Avez-vous déjà réfléchi à la raison pour laquelle les produits grand public d'IA lancés ces deux dernières années ont pu passer de zéro à plusieurs millions d'utilisateurs en moins de deux ans, avec un chiffre d'affaires annuel dépassant 100 millions de dollars ? Une telle vitesse de croissance était presque inimaginable avant l'ère de l'IA. En apparence, cela s'explique par une distribution plus rapide et un revenu moyen par utilisateur plus élevé. Mais j'ai identifié un changement plus profond que la plupart ignorent : l'IA a radicalement transformé le modèle de rétention des revenus des logiciels grand public.
Récemment, j'ai lu une analyse du partenaire d'a16z, Olivia Moore, intitulée « The Great Expansion: A New Era of Consumer Software », dans laquelle elle qualifie ce phénomène de « Grande Expansion » (Great Expansion). Je pense qu'elle a mis le doigt sur une tendance clé. Après avoir approfondi cette idée, j'ai compris qu'il ne s'agit pas simplement d'un ajustement du modèle économique, mais bien d'un changement fondamental des règles du jeu dans toute l'industrie des logiciels grand public. Nous assistons à un tournant historique : les entreprises de logiciels grand public n'ont plus besoin de lutter contre la perte d'utilisateurs, mais peuvent désormais croître grâce à l'expansion continue de la valeur utilisateur. Les frontières entre marché grand public et marché entreprise deviennent progressivement floues.
L'impact de ce changement est considérable. Traditionnellement, les entreprises de logiciels grand public consacraient chaque année d'énormes efforts et budgets à remplacer les utilisateurs perdus, simplement pour maintenir leur niveau actuel. Désormais, les entreprises qui saisissent l'opportunité de l'IA constatent que chacun de leurs groupes d'utilisateurs non seulement ne perd pas de valeur, mais génère davantage de revenus au fil du temps. C'est comme passer d'un seau percé à un ballon en pleine expansion : le modèle de croissance est totalement différent.
De ce point de vue,je pense personnellement que c’est là une énorme opportunité pour les entreprises internationales, car les produits grand public peuvent désormais croître et générer des revenus grâce au PLG, évitant ainsi la faiblesse structurelle des équipes chinoises dans le SLG à l’étranger. Bien qu’opérant sur le marché entreprise, leur modèle de croissance suit une logique similaire à celle des produits B2C. Sur ce point, je parle en connaissance de cause : mon propre projet, entièrement orienté vers les entreprises (B2B), un produit Vibe coding, est actuellement en phase opérationnelle depuis un mois, et utilise une stratégie de croissance basée sur le PLG, obtenant des retours de données très positifs.
Le défaut fondamental du modèle traditionnel
Revenons d'abord à la manière dont les logiciels grand public gagnaient de l'argent avant l'IA. Moore mentionne dans son analyse deux modèles principaux, que je trouve précisément décrits. Le premier est le modèle basé sur la publicité, utilisé principalement pour les applications sociales, directement lié au volume d'utilisation, où la valeur par utilisateur reste généralement stable dans le temps. Instagram, TikTok, Snapchat sont des exemples emblématiques. Le second est le modèle d'abonnement à couche unique, où tous les utilisateurs payants versent mensuellement ou annuellement un montant fixe pour accéder au produit. Duolingo, Calm, YouTube Premium adoptent ce modèle.
Dans les deux cas, le taux de rétention des revenus (revenue retention) est presque toujours inférieur à 100 %. Chaque année, une certaine proportion d'utilisateurs quitte le service, tandis que ceux qui restent continuent à payer le même montant. Pour les produits d'abonnement grand public, conserver 30 à 40 % des utilisateurs et des revenus à la fin de la première année est considéré comme une « bonne pratique ». Ces chiffres paraissent désespérants.
J'ai toujours pensé que ce modèle souffrait d'une faille structurelle fondamentale : il crée une contrainte de base où l'entreprise doit constamment remplacer les revenus perdus juste pour maintenir sa croissance, sans parler d'expansion. Imaginez un seau percé : vous devez non seulement y ajouter de l'eau en continu pour maintenir le niveau, mais encore plus pour le faire monter. Voilà le dilemme des entreprises traditionnelles de logiciels grand public : elles sont coincées dans un cycle sans fin d'acquisition – perte – ré-acquisition.
