La comptabilité en partie double n’a jamais rendu les marchands plus perspicaces. Décrite par Luca Pacioli en 1494, elle exige seulement que chaque écriture en appelle une autre et que tout solde remonte à l’opération qui l’a produit. Le gain tient au chemin plus qu’au résultat : un chiffre que l’on ne peut pas retracer n’est pas moins précis, il est d’une autre nature.
Les systèmes qui dominent depuis ChatGPT ont fait le choix inverse. Un grand modèle de langage choisit chaque mot sur une distribution de probabilités : il excelle à formuler, beaucoup moins à rendre compte du trajet parcouru. Dès qu’une sortie déclenche une alerte antiblanchiment ou commande une manœuvre d’évitement, cette question devient la seule qui compte.
Une entreprise parisienne a bâti son architecture sur cette asymétrie. Le 10 septembre 2026, Arlequin AI annonçait une levée de 28 millions d’euros en série A, où ses fondateurs lisent une validation des réseaux de neurones topologiques qu’ils développent, situés selon eux « à peu près au même niveau de développement que les LLM il y a dix ans ». Reste à voir ce que cette architecture déplace, ce qu’en dit la recherche, et ce que recouvre leur formule sur le pilotage d’un avion.
Une levée de fonds pour une autre idée de l’architecture
Le tour est codirigé par redalpine et OTB Ventures, avec le Fonds Innovation Défense de Bpifrance ; Xavier Niel et ZEBOX entrent au capital. Fondée à Paris en 2024, Arlequin AI sert des clients publics et privés en France, au Royaume-Uni et en Allemagne, et prévoit d’ouvrir à San Francisco un laboratoire dédié à la sécurité des systèmes d’IA les plus avancés.
Deux trajectoires et un nom qui dit la structure
Hugo Micheron vient des sciences politiques ; Antoine Jardin, chercheur au CNRS en data science, travaille depuis ses débuts sur la réduction de dimensionnalité, devenue centrale dans l’architecture maison. Arlequin, masque de la commedia dell’arte, renvoie aux moments où le vrai et le faux permutent, dans un monde où il faut « voir clair à travers le désordre » ; les losanges du costume dessinent, pour les initiés, un complexe simplicial.
Leur amitié a quinze ans. « C’est presque Antoine qui m’a décidé à faire une thèse il y a quinze ans », raconte Hugo Micheron, « ce qui l’amène parfois à dire que c’est moi qui l’ai décidé à monter une start-up il y a deux ans. » De là une conviction partagée : « Historiquement, les problèmes relatifs au comportement humain, on ne les traite pas avec des modèles mathématiques très avancés. »
Le malentendu du tout-génératif
Depuis ChatGPT, l’intelligence artificielle se réduit souvent aux seuls grands modèles de langage, génératifs par nature. Arlequin AI n’en relève pas, et ses fondateurs y voient une méprise coûteuse au secteur. « Les LLM ont fait écran à l’étendue du champ de l’IA », résume Hugo Micheron, sans rejet : « Les LLM sont des modèles de génération et de raisonnement très intéressants. Mais ils n’ont jamais été conçus pour être des modèles d’analyse systématique sans inférer de biais. »
La sortie probabiliste cesse d’être un atout dès qu’il faut, sans contrôle ajouté, un résultat exact et rejouable à l’identique. « Si on rate une information, ça peut avoir des conséquences dramatiques. Dans ces secteurs-là, les applications des LLM sont limitées », insiste-t-il à propos de la sécurité, de la défense et de la finance.
Ce que la topologie ajoute au graphe
Les transformers relient chaque élément d’un jeu de données à tous les autres par des corrélations globales floues ; les réseaux de neurones graphiques s’en tiennent à des points reliés deux à deux. Ni les uns ni les autres ne rendent explicite ce qui surgit lorsque trois, quatre ou dix éléments entrent en jeu ensemble. Les réseaux topologiques corrigent ce point : plutôt que « A est lié à B », ils posent que « A, B et C forment ensemble un bloc cohérent », et substituent aux lignes des formes pleines, triangles ou tétraèdres. Ce champ jeune, le topological deep learning, sert à analyser réseaux biologiques, activité cérébrale ou systèmes financiers.
