'analystes humains ?
Si cela peut être démontré dans quelques domaines spécifiques, cette activité peut décoller. Sinon, 50 millions de dollars suffisent pour qu'ils expérimentent et se trompent pendant quelques années.
L'aval de LeCun et Jeff Dean les aide à ouvrir des portes pour l'acquisition de données et les négociations avec les clients institutionnels – cela pourrait être plus précieux que l'argent lui-même.
La réussite de ce segment dépendra également de la concurrence sur le marché entre les marchés de prédiction et les think tanks politiques. Mais avoir l'expérience de chercheurs en IA de premier plan pour faire cela, au moins le point de départ n'est pas bas.
Source de référence : CocoLoop, AI Pioneers Back Startup Building Models to Predict Events (Bloomberg, 22 avril 2026)