Qu'est-ce qu'un laboratoire de recherche appliquée ?

AfterQuery est un laboratoire de recherche appliquée qui élabore des solutions de données visant à accélérer le développement de modèles de base. Crédit : AfterQuery

Soutenu par Altos Ventures et Y Combinator, AfterQuery est un laboratoire de recherche appliquée qui transpose l'expertise humaine en données afin de former des modèles d'IA fiables

Lorsque Spencer Mateega et Carlos Georgescu se sont lancés dans la création d’agents d’IA financiers, ils se sont heurtés à un obstacle. Le problème ne venait pas du code, mais des données.

Constatant que les données génériques issues du web ne permettaient pas aux modèles de saisir les nuances du monde réel, les deux fondateurs ont compris qu’une IA plus intelligente nécessitait une meilleure expérience plutôt qu’une quantité accrue de texte.

En créant AfterQuery en 2025 alors qu’ils terminaient leurs études universitaires, Spencer et Carlos ont réorienté leurs efforts : plutôt que de développer des applications destinées aux utilisateurs finaux, ils se sont attachés à résoudre le goulot d’étranglement des données à l’échelle du secteur.

L’avenir de l’IA ne reposera pas sur davantage de données, mais sur une meilleure réflexion

: AfterQuery

AfterQuery est un laboratoire de recherche appliquée dédié à l’intégration du jugement humain d’experts dans les modèles d’IA.

Alors que les données à l’échelle du Web atteignent leurs limites, les performances des modèles dépendent fondamentalement de la qualité des données d’entraînement.

Consciente de cela, l’organisation conçoit des ensembles de données spécialisés, des environnements d’apprentissage par renforcement et des cadres d’évaluation permettant de former des modèles d’IA fiables.

Comment fonctionne un laboratoire de recherche appliquée

Les institutions universitaires traditionnelles se concentrent sur les avancées théoriques, tandis que les fournisseurs de données d’entreprise se contentent d’étiqueter du texte simple. Un laboratoire de recherche appliquée opère directement à la frontière de la mise en œuvre.

AfterQuery considère la curation des données comme une discipline de recherche rigoureuse. Le laboratoire étudie comment les modèles apprennent, où ils échouent et comment l'intuition humaine se traduit en boucles de rétroaction algorithmiques.

En associant l’ingénierie logicielle à une expertise métier, AfterQuery crée des environnements permettant aux modèles de s’exercer au raisonnement. Ces systèmes permettent à l’IA d’apprendre à partir de cycles de récupération après erreur et de répondre aux normes professionnelles.

Le laboratoire conçoit ses recherches autour d’applications concrètes plutôt que de tests abstraits. Cette approche garantit que les systèmes d’IA fonctionnent de manière fiable dans des flux de travail professionnels à enjeux élevés.

Spencer Mateega a cofondé AfterQuery avec Carlos Georgescu en 2025. Crédit : Spencer Mateega/LinkedIn

Domaines de recherche au service de la qualité des données

Afin de faire le lien entre la maîtrise du langage général et l’intelligence professionnelle, AfterQuery s’appuie sur cinq grands axes de recherche. Chacun de ces axes comble une lacune spécifique dans le développement actuel des modèles.

• Développer des environnements informatiques qui apprennent aux agents IA à naviguer dans les flux de travail logiciels et les cas limites
• Construire des ensembles de données multimodaux associant le langage à des documents complexes, des interfaces et des schémas techniques
• Collaborer avec des spécialistes de la sécurité pour mettre en évidence des scénarios adversaires et construire des données de protection
• Concevoir des méthodologies de curation garantissant que chaque exemple reflète le jugement d’un expert humain
• Créer des critères d’évaluation des modèles permettant de vérifier si les étapes de raisonnement correspondent aux modèles mentaux des experts.

Des produits conçus pour l’entraînement des modèles

AfterQuery transforme les résultats de la recherche en outils d’entraînement pratiques pour les laboratoires d’IA. Sa suite de produits vise à saisir les nuances humaines, les interactions avec les outils et l’expertise métier à chaque étape du développement des modèles.

