CADDi atteint 1,2 milliard de dollars en résolvant le problème que personne n'avait bien numérisé
Il existe un problème que tout directeur des opérations d'une entreprise manufacturière reconnaît immédiatement : son entreprise achète la même pièce, à différents fournisseurs, à des prix différents, sans savoir qu'elle l'avait déjà achetée auparavant. Non pas parce que les ingénieurs sont négligents. Mais parce que la connaissance de ce qui a été acheté, de la raison pour laquelle ce fournisseur a été choisi et des défauts que cette pièce a présentés réside dans des fichiers CAO épars, dans des systèmes ERP qui ne communiquent pas entre eux et, surtout, dans la tête d'un ingénieur qui a trente ans d'expérience et qui part à la retraite le trimestre prochain.
CADDi, une startup dont le siège est à Tokyo et à Chicago, a identifié ce point de rupture il y a huit ans et a développé un logiciel pour y remédier. Cette semaine, la société a bouclé un tour de table Série D de 114 millions de dollars qui la valorise à 1,2 milliard de dollars, soit plus du double des 470 millions annoncés en mars 2025. Le total cumulé des financements atteint 234 millions de dollars.
Ce qui rend ce cas intéressant, ce n'est pas le chiffre en lui-même. C'est la question de fond à laquelle ce chiffre répond : à quel moment précis une entreprise de logiciels pour l'industrie manufacturière cesse-t-elle d'être une niche pour devenir une infrastructure ?
La connaissance qui n'est sur aucun serveur
Le point de départ de CADDi était honnêtement modeste. Son premier produit, CADDi Drawer, ne faisait qu'une seule chose : il ingérait des plans techniques et cherchait dans la base de données du client s'il existait déjà une pièce identique ou similaire. La proposition était concrète : avant de demander un nouveau devis, le système indiquait si la pièce était déjà en stock, quel fournisseur l'avait fabriquée et quel avait été son taux de défauts.
Ce niveau de spécificité n'est pas anodin. Le résoudre exige que le logiciel comprenne des dessins techniques et des fichiers CAO, et non du texte. C'est là que réside la différence technique que Yushiro Kato, fondateur et directeur général de la société, a soulignée directement : « Je n'ai jamais vu quelqu'un utiliser des modèles de langage pour faire des revues de conception, parce qu'ils ne comprennent ni les plans ni les fichiers CAO. » CADDi utilise un modèle d'IA propriétaire pour les données produit comme les dessins et les fichiers CAO, et des modèles de langage à usage général uniquement pour les documents et les feuilles de calcul. La distinction est importante, car elle marque la frontière entre un chatbot pourvu d'un contexte manufacturier et un système capable de lire la géométrie d'une pièce.
Ce que l'entreprise a construit à partir de ce produit initial justifie la valorisation actuelle. Le catalogue comprend désormais CADDi Explorer, qui remplace l'ancien Drawer, et CADDi Agent, un agent d'IA qui aide à prendre des décisions en matière de standardisation des pièces et à évaluer l'impact d'un changement de conception sur les performances et la sécurité. À cela s'ajoutent six produits dédiés aux flux de travail et ciblant des tâches spécifiques, parmi lesquels CADDi Design Review, qui détecte les erreurs potentielles dans de nouveaux plans en les comparant aux problèmes historiques rencontrés sur des pièces similaires.
L'architecture d'ensemble constitue ce que CADDi appelle une « plateforme de données d'IA pour la fabrication » : un système qui intègre des fichiers CAO, des ERP et même des systèmes de ressources humaines, et structure ces informations pour que tant les personnes que les agents d'IA puissent les utiliser de façon opérationnelle. L'ambition est d'être la couche d'intelligence sur laquelle reposent les décisions de conception, d'achats, de qualité et d'exécution, et non un module supplémentaire de l'ERP.
Kato soutient que plus de 80 % des connaissances relatives aux processus de fabrication ne sont jamais enregistrées dans aucun système. Elles résident dans la mémoire des travailleurs expérimentés. Lorsque cette personne part, la connaissance part avec elle. Ce n'est pas une hypothèse philosophique : c'est une friction opérationnelle qui se mesure en refontes inutiles, en cycles de prototypage répétés pour des problèmes déjà résolus il y a une décennie, et en fournisseurs sélectionnés sans information sur leur véritable historique de qualité.
