YC AI Startup Camp Jour 2 : Nadella, Andrew Ng et le PDG de Cursor sont présents
TechFlow SélectionTechFlow Sélection
YC AI Startup Camp Jour 2 : Nadella, Andrew Ng et le PDG de Cursor sont présents
La meilleure utilisation de l'IA consiste à accélérer la vitesse d'itération, plutôt que de chercher la « magie » d'une génération en un seul clic.
Dédié à des analyses Web3 approfondiesRédaction : Founder Park
Le deuxième jour de l'YC AI Startup School a accueilli sept invités prestigieux : Satya Nadella (PDG de Microsoft), Andrew Ng (fondateur de Deep Learning.AI), Chelsea Finn (co-fondatrice de Physical Intelligence), Michael Truell (PDG et co-fondateur de Cursor), Dylan Field (PDG et co-fondateur de Figma), Andrej Karpathy (ancien directeur de l'IA chez Tesla) et Sriram Krishnan (conseiller principal en politique d'intelligence artificielle à la Maison Blanche).
Au cours de leurs interventions, ces experts ont partagé des idées marquantes sur les technologies de l’IA et la création d’entreprise, notamment :
-
Ne pas anthropomorphiser l’IA. L’IA n’est pas un humain, c’est un outil. Le prochain grand défi consiste à lui donner mémoire, outils et capacité d’action, mais cela reste fondamentalement différent du raisonnement humain.
-
Les agents deviendront les nouveaux ordinateurs. Ce futur dépend non seulement de la précision technique, mais aussi de la confiance des utilisateurs et d’une expérience fluide.
-
Les produits intégrant des boucles de rétroaction, comme l’Agentic AI, surpassent largement les outils « ponctuels ». Les interactions continues optimisent les résultats, tandis que l’itération permet une amélioration exponentielle des performances.
-
La vitesse de prototypage est aujourd’hui 10 fois supérieure, et l’efficacité du développement logiciel en production a augmenté de 30 à 50 %. Il convient d’exploiter cet avantage pour réduire les risques marché grâce aux retours utilisateurs en temps réel.
-
Le code n’est plus un actif rare et stratégique. Grâce aux outils rapides de prototypage et à l’IA, produire du code est désormais simple. Ce qui compte, c’est la valeur concrète qu’il crée.
-
Les données du monde réel sont irremplaçables. Bien que les données synthétiques ou simulées soient utiles, les données réelles restent essentielles, particulièrement pour les tâches visuelles et physiques complexes.
-
L’usage le plus pertinent de l’IA est d’accélérer les itérations, pas de chercher le « miracle » du bouton unique. Les designers et chefs de produit doivent maintenant s’impliquer activement dans l’évaluation de l’IA.
Hormis Andrej Karpathy (dont la présentation est détaillée dans notre article d’hier intitulé « Jour 1 de YC AI Startup School : l’intervention d’Andrej Karpathy fait sensation ») et Sriram Krishnan, voici une synthèse des points clés des cinq autres intervenants.
PDG de Microsoft : Satya Nadella
1. Effet cumulatif des plateformes : L’IA ne surgit pas de nulle part ; elle repose sur des décennies d’infrastructures cloud capables désormais de supporter l’entraînement de modèles à grande échelle. Chaque génération de plateforme prépare celle qui suit.
2. Modèle = infrastructure, produit = écosystème : Les modèles fondamentaux sont une infrastructure, comparable à une nouvelle base de données SQL. Le vrai produit n’est pas le modèle lui-même, mais tout l’écosystème autour : boucles de rétroaction, intégration d’outils et interaction utilisateur.
3. Impact économique comme boussole : Pour Satya, le critère ultime de valeur de l’IA est : « Crée-t-elle un surplus économique ? » Si une technologie ne stimule pas la croissance du PIB, elle n’est pas transformatrice.
4. Frontière entre puissance de calcul et intelligence : Le niveau d’intelligence croît logarithmiquement avec la puissance de calcul. Toutefois, les grandes percées futures viendront moins de l’échelle que de changements de paradigme, comme la prochaine « loi d’échelle ».
5. Énergie et consensus social : Le déploiement massif de l’IA exige plus d’énergie et un accord social. Pour obtenir ce consentement, nous devons prouver que les bénéfices sociaux positifs compensent pleinement les coûts.
6. Le vrai goulot d’étranglement est la gestion du changement : Dans les secteurs traditionnels, l’obstacle n’est pas technologique, mais lié aux processus figés. La transformation réelle exige de repenser la façon de travailler, pas simplement d’ajouter de l’IA.
7. Fusion des rôles professionnels : Sur LinkedIn par exemple, les rôles traditionnels comme design, frontend et produit se fusionnent progressivement, donnant naissance au « full stack ». L’IA permet à davantage de personnes d’acquérir des compétences interdisciplinaires, accélérant cette tendance.