Le laboratoire met en place des environnements d’apprentissage par renforcement (RL) avec appel d’outils, en utilisant de véritables API et des serveurs MCP (Model Context Protocol). Ces environnements de test personnalisés enseignent aux agents logiciels comment enchaîner des actions, appeler des services externes et se remettre d’erreurs au sein de flux de travail réalistes.

Les environnements d’utilisation sur ordinateur et sur navigateur associent des interfaces logicielles haute fidélité à des trajectoires de démonstration d’experts. Les ensembles de données de réglage fin supervisé (SFT) fournissent des paires «prompt-réponse» de haute qualité ainsi que des traces de raisonnement afin d’établir des compétences fondamentales avant le début de l’apprentissage par renforcement.

L’apprentissage par renforcement basé sur des grilles d’évaluation et des vérificateurs combine des critères élaborés par des experts avec des vérificateurs automatisés pour noter les résultats des modèles. Parallèlement, le RLHF capture les nuances du goût humain à travers des milliers de paires de comparaisons entre experts.

Pour intégrer un jugement spécifique à un domaine, les solutions de recherche approfondie s’appuient sur près de 100 000 praticiens vérifiés issus des domaines de la médecine, du droit, de la finance et de l’ingénierie. Des analyses systématiques des pertes identifient les modes de défaillance précis des modèles, tandis que des ensembles de données prêts à l’emploi offrent un accès immédiat à des données d’entraînement pré-valisées.

Les données d’entraînement d’AfterQuery comprennent :

• Réglage fin supervisé (SFT)
• Apprentissage par renforcement + grilles d’évaluation
• Environnements d’agents (API/MCP)
• Trajectoires d’utilisation des ordinateurs

Investisseurs soutenant le laboratoire

En 2025, AfterQuery a bouclé un tour de table de série A de 30 millions de dollars mené par la société d'investissement de la Silicon Valley Altos Ventures. Ce tour de table a valorisé l'entreprise à 300 millions de dollars.

Les évolutions du marché qui ont suivi, en septembre 2026, ont permis à l'entreprise d'atteindre une valorisation de 3,2 milliards de dollars américains. Cette étape importante a fait d'AfterQuery la start-up ayant atteint le statut de licorne le plus rapidement dans l'histoire de Y Combinator.

Cette croissance rapide de sa valorisation reflète un chiffre d’affaires récurrent annuel supérieur à 100 millions de dollars américains. Cet apport de capitaux permet à AfterQuery de développer son infrastructure de recherche et d’étendre son réseau d’experts vérifiés dans leurs domaines respectifs.

L’entreprise bénéficie du soutien de sociétés de capital-risque de premier plan dans le secteur technologique. Le soutien initial de Y Combinator a donné l’élan nécessaire à son développement, tandis que les financements ultérieurs ont été apportés par des spécialistes du capital-risque, notamment The Raine Group, BoxGroup et Latitude Capital.

Des investisseurs providentiels issus d’organisations de premier plan dans le domaine de l’IA, notamment Google DeepMind, OpenAI, Anthropic et Meta, soutiennent également le laboratoire. Leur implication apporte une expertise technique spécialisée qui vient compléter le soutien financier d’AfterQuery.

Partenaires clés

AfterQuery collabore avec des fournisseurs de matériel, des plateformes d’IA et des instituts de recherche universitaires afin de faire progresser les capacités des modèles. Parmi ceux-ci figurent :

• NVIDIA : cette entreprise spécialisée dans les logiciels d’entreprise et le calcul accéléré par GPU utilise les ensembles de données d’AfterQuery pour soutenir l’entraînement de modèles de pointe.
• Legora : une plateforme d’IA juridique qui s’associe à AfterQuery pour élaborer des évaluations juridiques destinées à la recherche et aux missions de diligence raisonnable.
• Thinking Machines Lab : un collectif de recherche qui collabore à l’évaluation de modèles avancés et à l’élaboration de méthodologies de traitement des données.
• Laboratoires de recherche universitaires : des instituts de recherche, notamment l’Université de Californie à Berkeley, le Stanford AI Lab et l’Allen Institute for AI, qui collaborent à la mise en place de benchmarks sur des ensembles de données ouverts.