- Retour d’expérience du fondateur de Butter, racheté par GrubMarket, qui résume cinq années d’apprentissage depuis 2020
Partie 1 : ce qu’il ne faut pas faire
Point de départ : la pandémie et l’opportunité de la transformation numérique
- Pendant la pandémie de 2020, création de Butter après avoir identifié le potentiel de transformation numérique dans l’industrie alimentaire.
- Problèmes observés :
- Les chefs continuaient à préférer les bons de commande manuscrits et les méthodes traditionnelles par téléphone/SMS
- Les grossistes dépendaient de technologies vieillissantes (ERP des années 1990, gestion des stocks sur Excel, paiements par chèque papier)
- Jusqu’à 6 heures par jour consacrées à la seule saisie des commandes clients
- Plan de solution :
- Numériser les workflows clés avec un ERP cloud tout-en-un capable de capturer le workflow central et de servir de « système d’enregistrement »
- Intégrer des services financiers comme les paiements, les prêts et la paie pour maximiser la valeur client (ACV)
- Introduire un processus de communication fluide pour les chefs comme pour les grossistes, et créer des effets de réseau de plateforme avec une appli de commande de type DoorDash
((influencé par Choco, une autre appli de commande devenue rapidement une licorne)
Mais échec
- Cela semblait être un no-brainer, mais nous nous sommes complètement trompés
Piège 1 : complexité technique et personnalisation excessive
- Nous pensions qu’un ERP serait relativement simple à construire, mais en réalité les exigences différentes de chaque client ont épuisé les ressources de développement
- Ex. : raccourcis clavier, disposition des écrans de saisie, formats de facture spécifiques
- Résultat : un produit dépendant de personnalisations, impossible à faire passer à l’échelle
Piège 2 : cycle de vente long
- Changer de système ERP est complexe et demande l’accord de nombreux départements :
- Les clients hésitent à basculer malgré les frictions actuelles
- Les opportunités commerciales sont limitées pendant les saisons chargées des restaurants
- Résultat : faible taux de closing (20 à 30 % de l’objectif)
Piège 3 : faible volonté de payer et cycle d’activation des revenus long
- La plupart des clients opèrent avec de faibles marges (environ 5 %) :
- Pour des clients qui payaient 80 $/mois pour QuickBooks, le coût d’une montée en gamme vers un ERP était difficile à absorber
- Les revenus additionnels via la fintech et l’appli de commande mettaient eux aussi longtemps à s’activer
Piège 4 : trop d’expérimentations à la fois
- Au tout début, plusieurs modèles de revenus et effets de réseau ont été testés simultanément :
- Trop de fronts ouverts sans avoir sécurisé un seul cas de réussite
- Résultat : burnout de l’équipe et faible vitesse d’itération
Leçons apprises à la dure
- Il y a eu de nombreux moments de fierté en construisant Butter :
- Se lever à 2 h du matin et dormir dans des entrepôts pour réussir les onboardings
- Construire un logiciel complexe mais intuitif, apprécié des clients
- Développer des guides d’implémentation structurés
- Mais échec à construire une entreprise venture scalable
- Leçon 1. Ne pas fonder son idée uniquement sur des hypothèses de haut niveau :
- Il faut parler directement aux équipes d’entrepôt, aux opérateurs terrain et aux équipes back-office pour obtenir de vrais insights
- Mener les échanges dans une logique de « recherche de vérité », et éviter les conversations qui ne servent qu’à confirmer une idée préexistante
- Leçon 2. Ce qu’il faut pour construire un produit qui réussit :
- Trouver des utilisateurs qui comprennent profondément le problème :
- Si la douleur du statu quo n’est pas plus forte que la friction du changement, personne ne changera de système
- Quelques catalyseurs suffisent parfois à provoquer ce changement
- Une capacité de paiement suffisante :
- Si les clients n’ont pas la marge financière nécessaire pour absorber la solution, la valeur créée ne suffira pas à soutenir les revenus de l’entreprise
- Une expérience produit 10x meilleure que l’existant :
- Plus le client est traditionnel, plus l’amélioration doit être spectaculaire
- Il faut répondre aux raisons pour lesquelles le client est resté aussi longtemps sur l’ancienne manière de faire
- L’importance de la simplicité :
- Le produit initial doit être simple et facile à adopter
- Ex. : au lieu de vendre un bidet japonais haut de gamme, mieux vaut se concentrer sur la résolution d’un problème de plomberie basique
- Leçon 3. Modèle économique et conditions de réussite du SaaS :
- Le montant du contrat et le cycle de vente (vitesse des deals) doivent être équilibrés.
