ARLEQUIN AI lève 28 millions d’euros pour construire une alternative européenne à Palantir
📩 Pour nous contacter: redaction@fw.media
Arlequin AI lève 28 millions d’euros auprès de redalpine, OTB Ventures et du Fonds Innovation Défense de Bpifrance, un peu plus d’un an après un amorçage de 4,4 millions d’euros. Fondée par le chercheur en sciences politiques Hugo Micheron et l’ancien ingénieur du CNRS Antoine Jardin, la startup parisienne veut développer des réseaux neuronaux topologiques capables d’analyser les relations cachées au sein de grandes masses de données. Derrière la promesse d’une IA plus traçable et moins dépendante du compute, l’entreprise doit désormais démontrer que son architecture propriétaire peut faire mieux que les plateformes de graph analytics et de decision intelligence déjà déployées auprès des gouvernements et des grandes entreprises.
Avant de vouloir analyser des millions de points de données, Hugo Micheron a commencé par quatre-vingts entretiens.
Entre 2014 et 2019, le chercheur en sciences politiques rencontre dans les prisons françaises des membres de l’État islamique ou d’Al-Qaïda revenus de Syrie. Il interroge également leurs familles, leurs proches, des habitants de leurs quartiers, des acteurs associatifs, des combattants kurdes et des réfugiés. L’enquête le conduit de la France et de la Belgique jusqu’à la Turquie, au Liban et à l’Irak. Son sujet n’est pas seulement de recueillir des témoignages, mais de reconstituer des trajectoires, relier des territoires, replacer les engagements dans une histoire et comprendre comment des groupes dispersés ont fini par former un système.
Ce travail donne naissance à une thèse soutenue en 2019 à l’ENS-PSL, puis à l’ouvrage Le Jihadisme français. Quartiers, Syrie, prisons. Après un passage par le département Near Eastern Studies de Princeton entre 2020 et 2022, Hugo Micheron poursuit ses travaux à Sciences Po, où il dirige notamment un séminaire consacré à l’intelligence artificielle, à la démocratie et à l’environnement informationnel. Il est également appelé à témoigner au procès des attentats du 13-Novembre.
En 2024, le chercheur change d’échelle et d’outil. Avec Antoine Jardin, alors ingénieur de recherche au CNRS spécialisé dans la data science et l’étude des comportements humains, il fonde Arlequin AI. Leur intuition est que la difficulté rencontrée dans une enquête sur le djihadisme se retrouve dans de nombreux environnements : les données existent, mais elles sont dispersées entre des documents, des transactions, des images, des communications, des vidéos et des systèmes opérationnels qui ne parlent pas toujours la même langue, au sens propre comme au sens informatique.
La startup veut automatiser une partie de ce travail de mise en relation sans retirer à l’analyste la possibilité de revenir aux éléments qui soutiennent le résultat. Deux ans plus tard, elle réunit 28 millions d’euros pour tenter de transformer cette méthode en architecture d’intelligence artificielle.
Une série A pour changer de couche technologique
Le tour est codirigé par le fonds suisse Redalpine et le polonais OTB Ventures. Le Fonds Innovation Défense de Bpifrance entre également au capital, tandis que Vsquared Ventures et 10x Founders, déjà présents, renforcent leurs positions. Xavier Niel rejoint lui aussi l’opération.
La composition du tour rassemble plusieurs dimensions du projet. Redalpine investit à la frontière du logiciel et de la science. OTB Ventures cible notamment l’IA et les nouvelles architectures de calcul. Le Fonds Innovation Défense inscrit Arlequin dans les technologies duales susceptibles d’intéresser les acteurs de la sécurité et des armées.
Arlequin avait levé 4,4 millions d’euros en juin 2025 auprès de Vsquared Ventures, 10x Founders, Kima Ventures, Better Angle et plusieurs investisseurs individuels. Ce premier financement devait industrialiser HuDEx, sa plateforme d’analyse de données, renforcer les installations sur site et doubler une équipe de recherche encore réduite. La société comptait alors une vingtaine de collaborateurs et indiquait travailler avec des ministères, Radio France, BNP Paribas ainsi que plusieurs organisations européennes.
