L’importance de la Vertical AI
- Au cours des dix dernières années, le Vertical SaaS a démontré la puissance des logiciels adaptés à chaque secteur, avec de nombreux exemples de réussite comme Toast, Shopify, Procore et ServiceTitan
- Il existe encore de nombreux marchés que le Vertical SaaS ne dessert pas encore
- Des industries fondamentales où des barrières intrinsèques freinent l’innovation technologique (ex. : données non structurées, TAM limité, cycles de vente lents, faible valeur annuelle des contrats, clientèle historique exigeante)
- Des domaines tout juste émergents ou en pleine transformation majeure (ex. : l’électrification de l’énergie)
- Avec l’arrivée de l’intelligence artificielle capable de traiter les données non structurées, ainsi que des avancées majeures qui redéfinissent le Vertical SaaS en logiciel vertical, il devient désormais possible de construire des logiciels viables aussi pour ces marchés
- Aux précédentes ères technologiques, le Vertical SaaS ne pouvait s’appliquer qu’à des entreprises disposant d’une stack technologique moderne et de données structurées
- Les LLM peuvent traiter des données non structurées, ce qui en fait potentiellement la pièce manquante pour permettre à l’IA de faire entrer des secteurs en retard technologique dans l’ère moderne
- Les startups orientées vertical adoptent des stratégies allant au-delà du modèle SaaS traditionnel, comme les paiements embarqués (Toast, Shopify), la publicité (Pepper, Provi) et les marketplaces B2B (Faire, Novi)
# Cadre d’investissement pour la Vertical AI
Data: Better Data Over Better Models (de meilleures données comptent plus que de meilleurs modèles)
- Dans la construction d’applications d’IA, les données sont probablement l’élément le plus important pour établir une position différenciante
- Les startups doivent identifier si elles ont besoin d’un corpus de données très important et si elles ont l’opportunité de construire des actifs de données propriétaires
- Dans de nombreux secteurs, les données sont désordonnées et enfermées dans des systèmes legacy en silos, ce qui rend particulièrement intéressantes les entreprises qui s’attaquent à l’extraction des données
- Par rapport aux progrès sur la synthèse et la génération de données, l’extraction des données reste un problème douloureux et non résolu
- Le facteur de différenciation réside dans la qualité de l’audit, du labelling et des données continuellement mises à jour
- Une position de données encore plus forte existe lorsque l’usage même du produit génère l’ensemble de données
- Ex. : lorsque les clients labellisent eux-mêmes leurs données ou développent un dataset à partir de leurs interactions avec le produit
- L’accès initial aux données est important comme premier moat, mais à terme, ce sont les données générées par les clients à mesure qu’ils utilisent le produit qui constituent le moat de long terme
TAM (Total Addressable Market): Market Size vs Market Penetration (taille du marché vs pénétration du marché)
- Le principal risque, et la principale raison de ne pas poursuivre un marché vertical, est la taille plus réduite du TAM par rapport à une approche horizontale, mais cela peut être à la fois un inconvénient et un avantage
- Un marché plus petit attire moins de concurrents bien financés, permet de concentrer les efforts sur un périmètre plus étroit et peut donc offrir des avantages de distribution et une plus forte concentration de marché
- Dans des industries fondamentales très fragmentées comme la santé ou les services financiers, il peut y avoir de nombreuses opportunités au sein même d’un secteur
- Pour trouver un point d’entrée dans un secteur, il est important d’identifier un sous-domaine où les concurrents ne se sont pas encore lancés, où la demande pour l’IA est démontrée, qui se prête le mieux aux outils fondés sur les LLM et où l’on est soi-même le mieux placé pour apporter de la valeur
ACV: Multiple Products and Revenue Streams (multiples produits et sources de revenus)
- Un produit SaaS unique n’est pas la meilleure façon d’atteindre un ACV (Annual Contract Value) à six chiffres
- Les startups orientées vertical peuvent s’étendre vers plusieurs produits et créer des revenus additionnels au-delà du produit principal
- Ajouter de nouvelles lignes de produits au produit cœur permet, avec le temps, de faire du bundling et de l’upsell, et d’occuper finalement une position stable à plusieurs points de l’organisation
- Toast, plateforme de paiement pour restaurants, a exécuté une stratégie multi-produits en ajoutant des fonctions de paie et de gestion des effectifs
- Les marketplaces B2B Provi et Pepper génèrent des revenus additionnels grâce à la publicité
- Aurora Solar, plateforme pour l’installation solaire, génère des revenus supplémentaires grâce à des produits proposant des options de financement
- Procore, plateforme de services pour la construction, a récemment commencé à proposer de l’assurance en exploitant les insights issus des données sur l’ensemble du cycle de vie des projets de construction
Founder(s): Product Builders With Domain Experience (fondateur(s) : des builders produit avec une expérience métier)
- Une équipe fondatrice qui combine expérience métier et bagage technique est avantagée pour construire de la Vertical AI par rapport à de purs techniciens
- Cela est encore plus marqué pour les startups qui veulent vendre à des organisations établies dans des secteurs comme la santé, où il faut souvent signer des contrats de long terme avec des dizaines, voire des centaines d’organisations différentes à la fois
- Bien comprendre cette complexité est essentiel pour définir la bonne stratégie go-to-market, planifier le calendrier commercial et recruter les équipes
GTM: Create Urgency (stratégie go-to-market : créer un sentiment d’urgence)
