Accueil › Glossaire › AI21 Labs

AI21 Labs

AI21 Labs est une entreprise israélienne d’intelligence artificielle fondée en 2017 à Tel Aviv par Yoav Shoham, Ori Goshen et Amnon Shashua. Pionnière des modèles de langage enterprise, elle développe la famille Jamba (architecture hybride SSM-Transformer unique en son genre), le système d’orchestration Maestro et l’assistant d’écriture Wordtune. Avec 636 millions de dollars levés (dont une Series D de 300 millions menée par Google et Nvidia en mai 2025), AI21 Labs se positionne sur la fiabilité et la traçabilité des réponses IA plutôt que sur la course à la taille des modèles.

Histoire et fondation

Des fondateurs atypiques

AI21 Labs se distingue par le profil de ses fondateurs. Yoav Shoham est professeur émérite d’informatique à Stanford, spécialiste de l’IA et des systèmes multi-agents. Amnon Shashua est le cofondateur de Mobileye (technologie de conduite autonome, rachetée par Intel pour 15,3 milliards de dollars en 2017). Ori Goshen est un serial entrepreneur tech. Ce trio combine expertise académique de pointe, expérience de scaling d’une entreprise deep-tech à l’échelle mondiale, et savoir-faire entrepreneurial.

Fondée en novembre 2017 à Tel Aviv, AI21 Labs a commencé par développer des technologies de compréhension et de génération de langage naturel. Le premier produit grand public, Wordtune, un assistant d’écriture basé sur l’IA capable de reformuler et de réécrire des textes en comprenant le contexte, a été lancé en octobre 2020. Google l’a nommé parmi ses extensions favorites de 2021.

AI21 Studio, la plateforme API pour accéder aux modèles de langage, a été lancée en août 2021. Les modèles Jurassic-1 puis Jurassic-2 ont constitué la première génération de LLM d’AI21, avec un vocabulaire de plus de 250 000 tokens. Mais c’est l’architecture Jamba qui a véritablement positionné AI21 comme un innovateur technique distinctif.

Parcours de financement

La trajectoire de financement d’AI21 reflète une croissance mesurée : seed de $9,5M en 2019, Series A de $25M (menée par Pitango), puis des tours progressivement plus importants. La Series C de $208M fin 2023 (Intel Capital, Coatue, Comcast Ventures) a porté la valorisation à $1,4 milliard, faisant d’AI21 une licorne. La Series D de $300M en mai 2025, menée par Google et Nvidia, a porté le total levé à $636M.

Comparé à OpenAI ($174B levés), Anthropic ($64B) ou même Cohere ($600M+), AI21 opère avec une discipline financière remarquable. L’entreprise compte environ 227 employés début 2026, ce qui est modeste par rapport aux milliers d’employés de ses concurrents. Le pari est que la fiabilité et l’efficacité des modèles comptent plus que la taille de l’équipe ou le budget d’entraînement.

L’architecture Jamba

L’innovation SSM-Transformer

Jamba est la contribution technique signature d’AI21 Labs. C’est le premier modèle de production à fusionner l’architecture Mamba (un Structured State Space Model, ou SSM) avec l’architecture Transformer classique, le tout combiné avec un système Mixture of Experts (MoE).

Pourquoi cette hybridation ? Chaque architecture a des forces et des faiblesses. Le Transformer excelle en qualité de sortie grâce à son mécanisme d’attention qui prend en compte l’ensemble du contexte, mais son coût computationnel croît de manière quadratique avec la longueur de la séquence. Les SSM comme Mamba offrent un coût linéaire avec la longueur du contexte (beaucoup plus rapide sur les longs documents), mais peinent à égaler la qualité du Transformer sur les tâches de rappel et de raisonnement complexe.

Jamba résout ce dilemme en alternant des couches Mamba et des couches Transformer dans une architecture par blocs. Chaque bloc Jamba contient soit une couche d’attention (Transformer), soit une couche Mamba, suivie d’un MLP, avec un ratio d’une couche Transformer pour huit couches totales. Le résultat : la rapidité du Mamba sur les longs contextes, la qualité du Transformer sur le raisonnement, et l’efficacité du MoE pour augmenter la capacité sans exploser le coût de calcul.