Ce problème dépasse les simples chiffres ; il affecte aussi la stratégie globale de l'entreprise et la répartition des ressources. La majeure partie de l'énergie est consacrée à attirer de nouveaux utilisateurs pour compenser les pertes, plutôt qu'à renforcer les relations avec les utilisateurs existants ou à améliorer la valeur du produit. C'est pourquoi nous voyons tant d'applications grand public envoyer frénétiquement des notifications et utiliser toutes sortes de moyens pour augmenter la fidélité : elles savent que si l'utilisateur cesse d'utiliser le produit, les revenus disparaîtront immédiatement.
À mon sens, ce modèle sous-estime fondamentalement le potentiel de valeur des utilisateurs. Il suppose que la valeur d’un utilisateur est fixe : une fois abonné, son apport maximal en revenus est atteint. Or, dans la réalité, à mesure que les utilisateurs deviennent plus familiers avec le produit, leurs besoins augmentent souvent, tout comme leur volonté de payer. Ce modèle traditionnel ne parvient pas à capter cette croissance de valeur.
La réécriture des règles du jeu à l'ère de l'IA
L'avènement de l'IA change complètement la donne. Moore qualifie ce changement de « Grande Expansion » (Great Expansion), un terme que je trouve particulièrement approprié. Les entreprises de logiciels grand public liées à l'IA connaissant la croissance la plus rapide observent désormais des taux de rétention des revenus supérieurs à 100 %, ce qui était impensable dans le logiciel grand public traditionnel. Ce phénomène se manifeste de deux manières : premièrement, les dépenses des consommateurs augmentent lorsque des revenus basés sur l'utilisation remplacent les frais fixes d'« accès » ; deuxièmement, les consommateurs intègrent les outils à leur lieu de travail à un rythme sans précédent, où ils peuvent être remboursés et bénéficier de budgets plus importants.
Un changement clé que j'ai observé concerne la transformation fondamentale du comportement des utilisateurs. Dans les logiciels traditionnels, l'utilisateur soit utilise le produit, soit non ; soit s'abonne, soit résilie. Mais dans les produits d'IA, l'engagement et la contribution à la valeur évoluent de manière progressive. Ils commencent peut-être par utiliser occasionnellement les fonctionnalités de base, mais à mesure qu'ils perçoivent la valeur de l'IA, ils deviennent de plus en plus dépendants de ces outils, et leurs besoins s'accroissent continuellement.
La trajectoire de cette différence est spectaculaire. Moore souligne qu’avec un taux de rétention des revenus de 50 %, une entreprise doit remplacer chaque année la moitié de sa base d’utilisateurs pour rester stable. En revanche, avec un taux supérieur à 100 %, chaque cohorte d’utilisateurs s’agrandit, et la croissance s’accumule sur elle-même. Ce n’est pas simplement une amélioration quantitative, mais bien l’émergence d’un nouveau moteur de croissance.
Je pense que ce changement repose sur plusieurs facteurs profonds. Les produits d’IA bénéficient d’un effet d’apprentissage : plus on les utilise, plus ils deviennent utiles. Plus l’utilisateur investit de temps et de données, plus le produit augmente en valeur pour lui. Cela crée une boucle de rétroaction positive : plus d’utilisation entraîne plus de valeur, ce qui conduit à davantage d’utilisation et à une plus grande disposition à payer.
Un autre facteur clé est la nature utilitaire des produits d’IA. Contrairement à nombre d’applications grand public traditionnelles, les outils d’IA résolvent souvent directement des problèmes spécifiques ou améliorent la productivité. Cela signifie que les utilisateurs perçoivent facilement les bénéfices directs de leur utilisation, et sont donc plus enclins à payer pour cette valeur. Lorsqu’un outil d’IA vous fait gagner plusieurs heures de travail, payer pour un usage supplémentaire devient parfaitement raisonnable.