- Le « The Difficulty Ratio » de David Sacks :
- Une combinaison ACV élevé + faible vitesse de deal, ou l’inverse, peut fonctionner
- Mais ACV faible + vitesse de deal lente mène souvent à l’échec
- Dans le cas de Butter :
- Malgré des sources de revenus additionnelles, l’entreprise se situait dans une zone de faible vitesse de deal et de faible ACV
- En particulier, la vitesse restait très lente jusqu’à l’activation complète des revenus
Réflexion finale
- Avec le recul, la complexité de construire un SaaS vertical dans une industrie dépendante de pratiques traditionnelles et de technologies obsolètes avait été sous-estimée
- Une simple solution numérique ne suffisait pas à entraîner l’adoption
- Il fallait au contraire offrir une amélioration radicale par rapport à la méthode existante, et
- la présenter d’une façon que les clients puissent comprendre.
- Si cela ne donne pas immédiatement l’impression d’être adapté, les clients resteront sur leurs habitudes
- Leçon : la clé du succès est une approche qui respecte les workflows existants tout en prouvant une valeur concrète
Point de départ : le conflit avec les façons de faire traditionnelles
- Tentative initiale :
- Développer un outil pour moderniser, via l’e-commerce, le processus de saisie des commandes chez les grossistes
- Problème :
- Les chefs préféraient toujours les méthodes traditionnelles (téléphone, SMS) et s’adaptaient mal aux systèmes numériques
- Le nouveau système n’apportait pas assez de valeur pour remplacer complètement l’existant
- Écoute des clients :
- Entretiens avec différents profils : utilisateurs actifs, utilisateurs partis, opposants à l’appli
- Conclusion : commander via l’appli n’était pas une expérience 10x meilleure que par téléphone/SMS/e-mail :
- Manque de visibilité en temps réel sur la disponibilité des produits et l’état des livraisons
- Compréhension des difficultés des grossistes :
- Les grossistes continuaient à subir des heures de saisie manuelle des commandes
- Idée d’introduire l’IA :
- Les grands modèles de langage (LLMs) sont adaptés au traitement de données non structurées
- L’IA peut automatiser des tâches complexes
- Puisque près de 80 % des données mondiales sont non structurées, cela ouvrait la voie à un changement de paradigme
- Changement de stratégie :
- Ne plus forcer les fournisseurs et opérateurs vers un workflow entièrement numérique
- Développer à la place des outils basés sur l’IA qui complètent les processus existants (par ex. Butter’s AI Order Assistant) :
- conçus pour s’intégrer naturellement aux workflows en place.
- devenus une solution concrète pour moderniser l’industrie alimentaire, encore en retard technologiquement.
Virage vers l’IA : non pas une promesse abstraite, mais une implémentation concrète
- Clé de la réussite de l’IA :
- il ne faut pas un produit simplement « plus élégant », mais un produit qui accomplit réellement le travail de l’utilisateur
- AI Order Assistant :
- conçu pour que chefs et grossistes n’aient pas à changer leurs processus existants
- intégré naturellement aux workflows en place
- Gestion des commandes via traitement du langage naturel :
- Le processus est simplifié grâce à une IA capable de traiter des commandes vocales ou des SMS
- Le produit est proposé comme un add-on, pas comme un remplacement complet du système :
- adoption rapide possible
- contournement de la complexité classique de la « transformation numérique »
- Onboarding des clients :
- Les données d’e-mails et de messagerie vocale sont reliées à l’ERP puis transformées en données de bons de commande structurées
- Les préférences du chef (ex. : « 2 caisses de crevettes ») sont stockées dans le système numérique :
- en s’appuyant sur l’historique des commandes et les guides de commande pour comprendre précisément les variantes produit.
- Ex. : l’IA distingue « 4-6 Tiger Shrimp Frozen » de « 16-20 EZ Peel Shrimp »
- Prise en compte du feedback utilisateur :
- On n’attend pas 100 % de précision du modèle d’IA :
- grâce à de nombreux entretiens UX, les utilisateurs peuvent corriger les sorties de l’IA
- le système est conçu pour que tout puisse être fait au clavier à l’aide des raccourcis de l’ERP
- Résultat :
- plus de 96 % de réduction du temps de traitement des commandes
- possibilité pour les équipes back-office de se recentrer sur des tâches à plus forte valeur ajoutée (contrôle qualité, relation client)
- Extension vers GrubAssist :
- Après le rachat par GrubMarket, AI Order Assistant a été étendu pour devenir GrubAssist
- Fournit de la business intelligence et de l’analytique en langage naturel au sein du système ERP existant.
- S’intègre de façon fluide sans perturber les workflows de l’industrie alimentaire.
- L’intégration aux workflows existants est la clé du succès de l’IA. Elle doit être simple à appliquer, sans transformation lourde.
Leçons tirées du développement de produits LLM
- Concevoir en tenant compte des limites techniques :
- Les LLM sont puissants, mais restent limités en fiabilité et en vitesse.
