Les plus grands marchés de l’IA verticale se cachent à la vue de tous

• Plus un secteur est fragmenté et complexe sur le plan opérationnel, plus il constitue en réalité le marché idéal pour des systèmes d’IA verticale capables d’ériger de puissantes barrières défensives — un point que la plupart des fondateurs et investisseurs négligent
• L’automatisation propre d’une tâche unique se copie facilement, mais des workflows imbriquant réglementation, intégration de systèmes legacy et gestion des exceptions sont difficiles à rattraper, que ce soit pour des concurrents, des clients ou des laboratoires d’IA
• Si l’on redéfinit la taille du marché non pas selon le budget logiciel, mais selon les coûts de service et de main-d’œuvre, des marchés verticaux qui semblaient modestes révèlent en fait des niveaux de dépenses énormes
• Quand un produit passe du stade où il assiste le travail à celui où il remplace le travail lui-même, la zone facturable chez un même client peut être multipliée par plusieurs dizaines
• Les cinq prochaines années devraient déterminer, dans chaque industrie, quelle approche l’emportera entre les plateformes verticales spécialisées, l’ajout d’IA par les SoR existants, et la construction d’une IA in-house

---

Pourquoi ce marché est caché

• Les deux caractéristiques qui masquent les meilleurs marchés de l’IA verticale jouent en même temps le rôle de barrière défensive pour ces marchés
• La première est le workflow grit : des environnements de travail complexes, saturés de gestion des exceptions, d’intégrations legacy, de validations humaines, de conformité et de modes d’échec coûteux
  • Les tâches propres et bien définies sont faciles à construire, à démontrer et à vendre, mais dès lors que l’intelligence devient portable, elles se commoditisent
  • Les tâches étroites, peu risquées et faciles à brancher sur les systèmes existants peuvent être copiées par des concurrents, construites directement par les clients, ou lancées directement par les laboratoires de pointe
• Les workflows à fort grit bloquent ces trois menaces à la fois : les labs ne veulent pas gérer cette complexité opérationnelle, les clients n’ont pas les capacités techniques nécessaires, et les concurrents ne peuvent pas prendre de raccourcis
• Pour rendre l’IA exploitable dans des workflows à fort grit, il faut faire bien plus que d’obtenir l’accès à un modèle : structurer des données non structurées, intégrer des systèmes legacy, concevoir des boucles de validation, définir des taux d’erreur acceptables et instaurer la confiance dans des environnements où l’erreur coûte cher
  • Ce travail s’accumule discrètement et forme une carte propriétaire des opérations de workflow qu’un nouvel entrant ne peut pas reproduire simplement en achetant le même modèle
• Au départ, la récompense paraît limitée, mais ce travail opérationnel difficile donne ensuite le droit de s’étendre vers des workflows adjacents et vers des catégories budgétaires plus importantes

Exemples concrets : prêts auto, facturation santé, logistique du fret

• Salient : construit des agents vocaux IA qui appellent les emprunteurs en retard sur leur prêt automobile. L’entreprise opère sous les contraintes réglementaires du FDCPA, du TCPA et du Reg F, dans un environnement où une seule infraction peut déclencher une action du régulateur
  • L’IA doit naviguer entre des règles fédérales et locales qui se chevauchent, négocier des paiements en temps réel, respecter les limites de fréquence d’appel et transférer vers un agent humain si nécessaire
  • Un appel de recouvrement humain coûte 4 à 12 $, tandis qu’un appel IA n’en représente qu’une fraction
• Charta Health : automatise la revue de dossiers avant facturation, en gérant les règles des assureurs, les codes CPT et les schémas de rejet qui varient selon la spécialité médicale et la région
• Dans la logistique du fret, HappyRobot, Pallet et Augment construisent des agents IA capables de gérer les interminables appels vocaux, e-mails et mises à jour de portails nécessaires à la coordination entre transporteurs, chargeurs et entrepôts
  • « Appeler un chauffeur pour confirmer l’état d’un chargement » ne ressemble pas à une activité de taille venture, mais chaque chargement implique des dizaines de points de contact manuels, et l’industrie logistique dépense plus de 1 000 milliards de dollars par an en coûts opérationnels non physiques

Deuxième caractéristique : la structure du marché

• Une structure de marché fragmentée entre des milliers d’opérateurs, avec des acheteurs dont l’ADN technique est faible
• Les fournisseurs d’IA horizontale ont besoin de clients concentrés et à forte valeur pour rentabiliser le déploiement, mais quand le chiffre d’affaires est dispersé entre des milliers de PME opérant chacune avec des systèmes différents et des données non structurées, un acteur générique ne peut pas justifier son effort go-to-market
• Les exploitants immobiliers, les entreprises de services sur site ou les cliniques de rééducation ambulatoire n’ont pas les capacités techniques pour construire de l’IA de production en interne, et voient la technologie comme quelque chose à acheter plutôt qu’à posséder
• La fragmentation crée un espace à construire, et la faible propension à l’auto-construction l’élargit encore, en laissant du temps pour capitaliser plus vite que quiconque sur le contexte opérationnel

