À quoi sert la plateforme de Kumo AI ?

La plateforme de Kumo permet aux entreprises de générer des prédictions directement à partir de leurs bases de données relationnelles existantes — comme Snowflake, Databricks ou SAP — sans avoir à passer par la fastidieuse étape de l'ingénierie des caractéristiques (feature engineering) ou des schémas de données rigides . Son produit phare, KumoRFM, a été rejoint par KumoRFM-2, une nouvelle version lancée en avril 2026. Ces modèles fondamentaux « relationnels », déjà pré-entraînés, peuvent répondre presque instantanément à des questions prédictives telles que : valeur vie client, probabilité d'attrition, prochaine meilleure action, détection de fraude ou notation du risque de crédit .

Un modèle Kumo se connecte aux données de l'entreprise, l'utilisateur définit l'objectif de la prédiction, et le système produit des résultats sans entraînement supplémentaire . La solution couvre plus de 15 secteurs d'activité, dont les services financiers, la distribution, les médias et la santé .

Comment fonctionne la technologie de réseau de neurones sur graphes

Au cœur de la plateforme se trouve une architecture propriétaire de réseau de neurones sur graphes hybride (Hybrid Graph Neural Network ou GNN) . Cette approche traite les entités (clients, produits, transactions) comme des nœuds (« nodes ») et leurs connexions (comme les relations de clés primaires et étrangères dans une base de données) comme des arêtes (« edges ») au sein d'un graphe .

Les mécaniques essentielles sont les suivantes :

• Le passage de messages : chaque nœud agrège les informations de ses voisins à travers le graphe. En utilisant plusieurs couches, les nœuds apprennent non pas seulement de leurs propres caractéristiques, mais de toute la structure connectée .
• Plus besoin d'« aplatir » les données : l'apprentissage automatique traditionnel transforme les données relationnelles en tableaux plats, détruisant ainsi le contexte des relations. Les GNN opèrent directement sur la structure native du graphe, préservant connexions et schémas temporels .
• L'accélération par GPU : les modèles sont conçus pour donner leur pleine mesure sur les cartes graphiques Nvidia, une condition indispensable pour des prédictions à l'échelle d'une grande entreprise .

Kumo combine également ses GNN avec de grands modèles de langage (LLM) pour enrichir ses modèles prédictifs .

Le montant de la transaction

Bien que Nvidia n'ait pas confirmé les détails financiers, le média The Information a été le premier à évoquer une transaction « d'au moins 400 millions de dollars » . D'autres publications comme GuruFocus, Fortune et des sources d'information financière régionales ont repris ce chiffre . En l'absence de confirmation officielle, ce montant doit être considéré comme une estimation bien documentée et non comme un chiffre officiel .

Des clients de renom

Parmi les clients et partenaires de l'écosystème Kumo rendus publics figurent des noms comme DoorDash, Reddit, Databricks, Snowflake et SAP . Les modèles de Kumo servent plus d'un milliard d'utilisateurs à travers le monde via les applications de ses clients . La startup a publié des résultats de performance notables, comme une multiplication par 5,4 du taux de conversion avec Databricks et par 5,5 de la précision publicitaire chez Reddit .

Les cofondateurs

• Vanja Josifovski — Cofondateur et PDG. Précédemment directeur technique (CTO) de Pinterest lors de son introduction en bourse, puis CTO d'Airbnb Homes .
• Jure Leskovec — Cofondateur et Chief Scientist. Professeur à l'université de Stanford, il a dirigé le développement de l'apprentissage profond relationnel et des GNN à Stanford avant d'être Chief Scientist chez Pinterest .
• Dr Hema Raghavan — Cofondatrice et directrice de l'ingénierie. Ancienne directrice senior de l'ingénierie et responsable IA chez LinkedIn, elle a été nommée sur la liste Female Founders 500 2026 du magazine Inc .

Tous trois sont titulaires d'un doctorat (PhD) et ont rejoint les rangs de Nvidia après la finalisation de l'acquisition .

Le capital-risque levé par Kumo

Kumo avait levé environ 37 millions de dollars en deux tours de table (certaines bases de données mentionnent 36,5 millions) :

• Série A (avril 2022) : 18,5 millions de dollars, menée par le fonds Sequoia Capital, avec la participation de A Capital, SV Angel et Ron Conway .
• Série B (septembre 2022) : 18 millions de dollars, également menée par Sequoia, rejointe par A Capital, SV Angel et plusieurs investisseurs providentiels comme Frank Slootman et Kevin Hartz .

Selon les données de PitchBook, la valorisation post-Série B de Kumo était d'environ 250 millions de dollars. Le prix d'acquisition de plus de 400 millions représente donc une croissance d'environ 60 % par rapport à cette dernière levée de fonds .