8. Ne pas sous-estimer la valeur du travail répétitif : Le travail cognitif contient beaucoup de tâches répétitives. L’IA excelle à éliminer ces « frictions invisibles », libérant ainsi la créativité humaine.
9. Garder l’esprit ouvert sur l’avenir : Même Satya n’avait pas anticipé la rapidité des progrès du « calcul à l’inférence » ou du renforcement learning. Ne présumons pas avoir vu la forme finale de l’IA ; de nouvelles percées sont probables.
10. Ne pas anthropomorphiser l’IA : L’IA n’est pas humaine. C’est un outil. Le prochain saut consiste à lui offrir mémoire, outils et action, mais cela reste distinct du raisonnement humain.
11. Avenir du développement : L’IA ne remplacera pas les développeurs, elle sera leur assistant. VSCode devient une toile de collaboration avec l’IA. L’ingénierie logicielle passera de l’écriture de code à la conception système et à l’assurance qualité.
12. Responsabilité et confiance indispensables : L’apparition de l’IA n’exempte pas les humains de responsabilité. Les entreprises restent juridiquement responsables du comportement de leurs produits. C’est pourquoi confidentialité, sécurité et souveraineté doivent rester centrales.
13. La confiance vient de la valeur pratique : La confiance naît de l’utilité, pas des discours. Satya cite le chatbot déployé pour les agriculteurs indiens : une aide visible est la base de la confiance.
14. De la voix aux agents : Le parcours IA de Microsoft a commencé en 1995 avec la reconnaissance vocale. Aujourd’hui, la stratégie vise des « agents » fonctionnels, combinant voix, vision et dispositifs informatiques omniprésents.
15. L’agent est l’ordinateur de demain : La vision à long terme de Satya est : « Les agents seront les nouveaux ordinateurs. » Ce futur dépend autant de la précision technique que de la confiance utilisateur et d’une expérience transparente.
16. Leçon de leadership : Commencez par les postes de base, mais avec les ambitions les plus hautes. Apprenez à construire une équipe, pas seulement un produit.
17. Profil recherché par Satya : Il valorise ceux qui simplifient, apportent de la clarté, dynamisent les équipes et aiment résoudre des problèmes complexes sous contraintes fortes.
18. Question favorite en entretien : « Parlez-moi d’un problème que vous ne saviez pas résoudre, et comment vous y êtes parvenu. » Il cherche à voir curiosité, adaptabilité et persévérance.
19. Potentiel du calcul quantique : La prochaine rupture pourrait venir du quantique. Microsoft mise sur le développement du « qubit corrigé », une technologie qui permettrait de simuler le monde naturel avec une précision inégalée.
20. Conseil aux jeunes : N’attendez pas la permission. Construisez des outils qui donnent réellement du pouvoir aux gens. Il se demande souvent : « Que pouvons-nous créer pour aider les autres à créer ? »
21. Produits favoris : VSCode et Excel — car ils donnent des super-pouvoirs.
Fondateur de Deep Learning.AI : Andrew Ng
1. Vitesse d’exécution = facteur clé : Le meilleur indicateur du succès d’une startup est sa vitesse à construire, tester et itérer. Cette rapidité génère un effet cumulatif d’apprentissage que l’IA amplifie exponentiellement.
2. Les opportunités majeures sont au niveau applicatif : Les gains les plus importants ne viennent pas de la création de nouveaux modèles, mais de l’application des modèles existants à des cas concrets, orientés utilisateurs. C’est là que les fondateurs doivent se concentrer.
3. L’Agentic AI > les outils « ponctuels » : Les produits dotés de boucles de rétroaction, comme l’Agentic AI, surpassent largement les outils qui accomplissent une tâche unique. L’interaction continue optimise les résultats, et l’itération améliore exponentiellement la performance.
4. L’émergence de la couche d’orchestration : Entre les modèles de base et les applications, une nouvelle couche intermédiaire émerge : l’orchestration d’agents. Elle permet d’exécuter des tâches complexes multi-étapes, croisant outils et sources de données.
5. Plus l’idée est précise, plus l’exécution est rapide : La meilleure façon d’agir vite est de partir d’une idée très concrète, assez détaillée pour qu’un ingénieur puisse commencer immédiatement. Ces bonnes idées viennent souvent d’experts ayant une intuition claire dans leur domaine.
6. Méfiez-vous des « grands récits » : Des objectifs abstraits comme « transformer la santé par l’IA » semblent ambitieux, mais ralentissent l’exécution. Ce sont des outils spécifiques comme « automatiser les rendez-vous IRM » qui apportent vraiment de l’efficacité.
7. Osez pivoter, à condition de bien démarrer : Si les premières données montrent que votre idée ne marche pas, un départ concret facilite le changement de direction. Savoir exactement ce que vous testez permet de rebondir rapidement après un échec.
