Priya Saiprasad, associée générale chez Touring Capital – Série d’interviews

Lorsque le logiciel peut exécuter du travail, cela modifie le produit, le marché adressable, le modèle tarifaire et l’économie de l’entreprise qui le fournit. Nous voulions construire Touring autour de cette opportunité dès le départ.

Notre objectif porte sur les entreprises qui approchent ou démontrent un ajustement produit‑marché précoce, lorsque la promesse technique commence à se traduire en adoption client. C’est une étape particulièrement décisive en IA : les fondateurs décident quels flux de travail posséder, quel degré d’autonomie les clients accepteront, et comment transformer la demande initiale en croissance récurrente.

Nous voulions également apporter une perspective de construction d’entreprise éclairée par notre expérience en capital‑risque, M&A et sur de grandes plateformes technologiques. Notre ambition est d’aider les fondateurs à créer des entreprises dont les avantages concurrentiels se renforcent à mesure que la technologie progresse. Cela nécessite une conviction quant à l’opportunité et une volonté de réexaminer continuellement les hypothèses sous‑jacentes.

Vous avez soutenu que certaines des plus grandes opportunités en IA s’éloignent de la simple construction de modèles de fondation plus grands pour se diriger vers des entreprises appliquant l’IA à des industries spécifiques. Qu’est‑ce qui a changé technologiquement ou économiquement pour rendre la couche d’application si attrayante aujourd’hui ?

Les modèles sont devenus nettement plus performants et accessibles, ce qui modifie les domaines où les entrepreneurs peuvent créer de la valeur. Vous n’avez plus besoin de développer l’intelligence sous‑jacente à partir de zéro pour créer quelque chose de puissant.

Cela déplace la question de, “Qui possède le meilleur modèle ?” à, “Qui peut appliquer cette intelligence pour résoudre un problème d’une manière qui change fondamentalement l’économie ou le flux de travail ?”

Les entreprises les plus convaincantes ne se contentent pas d’ajouter un LLM à un produit logiciel existant. Elles utilisent l’IA pour repenser la façon dont le travail est effectué. Dans certains cas, cela signifie automatiser de larges parties d’un flux de travail. Dans d’autres, cela signifie permettre à une équipe beaucoup plus petite de produire nettement plus.

C’est là que, selon moi, se produira une grande partie de la prochaine vague de création de valeur : les entreprises capables de prendre une intelligence de plus en plus performante et de la transformer en un produit en lequel les clients ont confiance pour accomplir un travail significatif.

Lorsque vous examinez les différents secteurs aujourd’hui, quels sont, selon vous, les industries qui atteignent un véritable point d’inflexion de l’IA, où l’IA pourrait restructurer fondamentalement les flux de travail plutôt que de simplement rendre les logiciels existants plus efficaces ?

Je suis particulièrement intéressée par les industries combinant un travail de connaissance important, des flux de travail existants complexes et historiquement un faible niveau de pénétration logicielle.

Les services financiers, la santé, le juridique, l’industrie et l’automobile sont de bons exemples. Ces secteurs possèdent souvent d’énormes quantités d’informations précieuses et des flux de travail hautement spécialisés, mais une grande partie du travail reste fragmentée, manuelle ou dépendante de personnes expérimentées qui déplacent l’information entre les systèmes.

L’opportunité ne consiste pas simplement à rendre ces travailleurs 10 % plus productifs. Les entreprises les plus intéressantes redéfinissent le flux de travail autour de ce que l’IA peut désormais faire.

On le voit chez des entreprises comme Numa, qui utilise des agents IA pour automatiser les interactions client et les opérations de concession, et Daloopa, qui applique l’IA aux flux de données et de recherche très sensibles au temps utilisés par les institutions financières. Le fil conducteur est une compréhension approfondie du travail sous‑jacent. L’IA est puissante, mais elle n’élimine pas la nécessité de comprendre le secteur pour lequel vous construisez.

