La levée de 30 millions de dollars annoncée le 17 novembre 2026 par Remanence, startup basée à Paris et cofondée par le Marocain Hamza Benchekroun, s’inscrit directement dans ce débat.
Remanence ne se présente pas comme un nouveau laboratoire de modèles frontaliers. Elle propose une plateforme de post-entraînement qui permet aux entreprises de transformer les traces d’exécution de leurs agents d’intelligence artificielle — chaque tâche réussie, chaque erreur, chaque correction humaine — en environnements d’apprentissage. Ces environnements servent ensuite à spécialiser des modèles à poids ouverts (open-weight) par apprentissage par renforcement. À l’issue du processus, l’entreprise conserve la propriété des poids du modèle et peut garder ses données sur ses propres infrastructures.
Une équipe issue du laboratoire français H Company
Les trois cofondateurs se connaissent pour avoir travaillé ensemble chez H Company, le laboratoire français spécialisé dans les agents capables de piloter un ordinateur. Pierre-Louis Cedoz, aujourd’hui directeur général de Remanence, y a été chercheur fondateur puis directeur technique, après avoir travaillé sur le post-entraînement de Gemini chez Google DeepMind. Hamza Benchekroun, directeur technique, a dirigé le post-entraînement chez H Company et a précédemment déployé des méthodes d’apprentissage par renforcement chez InstaDeep. Axel Moyal, directeur produit, y a mené des travaux sur les agents, les évaluations et la synthèse d’environnements.
Chez H Company, le trio a dirigé le post-entraînement des modèles Holo à poids ouverts. Selon EQT Ventures, ces modèles ont établi en mars 2026 un nouvel état de l’art sur le benchmark OSWorld-Verified, l’un des plus exigeants pour les tâches agentiques de longue durée, tout en restant nettement moins coûteux que certains modèles propriétaires.
Ce que finance concrètement le tour de table
La levée de 30 millions de dollars a été co-menée par EQT Ventures et FirstMark. Ont également participé Zero Prime, Emblem, Drysdale, Global Founders Capital et Yellow, ainsi que plusieurs business angels dont Olivier Pomel (Datadog), Philippe Corrot (Mirakl), Romain Niccoli (Pigment), les cofondateurs de Synthesia Victor Riparbelli et Steffen Tjerrild, et Mehdi Ghissassi (AI71).
![]()
Les fonds serviront principalement à financer un cluster de GPU dédié en Europe, à recruter des chercheurs et des ingénieurs (principalement à Paris, avec une présence précoce à Londres et à San Francisco) et à étendre les partenariats de conception avec des entreprises européennes et américaines. Remanence travaille déjà avec des partenaires de conception dans les secteurs juridique, du support client et du logiciel d’entreprise.
Comment la plateforme transforme les erreurs en progrès
Le principe technique est relativement simple à énoncer, plus exigeant à mettre en œuvre. La plateforme se connecte aux agents déjà en production. Elle analyse leurs traces d’exécution : quels outils ont été appelés, où l’agent a échoué, quelle correction a été apportée. À partir de ces traces, elle génère automatiquement des environnements d’entraînement et des mécanismes d’évaluation réalistes. Un modèle à poids ouvert est ensuite post-entraîné par apprentissage par renforcement sur ces environnements. À mesure que de nouvelles traces arrivent, le modèle peut être réentraîné. L’idée est que chaque utilisation améliore la suivante, sans que l’entreprise doive reconstruire manuellement des jeux de données ou des environnements de simulation à chaque évolution de ses processus.
Selon les fondateurs et leurs investisseurs, ce mécanisme vise à réduire à la fois les coûts d’inférence (en obtenant des modèles plus spécialisés et potentiellement plus légers) et la dépendance à des fournisseurs de modèles propriétaires dont les tarifs et les conditions d’utilisation peuvent évoluer. Les données restent sous le contrôle de l’entreprise, et l’entraînement comme le déploiement peuvent se faire dans un cloud public, un cloud privé virtuel ou sur site.
