À l’heure où l’intelligence artificielle s’impose dans toutes les strates de l’économie, FUNDAMENTAL officialise une collecte de fonds de 216 millions d’euros (environ 255 millions de dollars) et dévoile NEXUS, un modèle tabulaire de grande envergure conçu pour travailler directement sur des données structurées. Selon les données récentes, le cœur des décisions critiques dans les entreprises – tarification, gestion du risque, détection de fraude, planification industrielle – s’appuie sur des tables issues de systèmes transactionnels, d’ERP et de data warehouses. Or, une analyse approfondie révèle que les grands modèles de langage, optimisés pour le texte, peinent à conserver la structure logique, l’échelle et la reproductibilité exigées par ces jeux de données massives. La promesse de NEXUS consiste à rapprocher la puissance prédictive de l’apprentissage automatique de la granularité opérationnelle des métiers, sans sacrifier la traçabilité ni la stabilité des calculs.
Il est essentiel de considérer que la contrainte technique n’est plus seulement l’algorithme, mais l’industrialisation: proches des données, conformes aux politiques de sécurité, et capables d’opérer à l’échelle des volumes réels. C’est dans cette perspective que FUNDAMENTAL s’allie à AWS pour un déploiement “near-data” visant à réduire les frictions d’intégration. Pour un énergéticien européen, par exemple, agréger des historiques de consommation, des signaux de marché et des événements réseau sur des milliards de lignes suppose un moteur natif du tabulaire, non une adaptation textuelle. L’annonce intervient en 2026 dans un contexte de consolidation technologique, où la question n’est plus de « prouver » l’IA, mais de la rendre reproductible, chiffrable et gouvernable à l’échelle de l’entreprise.
FUNDAMENTAL lève 216 millions d’euros et présente NEXUS, un modèle tabulaire de grande envergure
Contrairement aux modèles de langage qui sérialisent une table en texte, NEXUS s’attaque au tabulaire tel qu’il est: colonnes typées, valeurs manquantes, clés et distributions hétérogènes. L’objectif déclaré est clair: délivrer des prédictions et des recommandations conformes aux exigences métiers, avec des résultats stables d’une exécution à l’autre. Cette orientation répond aux limites des approches textuelles: fenêtres de contexte saturées, échantillonnage forcé et sensibilité aux anomalies statistiquement rares mais économiquement décisives.
- Échelle native: ingestion et calcul sur des tables issues de systèmes transactionnels, y compris au-delà du milliard de lignes.
- Reproductibilité: mêmes entrées, mêmes sorties, condition non négociable en finance, énergie et industrie.
- Robustesse statistique: gestion stricte des valeurs manquantes, outliers, ruptures de régime et features corrélées.
- Polyvalence métier: prévision de la demande, tarification, churn, risque et fraude sans ré-architecturer à chaque cas.
Pour un distributeur d’électricité fictif, “Voltéra Réseaux”, NEXUS peut concilier séries temporelles régionales, calendriers tarifaires et incidents réseau afin d’anticiper des pointes de charge et optimiser les achats sur marchés de gros; la valeur provient autant du signal prédit que de sa stabilité.
LLM versus tabulaire: limites structurelles et avantage comparatif de NEXUS
Un grand modèle de langage prédit le prochain token; il excelle sur la syntaxe, moins sur la logique de colonnes et de clés. Dans une table, l’information n’est pas contextuelle mais structurée; la sérialiser rompt les dépendances implicites et force le modèle à choisir entre lecture complète et résumé. NEXUS, présenté comme un Large Tabular Model plutôt qu’un LLM adapté, contourne cette impasse en traitant la structure à la source et en conservant l’intégrité statistique du dataset.
Illustration concrète: une raffinerie qui ajuste sa marge selon la qualité des bruts, les coûts énergétiques et la demande régionale. Un LLM peut générer une explication plausible; un LTM doit, lui, fournir un résultat numériquement identique à paramètres constants. Cette distinction, souvent théorique, devient décisive au moment d’engager des millions d’euros sur une stratégie de prix.
