Dans une résidence universitaire de Nairobi, un jeune entrepreneur de 19 ans a mis en place ce qu'il décrit comme une pile technologique complète. entreprise d'intelligence artificielle, comportant un modèle de langage étendu (LLM) entraîné sur les dialectes kenyans, un agent vocal traitant déjà les demandes des clients dans une coopérative d'épargne et de crédit (SACCO), et un outil rapide destiné aux utilisateurs quotidiens.
La société Map Maven GMB, fondée en 2025, affirme valoir des millions, sur la base d'une évaluation formelle qui s'appuie sur la croissance projetée des revenus dans un marché de l'IA en expansion.
Le lancer arrive à un moment où Les systèmes d'IA mondiaux ont encore des difficultés avec de nombreuses langues africaines., notamment pour les populations disposant de peu de données numériques. Ce fossé représente non seulement un problème technique, mais aussi une opportunité de marché pour Mapmavengmb. La question est de savoir si les produits de l'entreprise parviendront à concrétiser leurs promesses avant que les acteurs majeurs du secteur ne s'intéressent à ce même problème.
Élaborer un modèle basé sur les lacunes des systèmes mondiaux
L'offre phare de l'entreprise est Kaya, un modèle de langage construit sur L'architecture LLaMA de Meta avec 70 milliards de paramètres. Plutôt que de concurrencer largement les grands modèles de langage comme GPT-4 d'OpenAI, l'entreprise a choisi de se spécialiser, en intégrant des données pertinentes au niveau local sur une base open source performante.
D'après Abraham Muka, fondateur et PDG, avec qui je me suis entretenu le 23 mars, le processus d'entraînement combine des jeux de données ouverts provenant de plateformes comme Kaggle et Hugging Face avec un jeu de données propriétaire, Swaweb, que l'entreprise affirme avoir conçu pour saisir les particularités et les nuances dialectales de la langue kényane. Des locuteurs natifs ont participé à l'étiquetage, une démarche visant à ancrer le modèle dans l'usage réel de la langue plutôt que dans sa structure formelle.
« C’est la combinaison de l’architecture à 70 milliards de paramètres de LLaMA avec des données d’entraînement linguistiques spécifiques au domaine kényan qui confère à Kaya ses capacités sur les dialectes locaux », a déclaré Muka.
Il reste toutefois difficile d'évaluer la pertinence de ce pari. Kaya n'a pas encore fait l'objet d'une évaluation comparative publique. Aucun résultat comparatif n'est disponible quant à ses performances par rapport aux modèles mondiaux sur les mêmes tâches, ni d'analyse détaillée de ses points forts et de ses points faibles. L'entreprise indique que le modèle est en phase de pré-déploiement, et que des évaluations formelles sont prévues au fur et à mesure de son déploiement.
En attendant ces résultats, Kaya n'est pour l'instant qu'une affirmation ; plausible, certes, mais non testée sur des points essentiels pour les clients qui décident de s'y fier.
Au-delà de cette description générale, le processus d'entraînement et de déploiement du modèle reste flou. L'entreprise indique qu'il s'appuie sur la base LLaMA 70B, mais ne précise pas si Kaya bénéficie d'un paramétrage fin ou d'une adaptation plus légère, comme l'optimisation par paramètres. Cette distinction est cruciale, car elle influe à la fois sur les performances et le coût.
On ne dispose d'aucun détail concernant la taille de l'ensemble de données, la répartition des jetons selon les dialectes, ni la manière dont le modèle gère l'alternance codique, fréquente en kényan. Sans ces informations, il est difficile de déterminer si Kaya est optimisé pour des conversations authentiques ou pour des requêtes plus spécifiques et structurées.
Les données sont un atout, mais quelle est leur valeur réelle ?
L'entreprise présente son ensemble de données exclusif comme un atout majeur, arguant que si tout le monde peut accéder à des ensembles de données ouverts, les nuances des dialectes kenyans nécessitent des données non disponibles dans les référentiels publics.
« C’est précisément l’un des avantages structurels liés à la constitution de notre propre ensemble de données », a déclaré Muka. « Swaweb est un atout qui nous appartient et que nous ne pouvons reproduire en téléchargeant simplement les mêmes sources publiques. »
Dans les modèles de langage, la qualité et la pertinence des données déterminent souvent les performances davantage que la taille du modèle à elle seule. La maîtrise de ces données permet également de réduire les risques juridiques et de donner à une entreprise le contrôle de l'évolution de ses systèmes.
