Le 3 novembre, Fal a annoncé une levée de 1,3 milliard de dollars et une valorisation de 16 milliards. Elle était de 8 milliards en avril. Vous n'avez sans doute jamais installé Fal sur votre ordinateur, et pourtant c'est ce type d'entreprise qui fait tourner, en coulisses, bien des images, vidéos et voix générées par IA. Cette levée dit une chose simple : faire fonctionner les modèles est devenu un métier d'infrastructure, avec ses géants, ses chèques énormes et ses risques.
Ce qui vient de se passer
Fal a bouclé une Série F de 1,3 milliard de dollars, menée par Bessemer Venture Partners. Nvidia, Sound Ventures, HOF Capital et T. Rowe Price participent aussi. Avec la Série E menée par Sequoia, le total atteint 1,65 milliard de dollars. Les montants et la valorisation sont rapportés par TechCrunch, Bloomberg et SiliconANGLE.
Côté activité, le chiffre d'affaires annualisé dépasserait 800 millions de dollars, d'après une source citée par Bloomberg. L'argent ira à la capacité de calcul et au recrutement. L'équipe compte environ 185 salariés, ce qui est peu au regard des sommes en jeu.
L'inférence, c'est quoi au juste ?
Entraîner un modèle, c'est lui apprendre. L'inférence, c'est le faire travailler : vous lui envoyez une demande, il répond. Fal se spécialise dans les modèles génératifs d'image, de vidéo et d'audio. Elle exécute des modèles déjà entraînés, souvent open source (dont le code et les paramètres sont publics), derrière une API unique. Une API, c'est un guichet : vous y envoyez vos demandes, quel que soit le modèle qui travaille derrière. Les développeurs et les entreprises n'ont ni machines ni cartes graphiques à gérer.
Un marché où tout le monde lève des fortunes
Fal n'est pas seule. Plusieurs fournisseurs d'inférence lèvent à des valorisations très élevées depuis quelques mois :
| Entreprise | Levée | Valorisation / période |
|---|---|---|
| Fal | 1,3 Md$ (Série F) | 16 Md$, contre 8 Md$ en avril |
| Fireworks AI | 1,5 Md$ | 17,5 Md$, en juillet |
| Baseten | 1,5 Md$ | en juin |
| Modal | 750 M$ | le mois dernier |
Le détail qui tempère l'enthousiasme : selon TechCrunch, les marges brutes de ces acteurs restent faibles. Le calcul coûte cher à acheter ou à louer, et il faut payer avant de vendre.
Ce que cela change pour des automatisations
Pour une agence comme la nôtre, qui construit des workflows n8n et des agents autonomes, ce n'est pas une affaire de Silicon Valley lointaine. C'est ce qui se passe derrière le nœud qui génère un visuel, une vidéo ou une voix.
Moins de machines à gérer
Ces plateformes remplacent de plus en plus l'hébergement de GPU (les cartes graphiques qui font tourner les modèles) en propre, ou l'abonnement à un seul éditeur de modèles. On branche une API et on choisit le modèle.
Un catalogue qui devrait s'élargir
Avec ce capital, le catalogue de modèles accessibles via une seule API devrait grandir, tout comme la capacité de calcul disponible. L'accès à des modèles open source récents, sans infrastructure à gérer, devrait donc s'améliorer. Je dis bien "devrait" : c'est l'intention, pas encore un fait.
Un coût par appel plus prévisible
La demande d'inférence vient surtout de clients qui utilisent des modèles open source. Cela confirme leur intérêt pour des automatisations sur mesure, avec un coût par appel prévisible. Pour un client qui veut savoir ce que lui coûtera son workflow à 10 000 exécutions, c'est un vrai argument.
Mon point de vue : se réjouir, mais garder un plan B
Soyons clairs : pour nous, utilisateurs, cette course aux capitaux est plutôt une bonne nouvelle à court terme. Plus de capacité, plus de modèles, moins de plomberie. Mais la contrepartie est évidente. On bâtit des automatisations sur un secteur qui brûle du capital avec des marges minces. Dans ces conditions, les prix, les quotas et les conditions d'usage peuvent bouger, et rarement à la baisse.
La règle que nous appliquons dans nos architectures :
- une couche d'abstraction, c'est-à-dire un point d'entrée unique dans le workflow pour les appels d'inférence, afin de changer de fournisseur sans tout reconstruire ;
- un fournisseur de repli, déjà testé, prêt à prendre le relais si les conditions changent.
Autre lecture : le marché se structure autour de l'inférence de modèles open source. Ces modèles deviennent plus faciles à intégrer dans des workflows n8n et des agents, sans dépendre d'un seul éditeur. C'est plutôt sain. À condition de ne pas remplacer une dépendance par une autre.
Reste une inconnue : combien de temps ces valorisations tiendront-elles si les marges ne s'améliorent pas ? Les sources n'y répondent pas, et nous non plus. Raison de plus pour rester prudent.
Pour conclure
L'inférence devient une infrastructure comme l'eau ou l'électricité : on ouvre le robinet sans se demander d'où ça vient, jusqu'au jour où la facture change. Et chez vous, qui fait réellement tourner vos modèles, et avez-vous un plan B ?