La famille Jamba

La famille Jamba comprend plusieurs modèles, tous caractérisés par une fenêtre de contexte effective de 256K tokens (la plus grande parmi les modèles open-weight) et un pricing compétitif :

Jamba 1.6 Large : le modèle le plus puissant, conçu pour les tâches complexes à l’échelle enterprise. Il surpasse Mistral Large 2, Llama 3.3 70B et Command R+ sur les benchmarks de qualité selon les évaluations d’AI21.

Jamba2 Mini : un modèle de 12 milliards de paramètres actifs qui offre un équilibre entre efficience et pilotabilité, pour les workflows enterprise courants.

Jamba Reasoning 3B : un modèle compact de raisonnement de 3 milliards de paramètres, publié sous Apache 2.0, conçu pour fonctionner on-device (iPhone, Android, Mac, PC). Il introduit des gains d’efficience de 2 à 5x par rapport à DeepSeek, Google, Llama et Microsoft sur les tâches de raisonnement, et peut gérer jusqu’à 1 million de tokens. Ce modèle incarne la vision d’AI21 d’un avenir décentralisé où le calcul on-device complète le cloud.

Tous les modèles Jamba supportent le function calling, le tool use, le mode JSON structuré, les citations et le mode document structuré, ce qui les rend adaptés aux systèmes agentiques et aux pipelines RAG.

Maestro : orchestration fiable

Lancé en mars 2025 lors de la conférence HumanX, Maestro est le système de planification et d’orchestration IA d’AI21. Son positionnement est audacieux : améliorer la fiabilité des modèles tiers. AI21 affirme que Maestro augmente la précision de suivi d’instructions de GPT-4o et Claude Sonnet 3.5 de jusqu’à 50%, et permet à des modèles plus simples d’atteindre le niveau de performance de modèles de raisonnement plus sophistiqués.

Maestro met l’accent sur la traçabilité et l’observabilité des workflows : chaque décision du système est auditable, et les résultats sont ancrés dans les sources de données de l’entreprise. En décembre 2025, Maestro a été lancé sur Amazon VPC, permettant un déploiement enterprise-grade dans des environnements privés.

Déploiement et souveraineté

AI21 offre trois modes de déploiement : l’API cloud via AI21 Studio (pay-as-you-go), le déploiement privé en VPC ou on-premise (via Model Vault ou des partenaires comme HPE Private Cloud AI), et les modèles open-weight téléchargeables depuis Hugging Face. Les modèles sont aussi disponibles sur Amazon Bedrock, Google Vertex AI, Together.AI et via NVIDIA NIM.

Le déploiement privé est un avantage concurrentiel fort : les données sensibles ne quittent jamais l’organisation. Pour les clients enterprise qui veulent éviter un long processus d’expérimentation, AI21 propose un service « white-glove » de déploiement personnalisé avec continuous pre-training et fine-tuning sur mesure.

Clients et cas d’usage

Les clients enterprise incluent Capgemini, Wix (qui alimente des centaines d’applications IA via les modèles AI21), Deloitte (partenariat pour le déploiement en environnements privés) et Fnac (traitement de dizaines de milliers de descriptions produit via le Batch API, réduisant le temps de traitement de plusieurs heures à moins d’une heure).

Les cas d’usage typiques couvrent le résumé de documents longs (contrats, rapports financiers, transcriptions d’appels), le Q&A enterprise sur les bases documentaires (RAG), la génération de texte structuré (descriptions produit, rapports, emails), et les chatbots de support client à haute fiabilité.

Un cas d’usage différenciant est le traitement de documents réglementaires dans le secteur financier. La fenêtre de contexte effective de 256K tokens permet d’ingérer l’équivalent d’un roman de 400 pages (ou l’ensemble des documents comptables d’une entreprise pour un exercice fiscal) et de répondre à des questions ancrées dans ce contenu, sans avoir à segmenter le document en petits morceaux comme le requièrent les modèles à contexte plus court.