Touring Capital met l’accent sur les fossés de données, les effets de levier produits et l’expertise sectorielle lorsqu’elle évalue les entreprises d’IA. À quoi ressemble réellement une entreprise d’IA verticale véritablement défendable, et comment distinguer celle‑ci d’une société dont l’avantage principal consiste simplement à envelopper un grand modèle de langage tiers ?

Une véritable entreprise d’IA défendable se renforce à mesure qu’elle fonctionne.

Le modèle sous‑jacent peut s’améliorer avec le temps, et une société peut changer de modèle complètement, mais la valeur de l’entreprise ne doit pas disparaître parce que le modèle change. Ce qui compte, c’est ce que l’entreprise possède autour de ce modèle : la relation client, le flux de travail, les données propriétaires, les intégrations et la confiance pour prendre en charge des travaux de plus en plus importants.

L’un des éléments auxquels nous prêtons une attention particulière est de savoir si le produit devient plus profondément intégré au fil du temps. Les clients lui confient‑ils davantage de travail ? L’utilisation et les résultats s’accumulent‑ils ? L’entreprise apprend‑elle de ses déploiements d’une manière qui améliore le produit ?

Ces dynamiques créent une entreprise bien plus solide que le simple fait d’avoir une bonne interface au-dessus d’un modèle tiers. Les fonctionnalités peuvent converger très rapidement en IA. Une utilisation soutenue et une adoption plus profonde du flux de travail sont beaucoup plus difficiles à reproduire.

À mesure que les modèles de base deviennent plus performants et de plus en plus banalisés, cela renforce‑t‑il les entreprises d’IA verticales en leur offrant une intelligence moins chère sur laquelle s’appuyer, ou crée‑t‑il un risque que les fournisseurs de modèles absorbent davantage la couche applicative ?

Les deux dynamiques peuvent se produire simultanément. De meilleurs modèles élargissent ce que les entreprises d’applications peuvent offrir, tout en permettant aux fournisseurs de modèles de s’avancer davantage dans les produits et les flux de travail.

La question à examiner lors de la diligence est de savoir comment la position d’une société évolue à mesure que l’intelligence sous‑jacente s’améliore. Nous posons deux questions conjointes : ce qui devient possible pour cette entreprise avec la prochaine génération de modèles, et quelle partie de sa proposition de valeur actuelle pourrait devenir une capacité standard du modèle ? Cela aide à distinguer les entreprises qui bénéficient du progrès de celles dont la différenciation dépend d’une limitation temporaire.

Les entreprises verticales peuvent bâtir des positions durables grâce à des flux de travail spécialisés, un accès client, des intégrations, des systèmes d’évaluation et la responsabilité opérationnelle qu’elles assument. Ces avantages exigent un investissement continu ; l’expertise sectorielle à elle seule n’est pas une protection permanente.

Les entreprises que je trouve les plus convaincantes ont une trajectoire claire pour prendre en charge des travaux plus précieux à mesure que les modèles s’améliorent. Leurs clients obtiennent de meilleurs résultats, l’économie de leur livraison se renforce, et leurs connaissances accumulées deviennent plus utiles. C’est la relation avec le progrès des modèles que nous souhaitons soutenir.

Les entreprises traditionnelles de logiciels en tant que service ont historiquement été évaluées à l’aide de métriques telles que le revenu récurrent annuel, les marges brutes, la rétention et l’expansion des licences. Comment l’IA modifie‑t‑elle les métriques sur lesquelles vous vous appuyez, notamment à mesure que les coûts d’inférence, la tarification basée sur l’usage et les modèles économiques basés sur les résultats gagnent en importance ?

Le ARR, la rétention et les marges brutes restent importants. Le problème, c’est qu’ils ne nous renseignent plus suffisamment à eux seuls.

Une entreprise d’IA peut atteindre des dizaines de millions de ARR très rapidement alors que l’utilisation sous‑jacente au sein de sa base de clients décline déjà. Le client peut encore être sous contrat, mais au moment du renouvellement, le produit a effectivement été remplacé. C’est ce que nous appelons le churn latent.

