Arena, la startup principalement connue pour le classement public que de nombreux laboratoires d'IA utilisent afin de comparer les performances des modèles, affirme être devenue une entreprise de 100 millions de dollars en termes de revenus annualisés, seulement huit mois après le lancement de son produit payant. Selon TechCrunch, l'entreprise a franchi ce cap après avoir introduit en septembre un service commercial qui transforme les données d'évaluation des utilisateurs et les tests communautaires en analyses pour les développeurs de modèles et les clients entreprises.

Cette affirmation dépasse le cadre d'une simple histoire de croissance d'une startup. Arena a débuté comme un projet de recherche à l'UC Berkeley en 2023 et est devenu un élément familier de l'écosystème de l'IA parce qu'il offrait un moyen ouvert et participatif de comparer les modèles côte à côte. Si les revenus rapportés par l'entreprise sont exacts, cela montre que l'évaluation devient une couche clé de la pile de l'IA générative (Generative AI) : non seulement un tableau de bord public pour les passionnés de modèles, mais un flux de travail pour lequel les laboratoires et les entreprises sont prêts à payer alors qu'ils recherchent des gains de qualité lors du post-entraînement et du déploiement.

Du classement public à la plateforme d'évaluation payante

Arena a bâti sa réputation sur un modèle d'interaction simple. Sur son site grand public, un utilisateur soumet une requête, le système l'envoie à deux modèles d'IA, et l'utilisateur choisit lequel des résultats est le meilleur. Au fil du temps, ces jugements par paires alimentent un classement qui, selon TechCrunch, a été généré à partir de plus de 10 millions d'évaluations d'utilisateurs.

Ce système de classement public reste gratuit, selon le rapport. Le virage commercial a eu lieu en septembre, lorsqu'Arena a lancé AI Evaluations, un service destiné aux laboratoires de modèles et aux entreprises. TechCrunch décrit le produit comme fournissant des analyses de performance plus approfondies basées sur des données collectées auprès de la communauté d'évaluateurs d'Arena.

Ce positionnement est important. Arena ne vend pas de modèle de fondation, d'accès à l'inférence ou de produit de couche d'application. L'entreprise vend des retours d'expérience, des analyses comparatives et des analyses de performance comparatives à une époque où les laboratoires tentent d'extraire des gains du post-entraînement, des méthodes de renforcement, du réglage de sécurité et de l'optimisation spécifique aux tâches.

TechCrunch rapporte qu'Arena évalue les modèles sur le texte, le codage, la vision et la génération d'images, et a récemment ajouté un "Agent Mode" axé sur des flux de travail complexes et plus longs. Cet élargissement est important car les simples comparaisons entre chatbots ne capturent plus l'éventail complet des tâches qui intéressent les entreprises. Les acheteurs veulent de plus en plus obtenir des preuves de fiabilité concernant les tâches de codage, les entrées multimodales et les chaînes agentiques impliquant plusieurs étapes et outils.

Pourquoi ce chiffre est important maintenant

Le timing aide à expliquer pourquoi les investisseurs et les clients sont attentifs. Arena a levé 150 millions de dollars en série A en janvier, pour une valorisation post-monnaie rapportée de 1,7 milliard de dollars. À cette époque, TechCrunch indique que le revenu annualisé de l'entreprise était de 30 millions de dollars. Le même média rapporte désormais que ce chiffre est passé à 100 millions de dollars de revenus annualisés au cours des mois suivants.

Même en tenant compte de la nature flexible du calcul du taux de revenus, il s'agit d'une accélération marquée. Cela suggère que la demande pour l'évaluation et le support post-entraînement évolue parallèlement au marché des modèles lui-même. À mesure que les versions de modèles deviennent plus fréquentes et que les écarts de performance se réduisent, la valeur des tests comparatifs crédibles a augmenté. Un laboratoire ne peut plus se fier uniquement aux succès sur de larges benchmarks si les clients se soucient des performances spécifiques à un domaine, du risque de régression ou de la façon dont un modèle se comporte avec des requêtes réelles d'utilisateurs.

La croissance d'Arena reflète également une réalité commerciale plus large dans l'IA : à mesure que les modèles deviennent plus faciles d'accès, la différenciation se déplace vers les données, le réglage, la performance des flux de travail et la confiance. Un classement public peut attirer l'engagement de la communauté, mais une couche d'analyse payante peut monétiser la même activité d'évaluation sous-jacente si les clients estiment que le signal est utile.

Il existe un autre angle stratégique. Le service public d'Arena lui donne une position rare sur le marché : elle se situe au plus près des lancements de modèles et profite souvent de l'intérêt des utilisateurs pour tester des modèles nouvellement publiés, voire non encore publiés. Cela confère à l'entreprise un avantage en termes de collecte de données et de visibilité qu'il serait difficile de recréer rapidement à partir de zéro.

