Thomas Cuvelier, Partenaire, États-Unis et Europe, RTP Global – Série d’entretiens

Thomas Cuvelier, Partenaire, États-Unis et Europe, RTP Global est un investisseur basé à New York qui se concentre sur le soutien aux fondateurs aux États-Unis et en Europe qui créent des entreprises définissant des catégories. Il est particulièrement attiré par les entrepreneurs motivés par une expérience personnelle directe dans la résolution de problèmes du monde réel, plutôt que par ceux qui se lancent simplement dans la création d’une entreprise. Avec une formation en informatique et en statistiques, il investit dans des équipes techniquement solides du stade pré-semence au stade A, en déployant généralement entre 1 million et 10 millions de dollars. Son expérience d’investissement couvre l’ensemble du cycle de vie de l’entreprise, de la création d’entreprise au stade de croissance et de rachat à long terme, façonnée par le temps passé dans les principaux hubs technologiques mondiaux, notamment San Francisco, New York, Londres, Berlin et Paris, et apporte une forte perspective transatlantique sur la technologie, les talents et les marchés. Il parle également couramment le français, le mandarin et le japonais.

RTP Global est une société de capital-risque de stade précoce qui investit dans des entreprises axées sur la technologie en Amérique du Nord, en Europe et en Asie. Fondée en 2000, la société se concentre sur le soutien aux fondateurs ambitieux aux stades de la semence et de la série A, avec un bilan qui comprend des entreprises telles que Datadog (DDOG ), Delivery Hero et Cred. RTP Global opère avec une philosophie d’investissement à long terme, soutenant souvent les entreprises pendant de nombreuses années et réinvestissant les capitaux des succès passés dans de nouvelles entreprises. Sa présence mondiale et son réseau permettent aux fondateurs de se développer à l’échelle internationale, tandis que son focus sectoriel couvre des domaines tels que l’IA, la fintech, le SaaS et les infrastructures de données.

Vous avez soutenu un large éventail de startups d’IA natives, notamment des plateformes d’orchestration de flux de travail comme Kestra, des plateformes de données de robotique comme Mecka AI et des entreprises de SaaS verticales comme Archy et DualEntry. Quels sont les modèles que vous voyez dans les types de startups d’IA qui gagnent une véritable traction aujourd’hui ?

Un modèle intéressant peut être vu dans le profil des fondateurs derrière les startups d’IA réussies. Je vois de plus en plus d’entrepreneurs motivés par la construction de solutions d’IA natives pour résoudre des problèmes qu’ils ont rencontrés personnellement dans des industries traditionnelles (il peut s’agir de systèmes ERP ou de logiciels encombrants dans des industries comme les soins de santé). Il y a un autre groupe de fondateurs entrepreneurs qui ont repéré une opportunité de perturber un aspect traditionnel d’une entreprise mondiale et qui construisent autour de cela. La tendance est que la génération de fondateurs d’IA natives se réunit.

Il est également important de noter que la traction est générée sur un large paysage. Les industries lourdes qui étaient autrefois « invincibles » à la perturbation des startups, comme la robotique et les services gouvernementaux, peuvent maintenant être perturbées et sont viables pour les investissements de capital-risque.

Les lancements récents de grands fournisseurs de modèles tels qu’Anthropic ont déclenché un débat sur la question de savoir si les startups d’IA verticales ont encore des fossés défensables. Comment voyez-vous l’évolution de la relation entre les modèles fondamentaux et les entreprises de niveau d’application ?

Les lancements d’Anthropic posent une menace pour l’écosystème des startups, mais nous devons être précis. Les entreprises qui offrent des SaaS aux PME et aux industries non réglementées sont vulnérables. Elles n’ont pas de fossé que les entreprises de modèles fondamentaux ne peuvent pas briser avec un outillage de surface efficace.

Mais l’attrait de l’outillage de surface ne s’étend que jusqu’à un certain point. Les flux de travail complexes dans les industries réglementées sont mieux servis par des applications d’IA avec une intégration profonde avec des outils spécifiques à l’industrie qui ont été conçus par des équipes ayant une connaissance approfondie de leur industrie. Les startups d’IA verticales derrière de telles applications ont des fossés défensables et peuvent résister à la tempête.