Nous examinons donc de plus en plus ce qui se cache derrière le modèle de tarification et nous demandons quel travail est réellement effectué. Le nombre de flux de travail et de résultats augmente‑t‑il avec le temps ? Le client fait‑il davantage confiance au produit pour accomplir plus de tâches ? L’utilisation se poursuit‑elle après l’engouement initial du déploiement ?

Nous analysons également de façon beaucoup plus approfondie l’économie qui sous‑tend la croissance. Les entreprises d’IA peuvent remplacer le personnel humain par l’automatisation, mais le calcul devient une véritable composante de la main‑d’œuvre et de la structure de coûts. C’est pourquoi nous examinons des concepts tels que l’intensité des flux de travail, les multiplicateurs d’efficacité, le revenu par employé ajusté et le levier des coûts.

La question plus large est de savoir si la croissance devient plus durable et plus efficace avec le temps. Une croissance spectaculaire et une croissance durable ne sont pas nécessairement la même chose.

De nombreux agents IA sont conçus non seulement pour assister les employés, mais pour exécuter des flux de travail entiers de façon autonome. Comment cela modifie‑t‑il l’opportunité de marché pour les logiciels d’entreprise, et les entreprises d’IA pourraient‑elles finalement capter une partie des budgets de main‑d’œuvre qui, historiquement, se situaient en dehors des dépenses logicielles ?

Je pense que c’est l’un des changements les plus importants dans les logiciels d’entreprise.

Historiquement, les logiciels étaient principalement vendus comme un outil aidant un employé à accomplir son travail. L’employé restait responsable de la production du travail, et le budget logiciel était distinct du budget de main‑d’œuvre.

L’IA modifie cette équation parce que les logiciels peuvent de plus en plus exécuter des parties du travail eux‑mêmes.

Cela élargit considérablement l’opportunité de marché. Vous ne vendez plus simplement un outil de productivité à partir d’un budget informatique ou logiciel. Si un produit peut assumer de manière fiable un travail significatif et produire un résultat mesurable, il peut également capter de la valeur provenant des budgets de main‑d’œuvre.

La distinction importante est celle entre un assistant IA et un système IA en lequel les clients ont confiance pour réellement exécuter les tâches. Ce dernier a le potentiel de devenir beaucoup plus précieux, mais il doit également démontrer une réelle fiabilité, responsabilité et viabilité économique. Au final, les clients ne se soucieront pas de la sophistication de l’IA si le produit ne peut pas constamment fournir le résultat promis.

Vous siégez actuellement aux conseils d’administration d’entreprises telles que Numa et Daloopa, qui appliquent la technologie à des secteurs très différents comme les opérations automobiles et les données financières. Qu’est‑ce que ces entreprises vous ont appris sur ce qu’il faut pour introduire avec succès l’IA dans des industries aux flux de travail profondément établis et à l’expertise métier ?

La plus grande leçon est que l’IA n’élimine pas l’importance de l’expertise métier. À bien des égards, elle la rend encore plus cruciale.

Pour introduire avec succès l’IA dans une industrie établie, il faut comprendre le flux de travail en profondeur afin d’identifier où l’automatisation crée réellement de la valeur et où le jugement humain reste indispensable. Il faut également comprendre comment les clients adopteront le produit, comment il s’intègre à leurs systèmes existants et à leur cycle d’adoption de l’IA, et ce qu’il faut faire pour gagner leur confiance.

Numa et Daloopa évoluent sur des marchés très différents, mais les deux sont profondément liés au travail spécifique que leurs clients doivent accomplir. Les entreprises d’IA verticales les plus performantes ne commencent pas par « Où pouvons‑nous placer l’IA ? » Elles commencent par un problème ou un flux de travail significatif, puis le redéfinissent autour de ce que l’IA peut désormais faire.