- Les cycles de vente dans le vertical peuvent être longs, et c’est encore plus vrai dans les grandes industries historiques où les acheteurs technologiques sont moins sophistiqués
- Pour capter des canaux de distribution importants, la stratégie GTM doit comporter une méthode ou un chemin spécifique permettant de créer un sentiment d’urgence
- L’intérêt croissant pour l’IA a créé une pression à essayer de nouveaux produits, mais cela peut aussi bien être un vent contraire qu’un vent favorable
- Comme tous les acheteurs ont l’IA en tête, il est facile pour une nouvelle entreprise d’appeler des prospects et de les amener à tester un pilote. En revanche, convertir ce pilote en client peut être particulièrement difficile auprès d’utilisateurs lassés de comparer plusieurs pilotes
- Autrement dit, il est important de créer une situation d’urgence qui pousse les acheteurs à considérer, adopter et utiliser le produit
- Pour accélérer la conversion, il faut réfléchir à la proposition de valeur centrale
- Promettre seulement des gains d’efficacité du personnel ou de « l’innovation » ne suffit pas
- Il est plus efficace de montrer comment le produit peut augmenter le chiffre d’affaires ou réduire les coûts de manière certaine
Product: Beyond Copilot (produit : au-delà du Copilot)
- Le paradigme dominant actuel est celui du binôme humain + AI Copilot
- L’humain réalise l’essentiel du travail et le copilote IA améliore/renforce ses capacités
- Dans les prochaines années, on s’attend à voir davantage le modèle inverse, où des agents IA exécutent les tâches principales et les humains vérifient et éditent les résultats
- Le Copilot peut être porté par les acteurs en place qui possèdent déjà la distribution, tandis que les agents IA représentent une opportunité d’attaquer un terrain plus nouveau, ce qui en fait un bon point d’entrée pour les startups
- Ce changement de paradigme aura un impact majeur sur les entreprises du futur
- À mesure que les agents IA remplacent davantage de travail qualifié, les dépenses logicielles se substitueront aux coûts de main-d’œuvre
- De nouveaux modèles tarifaires à l’usage ou basés sur la performance devraient émerger, et ils constitueront un archétype à explorer davantage
# Opportunités verticales
- L’IA devrait transformer presque toutes les verticales sectorielles
Professional Service (services professionnels)
- Dans de nombreux domaines très manuels comme les services juridiques, la comptabilité ou le conseil, les professionnels passent beaucoup de temps à lire et interpréter des informations importantes, puis à y répondre via des analyses, échanges clients, notes ou rapports
- Dans les services juridiques, le langage est le produit central, et les grands modèles de langage sont à la base du changement de plateforme actuel
- Le marché juridique américain dépasse les 300 milliards de dollars, et l’intérêt pour l’adoption de l’IA y est démontré
- Des entreprises AI-first comme Harvey, EvenUp, Eve et Spellbook ont émergé
- Des acteurs établis comme Thomson Reuters, Relativity et Ironclad ont également acquis ou intégré de l’IA dans leurs produits existants
- Le conseil et la comptabilité sont un autre domaine prêt à adopter l’IA
- Les Big Four emploient chacun des dizaines de milliers de consultants et de comptables, ce qui représente une masse considérable de travail pouvant être augmentée à grande échelle par l’IA
- KPMG et PwC prévoient d’investir respectivement 2 milliards de dollars sur 5 ans dans des produits IA, et 1 milliard de dollars sur 3 ans dans l’IA générative
- Selon une étude conjointe de la Harvard Business School et du BCG, les consultants utilisant GPT-4 terminent leurs tâches 25 % plus vite et améliorent la qualité de leurs livrables de 40 %
- Les comptables consacrent du temps à comprendre des règles et des politiques, puis à les appliquer dans des calculs
- Lors d’entretiens avec des experts-comptables, la reconnaissance du revenu (
revenue recognition) a été citée comme l’un des cas d’usage les plus pénibles, les plus répétitifs (chaque mois) et les plus automatisables
Services financiers
- Les services financiers présentent plusieurs caractéristiques qui les rendent particulièrement adaptés à l’IA
- Rien qu’aux États-Unis, le marché atteint 11 000 milliards de dollars, et la demande pour des outils IA y est démontrée
- Lancement de Bloomberg GPT, partenariat de Morgan Stanley avec OpenAI, ajout par AlphaSense d’outils de recherche et de synthèse alimentés par l’IA à sa plateforme de market intelligence
- Quand on observe le travail quotidien des professionnels de l’investissement et des conseillers financiers, il est facile de voir comment l’IA peut s’y appliquer
- Traitement des données internes, des données de marché en temps réel et de l’actualité, modélisation financière, calculs, etc.
- Des startups IA comme Hebbia, Sixfold, Hyperexponential et Portrait Analytics progressent dans ce domaine
Santé
- L’impact potentiel de l’IA sur la santé fait l’objet de discussions depuis longtemps, mais il n’avait pas encore eu d’effet concret comparable à aujourd’hui
- Les LLM peuvent améliorer les modèles de diagnostic ou de prise de décision, développer des plateformes automatisant les remboursements d’assurance et améliorer la gestion globale des données médicales
- Les applications basées sur les LLM peuvent nettement améliorer la précédente génération d’outils IA, et elles sont importantes pour débloquer des cas d’usage à forte valeur, comme la conversion de données non structurées en données structurées
- Med-PaLM 2 de Google est capable de répondre à des questions médicales complexes et a répondu avec succès à des questions d’examen de certification médicale
- Construire un LLM médical est une entreprise très ambitieuse qui demande beaucoup de temps et de ressources
Aucun commentaire pour le moment.