Wordtune : le produit consumer

Wordtune est le produit B2C d’AI21 Labs, un assistant d’écriture basé sur l’IA qui comprend le contexte d’un texte et peut suggérer des reformulations, des réécritures et des améliorations. Lancé en octobre 2020, il a été nommé parmi les extensions favorites de Google pour 2021. Wordtune est disponible comme extension de navigateur et comme application web. C’est un produit de niche par rapport à ChatGPT ou Claude, mais il a permis à AI21 de construire une base d’utilisateurs et de revenus consumer en parallèle de son activité enterprise.

Pricing et modèle économique

AI21 opère sur un modèle usage-based avec trois niveaux : un plan gratuit pour les développeurs et petits projets, un plan Production pay-as-you-go avec des capacités étendues, et un plan Enterprise avec instances dédiées et support premium.

Le pricing API est compétitif. Jamba Large se positionne en dessous des modèles frontier d’OpenAI et d’Anthropic tout en offrant des performances comparables sur les tâches de long contexte. Le Batch API, conçu pour gérer des pics de volume sur des délais serrés (contrairement aux solutions batch concurrentes conçues pour les tâches non urgentes), est un différenciateur pour les cas d’usage comme le traitement massif de catalogues produit ou de documents réglementaires.

Les services de déploiement privé et de modèles personnalisés (continuous pre-training + fine-tuning sur mesure) représentent un canal de revenus à haute valeur ajoutée. C’est un service « white-glove » qui justifie des tarifs significativement supérieurs à l’API standard.

Vision : l’IA décentralisée on-device

AI21 développe une vision originale de l’avenir de l’IA enterprise. Avec Jamba Reasoning 3B, l’entreprise défend l’idée que les modèles compacts fonctionnant sur les appareils personnels (laptops, smartphones, montres connectées) vont jouer un rôle croissant aux côtés des LLM cloud. La métaphore d’AI21 est éloquente : l’ère actuelle de l’IA centralisée dans le cloud ressemble aux mainframes des années 1970, et les modèles on-device représentent la transition vers les ordinateurs personnels des années 1980.

Dans cette vision, les SLM (Small Language Models) on-device agissent comme des contrôleurs locaux dans les workflows agentiques, orchestrant les opérations en activant les LLM cloud ou les outils externes uniquement quand c’est nécessaire. Les avantages sont multiples : latence réduite pour les applications temps réel (manufacture, santé), résilience hors ligne pour les opérations distantes, et confidentialité renforcée en gardant les données sensibles sur l’appareil.

C’est un positionnement qui résonne particulièrement avec les entreprises des secteurs régulés (finance, santé, défense) où la résidence des données et la latence sont des contraintes non négociables.

Positionnement concurrentiel

AI21 Labs occupe un créneau distinctif : la fiabilité et l’efficience plutôt que la taille et la puissance brute. Dans un marché où OpenAI, Anthropic et Google DeepMind se livrent une course aux modèles toujours plus grands, AI21 parie que la prochaine phase de l’industrie sera définie par la fiabilité des réponses, pas par la taille des paramètres.

L’architecture hybride SSM-Transformer est un vrai différenciateur technique : aucun autre acteur majeur ne propose cette approche. L’avantage en vitesse d’inférence sur les longs contextes (jusqu’à 2,5x plus rapide que les concurrents de taille comparable) est mesurable et a été validé par Artificial Analysis.

Les limites sont claires aussi : AI21 n’a pas la notoriété d’OpenAI, les ressources de Google, ni le positionnement safety-first d’Anthropic. Avec 227 employés et $636M levés, l’entreprise joue dans une catégorie de poids bien inférieure à ses principaux concurrents. Le pari est que la discipline opérationnelle et l’innovation architecturale permettront de rester pertinent malgré l’écart de ressources.

Le positionnement d’AI21 est celui du spécialiste technique qui ne cherche pas à tout faire, mais à exceller sur un créneau précis. L’entreprise cible un segment étroit mais à haute valeur : les entreprises qui ont besoin de traiter des documents longs avec fiabilité, dans des environnements contrôlés, à un coût raisonnable. C’est un pari qui s’appuie sur la conviction que l’IA enterprise va se fragmenter en solutions spécialisées plutôt que de converger vers un modèle unique qui fait tout.