8. Utilisez les boucles de rétroaction pour réduire les risques : La vitesse de prototypage a été multipliée par 10, et l’efficacité du développement logiciel a gagné 30-50 %. Exploitez cet avantage via des retours utilisateurs en temps réel pour diminuer les risques marché.
9. Essayez beaucoup, ne cherchez pas la perfection : N’essayez pas de perfectionner votre première version. Construisez 20 prototypes rudimentaires, et voyez lequel retient les utilisateurs. La vitesse d’apprentissage prime sur le polissage.
10. Agissez vite, et assumez vos responsabilités : Andrew Ng reformule le credo de la Silicon Valley : ne pas « agir vite et briser les choses », mais « agir vite et assumer ses responsabilités ». La responsabilité est la base de la confiance.
11. Le code perd sa rareté : Le code n’est plus un actif stratégique rare. Avec les outils de prototypage rapide et l’IA, il est facile à produire. Ce qui compte, c’est la valeur qu’il crée.
12. L’architecture technique est réversible : Autrefois, choisir une architecture était une décision unidirectionnelle. Aujourd’hui, c’est une porte bidirectionnelle : le coût du changement a fortement baissé. Cette flexibilité encourage des expérimentations plus audacieuses et plus rapides.
13. Tout le monde devrait apprendre la programmation : Dire « ne pas apprendre à coder » est une erreur. Quand on est passé de l’assembleur aux langages haut niveau, on avait déjà entendu ce genre d’inquiétudes. L’IA abaisse les barrières, et davantage de profils devraient maîtriser la programmation.
14. Le savoir métier améliore l’IA : Une compréhension profonde d’un domaine permet une meilleure utilisation de l’IA. Un historien de l’art écrit de meilleurs prompts d’image. Un médecin conçoit une meilleure IA santé. Les fondateurs doivent combiner expertise métier et culture IA.
15. Le chef de produit est désormais le goulot d’étranglement : Aujourd’hui, la limite n’est plus l’ingénierie, mais la gestion produit. Une équipe d’Andrew Ng a même proposé un ratio de 2 chefs de produit pour 1 ingénieur afin d’accélérer feedbacks et décisions.
16. Les ingénieurs ont besoin d’un esprit produit : Les ingénieurs dotés d’intuition produit agissent plus vite et conçoivent de meilleurs produits. Seule la compétence technique ne suffit pas : comprendre profondément les besoins utilisateurs est essentiel.
17. Obtenir du feedback au plus vite : Andrew Ng recommande cette hiérarchie de rapidité (du plus rapide au plus lent) : auto-test interne (dogfooding) → avis d’amis → avis d’inconnus → lancement restreint à mille utilisateurs → test A/B mondial. Les entrepreneurs doivent gravir cette échelle rapidement.
18. La connaissance approfondie de l’IA reste un avantage concurrentiel : La culture IA n’est pas encore généralisée. Ceux qui comprennent vraiment les principes techniques gardent un énorme avantage : ils innoveront plus intelligemment, efficacement et de manière autonome.
19. Attention : hype ≠ réalité : Méfiez-vous des récits impressionnants mais destinés à lever des fonds ou à briller. Des termes comme AGI, extinction ou intelligence infinie sont souvent des signaux de hype, pas d’impact réel.
20. La sécurité dépend de l’usage, pas de la technologie : Le concept de « sécurité de l’IA » est souvent mal compris. L’IA est comme l’électricité ou le feu : neutre moralement. Ce qui compte, c’est son usage, pas l’outil lui-même.
21. L’essentiel : les utilisateurs adorent-ils votre produit ? Inutile de trop s’attarder sur les coûts de modèle ou les benchmarks. La seule question qui compte est : créez-vous un produit que les utilisateurs aiment vraiment et qu’ils utiliseront continuellement ?
22. L’IA éducative est encore exploratoire : Des sociétés comme Kira Learning mènent de nombreuses expériences, mais la forme finale de l’IA dans l’éducation reste floue. Nous sommes encore aux prémices de cette transformation.
23. Méfiez-vous du catastrophisme et de la captation réglementaire : La peur excessive face à l’IA sert parfois à justifier des régulations protectrices pour les entreprises installées. Soyez sceptique envers les récits sur la « sécurité de l’IA » qui avantagent uniquement les acteurs en place.
Co-fondatrice de Physical Intelligence : Chelsea Finn
1. La robotique exige une pensée full stack : On ne peut pas simplement ajouter la robotique à une entreprise existante. Il faut reconstruire toute la pile technologique dès le départ — données, modèles, déploiement.
2. Qualité plutôt que quantité de données : Les jeux de données massifs provenant d’industries, de YouTube ou d’environnements simulés manquent souvent de diversité et de réalisme. Des données correctes et de haute qualité sont plus importantes que le volume.
