Les 4 principes pour créer un produit IA vraiment utile

Comment le CEO de Granola construit un produit IA réellement utile

• Granola est une startup dont l’IA retranscrit en temps réel l’audio des réunions en visioconférence ou en présentiel, puis génère automatiquement des notes de synthèse en tenant compte du contexte, des participants et des décisions prises.

Quatre principes à appliquer à une startup d’applications IA

1. Ne pas s’attaquer à des problèmes qui vont bientôt disparaître
   • Les LLM voient leurs performances et leur fenêtre de contexte progresser fortement tous les quelques mois.
   • Granola a repoussé la fonctionnalité de « traitement des longues réunions » demandée par ses premiers utilisateurs, pour se concentrer à la place sur la « qualité des résumés ». Quand les modèles ont progressé, la contrainte de longueur s’est naturellement résorbée, et seule la différenciation par la qualité est restée.
2. Faire du coût marginal élevé une opportunité
   • Le coût d’appel des modèles les plus récents augmente proportionnellement au nombre d’utilisateurs. Les grandes entreprises ne peuvent pas utiliser les meilleurs modèles pour une base d’utilisateurs massive.
   • Une startup peut, au début, utiliser sans retenue les modèles les plus coûteux et des appels en plusieurs étapes pour un petit nombre de clients, afin d’offrir une expérience « niveau Ferrari ». Avec le temps, le coût unitaire des modèles chute fortement, ce qui réduit aussi le coût de passage à l’échelle.
3. Le contexte est roi
   • Il faut voir le LLM non comme une « machine à règles », mais comme un « stagiaire débutant intelligent mais sans informations ».
   • Pour obtenir le résultat voulu, il faut collecter et injecter de façon systématique le contexte, comme l’objectif de la réunion, les participants ou l’arrière-plan du projet. Même si les performances des modèles continuent de monter, le vrai avantage concurrentiel reste dans la manière d’apporter le bon contexte.
4. Aller en profondeur sur un périmètre étroit
   • Pour rivaliser avec un chatbot généraliste, il faut être inégalable sur une tâche très précise.
   • La différenciation se joue moins dans l’algorithme IA que dans le « wrapping » : flux de notifications, identification automatique des participants, suppression de l’écho et autres détails UX soignés.
   • Plus le périmètre est étroit, plus il est facile d’identifier rapidement les schémas d’erreur et de les atténuer, ce qui réduit la « vallée de l’étrange ».
     Conclusion

• La vitesse de la technologie a doublé, mais le principe fondamental du développement produit — « construire ce que les gens veulent vraiment » — ne change pas.
• Les produits IA vraiment utiles naissent quand on concentre ses efforts sur des problèmes qui ne disparaîtront pas, sur une expérience utilisateur profonde et sur une conception solide du contexte.