La société d'IA financière Rogo a levé 1,6 milliard de dollars lors d'un tour de financement D, faisant passer sa valorisation de 7,5 milliards à 20 milliards de dollars en seulement trois mois, soit presque un quadruplement. Rogo se positionne comme un analyste IA pour les banques d'investissement, les fonds de capital-investissement et les gestionnaires d'actifs, capable d'effectuer des recherches sur les entreprises, de collecter des données, de construire des modèles d'évaluation et de préparer des documents clients. En intégrant des modèles sous-jacents tels qu'OpenAI et Anthropic avec des données financières provenant de Capital IQ et PitchBook, tout en se connectant à des outils bureautiques comme Excel et PowerPoint, Rogo automatisera les tâches réparties sur divers systèmes. À ce jour, en août 2026, Rogo est déjà utilisé par plus de 300 institutions financières et compte 40 000 utilisateurs. Son avantage concurrentiel réside dans la conformité, la neutralité des modèles et l'intégration écologique, ce qui en fait progressivement l'entrée de travail pour les institutions financières.

Auteur et source de l'article : Wall Street Journal

L'IA a enfin envahi Wall Street.

En avril de cette année, l'entreprise d'intelligence artificielle financière Rogo a levé 1,6 milliard de dollars lors de son tour de financement D, portant sa valorisation à 2 milliards de dollars. Trois mois plus tôt, sa valorisation n'était que de 750 millions de dollars.

Trois mois, presque doublé.

Qu'est-ce que Rogo fait exactement ?

En bref, il s'agit de doter les banques d'investissement, les fonds de capital-investissement et les institutions de gestion d'actifs d'un « analyste IA ».

Il peut prendre en charge la grande quantité de travail de bureau qui, par le passé, nécessitait des analystes juniors de travailler jusqu'à tard dans la nuit : rechercher des entreprises, trouver des données, construire des modèles d'évaluation, modifier des fichiers Excel et préparer des documents clients.

Mais le véritable point intéressant est que Rogo ne semble pas avoir grand-chose de « exclusif ».

Le modèle de base utilise OpenAI et Anthropic, les données financières proviennent de Capital IQ et PitchBook, et le travail final est effectué dans Excel et PowerPoint, des produits Microsoft.

Autrement dit, ce qui est le plus essentiel — du modèle aux données en passant par les logiciels de bureau — n'appartient pas à lui-même. Ce que fait Rogo, c'est plutôt se placer au centre pour relier tout cela.

Logiquement, ce type d'entreprise est le plus facile à contourner par les acteurs en amont et en aval.

Mais la réalité est exactement l'inverse.

Au mois d'août 2026, Rogo était présent dans plus de 300 établissements financiers, utilisé par plus de 40 000 professionnels de la finance, et sa valorisation avait atteint 2 milliards de dollars.

C’est intéressant. Pourquoi une entité qui semble être simplement un intermédiaire qui « organise une réunion » est-elle devenue l’une des entreprises d’intelligence artificielle les plus recherchées de Wall Street ?

Aujourd'hui, Silicon Guy va parler de Rogo et expliquer comment l'IA a commencé à prendre le travail des analystes de Wall Street.

Faire le travail pour l'analyste de Wall Street

Analystes bancaires d'investissement, probablement le groupe les mieux rémunérés au monde tout en effectuant le plus d'activités physiques répétitives.

Malgré leur apparence professionnelle et leur présence quotidienne à Wall Street, ils passent en réalité peu de temps en face à face avec les clients. Selon Wall Street Mastermind, une entreprise de formation professionnelle pour les banques d’investissement, les employés de banques d’investissement consacrent environ 90 % de leur temps à des tâches de bureau telles que la recherche de données, la rédaction d’analyses, la mise à jour de modèles Excel et la création de présentations PowerPoint.

Lors d'une précédente interview du fondateur de Rogo par Forbes, il a été mentionné que certains employés juniors d'investissement travaillent jusqu'à 90 heures par semaine. Même en travaillant sept jours sur sept, cela équivaut à près de 13 heures par jour.

La raison est simple. Les banques d'investissement traditionnelles sont en grande partie un métier basé sur « l'accumulation de ressources humaines ». Plus il y a de projets, plus on embauche d'analystes ; plus le volume de travail augmente, plus on recourt aux heures supplémentaires pour le gérer.

Rogo veut utiliser l'IA pour modifier ce modèle.

La première étape consiste à automatiser la recherche de données.

Les banques d'investissement effectuent des projets en consultant des données financières sur Capital IQ et FactSet, en examinant les levées de fonds sur PitchBook, et en recherchant des transactions de fusion-acquisition sur LSEG. Ces bases de données ont été acquises depuis longtemps par les banques d'investissement, mais les analystes devaient auparavant effectuer eux-mêmes les recherches, filtrer les informations et copier les données.