Ce différentiel de conception n’est pas cosmétique: il conditionne la fiabilité des décisions automatisées lorsque la variance d’erreur se traduit en impact financier direct.
Déploiement sur données massives: partenariat AWS, sécurité et performance à l’échelle
FUNDAMENTAL annonce un partenariat stratégique avec AWS pour rapprocher NEXUS des lacs et entrepôts de données existants, limiter les mouvements de données et s’aligner avec les politiques de sécurité et de conformité. En pratique, cela réduit les délais de mise en production, simplifie les contrôles d’accès et répond aux exigences d’auditabilité sur des pipelines déjà supervisés par les équipes cloud internes.
Dans une entreprise industrielle mondiale, la gravité des données dicte l’architecture: déplacer des téraoctets hors de l’environnement souverain est coûteux et risqué. Déployer un moteur tabulaire au plus près des tables transactionnelles permet de préserver latence, confidentialité et coûts, tout en améliorant la couverture fonctionnelle des cas d’usage stratégiques.
Cas d’usage énergétiques et industriels: prévision, tarification, risque, fraude
Dans l’énergie, l’optimisation s’appuie sur des signaux faibles: météo haute fréquence, maintenance planifiée, congestion réseau, spreads interzones. Un LTM tel que NEXUS peut intégrer ces sources hétérogènes et produire des trajectoires de demande ou des courbes de prix supportant une exécution automatisée des décisions d’achat. Pour un acteur comme “Helion Grid” (cas hypothétique), la réduction d’erreur de 1 à 2 points en pointe hivernale se traduit par des économies à huit chiffres.
Hors énergie, la détection de fraude multi-canal et le scoring de risque crédit exigent une lecture cohérente sur des milliers de variables encodées de manière disparate. Le bénéfice attendu réside autant dans le rappel sur des cas rares que dans la stabilité des seuils de décision, élément clé de la gouvernance.
La valeur opérationnelle se mesure à l’exécution: moins d’alertes fantômes, des seuils explicites et un cycle d’audit réduit.
Financement, équipe fondatrice et trajectoire marché de FUNDAMENTAL
La collecte de fonds de 216 millions d’euros (environ 255 M$) valorise FUNDAMENTAL à près de 1,2 milliard de dollars. Selon les informations communiquées, la série A de 225 M$ est menée par OAK HC/FT, avec la participation de VALOR EQUITY PARTNERS, BATTERY VENTURES, SALESFORCE VENTURES et HETZ VENTURES, tandis que le seed de 30 M$ réunit notamment QUADRILLE CAPITAL, KIMA VENTURES, MOTIER VENTURES et des business angels tels qu’Aravind Srinivas (Perplexity), Henrique Dubugras (Brex) et Olivier Pomel (Datadog). À la tête de l’entreprise, un trio associant finance, science et exécution: Jeremy Fraenkel (CEO, ex J.P. Morgan et Bridgewater), Marta Garnelo (CSO, ex Google DeepMind) et Gabriel Suissa (croissance, ex J.P. Morgan et Greenfield Partners).
Côté marché, si le portefeuille clients reste discret, un recrutement d’Enterprise Account Manager pour adresser des comptes Fortune 100 indique une stratégie orientée “grand compte” et cycles longs, cohérente avec la proposition de valeur: rapprocher la technologie du cœur décisionnel et des contraintes de conformité. Dans un contexte où les directions data privilégient des solutions industrialisables plutôt que des démonstrateurs, la trajectoire annoncée de FUNDAMENTAL se veut résolument tournée vers l’impact mesurable et la gouvernance.
En synthèse, l’articulation entre NEXUS, le déploiement cloud et l’orientation grands comptes suggère une ambition: faire des données massives structurées un actif prédictif fiable, et non un gisement encore sous-exploité.
Journaliste spécialisée en énergie et industrie, je décrypte depuis plus de quinze ans les évolutions des marchés énergétiques et les innovations industrielles. Mon parcours m’a conduite à collaborer avec des publications de renom, où j’ai analysé les défis liés à la transition énergétique et aux politiques industrielles.