C’est également la raison pour laquelle je pense que l’expertise métier peut devenir un avantage considérable avec le temps. Plus vous comprenez le travail en profondeur, plus vous pouvez créer efficacement un produit sur lequel les clients sont prêts à compter.

Les investissements récents de Touring couvrent à la fois les applications spécifiques à un domaine et l’infrastructure permettant l’IA. Comment envisagez‑vous l’équilibre entre l’investissement dans la couche applicative et l’infrastructure nécessaire pour la soutenir, et où pensez‑vous que se trouve aujourd’hui la plus grande opportunité de rendements à l’échelle du capital‑risque ?

Nous ne considérons pas l’opportunité comme existant exclusivement dans une seule couche de la pile technologique. Nous nous concentrons sur les goulets d’étranglement importants qui émergent et sur les domaines où une entreprise peut se positionner de manière significative à mesure que l’adoption de l’IA s’accélère.

Du côté des applications, nous sommes enthousiasmés par les entreprises capables de transformer l’IA en valeur économique mesurable en maîtrisant des flux de travail importants et en livrant de vrais résultats. Du côté de l’infrastructure, nous nous intéressons aux entreprises qui résolvent les contraintes déterminant la capacité de déployer l’IA de manière efficace à grande échelle.

Nos investissements dans des entreprises comme Infinity et Parasail illustrent cela. L’une s’attaque au défi logiciel de rendre différentes puces IA prêtes à exécuter des modèles modernes, tandis que l’autre aide les développeurs à déployer et à faire évoluer des charges de travail IA sans avoir à gérer eux‑mêmes l’infrastructure sous‑jacente.

La meilleure opportunité n’est pas nécessairement déterminée par le fait qu’une entreprise se situe dans les applications ou l’infrastructure. La question clé est de savoir si l’entreprise résout un problème important et durable avec le potentiel de devenir de plus en plus précieux à mesure que le marché de l’IA évolue.

Avec d’énormes quantités de capitaux désormais concentrées autour d’un nombre relativement restreint d’entreprises d’IA de pointe, où pensez‑vous que les investisseurs sous‑estiment encore l’opportunité, et quelles catégories ou modèles d’affaires natifs à l’IA reçoivent beaucoup moins d’attention qu’ils ne le méritent ?

Un domaine que je trouve particulièrement intéressant est le milieu du marché.

Actuellement, le capital‑risque est devenu de plus en plus chargé. Il y a un appétit énorme pour les entreprises prometteuses aux premiers stades, en particulier celles disposant d’équipes exceptionnelles et d’une technologie convaincante. Il existe également des capitaux substantiels disponibles pour les très grandes entreprises les plus éprouvées.

Mais le milieu, en particulier les étapes traditionnelles de séries B et C, est devenu beaucoup plus difficile.

L’IA a compressé les attentes. Les entreprises peuvent désormais passer de zéro à un chiffre d’affaires significatif plus rapidement que jamais, ce qui a relevé la barre de façon spectaculaire dès qu’une entreprise commence à générer des revenus. Une croissance qui aurait été considérée comme extraordinaire il y a quelques années ne se démarque plus forcément sur le marché actuel.

Cela crée à la fois des risques et des opportunités.

Certaines entreprises sont poussées à s’optimiser en fonction de ce que le marché du financement recherche à un moment donné : croissance de 5x, croissance de 10x, un certain seuil de revenus, quel que soit le fait que cette trajectoire crée une entreprise durable. Le marché peut changer de façon spectaculaire en six à neuf mois, de sorte que les fondateurs doivent veiller à ne pas construire exclusivement pour les attentes du prochain tour de financement.

Pour les investisseurs, je pense qu’il existe une véritable opportunité d’identifier les entreprises qui possèdent de solides fondamentaux sous‑jacent mais qui ne s’inscrivent pas parfaitement dans les extrêmes du marché actuel. Le défi consiste à être suffisamment discipliné pour distinguer une croissance durable d’une entreprise simplement accélérée par le cycle actuel de financement de l’IA.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus sur cette société de capital‑risque devraient visiter Touring Capital.