Critique de livre : Investir dans l’IA : six modèles mentaux pour distinguer les avantages durables des pièges, de Rob May

J’étais impatient de lire Investir dans l’IA : six modèles mentaux pour distinguer les avantages durables des pièges, notamment parce que je suis Rob May depuis des années grâce à sa newsletter Investing in AI. À mes yeux, ce qui distingue Rob May de nombreux investisseurs, c’est sa volonté d’éviter la pensée de groupe et de raisonner à partir des principes fondamentaux. Il va au-delà du discours dominant pour s’interroger sur le fonctionnement réel d’une entreprise, sur l’origine de ses avantages et sur leur capacité à résister au prochain bouleversement technologique.

C’est là que ce livre se démarque. C’est le premier ouvrage que je rencontre qui aborde l’investissement dans l’IA de cette manière. Au lieu de se contenter de repérer une technologie prometteuse ou un marché en croissance, il invite les lecteurs à repenser leur façon d’analyser les entreprises qui se développent autour de cette technologie. Les perspectives sont immenses, mais savoir reconnaître une capacité prometteuse en IA et savoir repérer une entreprise dans laquelle investir sont deux compétences très différentes.

Quand le récit autour de l’IA se heurte à la réalité

Rob May étaye son propos à l’aide d’exemples qui parleront à tous ceux qui ont suivi l’écosystème de l’IA. Jasper est devenue la coqueluche des médias et a levé 125 millions de dollars pour une valorisation de 1,5 milliard de dollars. Puis ChatGPT a mis de puissantes capacités de génération de texte directement à la disposition des consommateurs, remettant en question la valeur d’un produit reposant sur l’accès à des capacités sous-jacentes similaires. Rob May s’appuie sur ce retournement de situation pour examiner à quelle vitesse un avantage apparent peut devenir vulnérable.

Ce qui m’intéresse dans cet exemple, c’est la question à laquelle il oblige investisseurs et fondateurs à faire face : de quoi le client a-t-il encore besoin de la part de votre entreprise lorsque la technologie sous-jacente devient largement accessible ? Qu’est-ce qui différencie une entreprise dotée d’un avantage concurrentiel défendable d’une simple interface d’IA ? Une avance précoce peut faire gagner du temps, mais elle ne répond pas à cette question. La maîtrise des flux de travail, la distribution, les connaissances spécialisées et les relations avec les clients prennent toutes beaucoup plus d’importance dès lors que l’accès au modèle se banalise.

DeepSeek illustre l’autre facette de cette incertitude. Le livre évoque le choc provoqué par l’apparition d’un modèle de niveau GPT-4 dont le coût d’entraînement annoncé s’élevait à 5,576 millions de dollars. La leçon à en tirer pour l’investissement est importante : les hypothèses relatives au coût de la concurrence peuvent évoluer beaucoup plus vite que ne le prévoit un modèle de valorisation.

Pourquoi il faut repenser le modèle SaaS

Rob May revient sur les hivers de l’IA du passé et soutient que l’ampleur actuelle du déploiement a mis fin à l’ancien schéma des démonstrations prometteuses suivies d’une déception généralisée. Selon lui, l’IA est désormais intégrée à un trop grand nombre de flux de travail réels pour simplement retourner au laboratoire. Néanmoins, même si son adoption se poursuit, il peut rester difficile de repérer la prochaine licorne capable d’en tirer parti.

Il relève quatre différences fondamentales qui contribuent à expliquer ce changement : l’IA peut effectuer un travail cognitif, apprendre à partir de données, modifier les attentes de ses utilisateurs et devenir un élément incontournable de la vie d’une génération qui grandit avec elle. Le troisième point — la réflexivité — est particulièrement intéressant. Dès lors que les clients font l’expérience d’une capacité, ils commencent à l’attendre ailleurs. Le marché auquel s’adresse une entreprise évolue à mesure que la technologie est adoptée.

Le principal facteur de rupture est la vitesse de passage à l’échelle. Les entreprises spécialisées dans l’IA peuvent atteindre une taille considérable dans des délais qui, auparavant, n’étaient observés que chez des cas exceptionnels. Mais leur évaluation exige toujours de comprendre leur modèle économique. Facturer à la tâche ou au résultat crée un rapport entre valeur, chiffre d’affaires et coûts différent de celui qui consiste à vendre un nombre fixe de licences logicielles.

Certaines leçons du SaaS restent tout à fait pertinentes. L’expertise sectorielle compte toujours. Les outils conçus pour un secteur précis et qui comprennent ses problèmes concrets peuvent se doter d’avantages importants. Les boucles de données propriétaires peuvent produire des effets cumulatifs, et les intégrations poussées peuvent créer des coûts de changement. Le défi consiste à distinguer ces atouts durables des fonctionnalités que les clients pourraient obtenir auprès de dizaines d’autres fournisseurs.

Six modèles mentaux pour mieux poser les questions

Le livre articule son argument central autour de six modèles mentaux : comprendre l’IA comme un ensemble de technologies ; remettre en question les idées reçues sur le SaaS ; s’attendre à d’importants bouleversements de marché ; reconnaître les changements qui touchent les marchés et la stratégie des entreprises ; comprendre l’accélération du passage à l’échelle ; et évaluer attentivement le coût des ventes des produits d’IA.

Ces modèles se complètent bien, car chacun met en lumière une faiblesse différente d’une thèse d’investissement superficielle. Qualifier une entreprise d’« entreprise spécialisée dans l’IA » ne dit pas grand-chose de son modèle économique. Une hausse spectaculaire du chiffre d’affaires ne renseigne guère sur sa pérennité. Une marge brute élevée aujourd’hui ne dit pas ce qui se passera lorsque les clients demanderont au produit d’effectuer des tâches plus difficiles.