La série A est plus de six fois supérieure, et porte à au moins 32,4 millions d’euros le montant annoncé depuis la création de l’entreprise. Mais surtout, elle ne finance plus exactement le même projet.
En 2025, Arlequin décrivait HuDEx comme une plateforme modulaire combinant plusieurs composants spécialisés, notamment open source, avec des méthodes d’apprentissage non supervisé. L’entreprise veut désormais développer ses propres modèles fondés sur des réseaux neuronaux topologiques. Elle passe ainsi de l’assemblage et de l’industrialisation d’une plateforme analytique à la construction d’une couche de modèles propriétaires.
Le repositionnement est stratégique, posséder l’interface permet de contrôler l’expérience de l’utilisateur, quand posséder l’architecture qui analyse les données peut créer une propriété intellectuelle plus défendable, mais impose aussi de financer une recherche plus longue, de produire des benchmarks et de recruter des profils scientifiques rares.
Arlequin revendique aujourd’hui une trentaine de collaborateurs, dont huit au sein de son équipe de R&D, selon ses offres de recrutement. Ce nouvel investissement doit élargir cette équipe, entraîner les modèles et soutenir les déploiements commerciaux. La société a ouvert des bureaux à Londres et à Berlin et prévoit un laboratoire dans la Silicon Valley.
De la relation entre deux points aux systèmes complexes
Le vocabulaire de la topologie peut rapidement donner à une présentation d’entreprise l’allure d’un séminaire de mathématiques, cela étant, l’idée de départ reste pourtant accessible.
Un grand modèle de langage apprend principalement les régularités d’une séquence de mots, d’images ou d’autres unités numériques. Un réseau neuronal de graphes travaille sur des entités reliées par des arêtes : une personne possède un compte, un compte effectue une transaction, une entreprise partage une adresse avec une autre. Les modèles topologiques cherchent à aller plus loin en représentant des relations simultanées entre plusieurs éléments, avec des groupes, des cycles, des hiérarchies ou des interactions dites d’ordre supérieur.
Dans une enquête sur le blanchiment, il ne s’agit plus seulement d’établir qu’un compte A a transféré des fonds vers un compte B. Le système peut chercher à caractériser une configuration associant plusieurs comptes, une entreprise, un appareil, une adresse, un intermédiaire, une succession de transactions et une chronologie particulière. Dans une chaîne logistique, il peut relier un fournisseur, un port, un navire, un incident géopolitique et plusieurs retards pour faire apparaître une dépendance invisible lorsque chaque événement est étudié séparément.
C’est précisément le type de problème auquel le parcours de Hugo Micheron donne une cohérence. Ses travaux ne portaient pas sur une collection d’individus considérés isolément, mais sur l’articulation entre des militants, des quartiers, des prisons, des zones de conflit et des mécanismes de diffusion idéologique. Arlequin ne transpose évidemment pas une thèse de sciences politiques dans un logiciel. L’objectif est de comprendre un phénomène par les relations qui le structurent.
Antoine Jardin doit en faire une architecture calculable, le défi commence par la transformation de données brutes en structures topologiques pertinentes. Quels éléments doivent être reliés ? À partir de quel seuil une relation devient-elle significative ? Comment distinguer un groupe réel d’une proximité fortuite ? Les modèles héritent nécessairement des choix effectués à cette étape.
Arlequin a commencé à rendre cette activité scientifique visible. Antoine Jardin et Rémi Devaux, membre de l’équipe, figurent parmi les auteurs d’un papier publié en août 2026 avec le Geometric Intelligence Lab. Les chercheurs y présentent TopoExplorer, un outil destiné à visualiser la manière dont un jeu de données est transformé en structure topologique avant l’entraînement d’un modèle. Sur vingt jeux de données de référence, ils observent que certains indicateurs disponibles avant l’entraînement sont corrélés aux performances obtenues ensuite.