Pourquoi ce sujet compte au-delà d’une simple levée
Dans un contexte où les agents d’intelligence artificielle multiplient les appels de modèles et donc les dépenses en tokens, de nombreuses entreprises constatent que leurs coûts augmentent sans que les performances s’améliorent proportionnellement sur leurs cas d’usage spécifiques. Les traces générées restent souvent inexploitées. Remanence parie que ces traces constituent la matière première la plus précieuse pour construire une intelligence spécialisée et durablement contrôlée par l’entreprise.
Cette approche s’inscrit dans un mouvement plus large. Les modèles à poids ouverts ont réduit l’écart avec les modèles fermés sur de nombreuses tâches, et une part croissante des entreprises expérimente ou déploie des modèles qu’elles peuvent héberger ou adapter. Matt Turck, de FirstMark, a décrit cette évolution comme le passage à une stack hybride : des modèles fermés loués pour certaines capacités, et des modèles spécialisés possédés pour d’autres.
Pour les entreprises européennes, en particulier dans les secteurs réglementés, la possibilité de conserver les données et les poids sur leurs infrastructures répond aussi à des exigences de souveraineté et de conformité. Ce n’est toutefois pas une solution universelle. Elle suppose un volume suffisant de traces de qualité, une capacité à évaluer correctement les progrès du modèle, et une organisation prête à gérer le cycle de réentraînement.
Les limites restent réelles. La construction d’environnements d’apprentissage fidèles aux processus réels est techniquement difficile ; c’est précisément le goulot d’étranglement que Remanence affirme automatiser. La rareté des talents capables de conduire du post-entraînement par renforcement à grande échelle explique en partie la valorisation de cette équipe. Enfin, les grands laboratoires et d’autres acteurs de l’infrastructure d’agents développent également des capacités d’adaptation et de boucles de feedback. L’avantage concurrentiel se jouera sur la qualité de l’automatisation, la rapidité d’itération et la capacité à démontrer des gains mesurables de coût et de fiabilité chez les premiers clients.
Ce que l’on peut retenir à ce stade
La levée de Remanence est significative par son montant pour un tour d’amorçage et par le profil de ses fondateurs. Elle illustre une conviction partagée par plusieurs investisseurs : la valeur durable en intelligence artificielle d’entreprise ne réside pas uniquement dans l’accès aux modèles les plus performants du moment, mais dans la capacité à transformer l’usage quotidien en amélioration continue sous contrôle de l’entreprise. Que cette conviction se traduise par des résultats économiques concrets dépendra de l’exécution technique et de l’adoption réelle dans des environnements de production exigeants. Pour l’instant, les partenaires de conception et le cluster de calcul constituent les prochaines étapes observables.
FAQ
Remanence est-elle une startup marocaine ?
Non. Il s’agit d’une startup basée à Paris, cofondée par le Marocain Hamza Benchekroun (directeur technique) avec deux cofondateurs français. Elle prévoit des recrutements principalement à Paris, avec une présence précoce à Londres et à San Francisco.
Comment le système apprend-il des erreurs ?
Il capture les traces d’exécution des agents déjà déployés (succès, échecs, corrections), les transforme en environnements d’entraînement et post-entraîne un modèle à poids ouvert par apprentissage par renforcement. Le modèle peut être réentraîné au fur et à mesure que de nouvelles traces arrivent.
L’entreprise garde-t-elle vraiment le contrôle ?
Selon la société et ses investisseurs, oui : l’entreprise conserve la propriété des poids du modèle, et les données ainsi que l’entraînement peuvent rester dans ses propres infrastructures.
À quoi serviront les 30 millions de dollars ?
Principalement au financement d’un cluster de GPU en Europe, au recrutement de chercheurs et d’ingénieurs, et au développement des partenariats de conception avec des entreprises en Europe et aux États-Unis.