Une architecture tarifaire ingénieuse
Analysons de plus près comment les entreprises de logiciels grand public d’IA les plus performantes conçoivent leur stratégie de tarification. Moore indique qu’elles ne s’appuient plus sur une simple redevance d’abonnement, mais adoptent un modèle hybride combinant plusieurs niveaux d’abonnement et une composante basée sur l’utilisation. Si les utilisateurs épuisent leurs crédits inclus, ils peuvent acheter des crédits supplémentaires ou passer à un forfait supérieur.
Je vois ici une leçon importante issue de l’industrie du jeu. Depuis longtemps, les entreprises de jeux tirent la majeure partie de leurs revenus des « baleines » (whales), ces utilisateurs à forte dépense. Limiter la tarification à un ou deux paliers risque de gaspiller des opportunités de revenus. Les entreprises intelligentes créent des paliers autour de variables telles que le nombre de générations ou de tâches, la vitesse et la priorité, ou l’accès à des modèles spécifiques, tout en proposant des options d’achat de crédits et de mise à niveau.
Examinons quelques exemples concrets. Google AI propose un abonnement Pro à 20 $ par mois et un abonnement Ultra à 249 $ par mois, avec des frais supplémentaires pour les crédits Veo3 lorsque les utilisateurs (inévitablement) dépassent leurs quotas inclus. Les packs de crédits supplémentaires vont de 25 $ à 200 $. Selon mes informations, de nombreux utilisateurs dépensent autant en crédits Veo supplémentaires que dans leur abonnement de base. C’est un exemple parfait de la façon dont les revenus peuvent croître avec l’engagement des utilisateurs.
Le modèle de Krea est également intéressant : des forfaits de 10 à 60 $ par mois selon l'utilisation prévue et les travaux d'entraînement, avec possibilité d'acheter des packs de crédits supplémentaires de 5 à 40 $ (valables 90 jours) en cas de dépassement des unités de calcul incluses. La finesse de ce modèle réside dans le fait qu’il offre un prix d’entrée raisonnable aux utilisateurs légers, tout en permettant aux utilisateurs intensifs de s’étendre.
La tarification de Grok pousse cette stratégie à l’extrême : le forfait SuperGrok à 30 $ par mois, le forfait SuperGrok Heavy à 300 $ par mois, qui débloque de nouveaux modèles (Grok 4 Heavy), un accès étendu aux modèles, une mémoire plus longue et des tests de nouvelles fonctionnalités. Une différence de prix de 10 fois est presque impensable dans le logiciel grand public traditionnel, mais devient justifiée à l’ère de l’IA, car les besoins et la perception de la valeur varient énormément entre utilisateurs.
Je pense que le succès de ces modèles réside dans leur reconnaissance de la diversité et de la dynamique de la valeur utilisateur. Tous les utilisateurs n’ont pas les mêmes besoins ni la même capacité de paiement, et les besoins d’un même utilisateur évoluent au fil du temps. En offrant des options tarifaires flexibles, ces entreprises parviennent à capter l’intégralité du spectre de la valeur utilisateur.
Moore mentionne que certaines entreprises grand public atteignent déjà des taux de rétention des revenus supérieurs à 100 % uniquement grâce à ce modèle tarifaire, sans même envisager d’expansion vers les entreprises. Cela illustre la puissance de cette stratégie. Elle ne résout pas seulement le problème de fuite habituel, mais crée aussi un mécanisme de croissance interne.
Le pont doré du grand public à l'entreprise
Un autre phénomène important que j’observe est la vitesse sans précédent à laquelle les utilisateurs introduisent les outils d’IA dans leur environnement professionnel. Moore insiste sur ce point dans son analyse : les consommateurs sont activement récompensés lorsqu’ils intègrent des outils d’IA au travail. Dans certaines entreprises, ne pas être « natif IA » est désormais considéré inacceptable. Tout produit ayant un potentiel professionnel — essentiellement tout produit non NSFW — doit partir du principe que les utilisateurs voudront l’intégrer à leur équipe, et qu’ils seront prêts à payer beaucoup plus quand ils pourront l’être via remboursement.
