Les modèles d’intelligence artificielle donnent souvent l’impression d’apprendre en permanence. Dans la pratique, la plupart restent pourtant figés entre deux cycles d’entraînement. Ils peuvent recevoir du contexte, mémoriser des préférences dans certains produits ou être orchestrés par des outils, mais leurs comportements fondamentaux changent rarement au fil des erreurs observées en production. C’est précisément cette limite que Trajectory veut attaquer.
La startup, présentée le 27 mai 2026 par WIRED, réunit d’anciens chercheurs passés par Google DeepMind, Apple, OpenAI et Meta. Son ambition : transformer les interactions réelles des utilisateurs en signaux d’amélioration pour des produits IA spécialisés. Derrière l’annonce d’une nouvelle jeune pousse financée par le capital-risque, il y a un sujet beaucoup plus large : comment faire progresser une IA utilisée tous les jours sans perdre le contrôle sur les données, la qualité et les déploiements ?
Une startup qui s’attaque au problème des modèles figés
Trajectory se positionne sur l’apprentissage continu, ou continual learning. L’idée paraît simple : lorsqu’un utilisateur corrige une réponse, reformule une demande, rejette une suggestion ou valide un résultat, ce comportement contient une information précieuse. Un système capable d’exploiter proprement ces signaux peut devenir meilleur sur les tâches qui comptent vraiment pour son produit.
Selon WIRED, Trajectory a levé 15 millions de dollars en amorçage, avec une valorisation post-money de 115 millions de dollars. Le tour est mené par Conviction, avec la participation de Bessemer Venture Partners, Radical VC et BoxGroup. Des figures reconnues de l’IA, dont Jeff Dean et Fei-Fei Li, font aussi partie des investisseurs individuels cités.
Le profil des fondateurs donne du poids au sujet. Ronak Malde, directeur général et cofondateur, a travaillé sur l’IA chez Windsurf avant de rejoindre Google DeepMind. Arjun Karanam vient d’Apple, où il a travaillé sur Vision Pro. Michael Elabd a, lui, évolué dans la robotique chez Google DeepMind. Ce parcours explique en partie le vocabulaire de Trajectory : l’entreprise ne parle pas seulement de tableaux de bord ou d’analytics, mais d’une IA qui apprend de son environnement d’usage.
Ce que signifie vraiment l’apprentissage continu
Pour comprendre l’intérêt de Trajectory, il faut distinguer trois niveaux souvent mélangés dans le débat public.
Le premier niveau est le prompt. Une entreprise peut améliorer ses résultats en reformulant les consignes envoyées à un modèle, en ajoutant des exemples ou en donnant un meilleur contexte. C’est utile, mais cela ne modifie pas le modèle lui-même.
Le deuxième niveau est l’évaluation. On observe les réponses, on mesure les échecs, on crée des jeux de tests, puis on ajuste les workflows. C’est devenu indispensable pour les agents IA en production, notamment lorsqu’ils appellent des outils ou prennent des décisions dans un processus métier.
Le troisième niveau est le post-entraînement. Les erreurs et corrections observées dans le produit servent à créer de nouvelles données d’apprentissage, puis à entraîner une version plus adaptée du modèle. C’est là que Trajectory veut intervenir : capter les signaux d’usage, comprendre ce qu’ils disent de la réussite réelle, orienter le comportement du système, puis déployer des améliorations validées.
Sur son site, Trajectory résume ce cycle en quatre verbes : instrumenter, comprendre, orienter et apprendre. La promesse est de capter les traces, corrections, relances et éditions déjà produites par les utilisateurs, puis de les transformer en une boucle d’amélioration. L’entreprise insiste aussi sur les garde-fous : contrôle des données utilisées pour l’entraînement, passage par des suites d’évaluation, approbation avant mise en production et auditabilité des changements.
Pourquoi le codage IA sert de laboratoire
Le cas du développement logiciel explique pourquoi ce sujet devient central. Les assistants de code ont progressé très vite, non seulement parce que les grands modèles se sont améliorés, mais aussi parce que le domaine fournit des signaux de réussite relativement nets. Un test passe ou échoue. Un patch compile ou non. Un développeur accepte, modifie ou rejette une suggestion.
Cette richesse de feedback a permis à certains produits de livraison de code assistée par IA d’itérer rapidement. Trajectory veut appliquer cette logique à d’autres secteurs, mais le transfert n’est pas trivial. Dans le support client, le droit, les ventes ou les opérations internes, la qualité d’une réponse ne se réduit pas toujours à un test binaire. Une réponse peut être correcte mais trop prudente, utile mais mal alignée avec la politique d’une entreprise, ou techniquement juste mais inadaptée au ton attendu.
C’est là que se situe le vrai défi éditorial de l’annonce. L’apprentissage continu n’est pas seulement une question de calcul ou de données. C’est une question de définition de la réussite. Que doit apprendre le système ? A satisfaire l’utilisateur à court terme ? A réduire les escalades vers un humain ? A respecter une doctrine juridique ? A éviter les réponses risquées ? Ces objectifs peuvent se contredire.
