Vendre des outils ou vendre des résultats ? Les entreprises d'IA se dirigent vers deux avenirs complètement différents

Auteur : Variant

Compilation : TechFlow

Note de la rédaction TechFlow : Les entreprises d'IA se divisent en deux espèces : l'une vend des outils aux cabinets d'avocats, l'autre agit directement comme cabinet d'avocats. Cet article cadre de Variant décompose pourquoi certaines industries devraient opter pour l'augmentation et d'autres pour l'automatisation — la clé réside dans la responsabilité, le coût de vérification et la dépendance relationnelle. Pour les entrepreneurs et les investisseurs, c'est un critère pratique pour évaluer le plafond des entreprises d'IA.

La première vague d'entreprises d'IA se concentrait principalement sur l'amélioration des flux de travail. Beaucoup d'entre elles sont déjà devenues les entreprises les plus réussies de l'histoire du SaaS d'entreprise. D'ici 2026, les capacités des modèles atteignent un point de bascule, les startups commencent à changer de stratégie. Elles ne vendent plus d'outils aux acteurs existants, mais perturbent directement ces derniers via l'automatisation. Beaucoup de ces entreprises ne ressemblent pas à du SaaS, mais plutôt au logiciel en tant que service lui-même.

L'opposition entre augmentation et automatisation correspond au cadre classique de Chris Dixon : technologies fortes et technologies faibles. Les technologies faibles imitent les formes existantes, reproduisant les anciennes méthodes avec de nouvelles technologies, généralement simplement plus efficaces. Les technologies fortes, quant à elles, "partent des premiers principes, utilisent pleinement les ressources disponibles et conçoivent ce que la technologie devrait être".

Prenons les services juridiques en exemple. Harvey vend des abonnements SaaS mensuels aux cabinets d'avocats, tandis que son concurrent Crosby est lui-même un cabinet d'avocats. L'IA effectue le travail juridique, les avocats humains n'interviennent que là où leur présence est la plus nécessaire : établir et maintenir les relations clients, vérifier le travail et assumer la responsabilité en cas de problème.

Les entreprises qui vendent des outils d'amélioration ne veulent pas perturber leurs clients et leurs structures organisationnelles, car ce sont leurs sources de revenus vitales. Les entreprises qui vendent de l'automatisation suggèrent que le monde devrait changer radicalement. Comme les entreprises de services, les entreprises d'IA axées sur l'automatisation préfèrent vendre des résultats plutôt que des nombres de sièges, des tokens ou des abonnements.

Chris mentionne dans l'article que les technologies fortes et faibles peuvent toutes deux réussir, souvent avec des chronologies différentes. Les deux voies ont déjà produit et continueront de produire d'importants résultats. La question est de savoir quelle voie correspond le mieux au travail spécifique, au marché et à l'état d'évolution des capacités technologiques.

Chez Variant, nous utilisons un cadre simple pour déterminer quels flux de travail sont adaptés à l'automatisation et lesquels à l'amélioration. En suivant cette logique, on peut voir quels types d'entreprises verticales pourraient émerger et où des opportunités à l'échelle du capital-risque apparaîtront. Nous examinons trois dimensions :

1. Responsabilité : À quel point est-ce dangereux et coûteux lorsque l'IA se trompe ?
2. Vérification : À quelle vitesse et à quel coût l'utilisateur peut-il vérifier la qualité du travail ?
3. Relation : Dans quelle mesure l'expérience dépend-elle des interactions humaines ?

Les travaux à haute responsabilité, à coût de vérification élevé et fortement dépendants des relations sont adaptés à l'amélioration. Ce cadre est évident dans la comparaison entre Crosby et Harvey. Les services juridiques internes des grandes entreprises correspondent aux trois critères du cadre : responsabilité élevée, coût de vérification élevé (de nombreuses tâches ouvertes), forte dépendance relationnelle. Des outils d'amélioration comme Harvey ou Claude Cowork ont du sens dans ce scénario. À l'inverse, Crosby se concentre sur des services juridiques plus routiniers et fréquents, comme les contrats commerciaux, où la responsabilité est généralement plus faible, plus facile à vérifier et la dépendance relationnelle plus faible. Leur cible est les startups.