Un socle mathématique plus ancien que l’entreprise
Complexes simpliciaux et hypergraphes se sont imposés dans ce champ dès juin 2020, et la supériorité revendiquée est un théorème : en mars 2021, Cristian Bodnar et six co-auteurs prouvaient que le test de Weisfeiler-Lehman simplicial est strictement plus puissant que sa version classique, ce qui fonde le passage des paires aux triangles.
Ce que le champ dit de lui-même en 2026
Ce que ce théorème ne dit pas, un article d’août 2024 signé Yam Eitan et cinq co-auteurs l’établit : le message-passing d’ordre supérieur, ossature de ces réseaux, ne capture pas des invariants aussi élémentaires que le diamètre ou l’homologie. En mai 2026, Johannes Schmidt et cinq co-auteurs ajoutaient plus gênant : sur un banc d’essai de généralisation topologique, les réseaux graphiques classiques saturent l’épreuve autant que les méthodes d’ordre supérieur dès que la représentation est bien choisie.
Le lifting, cette boîte noire cosignée
Le 15 août 2026, sept auteurs déposaient sur arXiv « Look Before You Lift », de Mathilde Papillon à Nina Miolane, avec en sixième position Antoine Jardin, qui porte la technique chez Arlequin AI. L’article traite de l’étape décisive, le lifting, qui fabrique la structure d’ordre supérieur à partir d’un graphe : on en choisit un, puis on règle l’architecture, « avec une visibilité limitée sur le fait que la connectivité d’ordre supérieur induite soit pertinente pour la tâche ». Le discours commercial promet une transparence complète là où la littérature décrit une visibilité limitée, à l’endroit du choix.
La plateforme et le rôle résiduel du modèle de langage
« On prend n’importe quel jeu de données, vidéo, audio, texte, image, peu importe. On le met dans la plateforme Arlequin, pas de prompt, pas de message, rien, et on obtient une visibilité totale de notre jeu de données », décrit Hugo Micheron. Des modèles non supervisés en extraient relations, signaux et structures, et stockent le résultat à froid.
Le modèle de langage n’entre en scène qu’ensuite. « Les LLM sont très utiles pour permettre d’accéder en langage naturel aux résultats qui sont calculés de façon complètement indépendante par nos systèmes. Nous n’utilisons jamais les LLM pour produire ni modifier les résultats eux-mêmes. C’est ce qui leur permet d’être audités et vérifiés de façon exhaustive », détaille Antoine Jardin. Le cœur du dispositif n’est pas génératif : il se joue en amont.
Ce que les relations deux à deux dissimulent
« Dans les systèmes de traitement de données complexes, on a besoin de certifier les relations et de regarder de très près la façon dont beaucoup de points de données sont connectés entre eux », explique Antoine Jardin. « C’est un peu comme le travail de journaliste : on prend plein d’éléments d’information, et il faut les relier entre eux d’une façon qui soit vérifiable et auditable. » L’architecture repérerait ces connexions de groupe, les cartographierait, en garderait la trace et les généraliserait.
L’exemple est financier : « Il peut y avoir toute une série de transactions entre des individus, deux par deux, qui sont légales, mais le système d’ensemble, la structure globale, témoigne d’une activité illégale. » Le phénomène a un nom, le smurfing, et un marché : Tracfin a reçu 278 484 déclarations de soupçon en 2025, quand la surveillance par règles produit 90 à 95 % de faux positifs. La promesse est moins de la détection en plus que du faux positif en moins.
Le biais, à l’entrée et chez l’utilisateur
L’absence de couche générative n’élimine pas le biais. « Ça va dépendre de la donnée que l’on met en entrée », précise Hugo Micheron. « Si on injecte des données biaisées, naturellement le résultat le sera aussi, la plateforme analyse ce qu’on lui transmet, sans rien y ajouter. » L’outil signale en revanche le biais de confirmation de l’analyste : « Attention, on est en train de regarder 0,1 % de la donnée, et on est en train de tirer des conclusions sur quelque chose qui est en fait le petit bout de la lorgnette. »
À quoi il oppose le génératif : « Nos modèles vont refléter ce que révèle la donnée, sans y rajouter d’éléments externes ou hypothèses utilisateurs. » Les usages vont de la sécurité et de la défense à l’exploitation stratégique de l’information : fraude bancaire, désinformation, cyberattaques, dont les journaux sont par nature des données de connectivité. D’autres surprennent : des clubs de football analysant « toutes les stats de trois saisons de joueurs sur l’intégralité des sept grands championnats », ou l’analyse massive pour médias et services d’enquête.