Vous avez suggéré que certaines startups d’IA de série B et C pourraient maintenant faire face à des défis structurels en raison des progrès rapides des modèles fondamentaux. Quelles erreurs architecturales ces entreprises ont-elles commises, et quels enseignements les startups plus jeunes devraient-elles tirer de cela ?

Le problème que de nombreuses startups d’IA au stade B et C rencontrent est que leurs produits sont, à leur cœur, des tableaux de bord pour interfacer avec les LLM qui n’ont que quelques intégrations sous-jacentes. Ces entreprises ont fait des progrès rapides avec l’adoption des entreprises et des hobbyistes au cours des dernières années et ont levé des sommes importantes. Mais, si l’on fait un saut en avant jusqu’à aujourd’hui, les entreprises de modèles fondamentaux sont bien placées pour remettre en question leur modèle d’entreprise.

Pour les nouveaux fondateurs, la leçon est d’éviter de prendre trop de confort dans tout fossé technologique perçu ou dans tout verrouillage historique des clients. Le développement de logiciels assisté par l’IA et la mise à l’échelle des entreprises rendent la percée d’aujourd’hui vulnérable à devenir l’offre de commodité de demain. La construction de fossés autour de traits qui sont encore difficiles à reproduire – la profondeur d’intégration, la profondeur d’expertise spécifique à l’industrie et la prospérité des communautés d’utilisateurs – est une meilleure stratégie.

Quand vous évaluez les startups d’IA aujourd’hui, qu’est-ce qui constitue réellement la défensibilité ? Est-ce les données propriétaires, l’intégration de flux de travail, la complexité réglementaire, la distribution ou quelque chose d’autre ?

Je dirais que oui, tout cela est important. Je ne peux pas souligner suffisamment la profondeur d’intégration requise, cependant. Nous parlons d’une intégration avec plus de 100 outils et applications spécifiques à l’industrie pour être un niveau de profondeur difficile à déplacer.

Comme mentionné ci-dessus, je pense que les poussées des modèles fondamentaux dans les industries verticales ne peuvent s’étendre que jusqu’à un certain point. Les industries réglementées et leurs flux de travail critiques sont trop complexes pour les modèles fondamentaux, et c’est là que les startups d’IA peuvent combler le fossé et construire des entreprises défensables.

En plus de ce que vous énumérez, j’ajouterais que la rétention des utilisateurs et la construction de communautés restent des éléments de base importants de la défensibilité. La loyauté réelle des utilisateurs parce que le produit est excellent et un plaisir à utiliser est difficile à construire, mais également difficile à perturber.

De nombreux investisseurs disent maintenant que le fossé technologique dans l’IA se réduit. Êtes-vous d’accord, et si oui, quels nouveaux formes d’avantage concurrentiel émergent ?

C’est un fait que le fossé technologique se réduit. Si votre produit peut être construit sur un week-end, alors vous n’avez pas de fossé technologique – et l’art du possible à partir d’un week-end avec l’IA devient de plus en plus sophistiqué.

Dans un monde où les logiciels sont faciles à remplacer, la loyauté des clients renforcée par une expérience utilisateur incroyable devient cruciale.

Du point de vue du capital-risque, quels sont les qualités que vous recherchez chez les fondateurs qui créent des entreprises d’IA aujourd’hui ? Y a-t-il des traits, des expériences ou des façons de penser spécifiques qui se démarquent lorsqu’il s’agit de décider de soutenir un fondateur ?

Personnellement, le trait n° 1 est la clarté cristalline sur les clients finals. Lorsque les fondateurs connaissent les clients comme la paume de leur main et savent comment leur produit s’intègre dans la réalité du client, alors d’autres éléments importants pour la construction d’entreprises d’IA réussies – comme être guidé par une expertise sectorielle approfondie – tombent en place.

Les autres qualités importantes sont une personnalité de fondateur axée sur le produit et des réseaux personnels solides qui incluent des décideurs d’entreprise qui pourraient devenir des clients à l’avenir.

Vous avez investi dans des entreprises opérant dans des secteurs réglementés tels que l’assurance, les soins de santé et les services financiers. Pourquoi pensez-vous que les industries réglementées pourraient offrir des opportunités à long terme plus solides pour les startups d’IA ?