- Une bonne conception permet de compenser ces limites :
- Ex. : comme restaurants et détaillants traitent les commandes le lendemain matin, on peut sacrifier la vitesse via du traitement en arrière-plan pour choisir des modèles avec de meilleures capacités de raisonnement.
- Privilégier la vitesse, viser la perfection plus tard :
- Au début, il ne faut pas s’obséder sur la recherche du « modèle parfait ».
- Utiliser des techniques simples pour arriver vite sur le marché (ex. : RAG) :
- avec le bon contexte, même des méthodes simples peuvent être très efficaces.
- à mesure que les modèles de base s’améliorent, le produit IA lui-même progresse automatiquement.
- Bien maîtriser les fondamentaux :
- Fournir un environnement d’expérimentation flexible :
- concevoir une architecture modulaire pour pouvoir remplacer facilement un modèle ou une fonctionnalité et itérer rapidement.
- il faut intégrer un système de feedback in-product clair et quantifiable.
- L’interface détermine le succès ou l’échec du produit :
- Même avec un modèle « parfait », il faut concevoir en partant du principe que 20 % du travail nécessitera une vérification humaine.
- Rendre les interactions simples et intuitives pour maintenir l’engagement utilisateur :
- renforcer le processus de validation par l’utilisateur permet aussi de récupérer des données cruciales pour améliorer le produit.
- Capturer la connaissance non structurée :
- Dans les industries traditionnelles, des informations importantes ne sont pas numérisées et reposent sur la mémoire des personnes.
- Ex. : si les préférences clients ne sont connues que du commercial Joey, il faut construire une interface capable de les capturer.
- Ces insights renforcent la différenciation du modèle et procurent un avantage data durable.
- Améliorer la précision grâce à la boucle de feedback :
- L’ingénierie seule a ses limites :
- fournir un moyen fluide de collecter directement le feedback utilisateur dans le produit.
- combiner ce feedback avec un moteur de tuning pour produire des sorties plus précises et plus pertinentes contextuellement.
Il est important de collaborer avec les systèmes existants
- Défis concrets :
- Même la meilleure solution d’IA n’a pas de sens si elle ne s’intègre pas aux ERP legacy existants
- Tenter de remplacer les systèmes legacy rend la collaboration plus difficile
- Stratégie d’intégration :
- Dans le cas de Butter, l’intégration avec l’ERP passait par des méthodes comme l’EDI (échange de données informatisé) ou l’échange de fichiers SFTP
- Les systèmes legacy sont profondément enracinés, ce qui complexifie à la fois la persuasion et la conception d’architecture
- Stratégie gagnante :
- proposer des add-ons qui améliorent les produits existants :
- permettre aux clients de conserver leur infrastructure tout en profitant des bénéfices de l’IA
- renforcer les réseaux existants et montrer que l’IA est bénéfique à la fois pour l’activité et pour les fournisseurs d’infrastructure
- Contexte d’urgence :
- L’expertise IA se diffuse rapidement, et même les prestataires traditionnels jusqu’ici lents commencent à adopter l’IA
- Exécuter vite et coopérer avec les acteurs en place :
- il faut répondre au marché avec la bonne stratégie et une approche différenciante
- Avertissement sur les nouvelles approches logicielles :
- Les nouveaux produits en mode « integrate and surround » :
- construisent en autonomie complète une fonction métier donnée (ex. : la vente terrain)
- modifient favorablement la structure coûts/revenus
- il est important de comprendre cette tendance et de choisir les bons partenaires
- Leçon clé
Collaborer avec les systèmes existants, tout en apportant des bénéfices clairs et des améliorations visibles sans imposer un changement complet de système
- Montrer la valeur via des add-ons à faible risque et fort retour pour accélérer l’adoption
Perspectives pour l’avenir
- À l’intersection entre industries traditionnelles et IA :
- Les industries traditionnelles, longtemps dépendantes de données non structurées comme les registres manuscrits ou l’audio, peuvent désormais accéder à des solutions technologiques modernes grâce aux LLM (grands modèles de langage)
- Le Vertical SaaS devient progressivement une alternative réaliste dans ces secteurs
- Il est tentant de vouloir mettre de l’IA partout, mais une approche prudente reste nécessaire
- Clé du succès de l’IA :
- Le facteur décisif n’est pas la technologie elle-même, mais le Product-Market Fit
- Les avancées de l’IA ouvrent de nouvelles possibilités, mais les principes fondamentaux du développement produit ne changent pas :
- tout commence par une compréhension claire des utilisateurs et de leurs besoins
- la technologie vient ensuite
- Leçon principale :
- L’IA est la plus efficace lorsqu’elle s’intègre aux processus existants
- Ne pas chercher à renverser les méthodes en place, mais concevoir une intégration naturelle
- Question :
- « Qui saisira cette opportunité en premier ? »
- Ceux qui sauront en profiter avant qu’il ne soit trop tard l’emporteront
Aucun commentaire pour le moment.