Modal atteint 1 Md$ d'ARR et lève 750 M$ sur une valorisation de 15,75 Md$

Si vous avez déjà essayé de mettre une application d'IA en production, vous savez à quoi cela ressemble. Il faut des GPU, et ils manquent. Le modèle pèse des dizaines de gigaoctets et met une éternité à se charger. Le code généré par un réseau de neurones doit être exécuté quelque part, et de manière à ce qu'il n'atteigne pas le reste du système. Tout cela peut être assemblé avec la pile habituelle Docker, Kubernetes et Terraform, mais vous finirez noyé sous le YAML et les achats de matériel. C'est sur cette difficulté que Modal a bâti son activité, et elle dispose désormais de chiffres.

Ce qui s'est passé

Modal a annoncé avoir dépassé 1 Md$ d'annualized run rate. Il s'agit d'une extrapolation annuelle du chiffre d'affaires actuel, et non du chiffre d'affaires de l'année écoulée. Seuls cinq mois se sont écoulés depuis la série C, et pendant ce temps l'usage de la plateforme a triplé. Sur un an, la croissance dépasse 15x.

L'entreprise a également bouclé une série D de 750 M$ sur une valorisation post-money de 15,75 Md$. Le tour est mené par Accel, rejoint par Kleiner Perkins, et tous les investisseurs historiques, dont Menlo Ventures, General Catalyst, Redpoint, Lux Capital, Amplify Partners et Bain Capital Ventures, ont réinvesti. L'équipe compte aujourd'hui plus de 200 personnes à New York, San Francisco et Stockholm.

Il faut garder à l'esprit que tous les chiffres proviennent du blog de Modal elle-même et n'ont pas été vérifiés de manière indépendante. Mais l'envergure des clients est convaincante : la plateforme est utilisée par DoorDash, Cognition, Ramp, Linear, Hebbia, Runway, Physical Intelligence, 1X, Chai Discovery. L'application Jev de TypeSafe AI a traité 1 000 milliards de tokens durant ses trois premiers jours d'existence, sans que l'équipe n'ait à s'occuper de l'infrastructure.

Pourquoi précisément Sandboxes

La partie la plus parlante de l'histoire concerne les bacs à sable. Modal a lancé Sandboxes en 2023, en constatant que les gens demandaient massivement aux LLM d'écrire du code, et que ce code devait être exécuté quelque part. Aujourd'hui, c'est un produit à part entière avec 300 M$ de run rate. Près de 3 milliards de bacs à sable y ont été lancés, et le service monte en charge jusqu'à un million d'instances simultanées.

Un exemple simple : vous avez un agent en arrière-plan qui corrige des bugs dans un dépôt. Il clone le projet, lance les tests, corrige le code et relance les tests. Tout cela doit se faire dans un environnement isolé qui démarre en quelques secondes et disparaît une fois le travail terminé. Si vous exécutez cela sur vos propres serveurs, vous devrez gérer vous-même la sécurité, les files d'attente et les temps d'arrêt. Modal cite les mêmes scénarios pour le reinforcement learning et les plateformes de vibe coding. Désormais, les machines virtuelles sont aussi disponibles en accès général dans Sandboxes.

Il existe d'autres produits. Les fonctions, c'est-à-dire « écrivez le code, Modal l'exécute », restent la base pour l'inférence via vLLM et SGLang, la génération d'images et l'entraînement. L'entraînement multi-nœuds est apparu récemment : un seul décorateur lance un cluster avec connexion RDMA, sans engagement de réservation de capacité. Pour l'inférence, Modal a lancé Modal servers pour les serveurs HTTP et des fonctions pour le serving de LLM comme Endpoint Candidates. L'entreprise remonte en outre « dans la pile » vers le RL et le post-training.

Ce que cela signifie en pratique

L'auteur du blog compare lui-même la situation à l'ère du cloud, quand Docker et Kubernetes sont apparus : chaque bascule engendre son propre jeu d'outils. Modal parie que les anciennes briques ne conviennent pas à l'IA, et a donc écrit de zéro un système de fichiers, un runtime de conteneurs, un ordonnanceur et un réseau. Tout cela fonctionne sur un pool de capacités réparti sur plus de 20 clouds, ce qui atténue en partie le problème de pénurie de GPU.

Pour les développeurs et les product managers, la conclusion est la suivante. Premièrement, l'exécution isolée du code issu de LLM est devenue une catégorie d'infrastructure à part entière, et la construire soi-même est souvent peu rentable. Deuxièmement, si vous développez des agents, des pipelines de RL ou de l'inférence lourde, il vaut la peine de comparer le coût et le temps de démarrage d'une plateforme spécialisée avec votre Kubernetes actuel. Troisièmement, la valorisation de 15,75 Md$ montre que les investisseurs voient dans les « pelles » pour applications d'IA un marché aussi vaste que celui des modèles eux-mêmes.

Les limites sont également évidentes. Il s'agit d'un seul fournisseur, et vous vous liez à son API et à son runtime. Le run rate peut fortement fluctuer en cas de croissance explosive, et une partie du chiffre d'affaires provient sans doute de quelques gros clients. Avant de migrer la production, vérifiez les conditions de capacité, les SLA et le coût de sortie. Mais en tant qu'indicateur de la demande d'infrastructures pour les agents et l'entraînement, cette nouvelle en dit long.