Une startup deeptech cofondée par un professeur d'HEC remporte le plus grand prix de Bpifrance

Alors que Bpifrance a choisi « culot », une valeur qui fait écho à la devise « Apprendre à oser » d’HEC, comme thème de son rassemblement annuel, Praedon, une startup cofondée par Maximilian Schiffer, professeur à HEC Paris, vient de recevoir le prestigieux prix i-Lab de Bpifrance. Cette startup deep tech utilise l’IA pour optimiser les décisions opérationnelles à forts enjeux.

Maximilian Schiffer a récemment rejoint le département Systèmes d’information et management des opérations d’HEC en tant que professeur associé. Il est également rattaché au  centre Hi! PARIS. Fort de son expérience académique à l'Université Technique de Munich (TUM), partenaire historique d’HEC, il apporte une expertise en intelligence artificielle étroitement liée à des problématiques opérationnelles concrètes.

Avec Axel Parmentier, professeur à l’École des Ponts ParisTech, il a cofondé Praedon, une startup spécialisée dans l’automatisation des décisions industrielles complexes. Le 16 septembre, l’entreprise s’est officiellement vu décerner le Grand Prix i-Lab de Bpifrance, assorti du financement maximal de 600 000 euros.

Faire le lien entre machine learning et réalités opérationnelles

Si les grands modèles de langage (LLM) excellent dans la rédaction de notes ou la génération de code, confier le pilotage d’infrastructures physiques à l’IA générative comporte des risques opérationnels majeurs. Un chatbot peut s’excuser lorsqu’il fournit une information erronée. Un algorithme chargé de piloter une usine automobile ou chimique ne peut pas se permettre une telle marge d’erreur.

Dans l’industrie lourde, une seule défaillance liée à l’incertitude statistique peut avoir des conséquences considérables. Décaler la programmation d’une chaîne de montage au-delà de la capacité de traitement d’un four industriel peut, par exemple, entraîner l’arrêt complet d’une usine et provoquer plusieurs millions d’euros de pertes.

Pour surmonter ces limites, Praedon développe de nouveaux systèmes d’IA capables d’automatiser des décisions complexes, sans s’appuyer uniquement sur des prédictions statistiques.

Sa technologie repose sur une architecture à « deux cerveaux », fondée sur le Decision-Focused Learning (DFL), une approche d’apprentissage automatique directement orientée vers l’optimisation des décisions.

Le premier « cerveau », un réseau de neurones, joue le rôle de stratège intuitif. Il analyse en temps réel les signaux susceptibles de modifier les décisions opérationnelles : fluctuations des délais de livraison des fournisseurs, envolées soudaines des prix sur les marchés au comptant ou autres évolutions de l’environnement.

Le second repose sur un solveur classique d’optimisation combinatoire, qui agit comme un contrôleur mathématique inflexible. Son rôle consiste à intégrer les réalités physiques, les contraintes du droit du travail et les limites techniques des équipements sous forme de règles impératives.

Les modèles prédictifs étant entraînés directement au sein de l’algorithme d’optimisation, les décisions produites sont mathématiquement garanties comme réalisables, avant même la mise en mouvement d’une machine.

Ce même principe transforme également les activités de trading sur les marchés de l’énergie, particulièrement exposés à la volatilité. Alors que la production d’électricité renouvelable issue de l’éolien et du solaire peut varier d’une minute à l’autre, les traders utilisent des algorithmes prédictifs pour saisir des opportunités d’arbitrage parfois très brèves.

Mais les modèles classiques de machine learning peuvent recommander des transactions potentiellement lucratives qui risquent de surcharger les lignes de transport d’électricité ou de dépasser les limites de décharge des batteries.

Le moteur intégré de Praedon garantit que chaque transaction exécutée à grande vitesse respecte les contraintes physiques du réseau électrique.

En associant le machine learning aux contraintes strictes de la recherche opérationnelle, Praedon permet ainsi de dépasser un dilemme majeur pour les dirigeants industriels : gagner en rapidité et en réactivité commerciale sans s’exposer à des risques opérationnels aux conséquences potentiellement catastrophiques.

