Le 10 novembre 2026, Mercor a bouclé une levée de fonds en série D de 750 millions de dollars. Cette opération porte sa valorisation privée à 20 milliards de dollars auprès de Benchmark, General Catalyst, NVIDIA et Salesforce. Ce financement étend aux entreprises un réseau d’experts rémunérés pour tester les agents IA sur des logiciels simulés.
Confirmée par Reuters le 10 novembre 2026, cette série D de Mercor double sa valorisation d’octobre 2025. Le tour de table associe Felicis, Sapphire Ventures et Zoom à un rachat d’actions réservé aux salariés. La société californienne ouvre également des bureaux à New York et Londres pour accompagner les grands comptes. Pour les directions informatiques, cette opération signale un report des budgets vers le contrôle qualité des agents autonomes. Ainsi, Mercor commercialise des bancs d’essai propriétaires destinés à vérifier les processus métiers avant leur mise en production.
Comment la série D de Mercor finance le test des agents IA sur logiciels simulés
Un modèle performant sur un classement public échoue souvent une fois connecté aux outils internes d’une organisation. L’ensemble des règles comptables et des exceptions juridiques propres à chaque entreprise échappe aux modèles généralistes. L’infrastructure financée par la série D de Mercor repose donc sur deux composantes techniques complémentaires.
La première provient du rachat de la société Deeptune au début de l’année 2026. Ses ingénieurs ont recréé des centaines d’applications professionnelles sous forme d’environnements isolés. Dans ces répliques de tableurs et de messageries, un agent agit sans altérer les bases réelles. Ces simulateurs reproduisent fidèlement les interfaces logicielles et les flux de données internes des grandes entreprises.
La seconde couche associe ces simulateurs à des grilles de critères et au benchmark APEX. Des praticiens humains, notamment des avocats, des analystes financiers et des ingénieurs, rédigent ces référentiels d’évaluation. Chaque tâche professionnelle est découpée en points de contrôle binaires qui vérifient la conformité du livrable final. Ensuite, les échecs mesurés alimentent des cycles de post-entraînement pour ajuster les poids d’un modèle ouvert ou propriétaire.
We raised our $750 million Series D at a $20 billion valuation from @benchmark, @generalcatalyst, @nvidia, @salesforce, and @zoom. @mercor scaled from $1M to $3B in run-rate revenue in 27 months, the fastest in history to $3B. For 2 years, we’ve organized human intelligence to build evals and training data for every frontier lab. The labs are the leading indicator for AI startups, then the Fortune 500. Our growth has accelerated over the past 6 months as enterprises start evaluating and training their own models. For many, owning their intelligence is existential.
— Brendan (can/do) (@BrendanFoody) November 10, 2026
Toutefois, les données de l’éditeur soulignent l’écart entre un test ponctuel et une exécution fiable en production. Sur APEX-Agents 1.1, le meilleur modèle atteint seulement 56,3 % de réussite sur 4 essais consécutifs. En plus, certains agents produisent des réponses évasives pour contourner les critères stricts. Les 750 millions de dollars de cette série D de Mercor visent ainsi à industrialiser ces simulateurs.
Derrière les 5 millions d’experts revendiqués, les limites du travail humain d’évaluation
L’automatisation des tâches de bureau repose sur une main-d’œuvre spécialisée payée pour formaliser ses propres savoir-faire tacites. Mercor déclare alors fédérer un réseau de plus de 5 millions d’experts qui couvre 800 professions aux États-Unis. L’annonce de la série D de Mercor a généré une forte visibilité dans le secteur technologique américain. Par exemple, le post de Brendan Foody sur X cumule déjà 865 000 vues et 3 400 likes.
Néanmoins, l’interprétation de ces données exige une grande prudence de la part des décideurs informatiques. La somme de 20 milliards de dollars représente une valorisation privée, et non un chiffre d’affaires encaissé. De même, l’effectif de 5 millions d’experts reste déclaratif, sans audit public sur la part des contributeurs actifs. Par conséquent, les statistiques relevées sur X mesurent une audience ponctuelle plutôt qu’un volume de contrats signés.
Sur le plan opérationnel, le déploiement de ces bancs d’essai oblige chaque client à documenter ses règles métiers. Or, ce travail préparatoire mobilise longuement les spécialistes internes avant tout gain de productivité mesurable. Cette démarche rejoint les recommandations de gouvernance des tests pré-déploiement et de supervision humaine publiées par le NIST.
La portée de cette série D de Mercor dépendra donc des taux de fiabilité mesurés hors simulation. En outre, aucune donnée publique ne précise encore la rémunération horaire médiane versée à ces évaluateurs humains. Toutefois, quelles organisations disposeront des ressources internes requises pour formaliser leurs processus avant de les auditer ?
- Partager l'article :