Rogo agit de manière directe en collaborant avec ces fournisseurs de données pour accorder aux agents les droits d'accès aux données existantes des clients.

Après l'intégration de Capital IQ à la fin de 2024, les agents dans Rogo peuvent désormais appeler directement des données fondamentales, des attentes du marché, etc., et poursuivre l'analyse.

Autrement dit, Rogo a transformé les données précédemment destinées à être consultées par les humains en ressources de production accessibles aux agents.

Deuxième étape : livrer directement des fichiers utilisables.

L'agent Felix de Rogo peut accéder directement aux modèles Excel réellement utilisés par les banques d'investissement, mettre à jour les données, faire défiler les années de prévision, actualiser les graphiques et ajuster les sociétés comparables.

Cela semble simple, mais c'est en réalité très difficile. Un modèle bancaire d'investissement réel peut comporter des dizaines de feuilles de calcul remplies de références croisées, de données historiques et d'hypothèses de prévision. Auparavant, chaque fois qu'un analyste devait effectuer une mise à jour, il devait récupérer manuellement les données, modifier les années et vérifier les formules.

Felix peut maintenant prendre le relais.

Par exemple, si le flux de trésorerie libre pour 2027 dans le modèle devient soudainement négatif, il peut remonter la formule pour identifier les hypothèses spécifiques qui ont changé, puis fournir des recommandations de modification.

Lorsqu'il rencontre un modèle particulièrement complexe, il réexécute une partie de la logique de calcul en Python pour vérifier les résultats.

Cela signifie que Felix commence à pouvoir livrer directement les résultats du travail d'investissement.

Troisième étape : relier les tâches individuelles pour former une transaction complète.

Les projets d'investissement semblent complexes, mais une fois décomposés, il ne s'agit que de répétitions d'actions telles que l'analyse d'entreprises comparables, des transactions passées, le DCF, le CIM, le Teaser et le filtrage des acheteurs.

Rogo a encapsulé ces actions individuellement sous forme d'agents. Il a fait participer plus de 75 personnes ayant réellement travaillé dans la banque d'investissement, le capital-investissement, le crédit et la recherche pour les développer, et les agents partagés ont déjà été exécutés plus de 430 000 fois.

Mais l'agent standard n'est pas suffisant, car chaque banque d'investissement a ses propres modèles, messages et processus.

Ainsi, Rogo envoie encore des équipes chez les clients pour continuer à adapter les agents en versions personnalisées. Seulement durant une semaine au début juillet 2026, Rogo a collaboré avec ses clients pour créer plus de 2 450 agents personnalisés.

Plus important encore, ces agents peuvent être chaînés.

Un agent rédige d'abord le CIM et le Teaser, un autre poursuit avec les sociétés comparables et le DCF, puis filtre les acheteurs potentiels. Les tâches autrefois réparties entre différents analystes commencent à être assemblées en un processus de transaction automatisé. C'est là que Rogo révèle véritablement son imagination.

Bien sûr, le fait que le logiciel puisse le faire ne signifie pas que les banques d'investissement l'utiliseront réellement. Ainsi, le modèle économique de Rogo est également très particulier.

Il est facturé par siège, ce qui en fait essentiellement un SaaS. À ce jour, en février 2026, il compte plus de 25 000 utilisateurs et 150 clients institutionnels.

Mais la mise en œuvre est très concrète. Rogo envoie directement d'anciens banquiers et ingénieurs au sein des clients pour les aider à mettre en place des flux de travail, à former leur équipe et à modifier leurs agents.

Par exemple, chez Baird, Rogo a déployé environ 600 postes. Grâce à une formation sur site et un suivi continu, le taux d'engagement a atteint 95 % quelques mois plus tard, avec environ 10 000 tâches automatisées accomplies chaque semaine, pour un total de plus de 250 000.

Autrement dit, bien que Rogo vende un logiciel, sa mise en œuvre ressemble davantage à un service de conseil.

Si ce modèle de Rogo fonctionne, le même nombre de personnes pourra couvrir davantage de projets à l'avenir. Pour une industrie qui a fonctionné pendant des décennies en s'appuyant sur « la force humaine pour accumuler de la puissance de calcul », c'est là la valeur la plus importante de l'IA.

Normalement, une entreprise comme Rogo est très dangereuse.

En haut se trouvent les fournisseurs de modèles tels qu'OpenAI et Anthropic, en bas se trouvent les fournisseurs de données tels que Capital IQ et PitchBook, et les clients sont des institutions financières majeures comme Goldman Sachs et Lazard.

Il est coincé au milieu ; un pas en avant de n'importe quel côté pourrait le contourner.

Mais la réalité est exactement l'inverse.