Un atout stratégique au-delà de la vente de matériel

L'acquisition de Kumo s'inscrit dans une vision que le PDG de Nvidia, Jensen Huang, poursuit depuis des années : faire passer Nvidia du statut de simple fournisseur de puces à celui de plateforme d'IA complète .

Plusieurs axes stratégiques convergent dans cette opération :

• Vendre du logiciel, pas seulement du silicium : Kumo apporte à Nvidia un produit SaaS d'entreprise prêt à l'emploi, optimisé pour ses GPU et capable de générer des revenus récurrents au-delà des cycles de vente de matériel .
• Verrouiller l'effet d'entraînement matériel : les modèles GNN de Kumo sont plus performants sur les GPU Nvidia. Lorsqu'une entreprise adopte Kumo pour ses analyses prédictives, elle renforce son ancrage dans l'écosystème de la marque .
• S'étendre à l'IA prédictive : Nvidia domine déjà le marché de l'entraînement des grands modèles de langage. L'IA prédictive destinée aux utilisateurs métier — attrition, fraude, recommandations — constitue un marché adjacent colossal .
• Acquérir des talents et une propriété intellectuelle de premier plan : Jure Leskovec est l'un des pionniers des réseaux de neurones sur graphes. Intégrer son équipe et l'architecture Hybride GNN au sein de Nvidia renforce à la fois le pipeline de recherche et la capacité du groupe à optimiser ses futures puces pour les charges de travail d'IA relationnelle .
• Poursuivre une logique de fusions-acquisitions : Nvidia a régulièrement racheté des startups de logiciels d'IA — comme Run:ai, Deci, Illumex, et l'accord de reprise de Groq pour 20 milliards de dollars fin 2025 — afin d'assembler une plateforme couvrant l'ensemble de la chaîne : infrastructure, modèles et applications .

Cette opération illustre un grand classique du secteur technologique : acquérir une petite entreprise dotée d'une profonde expertise technique et de relations commerciales existantes, puis déployer son produit à grande échelle sur sa propre infrastructure. Pour Nvidia, Kumo ne se résume pas à l'IA prédictive ; c'est l'assurance que la prochaine génération de charges de travail d'IA en entreprise tournera bien sur Nvidia, de bout en bout.

À quoi sert la plateforme de Kumo AI ?

La plateforme de Kumo permet aux entreprises de générer des prédictions directement à partir de leurs bases de données relationnelles existantes — comme Snowflake, Databricks ou SAP — sans avoir à passer par la fastidieuse étape de l'ingénierie des caractéristiques (feature engineering) ou des schémas de données rigides . Son produit phare, KumoRFM, a été rejoint par KumoRFM-2, une nouvelle version lancée en avril 2026. Ces modèles fondamentaux « relationnels », déjà pré-entraînés, peuvent répondre presque instantanément à des questions prédictives telles que : valeur vie client, probabilité d'attrition, prochaine meilleure action, détection de fraude ou notation du risque de crédit .

Un modèle Kumo se connecte aux données de l'entreprise, l'utilisateur définit l'objectif de la prédiction, et le système produit des résultats sans entraînement supplémentaire . La solution couvre plus de 15 secteurs d'activité, dont les services financiers, la distribution, les médias et la santé .

Comment fonctionne la technologie de réseau de neurones sur graphes

Au cœur de la plateforme se trouve une architecture propriétaire de réseau de neurones sur graphes hybride (Hybrid Graph Neural Network ou GNN) . Cette approche traite les entités (clients, produits, transactions) comme des nœuds (« nodes ») et leurs connexions (comme les relations de clés primaires et étrangères dans une base de données) comme des arêtes (« edges ») au sein d'un graphe .

Les mécaniques essentielles sont les suivantes :

• Le passage de messages : chaque nœud agrège les informations de ses voisins à travers le graphe. En utilisant plusieurs couches, les nœuds apprennent non pas seulement de leurs propres caractéristiques, mais de toute la structure connectée .
• Plus besoin d'« aplatir » les données : l'apprentissage automatique traditionnel transforme les données relationnelles en tableaux plats, détruisant ainsi le contexte des relations. Les GNN opèrent directement sur la structure native du graphe, préservant connexions et schémas temporels .
• L'accélération par GPU : les modèles sont conçus pour donner leur pleine mesure sur les cartes graphiques Nvidia, une condition indispensable pour des prédictions à l'échelle d'une grande entreprise .

Kumo combine également ses GNN avec de grands modèles de langage (LLM) pour enrichir ses modèles prédictifs .

