Bonne nouvelle pour les startups : les entreprises n’arrivent pas à mettre l’IA en œuvre correctement [YouTube]

• Selon une étude du MIT, 95 % des projets IA en entreprise échouent, mais cela révèle en réalité un problème structurel : les grandes entreprises ne parviennent pas à construire l’IA en interne
• Les grandes entreprises essaient de bâtir des systèmes d’IA via leurs équipes IT internes ou des cabinets de conseil, mais la plupart échouent à cause d’un manque de capacités de développement produit et de barrières politiques
• Le taux de réussite des projets ayant choisi un fournisseur startup externe était bien plus élevé que celui des projets développés en interne, et les entreprises se retrouvent désormais dans une situation où elles n’ont d’autre choix que de dépendre des solutions des startups
• Au sein même des équipes d’ingénierie des grands groupes, de nombreux sceptiques de l’IA sont en place, ce qui empêche de créer des produits qui fonctionnent réellement ; cela offre aux startups une opportunité sans précédent
• La construction de systèmes AI-native et les coûts de transition qui créent une forte barrière à l’entrée forment un environnement favorable aux startups capables de produire des solutions qui marchent réellement

---

Ce que dit réellement le rapport de recherche du MIT

• Interprétation déformée propagée par des influenceurs IA : sur X et YouTube, le chiffre de 95 % d’échec des projets IA a été présenté comme une preuve que « l’IA est une arnaque »
• En réalité, l’étude analyse les modes d’adoption de l’IA en entreprise et les facteurs de réussite, et confirme le fonctionnement concret des agents IA ainsi que les approches efficaces
• Même des étudiants n’ont lu que la version tweetée et en ont conclu à tort que « les startups IA dont parle YC ne fonctionnent pas »

Les causes structurelles de l’échec de l’IA en entreprise

• Problèmes chroniques des systèmes IT internes : dans la plupart des entreprises, les systèmes IT internes sont de mauvaise qualité, et embaucher des cabinets de conseil comme Ernst & Young ou Deloitte ne fait souvent que doubler les problèmes
• Même Apple échoue en développement logiciel : malgré des ressources quasi illimitées et un accès aux meilleurs talents, Apple a encore des bugs quotidiens dans son application Calendrier
  • Un exemple qui montre à quel point il est difficile, pour une entreprise classique ou un département IT, de produire un bon logiciel
• Conflits politiques internes : lorsqu’un grand groupe déploie un logiciel sophistiqué, plusieurs équipes interviennent, ce qui déclenche des luttes politiques et des guerres de territoire
  • Les consultants passent leur temps à arbitrer entre l’équipe data science, le support client, l’IT, etc., et à rédiger des documents de spécifications
  • Mais les consultants manquent souvent de véritable expertise technique pour construire le logiciel lui-même
• Limites des systèmes legacy : les systèmes internes sont trop anciens et trop cloisonnés, ce qui exige à la fois une expertise externe de conseil et une réelle capacité de construction logicielle
• Le résultat final ressemble souvent à un chameau conçu par un comité : un compromis peu utile et peu pratique

Exemples de startups qui réussissent

• Tactile (moteur de décision métier)

  • Traitement en temps réel du KYC/AML pour les banques : vérification de crédit des demandeurs de prêt et validation de règles métier à l’échelle de plusieurs millions d’opérations par jour
  • Citibank et JP Morgan ont tenté de le développer elles-mêmes, mais cela leur aurait coûté 3 à 5 ans et des dizaines de millions de dollars
  • Tactile fournit une prise de décision en temps réel via une REST API, avec possibilité de brancher les modèles d’IA les plus récents, pour une fraction du budget et dans des délais bien plus courts

• Greenlight (système d’IA pour banques)

  • Une banque a demandé à son fournisseur historique, Ernst & Young, de construire un système d’IA
  • Ernst & Young a développé pendant un an pour finalement échouer complètement
  • La banque s’est ensuite tournée de nouveau vers Greenlight, et le système est aujourd’hui pleinement déployé et opérationnel

• Résultat de l’étude : fournisseur externe vs développement interne

  • Parmi les projets étudiés, 2/3 relevaient d’un développement interne ou d’une collaboration avec un cabinet de conseil
  • Seul 1/3 consistait à acheter des produits de fournisseurs externes comme Greenlight ou Tactile
  • Le taux de réussite était bien plus élevé avec des fournisseurs externes qu’avec un développement interne

Pourquoi les startups réussissent

• Le problème du manque de polymathes : les profils capables à la fois de penser produit et d’exécuter en ingénierie sont extrêmement rares
  • Les excellents ingénieurs se concentrent souvent uniquement sur le code et ne savent pas parler avec des utilisateurs métier de domaine, comme des employés de banque
  • Les experts métier, eux, manquent souvent de compétences en code, en technique, en design ou en lancement de produit
• Cas Windsurf : un responsable commercial sans diplôme d’ingénieur a construit ses propres outils avec Windsurf
  • Cela existe déjà dans des organisations au niveau de QI exceptionnel, mais reste impossible dans la plupart des structures
• Un vide à combler sous forme de startup : il existe un espace vacant que des startups doivent remplir dans presque tous les processus métier et systèmes
• Une combinaison de compétences rare est nécessaire : compréhension des modèles IA récents, sens du produit et compréhension des processus humains

• Cas Castle AI (serveur hypothécaire)