Nous avons appris des règles similaires lors de la construction de systèmes autonomes sur des blockchains publiques : les smart contracts ne peuvent agir que sur des choses vérifiables. Tout ce qui ne peut pas être vérifié doit être renvoyé aux humains pour un traitement amélioré hors chaîne, généralement via la gouvernance. Les tokens crypto suivent des règles similaires : excellents pour récompenser les quantités vérifiables (puissance de calcul, staking, liquidité), mais très mauvais pour récompenser la qualité subjective. C'est pourquoi la crypto a réussi à lancer les marchés financiers mais n'a pas encore résolu Airbnb ou Uber. Les leçons ici deviennent de plus en plus applicables pour déterminer où les vrais systèmes autonomes peuvent se mettre à l'échelle.

Aujourd'hui, la véritable automatisation est plus limitée en termes de portée d'application et de taille de marché accessible. Les startups se concentrant sur les flux de travail automatisés sont souvent mieux adaptées aux marchés de niche étroits, vendant aux startups ou à des marchés de niche moins résistants au changement de modèle.

Commencer par un marché de niche étroit est une méthode pour éviter la "zone de tir" des grands laboratoires d'IA, ces derniers se concentrant sur l'expansion horizontale pour améliorer des marchés existants plus vastes.

Avec le temps, nous pensons que les solutions d'automatisation grignoteront lentement les marchés plus dépendants des relations et à plus haute responsabilité, car les capacités des modèles s'étendent, les coûts de vérification diminuent, les interactions homme-IA franchissent la vallée de l'étrange et l'acceptation culturelle s'améliore. Dans ce cas, l'avantage de données de premier mover obtenu sur le marché de niche pourrait composer des intérêts, permettant aux startups de grandir avec le marché lui-même.

Les paysages d'automatisation et d'amélioration et leur attractivité à long terme continueront de diverger selon les industries. Prenons l'éducation en exemple. Alpha School est une école privée IA verticalement intégrée, remplaçant les enseignants par des "guides", favorisant un processus d'apprentissage fondamentalement automatisé. Bien que nous croyions que l'éducation assistée par IA sera extrêmement importante, nous pensons qu'une automatisation et une verticalisation excessives ne s'étendront pas au-delà de niches, car les parents s'inquiètent de la relation enseignant-élève et les écoles de la responsabilité. La plupart de nos systèmes éducatifs sont des institutions rigides (et majoritairement publiques), ce qui ne changera probablement pas de sitôt. Même les meilleures institutions privées font face au dilemme de l'innovateur. Ainsi, les solutions axées sur l'amélioration semblent plus susceptibles de produire d'importants résultats, mais feront également face à la concurrence des acteurs existants.

Le recrutement pointe dans la direction opposée : nous sommes plus optimistes quant à l'automatisation. Dans ce vertical, le Harvey contre Crosby est : Juicebox vend un logiciel de sourcing de candidats aux recruteurs, tandis que Prism est lui-même recruteur — donnez-lui un brief de poste, il livre des candidats prêts à être interviewés, facturant uniquement lorsqu'une signature a lieu. Ses étapes clés sont faciles à vérifier (taux de réponse, performance en entretien, taux de signature), la responsabilité est relativement faible. Le recrutement est fortement dépendant des relations, mais le recrutement est plus en amont (principalement trouver des candidats et les convertir en entretiens). C'est aussi une fonction que les entreprises externalisent souvent, donc les premiers clients sont les startups : elles préfèrent acheter des résultats plutôt que de construire une équipe. Les plus grandes entreprises ont des recruteurs internes et choisiront des outils d'amélioration, car elles sont moins disposées à s'automatiser elles-mêmes. La cible est les startups, c'est un créneau étroit, permettant aux solutions d'automatisation de s'intégrer dans des processus riches en données, de s'améliorer avec le temps et de grandir avec le marché.

Il existe deux types d'entreprises d'IA : celles qui augmentent et celles qui automatisent. Les deux peuvent étendre l'autonomie humaine, mais de manière différente. Celles qui augmentent donnent aux humains plus de levier au sein des institutions existantes : plus de connaissances, plus de production, plus d'initiative. Celles qui automatisent élargissent l'accès : les services d'experts autrefois abordables uniquement pour les entreprises deviennent accessibles à tous, le temps consommé est libéré pour des choses plus ambitieuses. La dernière opportunité ne consiste pas seulement à vendre du logiciel, mais à devenir le service lui-même.