A16z lève 40M$ pour Vals AI après un benchmark à 52%
Vals déclare que son test Finance Agent v2 montre que les modèles de pointe échouent encore à environ la moitié des flux de travail réels des analystes, et elle souhaite être l'évaluateur indépendant du marché.
Vals AI a levé 40 millions de dollars lors d'une série A dirigée par Andreessen Horowitz à une valorisation de 400 millions de dollars après que son benchmark Finance Agent v2 a placé le meilleur modèle de pointe à 52 % de précision sur le travail d'analyste financier multi-étapes.
L'argument est que les récits selon lesquels "l'IA est prête" sont désormais moins entravés par les sorties de modèles et plus par la capacité de quiconque à mesurer la correction des flux de travail réels suffisamment rapidement pour suivre.
A16z soutient Vals alors que les benchmarks de Finance-Agent placent les modèles de pointe à 52 % de précision
Vals AI a clôturé une série A de 40 millions de dollars à une valorisation de 400 millions de dollars le 13 août 2026, dirigée par Andreessen Horowitz (a16z). Les investisseurs de retour 8VC, Pear VC et Bloomberg Beta ont de nouveau participé, avec HRT Ventures et Next Ladder Ventures rejoignant en tant que nouveaux soutiens.
Le tour est vendu comme une infrastructure, pas un pari sur un modèle. Le benchmark Finance Agent v2 de Vals a enregistré un score de 52 % de précision en mai 2026, ce qui signifie que le meilleur système disponible n'a pas réussi à compléter correctement environ la moitié des tâches multi-étapes qu'un analyste financier professionnel serait censé gérer.
Mécaniquement, Finance Agent v2 n'est pas un examen à choix multiples. Il teste si un agent peut exécuter un flux de travail de bout en bout, y compris la récupération de données de soutien, la synthèse sans halluciner des chiffres, et le chaînage du raisonnement à travers les étapes.
Les tâches que Vals énumère incluent la construction de modèles de valeur relative entre les entreprises comparables, la synthèse des catalyseurs sectoriels et la génération de recommandations d'investissement basées sur des données documentaires réelles.
Vals a associé le financement à des indicateurs de traction : une croissance des revenus multipliée par huit en 2025, un doublement du nombre de clients et une triplication de l'équipe au cours des six derniers mois. Il a également déclaré que ses évaluations avaient été citées dans des cartes de modèle, les divulgations d'évaluation officielles publiées par des laboratoires, d'OpenAI, Anthropic, Google, Meta et xAI.
Des tableaux de classement à la correction des flux de travail : pourquoi Vals pense que les benchmarks publics sont trompeurs
La revendication principale de Vals est que les tableaux de classement publics mesurent de plus en plus la mauvaise chose, ou la mesurent après que le marché a déjà appris à les manipuler.
Les modes d'échec auxquels il fait référence sont la saturation des benchmarks, où les meilleurs modèles deviennent statistiquement indiscernables sur un test, et la contamination des benchmarks, où les questions de test fuient dans les données d'entraînement et gonflent les scores.
L'argument de l'entreprise repose sur un article de février 2026ETHLe préprint de Zurich et Stanford a analysé 60 benchmarks de modèles de langage large largement utilisés et a trouvé que 29 sur 60 étaient saturés, avec des écarts entre le meilleur et le deuxième meilleur au sein du bruit de mesure.
Le même préprint est cité pour une conclusion moins confortable pour les évaluateurs : les ensembles de tests privés ne préviennent pas systématiquement la saturation une fois que les caractéristiques de distribution d'un benchmark sont largement connues.
La réponse produit de Vals est la gestion du cycle de vie. Elle traite les benchmarks comme des "périssables" et les retire lorsqu'ils ne différencient plus les modèles. En mai 2026, elle a remplacé son benchmark CorpFin par un test Excel après que CorpFin n'ait plus fourni suffisamment de séparation entre les modèles de pointe.
C'est également là que Vals trace une ligne contre les classements basés sur les votes de préférence. Arena (anciennement LMArena) collecte des millions de votes de préférence humaine pour répondre à la question : "Quel modèle les utilisateurs préfèrent-ils dans le chat ?" Vals essaie explicitement de répondre à une question différente : "Quel modèle complète la recherche d'investissement correctement selon des normes professionnelles ?"
Ce sont des architectures différentes, et elles échouent différemment lorsque vous essayez de les opérationnaliser dans un flux de travail financier.
Parallèlement à la levée de fonds, Vals a lancé trois produits qui élargissent son champ d'application au-delà des tests de points de finance et de codage : Vals Smith (benchmarks de codage personnalisés construits à partir de dépôts GitHub d'entreprise), une suite de benchmarks de risque de pointe (cybersécurité, santé mentale, sécurité de l'IA), et un Vals Index 2.0 élargi avec une couverture économique plus large.
L'argument de Vals Smith est l'écart entre le test "ce modèle peut-il écrire du Python ?" et "ce modèle peut-il écrire notre Python ?" pour les entreprises avec des bases de code propriétaires.
Signaux que les traders peuvent suivre : rotation des benchmarks, adoption des produits et qui était le modèle à 52 %
Le détail manquant le plus pertinent pour le marché est basique : Vals ne nomme pas quel modèle de pointe spécifique a obtenu 52 % sur Finance Agent v2 en mai 2026. Jusqu'à ce que cette correspondance soit publique, le point de données est plus utile comme un plafond sur la catégorie que comme une lecture claire du rythme de publication d'un laboratoire.
Le prochain signal est de savoir si ce plafond évolue avec les lancements de modèles suivants, ou s'il reste collant parce que le goulet d'étranglement est la fiabilité du flux de travail plutôt que la capacité brute. Si Vals peut continuer à produire des résultats "dans les heures" suivant l'accès au modèle, le benchmark devient un contrôle quasi temps réel sur l'engouement des publications.
Du côté produit, l'adoption de Vals Smith est le meilleur indicateur pour savoir si les entreprises budgétisent la mesure comme une ligne de dépense. Les benchmarks personnalisés construits à partir de dépôts GitHub privés impliquent qu'un acheteur est au-delà de la phase de démonstration et dans la discipline d'approvisionnement.
Enfin, surveillez les changements de couverture de Vals Index 2.0 et les retraits ou remplacements de benchmarks similaires à l'échange CorpFin-Excel. Un turnover rapide est un indice que les tests se saturent rapidement, et que la crédibilité du "gardien des scores" dépend de la reconstruction continue de l'examen.
Mon avis : Le commerce n'est pas 'L'IA est intelligente' - c'est 'La mesure devient le goulet d'étranglement'
Le seuil qui compte ici n'est pas de savoir si un modèle peut dominer un classement public, mais s'il peut gérer des flux de travail professionnels avec des taux d'erreur suffisamment bas pour survivre en production.
Un plafond de précision de 52 % pour Finance Agent v2 est une contrainte brutale sur les récits de « l'agent financier autonome » à court terme, car cela implique que le meilleur système est encore souvent incorrect au point de nécessiter une boucle de contrôle humain.
Si Vals continue d'être cité dans les fiches de modèle tout en vendant également des évaluations payantes au même écosystème, le véritable test est de savoir si ses incitations restent alignées avec les acheteurs plutôt qu'avec les vendeurs.
Si cette indépendance se maintient et que le turnover des benchmarks reste élevé, la mesure devient la couche de filtrage qui décide quels modèles sont déployés, et c'est à ce point pratique que la catégorie cesse d'être guidée par le récit et commence à être guidée par les achats.