Le pilotage d’un avion, pris au mot
« On ne peut pas tracer le comportement des LLM. On ne peut pas observer ce qui se passe à l’intérieur, on ne peut pas vérifier », rappelle Antoine Jardin, quand plusieurs laboratoires, dont OpenAI, peinent à analyser le raisonnement de leurs modèles. Les siens offriraient « une transparence complète sur le comportement du modèle » et permettraient de « certifier de la donnée source jusqu’au résultat toutes les étapes de traitement qui ont eu lieu ». D’où l’image : « On ne confierait pas à un modèle de langage le pilotage d’un avion ou d’un système critique. »
Ce que l’aéronautique confie déjà à des réseaux de neurones
La formule masque un fait : l’aéronautique confie déjà des fonctions de sécurité à des réseaux de neurones, à condition de les prouver. ACAS Xu, l’anticollision aéroporté de la FAA pour drones, repose sur 45 réseaux de 300 neurones et sert depuis 2017 de banc d’essai à la vérification formelle. Ce qui écarte le modèle de langage tient moins à sa nature statistique qu’à son échelle. La preuve a sa limite : en janvier 2022, Stanley Bak et Hoang-Dung Tran ont montré ce prototype dangereux en boucle fermée, quand ses propriétés en boucle ouverte passaient.
Une voie européenne et ses antécédents
Pour Antoine Jardin, l’Europe « n’a pas les ressources ni en calcul, ni en données, ni en régulation pour faire la même chose que ce que font les américains, les chinois ». Rattraper serait partir handicapé : « Il y a un modèle américain où on joue sur leur terrain : grosse puissance de calcul, data infinie, investissement infini. Il y a le modèle chinois, très autoritaire, qui discipline tout ça. C’est maintenant que l’Europe a l’opportunité de définir son modèle distinct. »
La contribution passerait par l’architecture, pas par la puissance brute. « La force, c’est qu’on n’a pas à entraîner de modèles, mais on est capables de traiter de la donnée massive extrêmement complexe, sans avoir besoin de milliards d’investissements pour avoir une plateforme très efficace », explique Hugo Micheron, encore peu entendu : « C’est vraiment une nouvelle architecture, et ça, c’est un vrai sujet en soi. On a presque du mal à faire passer le message. » Des concurrents chinois et américains existent en recherche, « sur des usages beaucoup plus laboratoire », quand Arlequin joint le fondamental et l’opérationnel.
Un précédent oublié et deux paris contemporains
La topologie appliquée à la détection a déjà eu son champion : Ayasdi, fondée en 2008 par Gunnar Carlsson, avait levé 97,9 millions de dollars avant d’être rachetée en mai 2019. Le pari le plus lourd est parisien aussi : le 10 mars 2026, Yann LeCun, parti de Meta, annonçait 1,03 milliard de dollars pour AMI Labs sur la thèse des modèles du monde, trente-sept fois la série A d’Arlequin. Les butées diffèrent : le modèle du réel ici, la traçabilité là.
Le 8 juillet 2026, Mistral AI présentait Robostral Navigate, un modèle de navigation de 8 milliards de paramètres tenant sur une caméra couleur, pour 76,6 % de réussite au banc d’essai R2R-CE. Comprendre où aller ne remplace pas la chaîne déterministe qui empêche l’engin d’écraser un pied : c’est cette frontière que revendique l’architecture topologique.
Le pari ne se joue donc pas sur la topologie, acquise depuis 2021, mais sur la distance entre un théorème d’expressivité et une plateforme opérationnelle : le choix de la structure, la généralisation non démontrée, le coût combinatoire des simplexes. Aucun de ces obstacles n’est rédhibitoire, aucun n’est franchi.
La comparaison avec les modèles de langage « il y a dix ans » se date. En septembre 2016, Google basculait Google Translate sur huit couches LSTM avec attention ; le Transformer arrivait en juin 2017, GPT-1 en juin 2018. Se placer dix ans en arrière, c’est se situer l’année d’avant l’architecture qui a tout emporté : la formule promet une rupture imminente autant qu’elle avoue une jeunesse.
