La vague de départs chez Thinking Machines, la start-up de 12 milliards de dollars de l’ancienne CTO d’OpenAI Mira Murati, met en évidence la féroce concurrence pour les professionnels qualifiés dans l’IA.

Des départs clés bouleversent la startup d’IA Thinking Machines

La compétition permanente de la Silicon Valley pour attirer les meilleurs experts en IA s’est intensifiée cette semaine, alors que trois membres fondateurs de Thinking Machines Lab, la startup d’IA dirigée par l’ancienne CTO d’OpenAI, Mira Murati, ont annoncé leur retour chez OpenAI. Les trois personnes concernées—Brett Zoph, Luke Metz et Sam Schoenholz—avaient déjà travaillé chez OpenAI avant de rejoindre Thinking Machines.

Fidji Simo, la CEO des Applications chez OpenAI, a révélé l’information mercredi. Selon Simo, Zoph lui reportera directement, tandis que Metz et Schoenholz seront sous la responsabilité de Zoph. Zoph et Metz étaient cofondateurs de Thinking Machines, et Schoenholz faisait également partie de l’équipe initiale de recherche et d’ingénierie.

Controverse autour des départs

Selon des rapports de Core Memory, Murati aurait informé le personnel du licenciement de Zoph en raison d’une prétendue « conduite non éthique ». Ni Zoph, ni OpenAI, ni Thinking Machines n’ont souhaité commenter l’affaire. Simo a indiqué que le processus de recrutement était en cours depuis plusieurs semaines. Bloomberg a rapporté que Simo a déclaré aux employés d’OpenAI que Zoph avait notifié à Murati son intention de partir, entraînant son licenciement immédiat. Simo a également rejeté les inquiétudes concernant la conduite de Zoph.

Dès jeudi, d’autres rapports faisaient état du départ de deux autres chercheurs de Thinking Machines, Lia Guy et Ian O’Connell ; Guy ayant rejoint OpenAI. Ces départs très médiatisés soulignent les difficultés que rencontrent les nouveaux laboratoires d’IA pour retenir les talents face à des géants établis tels qu’OpenAI, Anthropic et DeepMind. Alors que certaines startups chinoises, telles que DeepSeek et Moonshot AI, ont développé des modèles compétitifs, elles ne recherchent pas les mêmes profils de talents.

Défis de financement et de rétention des talents

Thinking Machines a levé un capital d’amorçage record de 2 milliards de dollars en juillet, valorisant l’entreprise à 12 milliards de dollars. Bloomberg a ensuite rapporté que la société recherchait de nouveaux investissements sur la base d’une valorisation de 50 milliards de dollars. Malgré ces levées de fonds impressionnantes, la startup peine à conserver ses chercheurs en IA. Andrew Tulloch, un autre cofondateur, a quitté l’entreprise l’an dernier pour rejoindre la division IA de Meta, connue pour ses offres de rémunération attractives. Aujourd’hui, avec les départs récents de Zoph, Metz, Schoenholz, Guy et O’Connell, la société traverse une nouvelle période d’instabilité.

De même, Ilya Sutskever, ancien directeur scientifique d’OpenAI, a levé 1 milliard de dollars pour sa nouvelle entreprise Safe Super Intelligence (SSI) fin 2024, avant que Meta ne recrute son cofondateur Daniel Gross pour ses propres initiatives avancées en IA.

Pourquoi les nouveaux laboratoires d’IA peinent à attirer les talents

Plusieurs raisons expliquent pourquoi les laboratoires d’IA émergents, malgré d’importantes levées de fonds, ont du mal à retenir les meilleurs chercheurs :

• Limites de rémunération : Ces startups ne peuvent souvent pas égaler les salaires en espèces élevés—parfois à sept chiffres—offerts par des entreprises technologiques établies telles que Meta, Google DeepMind et OpenAI.
• Actions contre liquidités : Alors que les premiers employés peuvent recevoir des parts avec une valeur potentielle élevée à long terme, cela reste souvent moins attractif que les rémunérations immédiates et substantielles proposées par les grandes entreprises.
• Risque lié aux stock-options : Les actions dans des entreprises jeunes et privées sont généralement plus risquées que les stock-options de sociétés cotées ou de laboratoires établis. Google et Meta, par exemple, proposent des packages d’actions généreux avec des périodes d’acquisition rapides, permettant aux employés d’encaisser rapidement. OpenAI et Anthropic envisagent également des introductions en bourse, ce qui pourrait offrir d’importants paiements aux employés à court terme—ce qui est moins probable pour les startups récentes.

Un ancien chercheur d’OpenAI, toujours en contact avec des employés de Thinking Machines, suggère que les incitations financières sont la principale raison des récents départs, certains salariés étant séduits par des offres exceptionnellement généreuses pour revenir chez OpenAI. Cette personne suppose également que les efforts de recrutement de Simo visaient peut-être à perturber la levée de fonds de Thinking Machines, les investisseurs se montrant prudents lorsque des membres fondateurs quittent l’entreprise.

L’accès à la puissance de calcul : un autre obstacle

Un autre défi majeur pour les nouveaux laboratoires d’IA est d’obtenir suffisamment de ressources informatiques. Si les laboratoires établis se plaignent souvent de l’accès limité à la capacité des centres de données pour entraîner et déployer de grands modèles de langage, ils ont investi des milliards dans le développement de leurs infrastructures. Leur envergure en fait des clients prioritaires pour Nvidia, dont les puces sont essentielles à l’entraînement des modèles d’IA avancés. Google a développé ses propres puces IA (TPU), réduisant sa dépendance à Nvidia, tandis que Meta, OpenAI et Anthropic ont construit des centres de données dédiés et établi des partenariats avec de grands fournisseurs de cloud tels qu’Amazon Web Services et Microsoft. À l’inverse, les laboratoires plus jeunes peuvent avoir du mal à acquérir les GPU et la puissance de calcul nécessaires, même si leurs besoins globaux sont moindres.

Stratégies produits et modèles économiques flous

De nombreux nouveaux laboratoires d’IA, dont Thinking Machines, n’ont pas encore défini clairement leurs offres produits ou leurs plans d’affaires. Thinking Machines n’a jusqu’à présent lancé qu’un seul produit—un outil bêta appelé Tinker, lancé en octobre, qui aide les chercheurs et développeurs à affiner des modèles de langage open source pour des tâches spécifiques. L’entreprise a également publié des recherches sur l’optimisation de l’entraînement des modèles, mais n’a pas indiqué quand un produit accessible au grand public ou une source de revenus pourrait émerger.

Certains employés se sont apparemment montrés frustrés par le manque de clarté concernant l’orientation produit, surtout en comparaison avec la rapidité des laboratoires plus établis. Cependant, selon certaines sources, une partie de ces préoccupations aurait récemment été prise en compte. Notamment, Zoph, Metz et Schoenholz seront désormais sous la responsabilité de Simo, la responsable produit d’OpenAI, et non plus du responsable de la recherche, ce qui pourrait indiquer leur intérêt pour un travail en IA plus appliqué.

D’autres nouveaux laboratoires font face à des défis similaires. Par exemple, SSI de Sutskever n’a pas communiqué ses plans produits ni publié de modèle, bien que des commentaires récents suggèrent qu’un lancement pourrait être imminent. Sutskever a déjà déclaré que SSI pourrait attendre une avancée majeure en matière de sécurité de l’IA avant de lancer des produits.

Cet article a été initialement publié sur Fortune.com.