Ce que la liste des investisseurs révèle sur le marché qu'ils veulent conquérir
La composition du groupe ayant participé à la Série D mérite davantage d'attention que le montant total. Huit investisseurs, nouveaux et existants, ont rejoint le tour : Moore Strategic Ventures, Coreline Ventures, Woven Capital (le fonds de croissance de Toyota), Salesforce Ventures, HR Tech Fund (le bras d'investissement corporate de Recruit Holdings au Japon), ainsi que les investisseurs existants Atomico, Globis Capital Partners et les fonds JPS Growth gérés par une filiale de Japan Post Bank.
Woven Capital, le fonds de Toyota, n'investit pas dans la technologie générique. Il investit dans des paris qui affectent directement la chaîne de production automobile. Sa participation dans une entreprise qui promet de réduire les cycles de révision de conception et de capitaliser les connaissances tacites d'ingénieurs chevronnés n'est pas un pari financier passif ; c'est le signe qu'un constructeur automobile aux décennies de processus sédimentés voit en CADDi un outil susceptible de modifier sa vitesse de développement produit.
Salesforce Ventures, de son côté, cadre l'investissement avec précision : la fabrication est l'un des secteurs les plus importants qui ne dispose toujours pas d'une plateforme d'IA définissant la catégorie. Cette affirmation a des conséquences stratégiques claires. Elle signifie qu'il reste de la place pour que quelqu'un s'installe dans la position qu'occupe Salesforce dans les ventes, ou SAP dans la gestion d'entreprise, mais au niveau de l'intelligence sur les données d'ingénierie manufacturière. Celui qui occupera cette position en premier bénéficiera d'avantages de rétention très difficiles à inverser, car les données historiques de conception et de qualité qui s'accumulent dans la plateforme deviennent des actifs propres au client, liés au système.
Cela dessine un scénario de capture progressive. Non pas par des clauses contractuelles, mais parce que migrer vers un autre système signifie perdre l'historique structuré des révisions, des fournisseurs, des défauts et des décisions de conception que CADDi a accumulé. Pour un constructeur automobile qui charge ces informations depuis dix ans, le coût du changement n'est pas le prix d'une licence ; c'est la perte d'une mémoire institutionnelle numérisée.
La croissance de plus du double d'une année sur l'autre en termes de ventes, combinée à une présence dans 22 pays et à plus de la moitié des 100 plus grands fabricants japonais comme clients, indique que l'entreprise a dépassé la phase de validation précoce sur son marché domestique. La question est désormais de savoir si elle peut reproduire cette pénétration en Amérique du Nord, où la concurrence pour le budget technologique des fabricants est plus fragmentée et où le pouvoir des ERP en place est plus établi.
Le goulot d'étranglement physique comme thèse d'investissement
Kato a une façon de cadrer le problème qui s'avère plus utile que la plupart des discours de startup. Il l'appelle « le goulot d'étranglement physique ». L'idée est directe : l'IA peut générer des théories, des conceptions et des analyses à une vitesse sans précédent, mais si le processus permettant de passer d'un plan à la production en série continue de prendre quatre ans, le gain de vitesse cognitive se dissout dans la friction du monde physique.
Une automobile type traverse environ 20 cycles de révision de conception entre la planification et la mise sur le marché. Beaucoup de ces cycles existent parce que les problèmes ne sont détectés qu'au stade du prototype physique. CADDi parie que, si l'on peut exécuter davantage de ces étapes en parallèle et détecter les erreurs en amont grâce aux connaissances accumulées des ingénieurs chevronnés, le cycle total se comprime. Son objectif déclaré est de réduire ce processus de quatre ans à quatre ou cinq mois d'ici 2035, ce qui impliquerait une accélération par dix de l'innovation physique.
