Deccan AI lève 25 millions de dollars sur le marché de l'annotation de données en misant sur des spécialistes indiens

Deccan AI a bouclé un tour de financement de 25 millions de dollars et se positionne comme un acteur systémique de l'annotation de données pour l'entraînement des modèles d'IA. L'entreprise concurrence directement Mercor, l'une des principales plateformes du segment de l'AI training talent, et bâtit son avantage sur un modèle organisationnel radicalement différent : non pas une place de marché distribuée de freelances, mais des équipes encadrées de spécialistes concentrées en Inde.

Le marché de 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, dont OpenAI, Anthropic, Google DeepMind et Meta AI*, accroissent sans cesse leurs volumes d'annotations RLHF, de constitution de jeux d'entraînement, de red-teaming et d'évaluation de la sécurité des modèles. Selon diverses prévisions de cabinets d'analyse, le marché de l'AI training data dépassera 10 milliards de dollars d'ici 2028.

Parallèlement, le secteur pâtit d'un problème chronique de qualité : l'immense majorité des prestataires travaillent via des plateformes de crowdsourcing avec un contrôle minimal, ce qui entraîne systématiquement des annotations de faible qualité, des résultats incohérents et, par conséquent, des modèles moins bien entraînés.

C'est là que Deccan AI voit son levier de croissance. Contrairement aux concurrents, qui agrègent des freelances de dizaines de pays sur une plateforme unique, la startup constitue des équipes encadrées directement en Inde. Les employés suivent une formation spécialisée selon les exigences de chaque client, travaillent dans un environnement structuré avec un contrôle qualité à plusieurs niveaux, et les processus opérationnels peuvent être standardisés d'une manière impossible avec une sous-traitance décentralisée. Ce modèle permet de garantir l'homogénéité des résultats à grande échelle, une exigence clé pour les grands laboratoires d'IA, qui ne peuvent pas se permettre de variabilité dans leurs données d'entraînement.

Choisir l'Inde comme pôle opérationnel n'est ni un hasard ni une nouveauté, mais Deccan AI avance des arguments concrets. Le pays compte l'une des plus fortes concentrations mondiales de profils techniques : plus d'un million de diplômés en ingénierie et en informatique chaque année. Le niveau d'anglais y est nettement supérieur à celui d'autres régions prisées de la sous-traitance, ce qui est crucial pour le travail sur les données textuelles.

Le coût du travail reste en outre inférieur d'un ordre de grandeur à celui des marchés occidentaux. Scale AI, Surge AI et plusieurs autres leaders du secteur suivent la même voie, mais la plupart misent sur l'échelle via une plateforme d'agrégation. Deccan AI choisit délibérément une échelle plus modeste, au profit de la qualité et de la prévisibilité.

La concurrence se durcit. Mercor s'étend de manière agressive au-delà du recrutement d'ingénieurs, vers l'AI training. Les prestataires traditionnels, comme Appen, Lionbridge et Telus International, réorientent activement leurs portefeuilles vers les besoins de l'IA générative. Les grands laboratoires investissent eux-mêmes dans des équipes internes d'annotateurs pour réduire leur dépendance à l'égard de partenaires externes. Dans cette dynamique, Deccan AI devra démontrer en permanence que son modèle premium à équipe encadrée procure un ROI réel face à l'échelle bon marché des plateformes de crowdsourcing.

Les 25 millions de dollars permettront à l'entreprise d'accélérer ses recrutements 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 workflows et d'analyse de la productivité des équipes.

Ce tour de table s'inscrit dans une tendance d'investissement plus large : le capital-risque se tourne de plus en plus vers la couche d'infrastructure de l'industrie de l'IA, non vers les modèles de pointe eux-mêmes, mais vers ce qui garantit leur fonctionnement fiable. Des données d'entraînement de qualité, des annotateurs RLHF et des human evaluators deviennent une ressource stratégiquement rare, et la concurrence pour se les arracher s'intensifie. Le crowdsourcing décentralisé ne parvient pas à offrir une qualité systémique. Une équipe encadrée, structurée et géographiquement concentrée, si.

*Meta a été classée organisation extrémiste et est interdite en Russie.