À Paris, Cigno choisit un angle très ciblé de l'IA d'entreprise : les cabinets de conseil. La jeune pousse a annoncé, lundi 18 mai 2026, une levée de 1,5 million d'euros auprès de business angels issus du conseil et de la finance. Son ambition est claire : industrialiser des livrables alignés sur les méthodes internes des cabinets, avec un accent appuyé sur la souveraineté des données et la reproductibilité.

Une levée de 1,5 million d'euros pour attaquer un usage précis du conseil

Cigno ne se présente pas comme un acteur généraliste de l'IA générative. La société vise un terrain beaucoup plus délimité : celui des cabinets de conseil en management, avec une promesse centrée sur la production de contenus et d'analyses conformes aux standards internes de ces structures.

Le financement annoncé le 18 mai 2026 s'élève à 1,5 million d'euros (source : Maddyness). Le tour réunit des investisseurs individuels au profil très senior, principalement issus des univers du conseil, de la banque et des services financiers. Parmi eux figurent :

  • Lino Finini, ex-Group COO de Swissquote
  • Niresh Rajah, ex-Group CDO de DLA Piper et Danske Bank
  • Pasha Bakhtiar, ex-Group CEO de Reyl Intesa Sanpaolo
  • Arnaud Denis, ex-Group CEO de MeDirect
  • Hazem Mulhim, fondateur et CEO d'Eastnets

Le signal envoyé par ce tour est double. D'un côté, il confirme qu'il existe une place pour des outils d'IA verticaux, conçus pour des métiers à forte intensité de méthode. De l'autre, il montre que des décideurs passés par des groupes réglementés ou exigeants sur la donnée considèrent ce positionnement comme crédible.

Ce que finance concrètement ce premier tour

La matière disponible indique deux priorités : la commercialisation et la poursuite de la feuille de route produit. Cigno précise aussi vouloir attirer les meilleurs ingénieurs possible pour renforcer l'effet d'usage immédiat de la plateforme.

Pourquoi les IA génériques ne suffisent pas, selon Cigno

La thèse défendue par Cigno repose sur une critique structurée des grands modèles généralistes. Les cabinets de conseil ont déjà, pour beaucoup, noué des partenariats avec OpenAI, Anthropic ou Mistral afin d'intégrer ces technologies à leurs processus internes et parfois à leurs offres clients. Mais, pour Cigno, cette couche technologique ne résout pas à elle seule le sujet métier.

Philippe Reynier, co-fondateur et CEO, formule cette position sans ambiguïté : « Des verticales entières réalisent que les LLMs génériques ne suffiront jamais, parce que la valeur n'est pas dans le modèle lui-même. Elle est dans la contextualisation des données, la souveraineté et la capacité à encoder la méthodologie propriétaire d'un cabinet. »

Pour l'entreprise, trois limites ressortent dans le conseil :

  • les outils génériques ne produisent pas spontanément des livrables au niveau d'exigence attendu par les cabinets,
  • ils n'intègrent pas de façon sécurisée les données propriétaires internes,
  • ils peuvent générer des résultats variables selon la manière dont chaque consultant formule sa requête.

Ce dernier point est loin d'être anecdotique pour le secteur. Dans une activité où la valeur vendue tient aussi à la cohérence de la méthode, à la traçabilité du raisonnement et à la qualité formelle des supports, l'écart entre deux prompts peut devenir un risque opérationnel. En clair, un cabinet ne cherche pas seulement une réponse rapide : il cherche une réponse répétable, défendable face au client et compatible avec ses standards internes.

Dans ce dossier, le terme renvoie à une IA conçue pour un métier précis, avec ses formats de livrables, ses routines de validation, ses sources documentaires et ses contraintes de confidentialité. L'enjeu n'est pas seulement de générer du texte, mais de reproduire un cadre de travail propre à une profession et, ici, à chaque cabinet.

