River AI lève 1,1 milliard de dollars sur ses séries Seed et A pour construire une pile d’IA personnelle

River AI, la startup xAI dont le co-fondateur Igor Babuschkin est sorti de la clandestinité le 10 juin 2026, a levé 1,1 milliard de dollars sur ses séries Seed et A, comme l’a annoncé la société le 11 août 2026. General Catalyst et AMP PBC ont mené le financement, avec un investissement stratégique de Nvidia (NVDA ) et AMD Ventures et la participation de Y Combinator et Temasek.

River est à deux mois de son lancement et porte déjà l’un des plus importants financements précoces de l’année. L’argent soutient une thèse inhabituelle : que la pile d’IA, de la formation aux modèles, en passant par les produits et le matériel, doit être reconstruite autour d’agents personnels que les gens possèdent plutôt que d’intelligence louée à une poignée de laboratoires.

“La façon dont l’IA est construite aujourd’hui n’est pas la façon dont elle sera construite à l’avenir. L’IA devrait être ouverte, librement disponible et abordable. Elle devrait donner l’impression de travailler pour la personne qui l’utilise, et non pour le laboratoire qui l’a formée. Nous avons créé River pour permettre aux personnes et aux entreprises de posséder leur intelligence”, a déclaré Babuschkin, co-fondateur et PDG de River, dans l’annonce.

Ce que River vend vraiment en premier

Le premier produit de l’entreprise, disponible depuis le lancement de juin, est l’API River, un service de formation pour les modèles à poids ouvert. Il propose une fine-tuning LoRA et un apprentissage par renforcement sur des modèles ouverts allant de 35 milliards à 1 billion de paramètres, notamment Qwen3.6, Kimi K2.6 et GLM 5.2, avec une facturation au million de jetons pour la formation et l’inférence, plutôt que par heure de GPU.

L’argument de vente vise les entreprises qui souhaitent des modèles adaptés à leur propre travail sans devoir mettre en place une équipe d’infrastructure. River affirme qu’une entreprise peut effectuer une exécution d’apprentissage par renforcement complexe en 15 à 20 minutes sans équipe d’infrastructure requise, avec une économie de deux à quatre fois par rapport aux alternatives à code source fermé, et que les points de contrôle formés appartiennent au client et sont déployés sur un point de terminaison compatible OpenAI.

La page de tarifs donne des chiffres concrets sur le compteur : les exécutions de formation coûtent 1,00 $ par million de jetons sur le modèle Qwen3.6 35B et 12,84 $ par million sur Kimi K2.6 à la longueur de contexte 262k, avec un stockage de points de contrôle facturé séparément à 0,10 $ par gigaoctet par mois. Un exemple de travail sur le site évalue une exécution RL à échelle de production complète sur un jeu de données mathématiques à moins de 1 000 $.

Le pari plus long derrière le tour

Babuschkin a passé près d’une décennie chez DeepMind, OpenAI et xAI, où il a co-fondé cette dernière et travaillé sur la formation à grande échelle, avant de créer River. Dans son post de lancement, il a présenté la société contre la direction que les laboratoires de pointe sont en train de prendre : des agents qui remplacent les travailleurs, loués à la pièce.

“Les agents capables seront une partie normale de la vie quotidienne. Moins comme les assistants que vous appelez aujourd’hui lorsque vous avez besoin d’une tâche accomplie, plus comme des anges gardiens : silencieusement présents, de votre côté, aidant avec ce qui compte vraiment pour vous. Ils vous connaîtront bien, et ils seront à vous, et non à quelqu’un d’autre”, a-t-il écrit.

Cette présentation, la personnalisation et l’apprentissage continu sur une API de formation, avec un matériel personnel plus loin, est ce que General Catalyst achète. “Le leadership américain en IA exige urgemment un leadership dans les modèles à poids ouvert, tout en maintenant une longueur d’avance dans les modèles de pointe fermés. Igor et l’équipe de River AI ont l’expérience pour faire cela”, a déclaré Hemant Taneja, PDG de General Catalyst, dans l’annonce de River. Marc Bhargava, directeur général de la société, a pointé le fossé commercial : les entreprises n’avaient pas de moyen efficace pour former, affiner et posséder des modèles personnalisés, et River “comble ce fossé”.

AMP PBC, le co-leader, a rejoint General Catalyst pour mener le tour, selon l’annonce de River. Nvidia et AMD Ventures prenant des participations stratégiques place les deux rivaux de la GPU au même tableau de capitalisation d’une entreprise dont la feuille de route déclarée se termine par un matériel qui exécute une IA personnelle en dehors du centre de données de quelqu’un d’autre.

Où l’argent atterrit

River affirme que le financement accélère chaque couche de sa pile à la fois : l’API de formation qu’elle a déjà livrée, une couche de personnalisation et d’apprentissage continu encore en construction au-dessus, et un nouveau matériel destiné à laisser l’IA personnelle s’exécuter près de son propriétaire. L’équipe fondatrice s’appuie sur l’expérience xAI et Tesla (TSLA ), et l’entreprise embauche.

La structure du tour vaut la peine d’être notée en soi. Un financement combiné de série Seed et A de cette taille, annoncé deux mois après un post de lancement, avec des investisseurs stratégiques de puces aux côtés des leads financiers, donne à River le capital pour concurrencer le calcul de formation et le talent de recherche contre les laboratoires de pointe dont son fondateur est issu. Que la thèse de l’agent personnel tienne ou non est une question plus longue ; l’entreprise immédiate est un nuage post-formation pour les entreprises, et cette entreprise a maintenant une trajectoire d’un milliard de dollars et deux sociétés de capital-risque derrière elle.