  • Les fournisseurs legacy tentent d’ajouter de l’IA : ils empilent de l’IA sur des systèmes vieux de plusieurs décennies pour rester compétitifs
  • Il faut impérativement passer par des bake-off face aux fournisseurs historiques auxquels les banques font confiance
  • Dans bien des cas, leurs solutions ne sont qu’une simple couche d’IA ajoutée par-dessus et restent très médiocres
  • Castle AI a signé avec de grandes banques grâce à un sens produit natif dès la conception
  • Les résultats ont été obtenus en moins d’un an après le déploiement

• Cas Reducto (traitement documentaire)

  • Découverte directe par une entreprise FAANG via YC Launch : signature d’un contrat seulement 154 jours après le déploiement
  • Cette entreprise avait essayé pendant des années de construire sa propre solution
    • Elle avait testé l’open source, AWS Tesseract et diverses solutions OCR, sans succès
  • Le contrat a été remporté grâce à l’excellence produit
  • Il a aussi fallu rivaliser avec les équipes internes et naviguer avec finesse dans la politique de l’organisation
    • Un enjeu également mentionné dans le rapport du MIT
  • La solution tourne désormais en production depuis plus d’un à deux ans

Stratégie de réussite

• Former un champion en interne : identifier quelqu’un dans l’entreprise qui veut donner leur chance à des jeunes talentueux
• Profil idéal du champion interne
  • Employé qui rêve de startup mais évite le risque : quelqu’un qui, en pratique, ne créera jamais sa propre entreprise
  • Une personne qui veut vivre par procuration via une startup intéressante
  • Quelqu’un qui a le sentiment de faire partie de l’aventure et souhaite la réussite du fondateur
  • Il faut trouver des personnes qui veulent nourrir leur rêve intérieur de startup
• Attitude à adopter pour les fondateurs
  • Ne pas tomber dans le formalisme : pas besoin de mettre un costume ni d’imiter la page d’accueil de Microsoft
  • Il est important d’agir avec authenticité, comme une vraie startup
  • Il faut paraître intelligent et crédible, mais sans excès de mise en scène

La volonté des entreprises d’adopter l’IA et l’opportunité pour les startups

• Message positif central du rapport du MIT : une demande massive d’adoption de l’IA dans les entreprises
• Par rapport à l’époque de TripleByte, il est bien plus facile de vendre des agents IA à des entreprises FAANG
• Les entreprises préfèrent acheter des solutions à des éditeurs établis ou à des startups plus avancées
  • Elles privilégient des fournisseurs mieux financés et perçus comme moins risqués
• Problème structurel fondamental : elles sont incapables de construire le produit elles-mêmes
  • Les équipes d’ingénierie des grands groupes sont composées de personnes qui ne croient pas à l’IA
  • Elles n’utilisent pas les outils de génération de code
  • Elles aiment retweeter les messages disant que l’étude du MIT est surestimée
  • Elles s’accrochent au récit qu’elles ont envie de croire
• Si les ingénieurs n’y croient pas, il devient impossible de construire un produit qui fonctionne
• Opportunité sans précédent pour les startups : si vous construisez un produit qui marche, les entreprises seront obligées d’en discuter
  • Elles ne peuvent pas le construire en interne, et elles ne peuvent pas non plus se tourner vers les acteurs historiques

Message aux sceptiques de l’IA

• Essayez par vous-même

  • Si vous êtes ingénieur, investissez du temps dans un vrai projet et utilisez ces outils
  • N’abandonnez pas après une première erreur de nom de variable
  • Cela peut aussi se faire sur un side project amusant, en dehors du travail principal
  • Exemple de « Vibe Coding Dad's Night » : un propriétaire non technique a créé un système de vérification des loyers de ses locataires
  • Ce sont des outils qui peuvent faire passer un ingénieur x10 à x100, et un ingénieur x1 à x10
  • Il faut surmonter une forme de résistance émotionnelle intérieure

• Le cas de la déformation de l’interview d’Andrej Karpathy

  • Tweet : « Karpathy dit que les agents sont surestimés »
  • Ce qu’il disait en réalité : on ne peut pas donner seulement un prompt à un agent et attendre un résultat parfait ; il faut les bonnes données, le bon contexte, de l’évaluation et du travail outillé
  • Le vrai sens : une opportunité immense pour les startups et les développeurs logiciels
    • Il reste encore une montagne d’excellents outils à construire
  • L’IA est un outil qu’il faut aider à mieux fonctionner ; il ne faut pas s’attendre à ce qu’elle agisse comme par magie

Réécrire des systèmes AI-native est une opportunité

• Tous les systèmes doivent être complètement réécrits pour devenir AI-native
• Les logiciels doivent être entièrement repensés pour fonctionner avec l’IA
• Cela offre des opportunités infinies aux fondateurs
• « Une fois que du temps a été investi dans l’entraînement du système, le coût de migration deviendra insoutenable »
• C’est cela, le moat : une réponse claire à ceux qui s’inquiètent de l’absence de moat pour les wrappers autour de ChatGPT

Conclusion : l’opportunité pour les startups

• Erreur d’interprétation des pessimistes de l’IA : ils déforment le taux d’échec de 95 % en preuve que l’IA est impossible
• Le vrai message : mettre en œuvre l’IA est très difficile, et seuls 5 % réussissent
• Mais le taux d’admission chez YC est inférieur à 1 % : ce sont ces 1 % de fondateurs qui peuvent créer les implémentations faisant partie du top 1 % de réussite
• Facteurs de réussite : excellence technique + profil polymathe + compréhension des autres
  • Comprendre ce que veut réellement un CIO fintech valorisé à 5 milliards de dollars
• Avoir la conviction de pouvoir faire partie des 5 % : si vous êtes vraiment excellent, c’est tout à fait possible, et YC en a déjà de nombreux exemples