Des usages prometteurs, mais difficiles à généraliser
Trajectory cite déjà des terrains d’application dans les ventes, le support client et le juridique. Ces domaines ont un point commun : ils produisent beaucoup d’interactions, mais nécessitent une adaptation fine au contexte de chaque entreprise.
Dans le support client, par exemple, un agent IA peut apprendre que certaines formulations déclenchent trop souvent une escalade vers un conseiller humain. Il peut aussi apprendre qu’une politique de retour, une procédure d’identification ou une exception commerciale a changé. Dans le juridique, l’enjeu est encore plus sensible : les pratiques, les précédents, les clauses et les critères d’acceptabilité évoluent constamment. Un modèle généraliste peut être performant en langage, mais insuffisant sur la granularité métier.
L’approche défendue par Trajectory consiste donc à partir de modèles open source ou spécialisés, puis à les post-entraîner régulièrement pour un usage précis. WIRED rapporte que, dans certains cas, la startup envisage des cycles d’amélioration hebdomadaires, avec l’ambition d’aller vers des mises à jour plus fréquentes. Ce n’est pas encore une IA qui se réécrit instantanément à chaque interaction, mais c’est un pas vers des produits moins statiques.
La gouvernance devient aussi importante que la performance
L’annonce arrive à un moment où les entreprises découvrent une réalité moins spectaculaire que les démonstrations d’agents autonomes : mettre l’IA en production signifie accepter une dette de maintenance. Un agent qui répond à des clients, assiste un commercial ou prépare un document juridique doit être surveillé, évalué et corrigé en continu.
Le risque, avec l’apprentissage continu, est de transformer cette maintenance en boîte noire. Si un système apprend de signaux mal définis, il peut optimiser les mauvais comportements. Si les données d’usage contiennent des biais, des informations sensibles ou des corrections incohérentes, le modèle peut les absorber. Si une mise à jour améliore un indicateur tout en dégradant un cas rare mais critique, l’entreprise peut ne s’en apercevoir qu’après coup.
C’est pourquoi le discours de Trajectory sur le contrôle des données et les workflows d’approbation est important. Dans une entreprise régulée, un modèle qui change sans traçabilité est difficilement acceptable. L’apprentissage continu ne pourra devenir une pratique courante que si chaque modification est mesurable, réversible et compréhensible. L’enjeu n’est pas de laisser un modèle apprendre librement, mais de construire une chaîne industrielle où les signaux de terrain passent par des filtres, des évaluations et des décisions humaines.
Une bataille discrète pour l’IA d’entreprise
Le lancement de Trajectory dit aussi quelque chose du marché. Les grands modèles généralistes restent essentiels, mais une partie de la valeur se déplace vers les couches qui les adaptent aux usages réels : collecte de feedback, évaluation, post-entraînement, gouvernance, monitoring et déploiement contrôlé.
Pour les entreprises, cette évolution est stratégique. Beaucoup ont déjà testé des assistants capables de produire des réponses impressionnantes en démonstration, mais moins fiables dans les cas réels. Le problème n’est plus seulement d’avoir accès au meilleur modèle du moment. Il s’agit de construire un système qui s’améliore sur les tâches spécifiques de l’organisation, avec ses données, ses contraintes, ses clients et ses critères de qualité.
Cette logique peut favoriser des acteurs spécialisés. Un modèle plus petit, mais entraîné sur les bons signaux et évalué sur les bons cas, peut surpasser un modèle plus généraliste dans une tâche étroite. C’est une idée déjà bien connue en machine learning, mais elle reprend de l’importance à mesure que les coûts d’inférence, la confidentialité et la personnalisation deviennent des critères de décision.
Ce qu’il faudra surveiller maintenant
Trajectory ne prouve pas encore que l’apprentissage continu est devenu simple, universel ou entièrement automatisé. La startup devra démontrer que ses boucles d’amélioration tiennent à grande échelle, dans des domaines où le succès est ambigu et où les erreurs coûtent cher. Elle devra aussi convaincre que ses gains ne dépendent pas uniquement d’une forte intervention d’ingénieurs spécialisés en coulisses.
Mais le signal est intéressant : l’IA d’entreprise entre dans une phase où la performance brute des modèles ne suffit plus. Les organisations veulent des systèmes capables de s’adapter, mais elles ne peuvent pas sacrifier la gouvernance. Entre le modèle figé et l’agent qui apprend sans contrôle, il existe un espace industriel majeur. C’est cet espace que Trajectory tente d’occuper.
Si cette approche se confirme, les prochains progrès visibles de l’IA ne viendront pas seulement de modèles plus grands ou de benchmarks plus élevés. Ils viendront aussi de produits capables d’apprendre proprement de leur propre usage, avec des preuves, des limites et une responsabilité claire.
Références
- WIRED – Former Google and Apple Researchers Launch a Startup to Build AI’s Missing Feedback Loop
- Trajectory – The Platform for Continual Learning
- NeurIPS 2025 – The Oak Architecture: A Vision of SuperIntelligence from Experience