La rapidité de ce changement m'impressionne. Autrefois, la transition du grand public à l'entreprise prenait généralement des années, nécessitant une éducation du marché et des efforts commerciaux importants. Mais l'utilité des outils d'IA est si évidente que les utilisateurs les introduisent spontanément dans leur environnement de travail. J'ai vu de nombreux cas où des employés achetaient d'abord un outil d'IA personnellement, puis convainquaient leur entreprise d'acheter la version entreprise pour toute l'équipe.
La transition d'un consommateur sensible au prix à un acheteur entreprise peu sensible au prix crée d'immenses opportunités d'expansion. Mais cela exige des fonctionnalités de base comme le partage et la collaboration : dossiers d'équipe, bibliothèques partagées, canevas collaboratifs, authentification et sécurité. À mon avis, ces fonctionnalités sont désormais indispensables pour tout produit d'IA grand public ayant un potentiel entreprise.
Munies de ces fonctionnalités, les différences tarifaires peuvent être considérables. ChatGPT en est un bon exemple : bien qu'il ne soit pas largement perçu comme un produit d'équipe, sa tarification met en évidence cette divergence : abonnement individuel à 20 $ par mois, tandis que les plans entreprise vont de 25 $ à 60 $ par utilisateur. Cette différence de prix de 2 à 3 fois est rare dans le logiciel grand public traditionnel, mais devient courante à l'ère de l'IA.
Je pense que certaines entreprises fixent même leur plan individuel à prix coûtant ou légèrement déficitaire pour accélérer l'adoption par les équipes. Notion a effectivement utilisé cette méthode en 2020, offrant gratuitement un nombre illimité de pages aux utilisateurs individuels tout en facturant cher les fonctionnalités de collaboration, ce qui a propulsé sa période de croissance la plus explosive. La logique de cette stratégie est claire : subventionner l'utilisation individuelle pour bâtir une base d'utilisateurs, puis réaliser des profits grâce aux fonctionnalités entreprise.
Voyons quelques exemples concrets. Gamma propose un forfait Plus à 8 $ par mois pour supprimer le filigrane — une exigence majeure pour une utilisation professionnelle — ainsi que d'autres fonctionnalités. Ensuite, l'utilisateur paie pour chaque collaborateur ajouté à son espace de travail. Ce modèle exploite intelligemment la demande d'aspect professionnel des entreprises.
Replit propose un forfait Core à 20 $ par mois. Les forfaits équipe commencent à 35 $ par mois, incluant des crédits supplémentaires, des places visualiseur, une facturation centralisée, un contrôle d'accès basé sur les rôles, un déploiement privé, etc. Cursor propose un forfait Pro à 20 $ par mois et un forfait Ultra à 200 $ par mois (avec 20 fois plus d'utilisation). Les utilisateurs équipe paient 40 $ par mois pour le produit Pro, incluant un mode confidentialité à l'échelle de l'organisation, des tableaux de bord d'utilisation et de gestion, une facturation centralisée et SAML/SSO.
Ces fonctionnalités sont importantes car elles débloquent une expansion du ARPU (revenu moyen par utilisateur) au niveau entreprise. À mon avis, toute entreprise de logiciels grand public d'IA qui ne prévoit pas de voie vers l'entreprise aujourd'hui passe à côté d'une énorme opportunité. Les utilisateurs entreprise ne paient pas seulement plus cher, ils sont aussi généralement plus stables, avec un taux de désabonnement plus faible.
Investir dès le départ dans des capacités entreprise
Moore avance une suggestion apparemment contre-intuitive mais en réalité très judicieuse : les entreprises grand public devraient envisager d'embaucher un responsable commercial dans un à deux ans après leur création. J'approuve totalement cette vision, même si elle va à l'encontre de la stratégie traditionnelle des produits grand public.
L'adoption individuelle ne peut porter un produit qu'à un certain stade ; garantir une utilisation organisationnelle étendue exige de naviguer dans les processus d'achat entreprise et de conclure des contrats à haute valeur. Cela requiert des compétences commerciales spécialisées, et non une simple diffusion organique du produit. J'ai vu trop de bons produits d'IA grand public rater d'importantes opportunités faute de capacité commerciale entreprise.