Mais la propriété à elle seule ne garantit pas la protection des données. La robustesse de Swaweb repose sur des facteurs que l'entreprise n'a pas divulgués en détail : sa taille, sa diversité géographique et contextuelle, et la fréquence de ses mises à jour. Un ensemble de données qui capture un large éventail d'interactions réelles et qui continue de s'enrichir avec l'utilisation peut devenir difficile à reproduire. Un ensemble de données plus restreint ou statique, même propriétaire, offre une protection moindre face à des concurrents disposant de ressources plus importantes.
Se pose également la question de la couverture, car les dialectes kenyans varient non seulement selon la langue, mais aussi selon la région, l'âge et le contexte. Un ensemble de données qui capture l'usage formel mais omet l'argot, le langage hybride ou l'alternance codique en milieu urbain aura des difficultés à être utilisé sur le terrain.
Un produit fonctionnel sur un marché restreint mais révélateur
Bien que Kaya soit encore en cours d'évaluation, Sauti, l'agent vocal de l'entreprise, est déjà utilisé. Natcon Sacco (une coopérative d'épargne et de crédit) comptant un peu plus de 280 membres, le système gère les demandes de routine qui, autrement, mobiliseraient le personnel, telles que l'admissibilité aux prêts, les taux d'intérêt, les informations sur les succursales et autres demandes de base.
Le problème auquel il s'attaque est bien connu des petites institutions financières. Leur personnel, en nombre limité, doit gérer un flux constant de demandes répétitives, souvent en dehors des heures ouvrables et dans plusieurs langues. Sauti propose une solution pour alléger cette charge, en fournissant des réponses en anglais et, dans sa phase pilote, en swahili.
Natcon ne mise pas sur de grandes affirmations concernant l'intelligence artificielle, mais plutôt sur la rapidité d'obtention des réponses pour ses membres et sur le gain de temps pour le personnel, qui peut ainsi se consacrer à des tâches plus complexes. C'est sur ce critère que le produit sera jugé. Si Sauti parvient à démontrer une réduction significative de la charge de travail et une satisfaction constante des utilisateurs, son déploiement auprès d'institutions similaires sera envisageable.
Les aspects économiques de l'exploitation d'un modèle de grande taille
Kaya est hébergée sur Hugging Face, une plateforme et une communauté d'IA open source. L'entreprise estime le coût à environ 0.20 $ par requête. Le modèle est en cours de déploiement et une version publique est prévue prochainement.
À ce stade, les coûts sont plus faciles à maîtriser car l'utilisation est limitée. La difficulté réside dans la mise à l'échelle. Les grands modèles comportant 70 milliards de paramètres nécessitent des ressources de calcul considérables, et les coûts peuvent rapidement augmenter avec la demande ou les exigences de temps de réponse plus courts de la part des clients.
L'entreprise peut continuer à s'appuyer sur une infrastructure tierce, qui offre rapidité et flexibilité mais limite le contrôle, ou investir dans ses propres systèmes, ce qui nécessite des capitaux mais peut réduire les coûts à long terme. Cette décision n'a pas encore été mise à l'épreuve car le modèle n'a pas encore été testé en conditions d'utilisation soutenues et à grande échelle.
Financer le présent tout en misant sur l'avenir
La rentabilité de l'entreprise repose sur ses services, et non sur ses produits d'IA. Le développement web, incluant la création de sites optimisés pour le référencement naturel et l'intégration de fonctionnalités basées sur l'IA, représente la majeure partie de son chiffre d'affaires. Les prix varient de 19 500 KES (150 $) à 45 000 KES (345 $), avec un panier moyen de 45 000 KES (345 $).
Ce modèle génère des flux de trésorerie immédiats, essentiels pour une entreprise fonctionnant sans financement externe. Il implique également un équilibre délicat : les services exigent du temps et procurent des revenus prévisibles, tandis que les produits nécessitent des investissements continus et offrent des rendements incertains.
Les nouveaux produits de l'entreprise sont encore en phase de développement. Daraja, un outil de messagerie instantanée récemment lancé, a attiré 94 utilisateurs dès son premier jour, sans aucune promotion payante. Kaya est toujours en cours de déploiement. Sauti est opérationnel, mais son utilisation est pour l'instant limitée.