3. Meilleur schéma : pré-entraînement + affinage : Entraîner d’abord sur un large jeu de données, puis affiner avec environ 1000 échantillons de haute qualité et cohérents avec le scénario, améliore significativement les performances des robots.
4. Les robots universels surpasseront les spécialistes : Les modèles généralistes, capables de s’adapter à différentes tâches et plates-formes matérielles (comme des robots tiers), se révèlent plus performants que les systèmes conçus pour un seul usage.
5. Les données du monde réel sont irremplaçables : Bien que les données synthétiques ou simulées soient utiles, les données réelles restent cruciales, surtout pour les tâches visuelles et physiques complexes.
6. Trop de ressources peut nuire : Trop financer ou trop complexifier un projet peut ralentir les progrès. La clarté du problème et une exécution focalisée sont primordiales.
PDG et co-fondateur de Cursor : Michael Truell
1. Commencez tôt et continuez à construire : Même quand un associé a abandonné, Michael a continué à programmer. Le succès viral précoce (un clone de Flappy Bird) lui a permis de gagner confiance et compétences.
2. Validez rapidement, même dans un domaine inconnu : Son équipe a développé un assistant de programmation pour l’ingénierie mécanique sans expérience préalable. Leur devise : « apprendre en faisant ».
3. Positionnement différencié, sans craindre les géants : Ils hésitaient à concurrencer GitHub Copilot, mais ont réalisé qu’aucune entreprise ne visait sérieusement l’« automatisation complète du cycle de développement ». Ce positionnement leur a ouvert un marché.
4. Passage du code au lancement, très rapide : Trois mois seulement séparent la première ligne de code du lancement public. L’itération rapide leur a permis de calibrer rapidement leur produit.
5. Concentrez-vous, évitez la complexité : Ils ont abandonné l’idée de développer simultanément un IDE (environnement de développement intégré) et des outils IA. En se concentrant sur l’IA, ils ont accéléré leur croissance.
6. La distribution peut commencer par un tweet : La croissance initiale de Cursor a été portée par un tweet d’un co-fondateur sur les réseaux sociaux. Avant toute campagne marketing, le bouche-à-oreille était déjà moteur principal.
7. Effet cumulatif de l’exécution : En 2024, le chiffre d’affaires annuel récurrent de Cursor est passé de 1 million à 100 millions de dollars en un an, avec une croissance hebdomadaire composée de 10 %, portée par l’amélioration produit et la demande utilisateur.
8. Meilleil conseil : suivez votre curiosité : Oubliez les actions faites juste pour embellir votre CV. Le conseil principal de Michael : travaillez avec des personnes intelligentes sur des sujets qui vous passionnent.
PDG et co-fondateur de Figma : Dylan Field
1. Trouvez un co-fondateur qui vous motive : L’énergie de Dylan vient de sa collaboration avec Evan Wallace, son co-fondateur : « Chaque semaine, on a l’impression de créer l’avenir. »
2. Commencez tôt, apprenez en chemin : À 19 ans, encore étudiant, Dylan a lancé son premier projet entrepreneurial. Les échecs précoces, comme un générateur de memes, ont finalement mené à la genèse de Figma.
3. Publiez vite, obtenez du feedback plus vite : Ils contactaient eux-mêmes les premiers utilisateurs par e-mail, itéraient rapidement, et ont commencé à facturer dès le début. Le feedback a constamment guidé l’évolution du produit.
4. Décomposez la feuille de route long terme en sprints courts : Diviser une vision ambitieuse en petites étapes est essentiel pour maintenir vitesse et exécution.
5. L’adéquation produit-marché peut prendre des années : Figma a mis cinq ans avant d’obtenir un signal décisif : Microsoft a menacé d’interrompre la collaboration si Figma ne commençait pas à facturer.
6. Le design, nouveau facteur de différenciation : Il croit que, grâce à l’essor de l’IA, le design gagne en importance. Figma suit cette tendance en lançant une série de nouveaux produits : Draw, Buzz, Sites et Make.
7. Utilisez l’IA pour accélérer le prototypage : L’usage le plus pertinent de l’IA est d’accélérer les itérations, pas de chercher le « miracle » du bouton unique. Designers et chefs de produit doivent désormais contribuer à l’évaluation de l’IA.
8. Acceptez les refus, n’y fuyez pas : Son expérience théâtrale en enfance a appris à Dylan à accepter critiques et feedback. Selon lui, le rejet fait partie intégrante du chemin vers le succès.
9. La connexion humaine reste centrale : Attention à ne pas remplacer les relations humaines par l’IA. Interrogé sur le sens de la vie, il répond : « Explorer la conscience, continuer à apprendre, partager de l’amour. »
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
