Avec 1,1 milliard de dollars, Igor Babuschkin veut révolutionner l’IA personnelle

Chez DeepMind, filiale de Google spécialisée dans la recherche en IA, il a travaillé sur des projets de reinforcement learning à grande échelle, participant à la culture scientifique qui a produit AlphaGo et AlphaFold. Il a ensuite rejoint OpenAI, où la course aux grands modèles de langage battait son plein, avant de cofonder xAI, le laboratoire lancé en 2023 par Elon Musk pour concurrencer OpenAI sur le terrain des modèles génératifs.

Ce parcours n’est pas seulement une liste de références. Il traduit une trajectoire intellectuelle : Babuschkin a vu de près comment les grandes organisations de l’IA construisent leurs modèles, orientent leurs priorités et définissent ce que l’IA doit faire. Et c’est précisément cette expérience accumulée qui nourrit sa critique. Selon les déclarations accompagnant le lancement de River AI, il estime que le secteur a pris un mauvais virage en faisant des modèles centralisés des substituts au travail humain, plutôt que des outils réellement au service des individus.

Une levée de 1,1 milliard pour une entreprise âgée de deux mois

Le 11 août 2026, River AI a annoncé une levée de fonds de 1,1 milliard de dollars, réalisée à un stade extrêmement précoce, sous forme combinant un tour seed et une série A. L’opération a été menée par General Catalyst et la structure AMP PBC, avec la participation de Nvidia, AMD Ventures, Y Combinator et du fonds souverain singapourien Temasek. À ce niveau de capitalisation pour une entreprise créée deux mois auparavant, l’opération est sans équivalent récent dans le secteur de l’IA.

Pour le lecteur attentif aux signaux du capital-risque, la composition du tour est en elle-même informative. General Catalyst est l’un des fonds les plus actifs dans l’IA depuis 2022, avec des paris dans des domaines allant de la santé computationnelle à la robotique. La présence conjointe de Nvidia et AMD Ventures signale une chose concrète : les deux principaux fabricants de puces pour l’IA considèrent que River pourrait nécessiter des capacités matérielles spécifiques, et cherchent à se positionner en partenaires dès l’amorçage. Y Combinator, accélérateur historique de la Silicon Valley, ajoute une crédibilité d’un autre ordre, celle de l’écosystème de développeurs que River ambitionne de toucher avec son interface de programmation.

River propose déjà une API facturée au million de tokens, permettant aux développeurs d’utiliser simultanément des techniques de reinforcement learning et de fine-tuning par low-rank adaptation (LoRA) sur des modèles ouverts. L’objectif est de permettre à n’importe qui de transformer un modèle générique en agent profondément personnalisé, sans maintenir une infrastructure dédiée.

Des agents « gardiens anges » plutôt que des substituts du travail humain

Le cœur de la vision de River AI tient en une formule : des agents personnels que les utilisateurs possèdent et entraînent eux-mêmes. Babuschkin parle de « guardian angels », des présences numériques discrètes et continuellement actives aux côtés de leurs utilisateurs, nourries par les données et les objectifs de ces derniers. Mais à la différence des assistants IA actuels, ces agents n’appartiendraient pas à la plateforme qui les héberge : ils appartiendraient à leurs utilisateurs.

Cette distinction n’est pas purement rhétorique. Elle implique une architecture différente : l’agent doit pouvoir fonctionner au plus près de l’utilisateur, idéalement sur du matériel personnel ou dans un environnement qu’il contrôle, plutôt que sur des serveurs distants gérés par une entreprise tierce. River annonce travailler sur les couches matérielles nécessaires à cette proximité, sans avoir encore précisé les modalités exactes de ce déploiement.

La critique adressée au modèle dominant est explicite. Les grands modèles actuels sont des systèmes que l’on interroge via un abonnement ou une API, sans pouvoir les modifier durablement ni les adapter à son propre contexte. L’utilisateur peut les orienter par des instructions, ce que le secteur a baptisé « prompt engineering », mais il ne peut pas les améliorer ni les faire évoluer avec lui dans le temps. River veut rendre possible précisément cela : un modèle que l’on entraîne progressivement, qui apprend de son utilisateur et qui évolue avec lui.

Reconstruire l’empilement technique de l’IA depuis la base

Pour atteindre cet objectif, River ne se contente pas de proposer une couche applicative sur des modèles existants. L’entreprise affirme vouloir reconstruire l’ensemble de la chaîne technique de l’IA, depuis les méthodes d’entraînement jusqu’au matériel nécessaire au déploiement local. C’est ce que Babuschkin désigne par la reconstruction de « la pile » complète, une démarche que peu de startups, même bien financées, se sont donné pour mission d’accomplir.

Sur le plan des infrastructures cloud, River développe un « neocloud » permettant à des développeurs ou des entreprises de mener des parcours de reinforcement learning complexes en quinze à vingt minutes, sans équipe d’ingénierie dédiée. Les coûts annoncés sont deux à quatre fois inférieurs aux alternatives propriétaires actuelles. Si ces chiffres sont confirmés par l’usage réel, ils changeraient la donne pour des milliers d’équipes qui souhaitent utiliser le reinforcement learning sans disposer des ressources d’un laboratoire de recherche.

Cette ambition s’inscrit dans un mouvement plus large que MIT Technology Review a identifié sous le label « LLMs+ » : une nouvelle génération de startups qui explorent des architectures d’IA plus petites et plus flexibles, à rebours de la course aux paramètres qui a caractérisé la première vague des modèles génératifs. River s’y distingue par une radicalité particulière sur la question de la propriété et de la proximité : là où d’autres startups du même mouvement optimisent des modèles ouverts pour des cas d’usage spécifiques, River veut réinventer le rapport fondamental entre l’individu et son IA.

Un pari sur la redistribution du pouvoir dans l’intelligence artificielle

Ce que construit Babuschkin avec River AI dépasse la simple offre technique. Son projet est une prise de position dans un débat qui structure le secteur depuis plusieurs années : qui doit contrôler l’intelligence artificielle, et au service de qui doit-elle fonctionner ? La réponse de River est tranchée : les individus doivent pouvoir posséder leurs agents, les entraîner sur leurs propres données, sans dépendre d’une plateforme centralisée.

Ce positionnement attire des financements massifs, mais il soulève des questions concrètes. La construction de matériel dédié au déploiement local de modèles d’IA reste coûteuse et semée d’incertitudes industrielles. La personnalisation profonde d’un agent par chaque utilisateur suppose par ailleurs des compétences techniques que la majorité des individus ne possède pas encore. La promesse d’une IA « que l’on possède » devra également composer avec les réalités des licences, des données d’entraînement et des dépendances logicielles héritées.

River AI vient d’entrer dans sa première phase publique avec 1,1 milliard de dollars, une API fonctionnelle et une conviction de fond : l’IA personnelle est le prochain territoire structurant du secteur. Avec Igor Babuschkin aux commandes, l’un des rares chercheurs à avoir traversé DeepMind, OpenAI et xAI de l’intérieur, le projet bénéficie d’une crédibilité intellectuelle que peu de startups peuvent revendiquer à deux mois d’existence. Le pari de River est précis : démontrer que le modèle de l’IA personnelle, possédée et entraînée par ses utilisateurs, peut s’imposer face aux grandes plateformes centralisées qui dominent aujourd’hui le secteur.

Photo : innovation-village.com

Articles récents