Nava, basée à Bengaluru, a bouclé un financement de série A de 22 millions de dollars mené par Greenoaks Capital pour construire ce qu'elle appelle un « cloud IA full-stack » ciblant la pénurie de calcul en Asie. La startup combine des centres de données optimisés pour l'IA, une infrastructure de calcul GPU, des couches d'orchestration et des outils pour développeurs dans une plateforme unique—se positionnant comme une alternative régionale aux hyperscalers comme AWS et Google Cloud pour les charges de travail IA.
C'est important parce que le déficit d'infrastructure IA en Asie est réel et coûteux. Bien qu'on ait couvert le financement de 250 M$ de Sarvam AI en mars—la plus grosse levée pure-play IA en Inde—ça soulignait le côté demande. Nava mise sur le côté offre : que les développeurs et entreprises asiatiques veulent du calcul local qui ne passe pas par l'infrastructure contrôlée par les États-Unis. Avec les pénuries mondiales de GPU qui contraignent encore le développement IA, les fournisseurs régionaux avec des stacks dédiés natifs IA pourraient capturer des parts de marché significatives s'ils exécutent bien.
Le timing s'aligne avec les poussées d'infrastructure régionale plus larges. Karnataka étend ses initiatives deeptech au-delà de Bengaluru, et plusieurs sources indiquent un appétit croissant des investisseurs pour les projets d'infrastructure IA asiatiques. Mais Nava fait face au problème classique de l'œuf et la poule : ils ont besoin d'échelle pour concurrencer sur les prix avec les hyperscalers, mais ont besoin de prix compétitifs pour atteindre l'échelle. Leur approche « full-stack » pourrait les différencier si ça simplifie vraiment le déploiement comparé à assembler plusieurs services cloud.
Pour les développeurs, ça représente une autre option dans le paysage d'infrastructure IA de plus en plus fragmenté. Si Nava livre sur ses promesses de latence et prix pour les marchés asiatiques, ça pourrait valoir la peine d'évaluer pour les charges de travail en production—surtout pour les équipes préoccupées par la souveraineté des données ou fatiguées de la complexité des hyperscalers.