À ce jour, en août, Rogo compte 40 000 utilisateurs et plus de 300 clients institutionnels, notamment des banques d'investissement établies comme Rothschild et Lazard.

Pourquoi une couche intermédiaire qui semble la plus facile à remplacer devient-elle de plus en plus profonde ?

L'essentiel est que Rogo a occupé les trois positions les plus importantes de l'IA financière.

Le premier, c'est la conformité.

Rogo a été fondé vers 2022, mais sa véritable commercialisation à grande échelle n'a eu lieu que deux ans plus tard.

Ces deux dernières années, il a principalement accompli une tâche ardue : faire en sorte que les institutions financières oient confier leurs données à l’IA.

Les banques d'investissement traitent quotidiennement des informations sur les fusions et acquisitions, des données clients et des recherches internes. Une fuite de MNPI par l'IA ou une erreur de calcul d'un chiffre clé par le modèle pourrait entraîner directement des incidents de conformité et de réputation.

Ainsi, Rogo a mis en œuvre très tôt l'isolation des données, la logique d'isolation des MNPI, des permissions granulaires et une auditabilité complète, et a progressivement obtenu les certifications SOC 2 Type I/II, ISO 27001, ainsi que la certification ISO 42001 sur la gouvernance de l'IA pour 2025.

Ces tâches n’ont rien de sexy, mais elles consomment énormément de temps. Résultat : dès le démarrage de la commercialisation, la croissance a été très rapide : passer de 0 à sept chiffres de ARR en moins de cinq mois, avec un revenu dépassant 15 millions de dollars en 2025.

Le deuxième, c'est qu'il ne parie pas sur le modèle.

Le plus grand risque pour de nombreuses entreprises d'applications d'IA est de miser sur le mauvais modèle de base.

Rogo ne mise pas du tout. Il a développé un modèle de courtier qui se connecte simultanément à des modèles tels qu'OpenAI, Anthropic et Google, et sélectionne automatiquement le modèle approprié en fonction de la tâche financière.

Pourquoi faire cela ? Parce qu'il n'existe pas de modèle universel pour les tâches financières.

Rogo a créé Big Finance Bench avec 928 tâches financières réelles. Les résultats montrent que GPT-5.5 excelle dans les structures de capital et les fusions-acquisitions, Claude Sonnet 4.6 est plus adapté à l'analyse des états financiers, et Claude Opus 4.7 se distingue dans le capital privé et les prévisions.

En effectuant un routage simple en fonction du type de tâche et de la source des données, les performances globales dépassent celles du meilleur modèle unique de 4,5 points de pourcentage.

L'écart de coût est plus important. Pour la même tâche, l'utilisation du modèle de pointe peut coûter 1,26 $, tandis qu'un modèle léger plus adapté coûte au minimum 0,02 $.

Cette architecture signifie une chose importante : le modèle sous-jacent peut être remplacé à tout moment, mais les données clients, les agents et les flux de travail restent sur Rogo.

Cependant, ce qui détermine réellement le plafond de Rogo, c'est le troisième niveau.

Il commence à s'insérer au cœur des logiciels des institutions financières.

Le flux de travail des banques d'investissement est extrêmement fragmenté. Les données se trouvent sur Capital IQ et PitchBook, les documents internes sur SharePoint, les relations clients sur Salesforce, les e-mails sur Outlook, les modèles dans Excel, et les dossiers de transaction dans Data Room.

Autrefois, une grande partie du temps des analystes était consacrée à déplacer des données entre ces logiciels.

Rogo commence à les assembler pièce par pièce.

En septembre 2025, nous avons acquis Subset pour intégrer directement l'Agent dans Excel, lui permettant de modifier des modèles complexes composés de dizaines de feuilles de calcul. En mars de cette année, nous avons acquis Offset pour doter l'Agent d'une « mémoire », lui permettant de se souvenir de la manière dont un modèle a été construit et modifié par le passé.

Meanwhile, it integrates with SharePoint, Outlook, Salesforce, Box, and Intralinks.

D'ici août de cette année, Rogo a acquis Rivanna pour étendre ses capacités à la due diligence M&A. L'agent peut traiter des dizaines de milliers de documents d'opération en une seule fois, fournir des citations originales, identifier les risques et suivre l'ensemble du processus de due diligence.

Vus isolément, ce ne sont que des fonctionnalités. Mais une fois reliées entre elles, les choses changent.

Rogo regroupe progressivement les flux de travail d'une transaction financière, répartis sur une dizaine de logiciels, au sein de sa propre couche.

Si ce puzzle se boucle enfin, Rogo ne possédera plus simplement un outil d'IA.

Il deviendra l'entrée quotidienne sur laquelle les institutions financières travaillent. C'est la véritable raison pour laquelle le capital lui accorde une évaluation de 2 milliards de dollars.