Deccan AI lève 25 M$ sur le marché de l’annotation de données en misant sur des spécialistes en Inde

Deccan AI a clôturé une levée de fonds de $25 millions, se positionnant comme un acteur systémique sur le marché de l'étiquetage de données pour l'entraînement de modèles d'IA. L'entreprise est un concurrent direct de Mercor — l'une des principales plateformes du segment du talent pour l'entraînement d'IA — et construit son avantage concurrentiel sur un modèle organisationnel fondamentalement différent : non pas un marché décentralisé de freelancers, mais des équipes gérées de spécialistes concentrés en Inde. Le marché dans lequel opère Deccan AI connaît une croissance explosive, mais souffre d'un problème systémique.

La demande de services d'entraînement de modèles d'IA augmente chaque trimestre : les plus grands laboratoires — OpenAI, Anthropic, Google DeepMind, Meta AI — augmentent continuellement les volumes d'annotations RLHF, la formation d'ensembles d'entraînement, le red-teaming et l'évaluation de la sécurité des modèles. Selon diverses prévisions d'agences analytiques, d'ici 2028, la taille du marché des données d'entraînement d'IA dépassera les $10 milliards. Dans le même temps, l'industrie souffre chroniquement d'un problème de qualité : la grande majorité des prestataires travaillent via des plateformes de crowdsourcing avec un contrôle minimal, ce qui conduit systématiquement à une faible qualité d'annotations, des résultats incohérents et, par conséquent, à une dégradation de la qualité des modèles entraînés.

C'est précisément ici que Deccan AI voit son point de croissance. Contrairement aux concurrents qui agrègent des freelancers de dizaines de pays via une plateforme unique, la startup construit des équipes gérées directement en Inde. Les employés subissent une formation spécialisée adaptée aux exigences spécifiques des clients, travaillent dans un environnement structuré avec un contrôle qualité multi-niveaux, et les processus opérationnels peuvent être standardisés d'une manière qui est impossible avec l'externalisation décentralisée.

Ce modèle permet de garantir l'uniformité des résultats à l'échelle — une exigence clé pour les grands laboratoires d'IA qui ne peuvent pas se permettre de variabilité dans les données d'entraînement. Le choix de l'Inde comme hub opérationnel n'est pas accidentel ni nouveau, mais Deccan AI a des arguments spécifiques en sa faveur. Le pays dispose de l'une des plus grandes concentrations mondiales de personnel techniquement qualifié — plus d'un million de diplômés en ingénierie et informatique sont produits annuellement.

Le niveau de maîtrise de l'anglais est significativement supérieur à celui d'autres régions populaires d'externalisation, ce qui est critique pour travailler avec des données textuelles. Les coûts de main-d'œuvre restent d'un ordre de magnitude inférieur aux marchés occidentaux. Scale AI, Surge AI et plusieurs autres leaders du secteur suivent la même voie, mais la plupart misent sur l'échelle via un agrégateur de plateforme.

Deccan AI choisit consciemment une échelle plus petite, mais une meilleure qualité et prévisibilité. L'environnement concurrentiel devient de plus en plus intense. Mercor s'étend agressivement au-delà du recrutement d'ingénieurs vers l'entraînement d'IA.

Les fournisseurs traditionnels — Appen, Lionbridge, Telus International — réorientent activement leurs portefeuilles vers les besoins de l'IA générative. Les grands laboratoires eux-mêmes investissent dans leurs propres équipes internes d'annotateurs, cherchant à réduire leur dépendance envers les partenaires externes. Dans cette dynamique concurrentielle, Deccan AI devra constamment prouver qu'un modèle premium avec des équipes gérées offre un ROI réel par rapport aux plateformes de crowdsourcing bon marché.

Les $25 millions levés permettront à l'entreprise d'accélérer le recrutement de spécialistes en Inde, d'élargir sa base de clients parmi les laboratoires d'IA et les startups technologiques, et d'investir dans ses propres outils de contrôle qualité, d'automatisation des flux de travail et d'analyse de la productivité des équipes. Cette levée s'inscrit dans une tendance d'investissement plus large : le capital-risque se déplace de plus en plus vers la couche d'infrastructure de l'industrie de l'IA — non vers les modèles de frontière eux-mêmes, mais vers ce qui assure leur fonctionnement fiable. Les données d'entraînement de haute qualité, les annotateurs RLHF et les évaluateurs humains deviennent une ressource stratégiquement rare autour de laquelle une concurrence croissante se déploie.

Le crowdsourcing décentralisé avec exigence de qualité systémique ne peut pas y faire face. Une équipe gérée, structurée et géographiquement concentrée le peut.