Etched double sa valorisation à 21 milliards de dollars après le test de Jane Street

Etched a annoncé le 18 août 2026 avoir levé 700 millions de dollars lors d’un tour mené par Jane Street, sur la base d’une valorisation de 21 milliards de dollars. La société de trading quantitatif est également devenue le premier client de la start-up après avoir testé son matériel et reçu son premier rack de calcul dédié à l’inférence. 156

Cette progression est particulièrement spectaculaire sur le marché privé. Etched était valorisée 5 milliards de dollars en décembre, puis 10,3 milliards après une série C de 300 millions de dollars annoncée le 23 juillet. Moins d’un mois plus tard, sa valorisation a de nouveau plus que doublé pour atteindre 21 milliards. 3917

Pourquoi cette levée attire l’attention

Le pari des investisseurs porte sur le matériel spécialisé pour l’inférence, c’est-à-dire l’exécution d’un modèle d’IA déjà entraîné lorsqu’un utilisateur lui soumet une requête. Etched ne se présente pas comme un fabricant de cartes accélératrices classiques : elle commercialise des systèmes complets à l’échelle d’un rack, baptisés frontier inference clusters.

Ces plateformes réunissent les puces, la mémoire, le réseau, le refroidissement, les logiciels et d’autres éléments d’infrastructure nécessaires pour servir des modèles d’IA. 524

L’approche rappelle, par son ambition à l’échelle du système, les « AI factories » de Nvidia. Mais là où Nvidia propose des infrastructures plus largement orientées vers l’IA, Etched concentre son architecture sur les besoins spécifiques de l’inférence : débit, latence, consommation électrique et coût d’exploitation. 89

À mesure que les modèles passent de l’entraînement à un usage en temps réel, cette phase devient un enjeu économique majeur. Une réponse générée plus rapidement et à moindre coût peut améliorer la rentabilité des services d’IA, à condition que le matériel tienne ses promesses en production.

Une architecture conçue pour les deux étapes de l’inférence

Etched sépare l’inférence en deux phases, qui ne rencontrent pas les mêmes limites techniques : le prefill et le decode.

1. Le prefill : traiter le prompt avec Low Voltage Inference

Le prefill correspond au moment où le système lit le prompt et son contexte, puis transforme ces informations en un état de travail utilisable par le modèle. Cette étape est particulièrement exigeante en calcul avant même que la génération de la réponse ne commence. 20

Pour cette phase, Etched mise sur une architecture appelée Low Voltage Inference (LVI). Selon l’entreprise, les blocs de calcul de sa puce fonctionnent à moins de la moitié de la tension utilisée par de nombreuses puces d’IA classiques. L’objectif est de réduire la chaleur produite, afin d’intégrer davantage de transistors dans une enveloppe donnée de puissance et de température et d’augmenter la densité de calcul. 1827

Etched affirme que cette conception vise notamment les charges de travail à haut débit, y compris les grands modèles « mixture-of-experts » clairsemés. Ces déclarations de performance et de compatibilité émanent toutefois de l’entreprise ; les éléments fournis ne permettent pas de vérifier indépendamment chacun de ses benchmarks ou de ses cas d’usage annoncés. 27

2. Le decode : gérer la mémoire avec Cluster Scale Memory

Le decode est la phase où le modèle génère la réponse, un token après l’autre. Elle demande généralement moins de calcul brut que le prefill, mais elle est fortement limitée par les accès mémoire : le système doit consulter à répétition le contexte accumulé, notamment le cache clé-valeur, ou KV cache. 2025

Etched propose pour cela Cluster Scale Memory (CSM), une architecture de mémoire partagée. Plusieurs puces réparties dans un rack peuvent accéder à un même pool de mémoire rapide et faiblement latente, au lieu de dépendre principalement de leur propre mémoire locale. 72228

L’idée est de limiter la duplication des données et les déplacements entre les puces. En théorie, cela pourrait accroître le débit et réduire le coût de fonctionnement des grands modèles, dont le service mobilise d’importantes quantités de mémoire.

LVI et CSM traduisent ainsi la thèse centrale d’Etched : le traitement du prompt et la génération des tokens ne doivent pas être abordés comme une seule et même charge de travail. Chacune de ces phases possède ses propres goulots d’étranglement et nécessite une conception matérielle différente.

Etched peut-elle exécuter n’importe quel modèle de pointe ?

Les éléments disponibles indiquent qu’Etched vise une infrastructure capable de prendre en charge plusieurs modèles, et pas une puce entièrement verrouillée sur un modèle unique. La société affirme que son architecture peut exécuter de grands modèles « mixture-of-experts » clairsemés, tandis que plusieurs articles décrivent ses clusters comme destinés aux charges de travail liées aux modèles de pointe. 1327

Cela ne suffit pas à démontrer que les racks peuvent exécuter tous les modèles de pointe sans modification logicielle, optimisation ou adaptation supplémentaire. Les sources fournies ne permettent pas d’étayer une affirmation aussi large.

La conclusion la plus prudente est donc qu’Etched construit une infrastructure d’inférence généraliste autour d’une architecture spécialisée, plutôt qu’une puce limitée à un seul modèle précis.

Jane Street, premier client et investisseur principal

L’implication de Jane Street constitue un signal de validation commerciale en plus du financement. Etched indique que la société de trading a testé sa puce, reçu le premier rack le mois suivant et commencé à déployer le système dans son centre de données. 56

Jane Street a déclaré :

« Nous avons testé la puce et sommes satisfaits des premiers résultats. L’approche unique d’Etched en matière d’inférence offre la précision dont nous aurons besoin pour nos charges de travail les plus exigeantes. Nous sommes ravis d’avoir désormais notre propre rack en fonctionnement dans notre centre de données. » 6

Pour Etched, le fait qu’un client particulièrement sensible à la latence soit passé de l’évaluation au déploiement avant de mener le tour de financement est un élément important. Cela reste toutefois une validation précoce, et non la preuve que la start-up a déjà remplacé à grande échelle les solutions matérielles établies dans l’IA.

Qui a participé au tour de 700 millions de dollars ?

Les participants annoncés comprennent Jane Street, Kleiner Perkins, Sequoia, Andreessen Horowitz, Tiger Global, Bain Capital Ventures, Neo, Primary, Stripes, Positive Sum et Blackstone. 45

Dans sa propre annonce, Etched cite également Peter Thiel parmi ses investisseurs. Les éléments fournis ne permettent pas d’établir clairement si cette mention signifie qu’il a participé à ce tour précis ou s’il figure parmi les soutiens cumulés de l’entreprise. 1628

En revanche, les sources disponibles ne corroborent pas la participation de Diffusion ou d’Argo à ce financement particulier. Ces noms ne doivent donc pas être ajoutés à la liste des investisseurs du tour sur la seule base des informations fournies.

Ce qu’il faut retenir

L’annonce d’Etched réunit trois développements : une levée de 700 millions de dollars, une valorisation passée de 5 milliards de dollars en décembre à 21 milliards en août, et le déploiement du premier rack d’inférence auprès de son premier client. 159

La thèse d’investissement repose sur une idée simple : le déploiement massif de l’IA nécessitera des infrastructures conçues spécifiquement pour l’économie de l’inférence. LVI cible la phase de prefill, intensive en calcul, tandis que CSM s’attaque à la phase de decode, intensive en mémoire.

Le rack installé chez Jane Street apporte un premier test commercial concret à cette stratégie. Pour justifier durablement une valorisation de 21 milliards de dollars, Etched devra encore démontrer des performances fiables, une compatibilité suffisamment large avec les modèles et une capacité à livrer ses systèmes à l’échelle industrielle.