La start-up Probably lève 9 millions de dollars pour rendre l'IA aussi précise qu'un code classique

La start-up américaine Probably a bouclé un tour de table d'amorçage de 9 millions de dollars. L'argent servira à développer des systèmes d'IA qui empêchent les hallucinations et les erreurs factuelles avant que la réponse n'atteigne l'utilisateur. L'objectif principal est d'atteindre une précision comparable à celle des systèmes déterministes, c'est-à-dire du code logiciel classique.

Pourquoi les hallucinations sont plus qu'un simple désagrément

Les grands modèles de langage « hallucinent » régulièrement : ils affirment avec aplomb des faits erronés, citent des études inexistantes et inventent des citations. Selon diverses estimations indépendantes, même les modèles commerciaux les plus avancés se trompent sur 10–20 % des affirmations factuelles précises. Or l'utilisateur a toutes les peines à déterminer quand le modèle a raison et quand il invente, car il paraît tout aussi sûr de lui dans les deux cas. Cela crée un risque systémique qui limite l'usage de l'IA dans les scénarios métier réels.

Les entreprises doivent choisir entre deux mauvaises options : embaucher des personnes pour vérifier chaque réponse de l'IA, ou cantonner les modèles aux tâches où une erreur n'est pas critique. Pour la médecine, le droit, la conformité financière et le secteur public, cela signifie en pratique que les systèmes d'IA autonomes sont inutilisables : le coût d'une erreur est trop élevé.

Un nouveau seuil : la précision déterministe

Probably se fixe un seuil loin d'être anodin : atteindre la précision des systèmes déterministes. C'est fondamentalement différent du fonctionnement des LLM actuels. Un programme déterministe donne toujours le même résultat pour les mêmes données d'entrée : une calculatrice ne « décidera » jamais d'inventer la réponse à 2 + 2. Un modèle de langage fonctionne autrement : il génère un texte probabiliste qui peut sembler convaincant, mais n'a aucune obligation d'être exact.

L'équipe de Probably construit une architecture où l'IA ne se contente pas de générer une réponse, mais la vérifie avant de l'envoyer. Principes clés :

• Une séparation nette entre les connaissances fiables et les suppositions du modèle
• La vérification de chaque affirmation factuelle avant qu'elle n'atteigne l'utilisateur
• Un « je ne sais pas » explicite plutôt qu'un fait inventé
• La transparence : le système explique la source de chaque affirmation
• Une tolérance zéro pour les erreurs factuelles dans la réponse finale

Cette approche est à l'opposé de celle qu'ont suivie la plupart des développements de LLM ces dernières années. Les modèles ont été affinés en privilégiant l'« utilité » et le « pouvoir de persuasion », ce qui entrait souvent en conflit avec la précision.

Marché et concurrence

L'IA fiable attire aujourd'hui activement le capital-risque. Dans cette niche travaillent Vectara, Cohere avec son accent sur les architectures RAG d'entreprise, plusieurs start-up en mode furtif et des projets académiques de grandes universités. Les grands acteurs, OpenAI, Anthropic et Google, investissent eux aussi dans la réduction des hallucinations, mais pour eux la précision n'est qu'une caractéristique parmi d'autres du produit, et non le principal facteur de différenciation. Probably bâtit tout autour d'une seule idée.

Les 9 millions de dollars du tour d'amorçage donnent à l'équipe un an et demi à deux ans pour prouver que l'architecture fonctionne et lever les fonds suivants. Le nom de l'entreprise est une ironie assumée sur la nature probabiliste des modèles de langage et, en même temps, une déclaration d'intention de la dépasser.

Ce que cela signifie

Si Probably parvient à résoudre de façon convaincante le problème des hallucinations, l'IA pourra entrer dans les secteurs réglementés, comme la santé, les services juridiques et la conformité financière, où les systèmes autonomes sont aujourd'hui inacceptables en raison de leur imprécision. Pour les entreprises, cela signifie la possibilité de supprimer la coûteuse couche de vérification humaine et de déléguer réellement des tâches à responsabilité à une machine, non pas en paroles, mais avec des garanties mesurables de précision.