Comment fonctionne Daraja Connect ?
Daraja Connect ajoute une couche intermédiaire entre l'utilisateur et un LLM. Vous rédigez une requête comme d'habitude. Le système interprète l'intention et renvoie du JSON structuré, un format texte qui organise les données en paires clé-valeur et champs imbriqués, facilitant ainsi leur analyse et leur utilisation par les machines. Ce résultat est ensuite intégré à un modèle ou un flux de travail nécessitant une mise en forme stricte.
En pratique, le processus est simple. Vous vous connectez, saisissez votre requête et attendez la conversion. Une instruction vague comme « créer un catalogue de produits avec les prix et les niveaux de stock » renvoie un schéma défini avec des champs, des types et des objets imbriqués. Vous copiez le JSON et passez à l'étape suivante.
De nombreux flux de travail LLM échouent à cette étape, où des instructions incohérentes entraînent des résultats incorrects. Daraja réduit cet écart en standardisant les entrées dès le départ.
Cela a un coût. Pour les demandes rapides, cette couche supplémentaire peut paraître lente. On passe d'une interface à l'autre, ce qui interrompt le flux de travail.
La croissance par la visibilité et ses limites
L'acquisition de clients s'est jusqu'à présent appuyée sur une combinaison de démarchage direct, de réseaux sociaux et d'une forte présence médiatique. Muka et son équipe ont misé sur une communication ouverte, partageant les progrès de l'entreprise sur de multiples plateformes et suscitant l'intérêt des médias locaux.
La visibilité peut attirer l'attention, mais elle ne garantit ni la fidélisation ni les revenus. Transformer l'intérêt initial en une croissance durable dépendra de la capacité des produits à résoudre de manière constante et suffisante de véritables problèmes pour inciter les utilisateurs à revenir et à payer.
Une course contre l'attention
L'argument principal de l'entreprise est que les systèmes d'IA mondiaux ne sont pas encore adaptés à de nombreuses langues africaines, notamment celles dont la représentation numérique est limitée. Selon elle, cette lacune représente une opportunité pour un acteur local spécialisé.
« Les modèles globaux, notamment GPT-4 et Gemini, fonctionnent bien sur le swahili standard, mais leurs performances se dégradent considérablement sur les dialectes kenyans à faibles ressources comme le luo et le luhya », a déclaré Muka.
Cette observation s'inscrit dans les grandes tendances du développement de l'IA. Les modèles sont généralement plus performants sur les langages disposant de nombreuses données et d'une forte demande commerciale. Les grandes entreprises d'IA ont les ressources nécessaires pour s'étendre rapidement à de nouveaux langages dès qu'elles constatent une demande suffisante. La marge de manœuvre d'une petite entreprise dépend donc de sa capacité à constituer rapidement des données de meilleure qualité, à améliorer ses modèles et à fidéliser des utilisateurs avant que la concurrence ne s'intensifie.
Une évaluation fondée sur ce qui va suivre
L'évaluation de l'entreprise, calculée selon une combinaison de méthodes et privilégiant les flux de trésorerie actualisés, repose sur l'hypothèse que ses produits représenteront une part croissante de son activité. Les projections tablent sur un chiffre d'affaires passant de 342 000 $ la première année à plus de 640 000 $ d'ici cinq ans, grâce à la croissance des services et produits basés sur l'IA.
Actuellement, la majeure partie des revenus provient des services plutôt que des produits évolutifs. L'évaluation repose sur l'hypothèse d'un changement, qui ne s'est pas encore produit.
L'écart entre le chiffre d'affaires actuel et la croissance prévue représente la plus grande part du risque. Aujourd'hui, l'entreprise propose des services et finance des produits en phase de démarrage. Sa valorisation repose sur l'hypothèse que ces produits représenteront une part plus importante du chiffre d'affaires d'ici quelques années.
Cette transition n'est pas garantie. Elle dépend de la capacité de Kaya à prouver ses performances, de celle de Sauti à s'adapter à un déploiement plus large et de celle de Daraja à fidéliser les utilisateurs au-delà de la simple curiosité initiale.
D’ici là, l’évaluation reflète davantage le potentiel que la réalité opérationnelle.