Le travail est cohérent avec la promesse d’interprétabilité d’Arlequin : avant de regarder ce que répond le modèle, il faut pouvoir examiner la carte sur laquelle l’information va circuler. Il ne valide cependant pas encore les performances des modèles propriétaires que la startup annonce vouloir développer.
Le véritable concurrent ne s’appelle pas ChatGPT
Arlequin présente son approche comme une rupture avec la course aux grands modèles. Selon Antoine Jardin, les prochaines avancées de l’IA passeront par de nouvelles architectures plutôt que par l’augmentation continue du nombre de paramètres, des données d’entraînement et de la puissance de calcul. Hugo Micheron décrit de son côté l’émergence de systèmes capables de comprendre des dynamiques complexes dissimulées dans des millions de points de données.
La distinction avec les LLM permet de situer le projet, mais elle ne désigne pas son marché. Arlequin ne cherche pas principalement à remplacer ChatGPT, Claude ou Le Chat. Ses véritables concurrents sont les plateformes qui connectent déjà des données fragmentées pour assister des décisions sensibles.
Palantir a construit cette catégorie au cours des deux dernières décennies. Son architecture repose sur une « ontologie » reliant les données d’une organisation à leurs équivalents dans le monde réel : équipements, produits, commandes, transactions, personnes et événements. Cette représentation devient ensuite une couche opérationnelle sur laquelle les utilisateurs peuvent analyser une situation, appliquer des règles ou déclencher une action.
Arlequin assume la comparaison. Dans ses annonces de recrutement, elle se présente comme « l’alternative européenne souveraine à Palantir ». L’ambition est considérable. Le groupe américain ne vend pas un modèle isolé. Il fournit l’intégration des données, leur gouvernance, les droits d’accès, les interfaces, les outils d’analyse et l’accompagnement nécessaire pour les intégrer au fonctionnement quotidien d’une administration ou d’une grande entreprise.
D’autres acteurs occupent déjà le terrain. La britannique Quantexa associe ingestion des données, résolution d’entités et graph analytics pour la lutte contre la fraude, le blanchiment, la connaissance client ou l’analyse des chaînes d’approvisionnement. La française Linkurious, rachetée par l’australien Nuix, permet aux enquêteurs de visualiser des réseaux complexes et a notamment été utilisée lors des investigations sur les Panama Papers. Autour d’eux, des entreprises comme Primer, Babel Street ou Dataminr traitent certaines parties de la chaîne, de l’exploitation des sources ouvertes à la détection de signaux émergents.
La défense apporte une validation stratégique, pas encore commerciale
L’entrée du Fonds Innovation Défense donne à l’opération une dimension supplémentaire. Créé par le ministère des Armées et géré par Bpifrance, ce véhicule investit dans des technologies susceptibles de renforcer les capacités et la souveraineté françaises. Sa dotation, initialement fixée à 200 millions d’euros, a été portée à 275 millions en 2025 avec l’arrivée de la Caisse des Dépôts, d’Allianz France et de MBDA.
La sécurité, le renseignement et la défense constituent des débouchés naturels pour un système capable de relier des documents, des transactions, des vidéos et des données opérationnelles. Le même moteur peut également être utilisé pour examiner un réseau criminel, détecter une campagne de manipulation de l’information, rechercher une fraude ou analyser une attaque informatique. Le caractère dual de la technologie élargit le marché tout en rapprochant Arlequin des exigences les plus élevées en matière de confidentialité et de contrôle.
L’investissement de Bpifrance ne signifie toutefois pas que la startup a remporté un marché du ministère des Armées, il ne vaut ni certification de sécurité ni validation opérationnelle, mais indique que la technologie est considérée comme suffisamment stratégique pour justifier une prise de participation publique.
Arlequin affirme que sa plateforme est utilisée par des gouvernements et de grandes organisations en Europe occidentale et orientale, mais ne communique ni son chiffre d’affaires, ni le nombre de contrats payants. Les références rendues publiques en 2025, parmi lesquelles Radio France et BNP Paribas, montrent que le produit a dépassé le seul laboratoire, mais ne permettent pas encore de mesurer la profondeur de son adoption.