Le modèle économique est solide, mais la terminologie compte

L'un des détails les plus notables du rapport de TechCrunch est que le directeur général d'Arena, Anastasios Angelopoulos, aurait précisé que l'entreprise utilise une tarification à la consommation. En d'autres termes, le chiffre de 100 millions de dollars ne correspond pas aux revenus récurrents annualisés traditionnels basés sur des abonnements ou des dépenses récurrentes contractuelles.

Cette distinction est importante pour quiconque tente d'évaluer l'entreprise. Les revenus basés sur la consommation peuvent croître plus rapidement que le SaaS basé sur le nombre d'utilisateurs, surtout lorsque les clients augmentent rapidement leur utilisation. Mais ils peuvent aussi être plus volatils. Si les laboratoires de modèles réduisent leurs tests, consolident leurs fournisseurs ou internalisent certains travaux d'évaluation, les dépenses peuvent ne pas se comporter comme des abonnements logiciels stables.

TechCrunch affirme qu'Arena désigne ce chiffre comme un ARR tout en reconnaissant que les revenus ne sont pas récurrents au sens conventionnel. Les lecteurs doivent donc considérer ce nombre comme un taux de revenus annualisé basé sur l'utilisation actuelle plutôt que comme une base de revenus récurrents entièrement contractuels.

Cela ne rend pas l'étape franchie moins importante. Cela signifie simplement que la composition de l'activité semble probablement différente de celle des logiciels d'entreprise classiques. Pour les constructeurs et les investisseurs, la bonne question est moins de savoir si l'acronyme convient que de savoir si l'utilisation de l'évaluation s'intègre suffisamment dans les cycles de développement pour produire une demande durable.

La concurrence ne se limite pas aux autres startups de classement

Le succès rapporté d'Arena survient alors même que les analogues directs semblent limités. TechCrunch note que Yupp, une autre startup de sélection de modèles d'IA participative, a fermé ses portes en mars. Angelopoulos a déclaré à la publication qu'Arena concurrence plutôt les budgets alloués à l'étiquetage humain et aux fournisseurs de post-entraînement tels que Mercor, Surge et Scale AI.

Cette comparaison est révélatrice. Elle présente Arena moins comme une propriété médiatique ou un site web d'analyse comparative que comme une infrastructure pour l'amélioration des modèles. Les évaluateurs humains, les données de préférence, les systèmes de classement et les analyses approfondies contribuent tous au même objectif : améliorer les performances des modèles sur les tâches qui intéressent les développeurs.

TechCrunch associe la croissance d'Arena à des signes plus larges indiquant que le marché du post-entraînement se développe rapidement. Le média cite un rapport précédent de The Information selon lequel les revenus bruts annualisés de Handshake provenant de l'entraînement par l'IA sont passés de 550 millions à près d'un milliard de dollars entre janvier et avril, et que les revenus annualisés de Mercor ont dépassé le milliard de dollars plus tôt cette année après avoir été d'environ 500 millions en septembre dernier. Ces chiffres constituent un contexte de marché de seconde main plutôt que de nouvelles divulgations dans le rapport d'Arena, mais ils soutiennent l'idée que les opérations d'évaluation, d'étiquetage et d'entraînement de l'IA deviennent des catégories de dépenses importantes.

Pour le marché, cela signifie que le terrain de jeu est en train de changer. Les fournisseurs de modèles continuent de rivaliser sur les lancements de modèles de pointe, mais une part croissante de la valeur pourrait se situer dans les couches qui disent aux clients quel modèle est le meilleur, pourquoi il est meilleur et comment l'améliorer.

Preuves, attribution et ce qui reste non vérifié

L'essentiel des nouvelles dans cet article provient du rapport de TechCrunch, y compris des déclarations attribuées au PDG d'Arena, Anastasios Angelopoulos. Le chiffre de 100 millions de dollars d'Arena est donc une étape de revenus rapportée par l'entreprise, et non une divulgation financière auditée de manière indépendante dans le matériel source fourni.

Plusieurs autres détails importants proviennent également du compte rendu de TechCrunch : Arena est née en tant que projet de l'UC Berkeley en 2023 ; elle a lancé son produit commercial AI Evaluations en septembre ; le classement public reflète plus de 10 millions d'évaluations d'utilisateurs ; l'entreprise avait un chiffre d'affaires annualisé rapporté de 30 millions de dollars en janvier ; et elle a levé un total de 250 millions de dollars auprès d'investisseurs, dont Felicis, Andreessen Horowitz, Kleiner Perkins, Lightspeed et d'autres.

Le rapport identifie également les cofondateurs d'Arena comme étant Angelopoulos, le directeur technique Wei-Lin Chiang, et le professeur de l'UC Berkeley et cofondateur de Databricks, Ion Stoica, qui a conseillé le projet avant que l'entreprise ne soit constituée en société en avril 2025.