Des applications concrètes, des services d’urgence à la logistique

Les deux cofondateurs décrivent leur plateforme comme un moteur de décision fonctionnant en arrière-plan des systèmes informatiques.

« Face à des variables incertaines, comme les événements météorologiques, la volatilité des marchés ou les goulets d’étranglement logistiques, l’IA de Praedon analyse différents scénarios. Elle recommande ensuite, en temps réel, des décisions optimales et robustes qui tiennent compte de l’ensemble des contraintes, éliminant ainsi le risque d’hallucinations dans les environnements industriels critiques », expliquent-ils dans leur présentation au concours d’innovation i-Lab.

Cette technologie répond à des besoins très divers dans les organisations : stockage de l’énergie, management des opérations, systèmes d’information, supply chain, revenue management et, à terme, finance.

Une étude cosignée par Maximilian Schiffer illustre notamment son potentiel dans le domaine des services d’urgence.

À partir des données d’appels au 911 d’une grande ville américaine, les chercheurs ont développé une méthode de machine learning enrichie par l’optimisation combinatoire, permettant d'apprendre des stratégies efficaces d'affectation et de redéploiement des ambulances.

Les résultats montrent une réduction jusqu’à 28 % du temps moyen d’intervention, une amélioration susceptible d’augmenter significativement les chances de survie des personnes victimes d’un arrêt cardiaque.

De la recherche académique au déploiement commercial

Praedon a franchi une étape décisive en passant du statut de projet de recherche académique innovant à celui d’entreprise en pleine croissance commerciale.

Avant de déployer sa plateforme en mode Software-as-a-Service (SaaS), l’entreprise a soumis sa technologie à des tests approfondis dans le cadre de missions de conseil et de projets pilotes industriels menés auprès de grands groupes internationaux.

Cette première phase de validation, qui s’est déroulée approximativement entre 2023 et 2025, a notamment donné lieu à des projets de doctorat en partenariat avec Air France et Renault Group.

Chez Air France, la technologie a permis de réduire de 27 % les coûts liés aux retards.

Chez Renault Group, le dispositif génère plus d’un million d’euros d’économies annuelles et contribue à réduire de 10 % les émissions quotidiennes de CO₂ à l’échelle européenne.

Officiellement créée en 2026, Praedon est désormais une entreprise à part entière, qui compte des clients actifs et payants.

Dans le cadre d’une coentreprise avec Flexbid, Praedon pilote des activités de trading algorithmique intrajournalier sur les marchés de l’énergie, ainsi que l’optimisation de la charge et de la décharge des batteries de stockage. L’entreprise déploie progressivement cette plateforme intelligente de trading énergétique sur les principaux marchés européens.

« En optimisant des décisions complexes, notre solution permet aux grands acteurs industriels de réaliser plusieurs millions d’euros d’économies sur leurs coûts opérationnels. Par ailleurs, grâce à l’utilisation de modèles structurés, nos systèmes nécessitent nettement moins de puissance de calcul et consomment beaucoup moins d’énergie que les grands modèles de langage (LLM) classiques ».

Sources :

La recherche :

• Schiffer, M., Hoppe, H., Su, Y., Bouvier, L., & Parmentier, A. (2026). Combinatorial Optimization Augmented Machine Learning. ArXiv. 

Les études de cas :

• Baty, L., Jungel, K., Klein, P. S., Parmentier, A., & Schiffer, M. (2023). Combinatorial Optimization enriched Machine Learning to solve the Dynamic Vehicle Routing Problem with Time Windows. ArXiv. 

• Jungel, K., Parmentier, A., Schiffer, M., & Vidal, T. (2023). Learning-based Online Optimization for Autonomous Mobility-on-Demand Fleet Control. ArXiv.

• Rautenstrauß, M., & Schiffer, M. (2025). Optimization-Augmented Machine Learning for Vehicle Operations in Emergency Medical Services. ArXiv. 

Retrouvez le dossier spécial Deep Tech sur Dare, le Media Hub d'HEC: Deep Tech: Turning Breakthrough Science into Impact.