Canva, fondée en 2013, a attendu près de sept ans avant de lancer son produit Teams. Moore souligne qu’en 2025, un tel retard n’est plus viable. Le rythme d’adoption de l’IA en entreprise signifie que si vous reportez les fonctionnalités entreprise, un concurrent s’emparera de l’opportunité. Cette pression concurrentielle est fortement accélérée à l’ère de l’IA, où la vitesse de changement du marché est plus rapide que jamais.
Je pense que plusieurs fonctionnalités clés font souvent la différence. En matière de sécurité et de confidentialité : conformité SOC-2, prise en charge SSO/SAML. En opérations et facturation : contrôle d’accès basé sur les rôles, facturation centralisée. En produit : modèles d’équipe, thèmes partagés, flux de travail collaboratifs. Cela peut sembler basique, mais ce sont souvent des éléments décisifs dans les décisions d’achat entreprise.
ElevenLabs est un excellent exemple : l’entreprise a commencé avec une forte base grand public, mais a rapidement développé des capacités entreprise, ajoutant la conformité HIPAA à ses agents vocaux et conversationnels, et se positionnant pour servir les marchés de la santé et d’autres secteurs réglementés. Cette transformation rapide vers l’entreprise lui a permis de capturer des clients entreprise à forte valeur, au-delà des seuls revenus grand public.
J’observe un phénomène intéressant : les entreprises d’IA grand public qui investissent tôt dans des capacités entreprise construisent souvent une barrière plus solide. Une fois qu’un client entreprise adopte un outil et l’intègre à ses processus, le coût de changement devient élevé. Cela crée une meilleure fidélisation client et des flux de revenus plus prévisibles.
En outre, les clients entreprise fournissent des retours produits précieux. Leurs besoins sont souvent plus complexes, ce qui pousse le produit vers des fonctionnalités plus avancées. J’ai vu de nombreux produits d’IA grand public découvrir de nouvelles directions et besoins fonctionnels grâce au service aux clients entreprise.
Mes réflexions profondes sur cette transformation
Après avoir analysé attentivement les idées de Moore et mes propres observations, je pense que nous assistons non pas à un simple ajustement du modèle économique, mais bien à une refonte de l’infrastructure fondamentale de l’industrie logicielle. L’IA ne change pas seulement les capacités des produits, mais aussi la manière dont la valeur est créée et capturée.
Ce qui me semble le plus intéressant, c’est que ce changement remet en question nos hypothèses traditionnelles sur les logiciels grand public. Pendant longtemps, on a cru que ces logiciels étaient naturellement à bas prix, à fort taux de désabonnement et difficiles à monétiser. Pourtant, la réalité de l’ère de l’IA montre qu’un logiciel grand public peut atteindre l’échelle et le taux de croissance des logiciels entreprise. Les implications de ce changement sont profondes.
D’un point de vue allocation de capital, cela signifie que les investisseurs peuvent désormais injecter plus tôt des fonds importants dans les entreprises d’IA grand public, car celles-ci peuvent atteindre rapidement une échelle significative de revenus. Traditionnellement, les entreprises de logiciels grand public devaient attendre d’atteindre une immense base d’utilisateurs avant de pouvoir monétiser efficacement. Aujourd’hui, elles peuvent générer une croissance robuste avec une base utilisateur relativement petite.
J’ai aussi réfléchi à l’impact de ce changement sur la stratégie entrepreneuriale. Moore mentionne que parmi les entreprises les plus importantes de l’ère de l’IA, beaucoup ont probablement commencé par des produits grand public. Je trouve cette observation très profonde. La voie traditionnelle du logiciel B2B impliquait souvent de longues recherches de marché, des entretiens clients et des cycles de vente complexes. La voie grand public permet une itération produit et une validation marché bien plus rapides.
Un autre avantage de cette approche est qu’elle crée un ajustement produit-marché plus naturel. Quand les consommateurs utilisent volontairement un produit et paient pour lui, c’est un signal fort d’ajustement produit-marché. Puis, quand ces utilisateurs l’introduisent au travail, l’adoption entreprise devient plus organique et durable.
