Quand l’IA devient l’interface, que se passe-t-il pour le SaaS ?

Pendant des années, se connecter à logiciel martech signifiait accéder à un tableau de bord. Que l’on doive analyser les ventes, examiner les données clients, surveiller les performances d’une campagne ou gérer un compte, le tableau de bord était le point de départ. Les éditeurs de logiciels ont massivement investi pour rendre ces environnements plus faciles à parcourir, car amener les clients dans l’application était essentiel à la façon dont le produit délivrait de la valeur.

Assistants IA commencent à remettre en cause cette hypothèse, les gens s’habituant à commencer par poser une question plutôt que de chercher dans les menus et les rapports. Ils peuvent dire à un assistant IA ce qu’ils veulent savoir ou accomplir et s’attendre à ce que la technologie détermine les informations dont il a besoin pour répondre.

À mesure que ce comportement se transpose au lieu de travail, les éditeurs de logiciels verront des clients qui continueront à s’appuyer sur leur logiciel tout en passant moins de temps dans l’application elle‑même, modifiant la façon dont ils exposent leurs capacités et même la manière dont ils mesurent la valeur que les clients retirent du produit.

Le logiciel peut devenir partie de la conversation

Les assistants IA tels que Claude et ChatGPT ont déjà changé la façon dont les gens trouvent l’information et accomplissent les tâches quotidiennes. L’adoption en entreprise crée une opportunité différente, car ces systèmes peuvent de plus en plus se connecter aux applications spécialisées et aux données propriétaires que les employés utilisent au travail.

Model Context Protocol (MCP) est une technologie qui rend ces connexions possibles. MCP offre un moyen standardisé pour les applications IA de se connecter à des sources de données externes et à des outils logiciels. Au lieu d’exiger que chaque interaction débute dans une application particulière, les fournisseurs de logiciels peuvent rendre des parties de leurs produits accessibles via les environnements IA utilisés par leurs clients.

Pour bien visualiser cela, imaginez simplement une application d’analyse. Un marketeur, de façon traditionnelle, se connecte, ouvre un rapport, sélectionne une plage de dates, applique des filtres et compare plusieurs groupes de clients avant de trouver une réponse. Avec une interface IA connectée au logiciel sous‑jacent, ce marketeur pourrait simplement demander quels clients récemment acquis sont prévus devenir clients à forte valeur.

Le logiciel d’analyse continue d’accomplir un travail important en coulisses, car il détient les données pertinentes, applique des modèles spécialisés et offre des fonctionnalités développées pour un cas d’usage particulier, mais la manière dont le client accède à ces capacités commence à changer.

Les données propriétaires deviennent de plus en plus précieuses

Donner aux utilisateurs un accès conversationnel au logiciel expose également l’une des limites de l’IA à usage général.

Un modèle peut en savoir beaucoup sur le marketing ou le commerce électronique sans connaître ce qui s’est passé hier dans une entreprise particulière. Il ne sait pas automatiquement comment une marque calcule la valeur client ou après quelle période elle considère un client comme inactif. Une IA d’entreprise utile dépend de l’accès aux informations spécifiques à l’organisation qui l’utilise.

Les éditeurs de logiciels possèdent déjà une grande partie de ces informations spécialisées. Les plateformes de données client comprennent le comportement des clients et les outils d’intelligence économique organisent les données de performance de l’entreprise. D’autres applications d’entreprise contiennent des informations tout aussi spécialisées sur les organisations qu’elles desservent.

Connecter ces systèmes avec l’IA donne au modèle un moyen de travailler avec des informations spécifiques à l’entreprise plutôt que de se fier uniquement à sa connaissance générale.

À mesure que les modèles d’IA continuent de s’améliorer, les données propriétaires et les capacités logicielles spécialisées pourraient devenir une source de différenciation de plus en plus importante. Le modèle peut fournir l’expérience conversationnelle, tandis que les applications d’entreprise fournissent les données fondamentales et les fonctionnalités qui rendent la conversation utile à une entreprise particulière.

Les réponses ne sont qu’une partie de l’opportunité

La prochaine étape des logiciels conversationnels dépendra également de ce qui se passe après que l’IA fournit une réponse. Savoir qu’un aperçu est utile, mais le mettre en œuvre, c’est là que les logiciels d’entreprise tirent une grande partie de leur valeur.

Imaginez demander à un assistant IA quels clients sont les plus susceptibles de faire un nouvel achat, puis utiliser cette réponse pour créer une audience et la rendre disponible à un autre système, transformant la conversation en flux de travail. Des possibilités similaires existent dans l’ensemble des logiciels d’entreprise. Un utilisateur pourrait identifier un problème et lancer l’étape suivante sans passer par plusieurs applications, car les systèmes sous‑jacents continueraient d’exécuter des fonctions spécialisées tandis que l’assistant IA coordonne la façon dont l’utilisateur y accède.

Une fois que l’IA peut initier des actions, les produits SaaS commencent à ressembler davantage à des collections de capacités spécialisées qu’un système IA peut appeler au besoin. Un produit d’analyse pourrait identifier une audience, une plateforme de commerce pourrait fournir des données de transaction et une plateforme marketing pourrait activer une campagne, et le meilleur, c’est que l’utilisateur n’a pas forcément besoin de naviguer dans chaque application pour que ces produits contribuent au flux de travail. Ensuite, les éditeurs de logiciels peuvent commencer à concevoir des flux de travail autour de ce que le client veut accomplir plutôt que de la séquence d’écrans nécessaire pour y parvenir.

Le tableau de bord a encore un rôle

Il est peu probable que les tableaux de bord disparaissent complètement, simplement parce que certaines tâches bénéficient d’une exploration visuelle ou de la capacité à examiner de grandes quantités d’informations d’un coup. Les utilisateurs auront toujours besoin d’applications dédiées pour de nombreux types de travail, mais leur rôle est devenu moins central.

Un client peut ouvrir une application lorsque une exploration plus approfondie est nécessaire tout en traitant les questions et actions courantes via un assistant IA. Un autre utilisateur peut interagir régulièrement avec le logiciel sous‑jacent sans jamais ouvrir son interface traditionnelle.

Les entreprises SaaS ont historiquement considéré les connexions, les sessions et le temps passé dans le produit comme des indicateurs d’engagement. Les logiciels médiés par l’IA compliquent ces métriques. Un client qui ouvre rarement un tableau de bord peut néanmoins être un utilisateur très engagé si un assistant IA interroge régulièrement les données, les modèles ou les flux de travail du produit en son nom..

Concevoir pour l’endroit où le client travaille

Les entreprises SaaS ont passé des années à essayer de devenir l’application que les clients ouvrent en premier. Les assistants IA introduisent la possibilité qu’aucune application métier ne conserve constamment cette position. Le logiciel doit toujours fournir des données fiables, des fonctionnalités spécialisées et une exécution fiable.

Les entreprises qui se préparent à ce modèle devraient commencer à se demander quelles parties de leurs produits les clients utilisent le plus fréquemment, quelles données peuvent être mises à disposition des systèmes IA en toute sécurité et quelles actions les utilisateurs devraient pouvoir initier de manière conversationnelle. Je pense que le tableau de bord restera utile, mais il ne sera peut‑être plus le point de départ des interactions.