Les industries telles que les soins de santé, les produits pharmaceutiques, les services financiers, l’assurance et le secteur public sont prêtes à être perturbées par des startups d’IA construites à partir de zéro avec les besoins et les flux de travail de chaque industrie en tête. L’impact des LLM et de l’IA agente est si révolutionnaire qu’il ne passera pas simplement à côté des industries qui ont historiquement été lentes à adopter la technologie.

Ces industries sont si attrayantes pour les startups parce qu’elles sont encore dominées par des entreprises de logiciels traditionnelles qui ne peuvent pas facilement pivoter leurs produits pour l’IA. Et, comme mentionné, elles sont moins adaptées à la perturbation des modèles fondamentaux.

Il y a eu une discussion croissante sur une vague potentielle de fusions et acquisitions parmi les entreprises d’IA de stade intermédiaire. Quels signaux voyez-vous qui suggèrent que la consolidation pourrait s’accélérer au cours des deux prochaines années ?

Le signal le plus clair est la compression des valorisations qui rencontre la pression sur les liquidités en même temps. Beaucoup d’entreprises d’IA de stade intermédiaire ont levé des fonds à des multiples de valorisation de 2021-2023 et sont maintenant confrontées à des territoires de revalorisation si elles retournent sur le marché, ce qui rend une acquisition stratégique soudainement plus acceptable qu’une réévaluation humiliante. Du côté de l’acquéreur, les hyperscalers et les grandes entreprises de plateformes ont passé les deux dernières années à intégrer les capacités d’IA et réalisent maintenant que la construction de tout en interne est plus lente que l’achat de distribution différenciée ou de données propriétaires.

Le deuxième signal est la dynamique du fossé de talents et de données : à mesure que la commodification des modèles fondamentaux s’accélère, la valeur défendable réside de plus en plus dans les données de formation propriétaires et la mise sur le marché, plutôt que dans l’architecture du modèle lui-même, ce qui est exactement ce que les acqui-hires et les regroupements stratégiques capturent efficacement.

Enfin, l’environnement réglementaire devient discrètement plus permissif ; l’administration actuelle américaine a signalé une posture antitrust plus légère, ce qui supprime les obstacles pour les stratégies de grande capitalisation qui étaient précédemment prudentes à l’égard de l’examen des transactions. Mettez tout cela ensemble et vous avez des vendeurs motivés, des acheteurs motivés et une voie réglementaire plus claire : cette combinaison a historiquement précédé une vague de fusions et acquisitions.

Les startups d’IA peuvent atteindre une traction précoce rapidement, parfois en atteignant leur premier million de dollars de chiffre d’affaires plus rapidement que les générations précédentes d’entreprises de SaaS. Mais la mise à l’échelle au-delà de ce point semble être là où de nombreuses entreprises ont des difficultés. Qu’est-ce qui sépare les entreprises qui réussissent de celles qui stagnent ?

La ligne de démarcation entre les fondateurs d’IA qui atteignent des plafonds de chiffre d’affaires et les fondateurs qui réussissent à nouveau à atteindre des jalons est la vitesse de mise sur le marché. L’expédition de fonctionnalités et de produits guidés par une boucle de rétroaction de la communauté des utilisateurs. Ne pas hésiter à croître à l’échelle mondiale. Faire les bons embauches en vente. Des canaux de distribution infaillibles. Ce sont des éléments essentiels de la vitesse de mise sur le marché qui distinguent les startups d’IA du peloton.

En regardant trois à cinq ans à l’avance, quels types de startups d’IA êtes-vous le plus enthousiaste à soutenir en ce moment, et quels secteurs pensez-vous déjà encombrés ou vulnérables ?

Je suis enthousiaste à l’idée des possibilités pour l’IA de perturber les soins de santé et les produits pharmaceutiques (remplis de flux de travail complexes et hautement réglementés qui peuvent être perturbés), les industries (où la perturbation technologique en général a encore des miles à parcourir) et les finances (en particulier la conformité et la comptabilité/ERP).

Le marché des produits d’IA de niveau élevé, axés sur les PME, est saturé et constitue un secteur vulnérable pour les startups. C’est le même cas pour toute startup d’IA avec un produit qui peut être facilement reproduit. Les fossés technologiques ne sont plus fiables.