Des workflows qui cherchent à encoder la méthode du cabinet

Le coeur de l'offre de Cigno réside dans une infrastructure pensée pour accompagner un consultant de bout en bout, depuis la recherche jusqu'au livrable final. La société décrit une plateforme capable d'orchestrer des centaines d'agents spécialisés au sein de workflows reprenant les méthodologies propres à chaque cabinet.

Concrètement, l'utilisateur démarre un projet, définit le type de document attendu, par exemple une recommandation stratégique, une proposition commerciale ou une analyse sectorielle, puis la plateforme génère en quelques minutes une version annoncée comme aboutie à 70 %, alignée sur les standards visuels et méthodologiques du cabinet.

Philippe Reynier résume ainsi la proposition : « Notre solution permet de refléter la méthodologie du cabinet de manière répétable et structurée, en étant connectée aux bases de données internes. »

Pour les cabinets, la promesse n'est pas neutre économiquement. Si l'outil tient ses engagements, il peut réduire le temps consacré aux premières versions, homogénéiser les rendus et limiter la dépendance à l'expérience individuelle sur certaines tâches de structuration. Cela ne signifie pas disparition du consultant, mais déplacement de la valeur vers le cadrage, la relecture, la relation client et l'arbitrage final.

C'est aussi un sujet de formation. Une telle plateforme peut servir de rampe d'accès pour des profils plus juniors, en leur donnant une première base de travail déjà formatée selon les codes de la maison. Pour des cabinets confrontés à des impératifs de qualité et de vitesse, cette standardisation assistée devient un levier de productivité, mais aussi un outil de transmission de savoir-faire.

Philippe Reynier, Nicolas Lagrèze et Vahan Avetisyan : un trio fondateur orienté exécution

L'équipe fondatrice rassemble trois profils complémentaires. Philippe Reynier, CEO, est passé par BCG et UBS. Nicolas Lagrèze, COO, vient d'EY et de BearingPoint. Vahan Avetisyan, CTO, affiche plus de 20 ans d'expérience dans les plateformes data et IA.

Cette combinaison est cohérente avec le produit annoncé : une lecture intime des pratiques du conseil d'un côté, une expertise de construction de plateformes de l'autre. Cigno indique par ailleurs compter déjà une dizaine de personnes dans ses effectifs.

Pourquoi la répétabilité compte autant dans le conseil

Dans un cabinet, la qualité d'un livrable ne dépend pas uniquement de son contenu. Elle dépend aussi de sa conformité à une méthode, à une charte visuelle, à une structure argumentative et à des sources internes. Cigno se place précisément sur cette couche d'industrialisation, là où un LLM générique reste souvent trop variable d'un usage à l'autre.

Scaleway, chunking anonymisé, flotte de 80 LLM : le pari de la souveraineté

La sécurité de la donnée constitue l'un des arguments les plus sensibles du dossier. Cigno affirme avoir retenu une architecture hébergée chez Scaleway, présenté dans la matière source comme le cloud du groupe Iliad de Xavier Niel. L'objectif affiché est de maintenir l'indexation de la base de connaissances interne des cabinets dans cet environnement.

Lorsque l'appel à un modèle externe est jugé nécessaire, la plateforme applique une logique de chunking anonymisé. En pratique, seules des briques d'information fortement dépersonnalisées sont transmises. Pour un cabinet de conseil, cet élément répond à une préoccupation très concrète : préserver la confidentialité des matériaux clients, des benchmarks internes et des éléments de méthode qui font sa différenciation commerciale.

Cigno indique en outre s'appuyer sur une flotte de 80 LLM, incluant des modèles européens open-weight. L'intérêt de cette approche, tel qu'il est présenté, est de laisser aux cabinets un contrôle total sur leurs données, y compris dans le choix des modèles mobilisés.

Ce positionnement résonne particulièrement en France et en Europe, où la question de la localisation des données, de l'encadrement contractuel et du contrôle des flux d'information prend une importance croissante. Sans se substituer aux obligations juridiques des cabinets eux-mêmes, une architecture pensée en amont pour limiter l'exposition des données peut devenir un argument de vente décisif.