Or les organisations visées sont précisément celles où les expérimentations peuvent durer longtemps. Entre une démonstration, un pilote, un premier contrat et l’intégration d’une plateforme au processus de décision, plusieurs années peuvent s’écouler. Une série A de 28 millions d’euros donne à Arlequin du temps pour les franchir.
Traçable ne signifie pas infaillible
Arlequin insiste sur la possibilité de relier chaque résultat aux informations qui le soutiennent. Cette traçabilité répond à une faiblesse bien identifiée des modèles génératifs : une réponse peut être formulée avec assurance sans que l’utilisateur sache exactement sur quels éléments elle repose.
Pour une banque, une administration ou un service de sécurité, la différence est essentielle. Un analyste doit pouvoir ouvrir le document, retrouver la transaction, vérifier la date et comprendre le chemin suivi par le système. L’auditabilité n’est pas un supplément de confort, elle conditionne la possibilité de contester la machine.
Elle ne règle cependant pas toutes les difficultés. Un système non supervisé n’est pas nécessairement dépourvu de biais. Ceux-ci peuvent provenir de la sélection des sources, des données absentes, de la définition des entités, des seuils choisis ou de la manière dont les relations sont construites. Une architecture non générative peut réduire le risque d’inventer une phrase ou une référence. Elle peut toujours identifier une configuration trompeuse, attribuer trop d’importance à une coïncidence ou négliger un événement mal représenté dans les données.
La même prudence s’applique à la causalité. Retrouver les pièces soutenant une relation améliore la preuve documentaire. Cela ne démontre pas nécessairement qu’un événement en a provoqué un autre, mais entre deux transactions rapprochées, deux personnes ayant fréquenté le même lieu ou plusieurs contenus diffusant une même narration, il peut exister une corrélation sans lien causal.
Dans la publicité d’un logiciel, la nuance peut paraître tatillonne. Dans une enquête criminelle ou une décision de défense, elle devient le cœur du sujet. Une visualisation claire peut aider à corriger une erreur, elle peut aussi donner à une hypothèse fragile l’apparence d’une évidence.
La souveraineté européenne s’organise aussi depuis la Silicon Valley
Le développement international ajoute une dernière tension. Arlequin ouvre des bureaux à Londres et Berlin pour se rapprocher de clients, de talents et d’écosystèmes de sécurité européens. Elle prévoit parallèlement d’installer un laboratoire dans la Silicon Valley.
Le mouvement ne contredit pas nécessairement son discours de souveraineté. En ouvrant un laboratoire californien, Arlequin cherche à accéder au premier bassin mondial de chercheurs et de partenaires en intelligence artificielle. Elle devra simultanément démontrer qu’elle peut conserver en Europe les éléments qui rendent sa technologie stratégique. La souveraineté moderne n’est pas l’autarcie, mais la maîtrise des dépendances que l’on accepte.
La série A donne à Arlequin les moyens de pousser cette ambition au-delà de la formule. Son parcours, son positionnement et la présence du Fonds Innovation Défense la placent au croisement de plusieurs priorités européennes : construire des architectures différentes des LLM, traiter les données sensibles sur le continent et proposer une alternative aux plateformes américaines dans les environnements critiques.
Notre politique éditoriale concernant l'intelligence artificielle
Les analyses et articles sont rédigées par des journalistes.
L'IA peut être utilisée comme outil d'assistance (traduction, synthèse, recherche documentaire ou amélioration stylistique).
Les faits, chiffres et analyses sont systématiquement vérifiés et validés par la rédaction.
Les illustrations générées ou modifiées par IA sont explicitement signalées.
- Ed.ai lève 5 millions d’euros pour aider les professeurs à faire progresser chaque élève - 10/09/2026
- ARLEQUIN AI lève 28 millions d’euros pour construire une alternative européenne à Palantir - 10/09/2026
- IMPLICITY lève 35 millions d’euros pour passer du tri des alertes à la cardiologie prédictive - 10/09/2026