Exemple : le marché fiscal et comptable américain

• Le marché fiscal et comptable américain est une industrie de 145 milliards de dollars, avec une longue traîne d’environ 46 000 cabinets de CPA, dont 86 % comptent moins de 10 employés
  • Le marché comprend aussi les Big Four et de grands cabinets nationaux
• Blue J : plateforme de recherche fiscale alimentée par l’IA, qui gagne du terrain aux deux extrémités du marché. Elle sert aujourd’hui plus de 2 800 organisations et son usage a augmenté de plus de 700 % sur un an
• La structure en longue traîne rend le marché peu attractif pour les acteurs génériques, tandis que le workflow grit — chevauchement du droit fiscal, ambiguïté des situations factuelles et réponses d’experts engageant leur réputation — crée un point d’entrée durable, même dans un environnement d’achat exigeant

Renforcement cumulatif des barrières défensives

• La complexité opérationnelle crée des coûts de changement (switching costs) : retirer le système impose de réembaucher du personnel, de reconstruire les processus et d’abandonner des années de contexte workflow accumulé
• La fragmentation ne disparaît pas avec le temps, et les acheteurs ne développent pas soudainement un ADN d’ingénierie
• Au moment où OpenAI ou Anthropic prennent conscience de l’existence du marché, le contexte opérationnel et la base de distribution du système vertical se sont déjà accumulés pendant des années

Le TAM Goldilocks

• Si la plupart des marchés de l’IA verticale restent cachés, c’est parce que l’on mesure mal leur taille
• L’approche standard consiste à prendre comme TAM les dépenses logicielles de la catégorie, mais dans les secteurs fragmentés et opérationnellement complexes, les budgets logiciels sont généralement faibles
• Le bon indicateur est le montant que l’industrie dépense pour faire le travail lui-même : salaires des équipes qui l’exécutent, prestataires externes, agences, contractants — autrement dit les budgets de service et de main-d’œuvre
• Cette redéfinition explique aussi pourquoi les concurrents les plus dangereux ignorent ces marchés : si l’on regarde une « IA pour la location immobilière » à travers le seul prisme du budget logiciel, cela paraît niche, et aucun laboratoire de pointe n’a de raison de s’y mobiliser
  • Vu sous l’angle des budgets de travail et de service, le marché est énorme, mais lorsqu’il devient visible, les systèmes verticaux ont déjà accumulé plusieurs années d’avance
• Les conditions d’un TAM Goldilocks : assez grand pour produire un résultat venture, mais déguisé sous une surface logicielle modeste, ignoré à cause de sa complexité opérationnelle, et capable de s’étendre de façon spectaculaire une fois la position système établie

Du support au remplacement

• L’expansion se produit quand le produit passe d’un rôle d’assistance à un rôle d’exécution du travail
• Exemple d’une société de gestion immobilière : 30 000 $ de dépenses annuelles en logiciel de location, contre 300 000 $ pour le personnel en charge de la location
  • Quand le produit commence à exécuter le travail lui-même, il ne se vend plus sur la ligne à 30 000 $, mais sur la ligne à 300 000 $
  • En s’étendant à l’ensemble du workflow et des opérations, il peut accéder à un budget opérationnel total de plus de 1 million de dollars
  • Chez un même client, dans la même entreprise, la surface monétisable est multipliée par 30

Exemple : EliseAI

• EliseAI : plateforme d’IA pour la gestion immobilière, partie d’un marché proptech limité
  • Au début, l’entreprise a démarré avec une solution d’automatisation de la location en SKU unique à ~50 000 $ d’ACV
  • Le produit s’est ensuite étendu à mesure qu’il remplaçait le travail de location au lieu de simplement l’assister, puis a couvert l’ensemble du cycle de vie du locataire avec la maintenance, le recouvrement et les visites guidées par IA
  • Aujourd’hui, l’entreprise sert 1 appartement américain sur 8, et les gestionnaires et opérateurs immobiliers dépensent plusieurs millions de dollars sur la plateforme
  • Elle s’est aussi lancée dans la santé, où elle s’attaque à 600 milliards de dollars de coûts administratifs annuels avec le même playbook
• Le TAM n’a pas grandi avec le produit ; c’est le produit qui a révélé à quel point le TAM était déjà grand

Ce qui se passe quand on arrive le premier

• Sur ces marchés, les entreprises d’IA verticale qui atteignent une position de système ne se contentent pas de bâtir de grosses entreprises : elles finissent par définir la manière dont l’ensemble du secteur fonctionnera dans les dix prochaines années
• Anthropic et OpenAI représentent une menace réelle sur la couche applicative, mais ils doivent gérer des priorités contradictoires en parallèle
  • Ils doivent continuer à investir dans l’avancée de la frontière des modèles, et la maximisation des revenus fondés sur les tokens entre en conflit d’intérêts avec les clients finaux à mesure que l’adoption des agents progresse
  • À cela s’ajoute la nécessité de construire simultanément des applications sur mesure de haute qualité pour des dizaines de verticales différentes
• Dans la plupart des marchés, les acteurs d’IA verticale spécialisés devraient surclasser les labs en exécution grâce à leur concentration totale
• Les cinq prochaines années détermineront, dans chaque marché, l’approche gagnante : des plateformes spécialisées qui élargissent un wedge IA en système vertical, des SoR existants qui conservent leur position de marché en ajoutant une IA « suffisamment bonne », ou une IA in-house construite sur Anthropic/OpenAI
• La stratégie centrale : choisir, dans un marché qui paraît trop petit, un point d’entrée tranchant et opérationnellement complexe, puis gagner en autorité en s’étendant sur l’ensemble du workflow, remplacer le travail et devenir un système sans lequel le client ne peut plus opérer
• « Les modèles gagnent en démo, les wedges gagnent en pilote, les systèmes gagnent sur le marché »