Le principe consiste à découper l'information en fragments et à ne transmettre, lorsqu'un modèle externe est utilisé, que des éléments largement dépersonnalisés. Cigno présente cette mécanique comme une façon de réduire le risque d'exposition des données propriétaires et sensibles des cabinets.

Co-construction produit et premiers pilotes en France, au Royaume-Uni et en Suisse

Avant même cette levée, Cigno explique avoir mené de nombreux ateliers de co-design avec des dirigeants de cabinets et des consultants indépendants. Cette étape est importante, car le conseil reste un marché où l'adoption dépend moins de l'effet de mode technologique que de l'adéquation très concrète avec les usages quotidiens.

La startup affirme avoir ainsi constitué une première base d'utilisateurs convaincus. Elle mentionne également des pilotes en cours en France, au Royaume-Uni et en Suisse.

Aucun volume de chiffre d'affaires, aucun nombre de clients payants et aucun calendrier détaillé de déploiement n'ont été communiqués dans la matière disponible. Il faut donc lire cette phase comme une montée en commercialisation, et non comme une industrialisation déjà massive.

Ce stade intermédiaire est classique pour des logiciels B2B de niche. Le produit doit encore démontrer plusieurs choses en parallèle :

  • sa capacité à s'adapter à des méthodologies différentes d'un cabinet à l'autre,
  • la robustesse de son architecture sur des données internes sensibles,
  • la pertinence économique du gain de temps annoncé,
  • la qualité constante des livrables générés.

Pour le marché du conseil, l'enjeu dépasse la seule automatisation. L'IA remet en question une partie de la chaîne de valeur historique, en particulier les tâches de recherche, de structuration et de mise en forme qui occupent traditionnellement une part importante du temps facturable. Une plateforme comme Cigno cherche à se rendre indispensable non en remplaçant toute la mission, mais en devenant l'outil de production de référence au sein du cabinet.

Cigno : un positionnement à part dans la vague des IA métiers

Les exemples cités dans la matière source montrent que d'autres professions intellectuelles avancent déjà avec leurs propres outils. Les médecins ont Nabla et Abridge. Les juristes ont Harvey et Legora. Cigno tente d'installer le conseil dans cette même logique sectorielle : celle d'une IA conçue non pour tout faire, mais pour traiter une profondeur métier précise.

D'un point de vue économique, cette approche verticale peut justifier des cycles de vente plus longs, mais aussi une valeur unitaire plus élevée si l'intégration à la méthode interne du cabinet est réellement différenciante. C'est en général là que se joue la viabilité d'une telle offre : moins sur la démonstration technologique que sur l'enracinement dans les routines du client.

Un signal de marché à surveiller

Le fait que Cigno cible simultanément la méthodologie, la sécurité et le format des livrables montre où se situe la bataille dans l'IA professionnelle. Le sujet n'est plus seulement la puissance brute d'un modèle, mais sa capacité à s'insérer dans une organisation, avec ses contraintes métiers et ses exigences de confidentialité.

Ce que la commercialisation de Cigno dira du marché des cabinets

La prochaine étape est clairement identifiée par l'entreprise : passer du pilote à la commercialisation, tout en poursuivant le développement produit. Philippe Reynier insiste sur la nécessité d'attirer les meilleurs ingénieurs et de conserver un effet immédiat à l'usage. Cette insistance sur l'expérience utilisateur est révélatrice : dans les métiers du conseil, un outil est adopté s'il produit vite, bien, et sans friction.

Reste que la réussite commerciale dépendra d'un arbitrage délicat chez les cabinets. Ils devront décider ce qu'ils acceptent d'encoder dans une plateforme, jusqu'où ils veulent standardiser leurs méthodes, et comment ils redéfinissent la valeur du travail humain dans la production des missions. Si Cigno parvient à s'imposer sur ce point d'équilibre, sa levée du 18 mai 2026 pourrait marquer bien davantage qu'un simple premier tour d'amorçage.