Le montant de la transaction

Bien que Nvidia n'ait pas confirmé les détails financiers, le média The Information a été le premier à évoquer une transaction « d'au moins 400 millions de dollars » . D'autres publications comme GuruFocus, Fortune et des sources d'information financière régionales ont repris ce chiffre . En l'absence de confirmation officielle, ce montant doit être considéré comme une estimation bien documentée et non comme un chiffre officiel .

Des clients de renom

Parmi les clients et partenaires de l'écosystème Kumo rendus publics figurent des noms comme DoorDash, Reddit, Databricks, Snowflake et SAP . Les modèles de Kumo servent plus d'un milliard d'utilisateurs à travers le monde via les applications de ses clients . La startup a publié des résultats de performance notables, comme une multiplication par 5,4 du taux de conversion avec Databricks et par 5,5 de la précision publicitaire chez Reddit .

Les cofondateurs

• Vanja Josifovski — Cofondateur et PDG. Précédemment directeur technique (CTO) de Pinterest lors de son introduction en bourse, puis CTO d'Airbnb Homes .
• Jure Leskovec — Cofondateur et Chief Scientist. Professeur à l'université de Stanford, il a dirigé le développement de l'apprentissage profond relationnel et des GNN à Stanford avant d'être Chief Scientist chez Pinterest .
• Dr Hema Raghavan — Cofondatrice et directrice de l'ingénierie. Ancienne directrice senior de l'ingénierie et responsable IA chez LinkedIn, elle a été nommée sur la liste Female Founders 500 2026 du magazine Inc .

Tous trois sont titulaires d'un doctorat (PhD) et ont rejoint les rangs de Nvidia après la finalisation de l'acquisition .

Le capital-risque levé par Kumo

Kumo avait levé environ 37 millions de dollars en deux tours de table (certaines bases de données mentionnent 36,5 millions) :

• Série A (avril 2022) : 18,5 millions de dollars, menée par le fonds Sequoia Capital, avec la participation de A Capital, SV Angel et Ron Conway .
• Série B (septembre 2022) : 18 millions de dollars, également menée par Sequoia, rejointe par A Capital, SV Angel et plusieurs investisseurs providentiels comme Frank Slootman et Kevin Hartz .

Selon les données de PitchBook, la valorisation post-Série B de Kumo était d'environ 250 millions de dollars. Le prix d'acquisition de plus de 400 millions représente donc une croissance d'environ 60 % par rapport à cette dernière levée de fonds .

Un atout stratégique au-delà de la vente de matériel

L'acquisition de Kumo s'inscrit dans une vision que le PDG de Nvidia, Jensen Huang, poursuit depuis des années : faire passer Nvidia du statut de simple fournisseur de puces à celui de plateforme d'IA complète .

Plusieurs axes stratégiques convergent dans cette opération :

• Vendre du logiciel, pas seulement du silicium : Kumo apporte à Nvidia un produit SaaS d'entreprise prêt à l'emploi, optimisé pour ses GPU et capable de générer des revenus récurrents au-delà des cycles de vente de matériel .
• Verrouiller l'effet d'entraînement matériel : les modèles GNN de Kumo sont plus performants sur les GPU Nvidia. Lorsqu'une entreprise adopte Kumo pour ses analyses prédictives, elle renforce son ancrage dans l'écosystème de la marque .
• S'étendre à l'IA prédictive : Nvidia domine déjà le marché de l'entraînement des grands modèles de langage. L'IA prédictive destinée aux utilisateurs métier — attrition, fraude, recommandations — constitue un marché adjacent colossal .
• Acquérir des talents et une propriété intellectuelle de premier plan : Jure Leskovec est l'un des pionniers des réseaux de neurones sur graphes. Intégrer son équipe et l'architecture Hybride GNN au sein de Nvidia renforce à la fois le pipeline de recherche et la capacité du groupe à optimiser ses futures puces pour les charges de travail d'IA relationnelle .
• Poursuivre une logique de fusions-acquisitions : Nvidia a régulièrement racheté des startups de logiciels d'IA — comme Run:ai, Deci, Illumex, et l'accord de reprise de Groq pour 20 milliards de dollars fin 2025 — afin d'assembler une plateforme couvrant l'ensemble de la chaîne : infrastructure, modèles et applications .

Cette opération illustre un grand classique du secteur technologique : acquérir une petite entreprise dotée d'une profonde expertise technique et de relations commerciales existantes, puis déployer son produit à grande échelle sur sa propre infrastructure. Pour Nvidia, Kumo ne se résume pas à l'IA prédictive ; c'est l'assurance que la prochaine génération de charges de travail d'IA en entreprise tournera bien sur Nvidia, de bout en bout.