Reste l’argument qui porte le plus loin, la vérifiabilité. L’aéronautique démontre depuis 2017 qu’un réseau peut être prouvé, à condition de rester petit, sans que la preuve du composant vaille preuve du système. S’il existe un après-LLM, il ne ressemble pas à une relève ordonnée mais à des désaccords sur ce qui manque, et l’arbitrage viendra des secteurs qui exigeront des garanties.
Aller plus loin
La généalogie de l’idée se lit d’un bloc dans Networks beyond pairwise interactions: structure and dynamics, cent neuf pages déposées en juin 2020 par Battiston et sept co-auteurs, qui installent complexes simpliciaux et hypergraphes en descriptions standard des systèmes à plus de deux interactants.
Pour lire « réseau de neurones topologique » comme une famille technique plutôt que comme un slogan, la synthèse Architectures of Topological Deep Learning de Papillon, Sanborn, Hajij et Miolane unifie une notation fragmentée et recense les architectures de message-passing sur complexes simpliciaux, cellulaires et hypergraphes, séparant ce qui tient à l’architecture de ce qui tient à la représentation.
Le théorème sur lequel repose l’argumentaire tient dans Weisfeiler and Lehman Go Topological, présenté à ICML 2021 par Bodnar et six co-auteurs : le test de Weisfeiler-Lehman simplicial y est démontré strictement plus puissant que sa version classique et pas moins puissant que le test 3-WL.
Le contrepoint vient de l’intérieur du champ avec Topological Blindspots, où Eitan, Gelberg, Bar-Shalom, Frasca, Bronstein et Maron établissent que le message-passing d’ordre supérieur, ossature des réseaux déployés, échoue à capturer des invariants aussi élémentaires que le diamètre ou l’homologie.
Le résultat le plus gênant du champ tient dans No Triangulation Without Representation, où Schmidt, Carrasco, Röell, Wolf, Blaser et Rieck soumettent la généralisation topologique à un banc d’essai conçu pour elle et constatent que les réseaux graphiques ordinaires le saturent aussi bien que les méthodes d’ordre supérieur, pourvu que la représentation soit bien choisie.
La source la plus directe sur l’état réel de la méthode est Look Before You Lift, cosigné en août 2026 par Antoine Jardin avec l’équipe de Nina Miolane : le lifting, qui fabrique la structure d’ordre supérieur à partir des données brutes, y est décrit comme une boîte noire choisie sans visibilité sur sa pertinence, et l’article livre TopoExplorer pour le diagnostiquer.
La question qui décide de l’intérêt d’une architecture d’ordre supérieur est posée dans When higher-order interactions matter par Arenas, Battiston et Gabrielli : quand un graphe suffit-il ? Leur réponse écarte le critère commode de la réductibilité formelle et renvoie l’adéquation aux observables et aux échelles visées.
L’objection la plus solide à la traçabilité se trouve dans Neural Network Compression of ACAS Xu Early Prototype is Unsafe, où Bak et Tran replacent dans sa boucle de commande un réseau vérifié en boucle ouverte, et produisent des collisions même avec des capteurs parfaits.
L’échelle de ce que la preuve atteint tient dans le rapport de la sixième compétition internationale de vérification de réseaux de neurones : huit équipes, seize bancs d’essai réguliers et neuf étendus, formats ONNX et VNN-LIB, matériel loué à coût égal. Il instruit par ce qu’il ne contient pas, aucun objet de la taille d’un modèle de langage.
Le cadre que l’aviation civile écrit réellement figure dans le concept paper de l’AESA sur les applications d’intelligence artificielle, dont la version 03 couvre les trois niveaux d’autonomie et englobe l’apprentissage par renforcement et l’IA symbolique.
Lus ensemble, ces documents dessinent un champ plus intéressant que son récit. La supériorité de distinction des structures d’ordre supérieur est un théorème, leur généralisation reste ouverte, et l’étape qui fabrique ces structures à partir de données brutes n’est pas encore maîtrisée. L’aéronautique, elle, montre qu’un réseau de neurones peut être prouvé et rester dangereux, et que ce qui l’écarte d’une fonction critique tient autant à sa taille qu’à sa nature. Entre l’architecture qui promet la traçabilité et le système qui devra la démontrer, l’intervalle reste long.