Ce chiffre peut sembler ambitieux au point d'être sans pertinence pour une analyse à court terme. Mais sa fonction stratégique est autre : il définit l'espace de valeur que CADDi revendique auprès de ses clients, de ses investisseurs et de ses concurrents potentiels. Ce n'est pas une entreprise qui optimise une étape du processus. C'est une entreprise qui affirme pouvoir changer la vitesse à laquelle le monde physique répond à l'intelligence numérique.
La crédibilité de cette thèse repose sur quelque chose que Kato a reconnu sans détours comme l'obstacle le plus difficile : la gestion du changement. Convaincre un ingénieur ayant vingt ans d'expérience d'enregistrer son jugement dans un système, ou de modifier la façon dont il effectue ses révisions de conception, ne se résout pas avec une bonne interface. C'est pourquoi CADDi emploie plus de 100 personnes dédiées au succès client, davantage que sa force de vente, et a commencé à recruter des ingénieurs déployés sur le terrain qui travaillent au sein des organisations clientes pour s'assurer que l'adoption se traduit en un impact mesurable. Le produit se vend ; l'adoption opérationnelle s'installe.
Ce choix d'investir davantage dans la rétention et l'adoption que dans l'acquisition reflète un modèle économique qui parie que la valeur par client augmente avec le temps. Chaque nouveau plan chargé, chaque décision fournisseur enregistrée et chaque révision de conception documentée rend le système plus utile pour ce client spécifique. L'accumulation de données propres est la forme de différenciation la plus tangible qu'une plateforme de ce type puisse construire, et c'est aussi la raison pour laquelle la croissance des effectifs de 600 à 900 personnes en moins de deux ans se concentre sur ce type de profils.
La fabrication ne se capture pas de l'extérieur ; elle se capture de l'intérieur
L'argent de la Série D a des destinations déclarées : expansion du catalogue de produits, construction de modèles d'IA spécifiques aux fichiers CAO 3D et aux plans 2D, expansion mondiale avec un accent mis sur l'Amérique du Nord, et recrutement. Ces quatre axes sont cohérents entre eux. Améliorer les modèles d'IA propriétaires élargit l'écart technique avec des concurrents qui dépendent de modèles de langage généraux. S'implanter en Amérique du Nord avant qu'un concurrent bien capitalisé n'occupe cet espace réduit le coût d'acquisition futur. Recruter davantage de personnel dédié au succès client garantit que l'expansion ne génère pas de churns liés à une adoption insuffisante.
Ce qui n'apparaît pas dans cette liste, et qu'il convient de noter, c'est toute mention de réduction des coûts opérationnels ou d'automatisation du processus de mise en œuvre lui-même. Cela dit quelque chose sur l'état actuel de l'activité : elle est encore intensive en talent humain du côté de la livraison, ce qui est cohérent avec la difficulté que Kato a reconnue concernant la gestion du changement. L'entreprise n'a pas encore trouvé, ou décidé de miser sur, une façon de faire évoluer l'adoption sans faire évoluer l'équipe de mise en œuvre dans la même proportion.
C'est là le point de tension le plus intéressant dans la trajectoire qui attend CADDi. Si elle parvient à codifier suffisamment de connaissances sur la façon de se déployer avec succès auprès de différents types de fabricants, elle pourrait réduire cette dépendance vis-à-vis de son propre talent. Si elle n'y parvient pas, la croissance aura un plafond opérationnel défini par le nombre de personnes qu'elle peut recruter et retenir dans le succès client, et non par la demande du marché.
La valorisation de 1,2 milliard de dollars anticipe que ce problème sera résolu. Les données actuelles de croissance et de pénétration suggèrent que l'entreprise dispose de suffisamment de temps et de capital pour y travailler avant que cela ne devienne un problème structurel. Mais cette marge n'est pas indéfinie, et l'expansion en Amérique du Nord, où les cycles de vente aux entreprises sont plus longs et la concurrence budgétaire plus intense, la rétrécit. CADDi a déjà démontré que le problème qu'elle résout est réel et que les fabricants paient pour le résoudre. Ce qui vient ensuite exige de croître sans que la complexité de la mise en œuvre n'augmente au même rythme que le nombre de clients.
