Du Demo Day S26 de Y Combinator, les quatre startups les plus remarquées par les investisseurs ne construisent pas de nouveaux modèles de langage. Elles construisent la tuyauterie pour les faire fonctionner : puces dédiées, consommation énergétique réduite, agents IA qui pilotent des robots. C’est un signal sur ce que l’écosystème juge aujourd’hui manquant dans la chaîne IA.
Quatre entreprises, un seul signal
Y Combinator a présenté sa promotion S26 la semaine dernière à San Francisco. Parmi les neuf startups les plus citées par les VCs présents, selon TechCrunch, quatre appartiennent au segment infrastructure IA. Aucune ne construit un modèle généraliste. C’est un choix délibéré de leur part, et une lecture de marché.
Voici les quatre projets et ce qu’ils disent sur l’état du secteur.
Waddle Labs : des agents LLM pour configurer des robots
Fondée par des diplômés de Harvard, Waddle Labs propose une couche API qui génère automatiquement le code de contrôle d’un robot via des agents LLM. Le résultat annoncé : passer d’un robot non configuré à un robot opérationnel en vingt minutes via une interface en langage naturel.
L’équipe se positionne explicitement comme « Claude Code for robotics ». La référence est directe : là où Claude Code automatise l’écriture de logiciels classiques, Waddle automatise le développement de logiciels de contrôle pour le matériel physique. Le marché cible est la robotique industrielle, qui intègre aujourd’hui ses appareils sur plusieurs semaines, parfois plusieurs mois, pour chaque nouvelle machine.
Lamb Labs : des puces avec les poids IA gravés dans le silicium
Lamb Labs, fondée par un doctorant en IA de l’Imperial College et un physicien théoricien d’Oxford, propose des Model Processing Units (MPUs). Le principe : graver les poids d’un modèle directement dans le silicium, au lieu de les charger depuis la mémoire à chaque inférence.
Le problème visé est la bande passante mémoire, qui constitue aujourd’hui l’un des principaux goulots d’étranglement lors de l’exécution de modèles sur GPU. Lire les poids depuis la mémoire à chaque token est coûteux en temps et en énergie. Si les poids sont dans le silicium lui-même, ce coût disparaît. La contrepartie est évidente : un MPU est figé pour un modèle donné. Il ne s’adapte pas à une mise à jour de poids.
Dipole Labs : de la commutation optique entre les GPU
Dipole Labs cible un autre goulet : la conversion électricité-lumière entre les puces GPU dans les data centers. Aujourd’hui, les signaux entre GPU passent par des convertisseurs qui consomment de l’énergie et limitent la bande passante. Dipole propose du matériel de commutation optique pour maintenir les données en lumière entre les puces, et réduire ainsi la consommation électrique globale tout en augmentant l’utilisation effective des GPU.
Le secteur des data centers IA est sous pression croissante sur la consommation énergétique depuis que la densité de calcul a augmenté. Plusieurs articles publiés cet été mentionnent l’énergie comme contrainte principale à l’échelle des grands clusters.
Parasma : des cellules cérébrales humaines comme substrat de calcul
Parasma est le projet le plus exploratoire des quatre. L’entreprise cherche à entraîner des cellules cérébrales humaines pour remplacer, à terme, du matériel informatique traditionnel. Le domaine est celui de la bioélectronique ; les résultats commerciaux à court terme sont limités. Sa présence parmi les projets les plus remarqués tient à l’originalité de l’approche et à la crédibilité de l’équipe, plutôt qu’à un produit finalisé.
Ce que ce choix dit du marché
La concentration de ces quatre projets dans l’infrastructure n’est pas un accident. Les modèles frontières ont atteint un niveau de performance qui rend leur disponibilité moins différenciante que leur coût d’utilisation, leur vitesse et leur capacité à s’intégrer dans des systèmes physiques. Pour les fondateurs qui cherchent une opportunité de marché claire avec des clients immédiats, construire un nouveau LLM généraliste est difficile à justifier face à OpenAI, Anthropic ou Google.
L’infrastructure, en revanche, reste fragmentée. Les robots ne parlent pas encore aux agents LLM facilement. Les data centers brûlent de l’énergie dans des conversions inutiles. Les poids de modèles sont rechargés à chaque inférence depuis des mémoires qui ne sont pas conçues pour ça. Ce sont des problèmes concrets, avec des clients industriels identifiables et des métriques mesurables.
Y Combinator reflète rarement une mode. Sa promotion S26 suggère que l’argent et les équipes de qualité se déplacent vers la couche d’exécution de l’IA, pas vers la couche de modélisation. C’est une lecture que plusieurs fonds d’investissement articulent depuis le printemps 2026 : les gains de performance des modèles sont désormais moins différenciants que la capacité à les intégrer dans des systèmes existants.
La prochaine étape pour ces quatre startups sera de montrer que leur intégration dans des environnements réels tient ses promesses. La période de démonstration est courte : dans un secteur qui évolue aussi vite, une année de retard sur une promesse de performance suffit à fermer une fenêtre de marché.
Choisir les bons outils pour ton activité et chiffrer leur coût réel, c’est le rôle de l’audit IA de départ.