Ce que j’apprécie le plus, c’est cette habitude de poser une deuxième question. Après s’être demandé si la technologie fonctionne, il faut se demander si elle fonctionne avec suffisamment de fiabilité dans le flux de travail réel du client. Après s’être demandé si les clients paient, il faut se demander ce pour quoi ils paient et si ces dépenses sont susceptibles de se poursuivre. Le livre reste ainsi utile bien au-delà du moment où ses exemples ont été rédigés.

Botkeeper et l’importance de l’évolution des coûts

L’une des études de cas les plus utiles est celle de Botkeeper, une entreprise d’automatisation de la tenue comptable dans laquelle Rob May a investi. Il décrit une entreprise qui, au départ, dépendait fortement de comptables humains et affichait une marge brute d’environ 20 à 25 %. Cela semblait peu attrayant aux investisseurs qui s’attendaient aux marges habituelles des éditeurs de logiciels. Pourtant, le travail effectué par ces personnes générait aussi des données susceptibles de contribuer à l’automatisation du processus. Rob May indique que la marge brute a ensuite dépassé 70 %, à mesure qu’une plus grande part du travail était prise en charge par des logiciels.

La leçon que j’en tire, c’est qu’il faut examiner ce que la contribution humaine permet de construire. Si chaque tâche accomplie aide le système à traiter la suivante plus efficacement, les coûts des services au début peuvent financer une entreprise plus facilement évolutive. Si chaque nouveau client nécessite indéfiniment une augmentation proportionnelle du travail manuel, les données économiques racontent une tout autre histoire.

Rob May examine également la trajectoire inverse : les coûts d’inférence, qui augmentent avec l’usage. Un système d’IA peut nécessiter davantage de calculs, plusieurs tentatives ou une vérification humaine pour accomplir des tâches plus difficiles. Un produit qui semble intéressant lors d’un petit projet pilote peut devenir coûteux lorsque les clients s’en servent pour des tâches complexes. C’est pourquoi l’évolution des coûts compte autant que la marge actuelle.

L’efficacité ne constitue pas automatiquement un avantage durable

Un autre cadre d’analyse que j’ai trouvé utile est la typologie de Rob May, qui distingue trois catégories de valeur de l’IA : l’IA banalisée, l’IA au cœur de l’activité et l’IA d’expansion. En gros, ces catégories désignent respectivement les capacités que les concurrents peuvent facilement adopter, celles qui renforcent l’avantage existant d’une entreprise et celles qui ouvrent de nouvelles perspectives commerciales.

Son exemple hypothétique d’une compagnie aérienne permet de comprendre facilement la première catégorie. Une compagnie aérienne met en place un agent d’assistance fondé sur l’IA et gagne en efficacité. Ses concurrents adoptent ensuite des outils similaires. Ce qui semblait brièvement la distinguer devient une attente du secteur, et la concurrence peut éroder une partie des gains économiques.

C’est un bon antidote à la tendance à considérer chaque annonce liée à l’IA comme la preuve qu’une entreprise s’est renforcée. Je veux savoir ce qui reste distinctif lorsque les concurrents ont accès à des outils comparables. Une entreprise qui associe l’IA à des retours d’expérience exclusifs, à une connaissance approfondie de ses opérations ou à un processus client difficile à reproduire a un argument plus convaincant qu’une entreprise qui annonce la même automatisation que tout le monde peut acheter.

Miser sur des dirigeants capables de mettre l’IA à profit

Le livre regorge d’observations pratiques, notamment sur l’importance de soutenir des dirigeants capables d’intégrer réellement l’IA. Un plan concret pour transformer les processus de travail et redéfinir les responsabilités est bien plus convaincant qu’une présentation promettant de déployer l’IA dans toute l’organisation.

L’analyse de Rob May sur la qualité des revenus va dans le même sens. Les projets pilotes payants et les preuves de concept peuvent produire des chiffres impressionnants au début, mais il faut les distinguer des revenus liés à une utilisation continue en production. La question utile est de savoir quelle part de l’activité subsisterait si les clients cessaient leurs expérimentations dès demain.

Je trouve cela particulièrement précieux pour les fondateurs. Remporter un projet pilote est une avancée, mais créer un produit qui s’intègre au fonctionnement d’un client est une réussite d’une autre nature. Comprendre cette distinction dès le début peut orienter les priorités produit, le recrutement et la manière dont une entreprise mesure sa réussite.

Verdict final

La principale leçon que je retiens est que ce livre ne devrait pas être réservé aux investisseurs. Les entrepreneurs ont tout autant à gagner à comprendre ce qui rend une entreprise d’IA digne d’un investissement, comment se construisent les avantages durables et quels écueils les jeunes pousses peuvent éviter avant qu’ils ne deviennent coûteux.

Il vaut mieux l’aborder comme un cadre de réflexion que comme une liste d’actions à acheter. Sa contribution la plus précieuse est d’aider les lecteurs à mieux cerner les raisons pour lesquelles ils croient en une entreprise. Les exemples finiront inévitablement par vieillir avec l’évolution du secteur ; c’est la discipline qui consiste à remettre en question ses hypothèses qui confère au livre son utilité durable.

Investir dans l’IA : six modèles mentaux pour distinguer les avantages durables des pièges propose cette réflexion fondée sur les principes premiers qui m’a, à l’origine, amené à lire la newsletter de Rob May. Pour les investisseurs qui cherchent à distinguer une entreprise solidement défendable d’un récit séduisant, comme pour les entrepreneurs qui veulent bâtir la première, c’est une lecture réfléchie et enrichissante.