L'ascension de Mercor à 20 milliards de valorisation révèle que le prochain goulot d'étranglement de l'IA n'est pas le calcul

Mercor a démarré comme une plateforme de recrutement utilisant l'IA pour associer des prestataires à des emplois. En septembre 2026, elle était valorisée à environ 20 milliards de dollars — soit le double de sa valorisation dix mois plus tôt — et l'activité derrière ce chiffre n'a presque plus rien à voir avec le recrutement. Mercor construit désormais des environnements de travail simulés où les modèles d'IA s'entraînent à des tâches et sont notés sur les résultats, et ce virage est la preuve la plus claire à ce jour que le véritable goulot d'étranglement de l'industrie de l'IA s'est déplacé loin du calcul brut.

Cette catégorie s'appelle les "environnements RL" — environnements d'apprentissage par renforcement — et c'est là que les laboratoires de pointe consacrent désormais une part croissante de leurs budgets d'entraînement. Anthropic aurait discuté de dépenser plus d'un milliard de dollars en environnements rien qu'en 2026. Les dirigeants de la recherche d'OpenAI ont déclaré publiquement que l'entreprise s'attend à ce que le calcul d'apprentissage par renforcement dépasse bientôt ce qu'elle dépense en pré-entraînement.

De l'étiquetage de données à la construction de terrains d'entraînement

L'ancien pipeline d'entraînement des modèles était simple : extraire ou licencier du texte, en étiqueter une partie, puis pré-entraîner un modèle sur le corpus résultant. Ce pipeline existe toujours, mais il produit des rendements décroissants pour le type de comportement agentique et multi-étapes que les laboratoires veulent désormais — écrire du code fonctionnel dans un dépôt réel, clôturer un cycle comptable, négocier un ticket de support client à plusieurs échanges jusqu'à sa résolution.

Cela ne s'apprend pas à partir d'un ensemble de données statique. Il faut un environnement simulé où un modèle peut poser une action, en voir une conséquence réaliste, et être noté selon un résultat vérifiable. Construire ces environnements — un système comptable fictif fonctionnel, une base de code consultable avec de vrais bugs, un simulateur de support client à plusieurs échanges — est une discipline vraiment différente de l'étiquetage de données, plus proche de la construction d'un jeu vidéo que de l'annotation d'un tableur.

Les mouvements produit de Mercor racontent l'histoire. L'entreprise a lancé APEX-SWE, un environnement de référence pour l'ingénierie logicielle, en mars 2026. En juillet, elle s'est associée à l'entreprise de gestion des dépenses Ramp pour lancer APEX-Accounting. Les deux acquisitions derrière cette capacité — Sepal AI en février et Deeptune en juillet — ont été explicitement achetées pour construire une expertise en ingénierie d'environnements, pas pour ajouter du personnel d'étiquetage.

Pourquoi les environnements l'emportent économiquement sur plus de données

L'économie explique la valorisation. Un ensemble de données étiqueté est utilisé une fois, affiné une fois, et finit par se saturer — un modèle entraîné au-delà d'un certain point sur les mêmes exemples statiques cesse de s'améliorer. Un environnement bien construit est réutilisable et cumulatif : chaque nouvelle génération de modèles peut s'y entraîner à nouveau, et l'environnement lui-même peut être rendu plus difficile à mesure que les modèles s'améliorent, prolongeant indéfiniment sa durée de vie utile.

Cette réutilisabilité explique pourquoi une entreprise vendant des environnements peut facturer plus par contrat qu'une entreprise vendant des volumes équivalents d'exemples étiquetés, et pourquoi "ingénieur d'environnement RL" est passé d'un intitulé de poste qui existait à peine en 2024 à l'un des rôles les mieux payés et les plus difficiles à pourvoir en IA d'ici 2026.

Trois camps se disputent cette couche

Le marché s'est réparti en trois groupes. Le premier regroupe les acteurs historiques des données humaines qui ont pivoté fortement vers les environnements — Mercor, Surge AI (avec environ 1,2 milliard de dollars de revenus rapportés), Scale AI, Turing et Centific. Le deuxième regroupe des startups nativement dédiées aux environnements qui n'ont jamais fait d'étiquetage de données traditionnel : Mechanize, Fleet AI, HUD, Veris AI, Plato et Bespoke Labs. Le troisième regroupe des écosystèmes ouverts et décentralisés comme Prime Intellect.

Ce que cela signifie en pratique

Pour les ingénieurs : l'ingénierie d'environnements est désormais une spécialité distincte et bien rémunérée qu'il vaut la peine d'apprendre délibérément. Pour les acheteurs d'entreprise évaluant les affirmations d'un fournisseur d'IA sur un flux de travail spécifique, la question utile n'est plus "combien de données avez-vous entraînées" mais "quel environnement avez-vous construit pour vérifier ce comportement, et à quel point est-il proche de mon flux de travail réel". Pour les fondateurs dans des espaces adjacents, la couche des environnements est encore assez jeune pour que les environnements spécifiques à un domaine pour des verticales sous-desservies restent un territoire ouvert.

L'histoire du calcul n'est pas terminée. Mais pour la prochaine génération de modèles, la contrainte contraignante semble de plus en plus être de savoir si les laboratoires disposent d'une version simulée du monde réel suffisamment bonne pour s'entraîner dessus — et qui contrôle les meilleures copies de cette simulation.