J’ai également noté un changement intéressant dans la dynamique concurrentielle. À l’ère du logiciel traditionnel, les marchés grand public et entreprise étaient généralement séparés, avec des acteurs et stratégies différents. À l’ère de l’IA, ces frontières s’estompent. Un produit peut désormais concurrencer sur les deux marchés à la fois, créant de nouveaux avantages et défis concurrentiels.
D’un point de vue technique, je pense que cette double nature des produits d’IA (simplicité grand public + fonctionnalités entreprise) pousse vers de nouvelles normes en conception et développement de produits. Le produit doit être suffisamment simple pour que l’utilisateur individuel puisse l’adopter facilement, tout en étant assez puissant et sécurisé pour répondre aux exigences entreprise. Trouver cet équilibre n’est pas facile, mais ceux qui y parviennent obtiendront un avantage concurrentiel considérable.
J’ai aussi réfléchi à l’impact de cette tendance sur les entreprises logicielles établies. Les sociétés traditionnelles du logiciel entreprise font désormais face à la concurrence de nouveaux entrants issus du grand public, qui offrent souvent une meilleure expérience utilisateur et une itération plus rapide. Cela pourrait obliger l’ensemble du secteur à rehausser ses standards produits et UX.
Enfin, je pense que ce changement reflète aussi une transformation fondamentale des modes de travail. Le télétravail, l’augmentation du choix individuel d’outils, et les attentes accrues en matière d’outils de productivité contribuent à flouter les frontières entre outils grand public et entreprise. L’IA accélère simplement une tendance déjà en cours.
Les opportunités et défis futurs
Bien que je sois enthousiasmé par le phénomène de « Grande Expansion » décrit par Moore, je vois aussi certains défis et opportunités à surveiller.
Sur le plan des défis, je pense que la concurrence sera plus intense. Quand la voie du succès devient claire, davantage d’entreprises tenteront de suivre la même stratégie. Celles qui parviendront à créer une différenciation forte et des effets de réseau sortiront victorieuses à long terme.
D’un point de vue réglementaire, l’adoption rapide des produits d’IA en milieu professionnel pourrait poser de nouveaux défis en matière de conformité et de sécurité. Les entreprises doivent s’assurer que leurs outils d’IA respectent diverses normes sectorielles et exigences réglementaires. Cela pourrait augmenter les coûts et la complexité du développement, mais aussi créer de nouveaux obstacles concurrentiels.
Quant aux opportunités, je vois un vaste espace pour l’innovation. Les entreprises capables de combiner de manière originale simplicité grand public et fonctionnalités entreprise pourront créer de nouvelles catégories de marché. Je pense aussi que les outils d’IA verticaux, fortement optimisés pour des secteurs ou cas d’usage spécifiques, ont de grandes chances de surpasser les outils généralistes.
Je vois aussi des opportunités liées aux effets de réseau des données et des modèles d’IA. À mesure que le nombre d’utilisateurs augmente et que l’utilisation s’approfondit, les produits d’IA peuvent devenir plus intelligents et personnalisés. Ces améliorations pilotées par les données peuvent créer un avantage concurrentiel solide, difficile à reproduire pour de nouveaux entrants.
D’un point de vue investissement, je pense que cette tendance continuera d’attirer d’importants capitaux. Mais les investisseurs devront être plus astucieux pour identifier les entreprises ayant un avantage concurrentiel durable, et non simplement une croissance rapide à court terme. L’enjeu sera de comprendre quelles entreprises parviennent à construire de véritables fossés protecteurs, et non simplement à tirer parti des opportunités initiales du marché.
En définitive, je crois que la « Grande Expansion » décrite par Moore n’est que le début de la révolution de l’IA. Nous redéfinissons l’essence même du logiciel — passant d’outil à partenaire intelligent, de fonction à résultat. Les entreprises capables de saisir cette transformation et de l’exécuter avec succès bâtiront les géants technologiques de la prochaine génération. Ce n’est pas seulement une innovation de modèle économique, mais bien une réinvention de la relation entre l’humain et la technologie. Nous vivons une ère passionnante, où les logiciels deviennent plus intelligents, plus utiles, et plus indispensables que jamais.