Ce qui reste incertain, c'est la composition exacte du taux de revenus de 100 millions de dollars. La source fournie ne détaille pas le nombre de clients, les dépenses moyennes, la rétention, les marges brutes ou la répartition entre les laboratoires de modèles et les acheteurs d'entreprise. Elle n'offre pas non plus de validation par des tiers sur la valeur prédictive du classement public d'Arena pour les résultats réels en production. Ces lacunes sont importantes car de nombreuses entreprises souhaitent désormais une évaluation spécifique à leur domaine, et non seulement une popularité générale ou des signaux de préférence de la communauté.

Ce que cela signifie pour les constructeurs d'IA et les acheteurs d'entreprise

Pour les constructeurs de modèles, l'ascension d'Arena met en lumière une vérité pratique : livrer un modèle solide ne suffit plus. Les équipes ont besoin d'une évaluation continue à travers les versions, les types de tâches et les durées de flux de travail. Un service capable de faire surface rapidement aux données de préférence, aux analyses comparatives et aux régressions peut raccourcir les cycles d'itération et réduire le risque de promouvoir un point de contrôle (checkpoint) plus faible.

Pour les équipes d'application, l'histoire est légèrement différente. Les classements publics sont des outils de découverte utiles, mais les décisions de production nécessitent généralement des tests plus étroits liés aux propres requêtes, politiques et seuils d'échec d'une entreprise. L'offensive commerciale d'Arena suggère qu'il existe un appétit pour une infrastructure d'évaluation externe, mais les acheteurs devraient toujours demander si le jeu de test reflète leur cas d'utilisation, si les jugements sont reproductibles et avec quelle rapidité le fournisseur peut détecter les régressions après une mise à jour du modèle.

Pour les entreprises, l'implication majeure concerne l'approvisionnement. L'évaluation passe d'une fonction de recherche ad hoc à un poste de dépense qui peut côtoyer l'accès aux modèles, les garde-fous (guardrails), l'observabilité et l'étiquetage des données. Cela peut améliorer la discipline de déploiement, mais cela crée également des chevauchements entre les fournisseurs offrant de l'analyse comparative, des retours humains, du "red-teaming" et du support post-entraînement. Les acheteurs devront faire la distinction entre un signal largement utile et des tableaux de bord coûteux mais génériques.

À surveiller ensuite

Le prochain signal à surveiller est de savoir si Arena convertit sa dynamique actuelle de taux de revenus en contrats d'entreprise durables ou si elle reste principalement un service axé sur l'utilisation et lié au rythme des lancements de modèles. Davantage de détails sur la mixité des clients et la rétention permettraient de clarifier cela.

Une deuxième question est de savoir si les grands laboratoires approfondiront leur dépendance aux plateformes d'évaluation tierces ou s'ils construiront une plus grande partie de cette pile en interne. Si les plateformes externes continuent de gagner des budgets, l'évaluation pourrait devenir sa propre grande catégorie de logiciels et de services. Si les laboratoires internalisent le travail, les fournisseurs indépendants pourraient devoir se spécialiser davantage.

Troisièmement, surveillez l'évolution du "Agent Mode" d'Arena. Si les clients évaluent de plus en plus des flux de travail de longue durée plutôt que des requêtes simples, l'entreprise pourrait devenir plus pertinente pour les acheteurs d'entreprise déployant des agents, et non seulement pour les développeurs de modèles cherchant à se classer dans les tableaux de bord.

Enfin, surveillez l'examen minutieux entourant les benchmarks et la transparence. À mesure que l'évaluation devient une infrastructure critique pour les entreprises, les clients voudront plus de clarté sur la méthodologie, les biais d'échantillonnage, la reproductibilité et si les classements publics correspondent aux résultats de la production privée.

Perspective de Creati.ai

La croissance rapportée d'Arena est un indicateur utile de la direction que prennent les dépenses en IA. La couche modèle reçoit encore la majeure partie de l'attention, mais cette histoire suggère que le marché valorise de plus en plus la machinerie autour des modèles : classement, retours d'expérience, réglage et preuve de qualité. C'est particulièrement vrai maintenant que les différences entre les modèles peuvent être subtiles, évoluer rapidement et dépendre fortement de la conception des flux de travail.

L'avertissement est que tous les signaux d'évaluation ne se valent pas. Les données de préférence de la foule peuvent être puissantes, mais les entreprises ont besoin de preuves qu'un classement se traduit par une performance opérationnelle réelle sur leurs propres tâches. Si Arena peut combler ce fossé — en conservant l'ouverture qui l'a rendu influent tout en prouvant une valeur rigoureuse dans les déploiements payants — elle pourrait aider à définir une catégorie située quelque part entre le laboratoire de benchmark, la plateforme de données et le fournisseur de post-entraînement.