Thore Graepel, l'un des co-créateurs d'AlphaGo, a quitté Google DeepMind pour fonder une startup de raisonnement par intelligence artificielle, selon un rapport exclusif de Sifted publié le 7 septembre 2026. L'entreprise parie sur une thèse qui va à contre-courant du courant dominant de l'industrie : cette recherche structurée, plutôt que des modèles linguistiques toujours plus vastes, détient la clé d'un raisonnement automatique fiable.

Un vétéran de DeepMind s'éloigne

Graepel est surtout connu pour son travail sur AlphaGo, le système DeepMind qui a vaincu le champion du monde de Go Lee Sedol en 2016 – une étape largement reconnue pour avoir déclenché le boom de l'IA moderne. Cette décision met fin à un long mandat chez Google DeepMind, où il était l'une des personnalités les plus importantes et les plus visibles de l'organisme de recherche.

Des rapports tamisés indiquent que Graepel a abandonné pour poursuivre l'aventure du raisonnement, et des médias commerciaux, dont Tech Times, ont explicitement défini le pari principal de la nouvelle société : la recherche structurée sur la mise à l'échelle LLM. Les détails sur le financement, le personnel et les plans de produits n'ont pas été divulgués, et ni Graepel ni DeepMind n'ont publié d'annonce officielle – mais cette décision atterrit dans une année de formation agressive de startups d'IA autour d'alternatives à la mise à l'échelle pure.

La thèse : la recherche à grande échelle

Le pari est important car il remet en question la stratégie qui a défini l'IA de pointe depuis 2020 : former des modèles de transformateurs plus importants sur plus de données et de calcul, puis leur apprendre à raisonner grâce à des invites de chaîne de pensée et à un apprentissage par renforcement.

La lignée AlphaGo représente une tradition différente. AlphaGo et ses successeurs ont combiné les réseaux de neurones avec la recherche arborescente et, dans les itérations ultérieures, ont appris du jeu personnel plutôt que des jeux humains. Les systèmes de cette famille pouvaient vérifier leurs propres mouvements par rapport à des règles fixes, ce qui rendait leur raisonnement précis, contrairement aux sorties du modèle de langage, générées un jeton plausible à la fois, ne le sont pas.

Les partisans de l'approche axée sur la recherche soutiennent que, à mesure que les LLM sont poussés dans des domaines tels que les mathématiques, la vérification formelle et la planification, leurs modes d'échec (réponses fluides mais erronées, logique à plusieurs étapes peu fiable) proviennent de l'architecture et pas seulement de l'échelle. Les systèmes basés sur la recherche, capables de vérifier chaque étape par rapport aux règles formelles, offrent une voie différente vers la fiabilité, et les récents progrès sur le théorème basé sur le Lean, prouvés à la fois par les startups et les grands laboratoires, ont maintenu ce débat vivant.

Fait partie d'un exode plus large

Graepel n'est pas le premier vétéran d'AlphaGo à quitter DeepMind pour poursuivre cette thèse. David Silver, qui a dirigé le projet AlphaGo, a quitté Google DeepMind fin 2025 après plus d'une décennie à construire AlphaGo, AlphaZero et AlphaStar, et a fondé Ineffable Intelligence, qui a été constituée en novembre 2025. Comme indiqué cette semaine, Sequoia et Nvidia ont soutenu la startup pour une valorisation de 5,1 milliards de dollars.

Ces départs s'ajoutent à une série de chiffres d'affaires très médiatisés chez Google DeepMind. Plus tôt cette année, le laboratoire a connu des changements de direction, notamment la transition de la présidence Hassabis et le départ de personnalités de haut niveau telles que Koray Kavukcuoglu et Jeff Dean, couverture suivie par AI Buzz Wire à l'époque. Lorsque les personnes qui ont construit les systèmes les plus célèbres d'un laboratoire partent à la recherche d'une architecture différente, le signal concerne moins la politique interne que le véritable désaccord sur l'origine de la prochaine avancée.

Pourquoi c'est important pour le terrain

Pour l'écosystème des startups, la décision de Graepel est un autre signe que l'argument post-transformateur attire des capitaux importants et des CV sérieux. Les investisseurs ont consacré presque entièrement les années 2024 et 2025 aux applications et infrastructures LLM ; L’année 2026 a vu un flux constant de financements pour les entreprises qui recherchent des modèles mondiaux, des systèmes neuro-symboliques, un raisonnement formel et une planification basée sur la recherche.

Pour Google, la perte est autant symbolique que technique. AlphaGo reste la création la plus célèbre de DeepMind, et ses anciens élèves sont désormais à la tête d'au moins deux entreprises bien financées proposant des alternatives au manuel de mise à l'échelle. La question à laquelle ces startups devront répondre avec des produits et non des manifestes est de savoir si la recherche structurée peut réellement dépasser les modèles linguistiques frontières sur des problèmes ouverts – plutôt que sur des problèmes étroits et formellement vérifiables.

Il existe également une voie médiane vers laquelle l’industrie converge déjà : les systèmes hybrides qui utilisent les LLM pour l’intuition et la recherche de vérification. Si l’aventure de Graepel aboutit là-bas, elle sera moins en concurrence avec le récit évolutif qu’à ses côtés.

Ni Graepel ni Google DeepMind n’avaient répondu publiquement avec plus de détails au moment de la rédaction de cet article. AI Buzz Wire mettra à jour cette histoire à mesure que de plus amples informations sur la startup apparaîtront.

Gardez une longueur d'avance sur l'IA

Tenez-vous au courant des personnes et des entreprises qui façonnent la prochaine vague d'IA — lire plus d'actualités sur l'IA sur AI Buzz Wire.

Lire plus d'actualités sur l'IA →