- Le marché des applications d’IA se divise selon la complexité du problème et la difficulté d’adoption, mais l’avantage concurrentiel durable dépend au final des données accumulées pendant l’usage
- Les produits faciles à adopter peuvent créer un data flywheel grâce à un usage massif et à un feedback rapide, mais ils sont aussi faciles à remplacer et donc exposés à la concurrence en capital et en données des fournisseurs de modèles
- Les produits enterprise difficiles à déployer apprennent les systèmes et les méthodes de travail des clients, construisent un moat de données propre à chaque entreprise et rendent difficile pour des concurrents tardifs de reproduire la même expertise
- Les agents de code ont progressé rapidement grâce aux données d’acceptation et de rejet de suggestions générées des dizaines à des centaines de fois par jour, alors que la génération de slides, qui manque de signaux de validation fins, progresse plus lentement
- Au cours des 12 à 24 prochains mois, des gagnants pourraient émerger sur des marchés comme le SRE ou les opérations de sécurité, où l’adoption et la résolution sont toutes deux difficiles, mais les taux de réussite pourraient rester faibles à cause de cycles d’évaluation et d’implémentation longs, ainsi que du manque de données et de signaux de validation
Le marché de l’IA, partagé entre complexité et difficulté d’adoption
- Même avec suffisamment de talents, de capital et de meilleurs modèles, les performances des agents IA varient fortement selon les domaines
- Ils traitent avec précision la prospection commerciale et les demandes au support client, mais ne parviennent pas à générer de manière constante des slides de haute qualité
- L’idée selon laquelle seuls les problèmes faciles sont résolus en premier n’explique pas bien pourquoi les agents de code, pourtant sur un domaine complexe, ont progressé le plus vite
- Les progrès des agents de code sont le résultat d’une adoption facile qui a conduit à une collecte de données à grande échelle
- Les développeurs pouvaient passer à Cursor en environ 5 minutes, sans approbation particulière
- Les données d’usage ont créé un flywheel qui améliore l’expérience produit, et actuellement l’équipe entière des auteurs utilise Cursor Composer pour la génération de code
- Le marché se répartit en quatre zones selon la difficulté de résolution du problème et celle de l’adoption
- Adoption et résolution toutes deux faciles
- Adoption facile mais résolution difficile
- Adoption difficile mais résolution facile
- Adoption et résolution toutes deux difficiles
- Les produits faciles à adopter obtiennent beaucoup de données, mais sont aussi faciles à remplacer
- Les produits difficiles à adopter, une fois installés au sein de l’enterprise, apprennent la manière de travailler de l’entreprise et acquièrent ainsi un moat de données difficile à substituer
Marchés où adoption et résolution sont toutes deux faciles
- La recherche grand public fournissant des réponses personnalisées est un cas d’usage IA prévisible depuis 2023, avec une extension large allant de la recherche généraliste jusqu’au conseil médical
- Non seulement les fournisseurs de modèles de base, mais aussi de nouveaux acteurs comme Perplexity et You.com sont entrés sur ce marché
- La barrière à l’entrée semble faible, mais il s’agit en réalité davantage d’un piège à valeur
- Si une startup peut l’implémenter facilement, un laboratoire de frontier models l’a probablement déjà fait ou peut le faire plus facilement encore
- Plus le cas d’usage est clair, plus l’usage se concentre dans les applications de chat existantes
- OpenAI, Google et Anthropic peuvent collecter des millions de données d’usage pour améliorer leurs modèles sur ce domaine
- ChatGPT Health en est un exemple
- Les fournisseurs de modèles peuvent subventionner les coûts et apprendre rapidement de nouveaux domaines applicatifs grâce à une base d’utilisateurs massive, ce qui rend probable l’éviction de nouveaux entrants
- La fidélité des utilisateurs reste également faible, avec un usage parallèle de plusieurs agents de chat selon le besoin, et contrairement au marché de la recherche web, les acteurs y sont en concurrence dans des positions relativement proches
- Si une marque dominante émerge, il est probable qu’il s’agisse d’un fournisseur de modèles
Marchés où l’adoption est facile mais la résolution difficile
- Le code est un problème complexe, mais son adoption à l’échelle individuelle a été facile dès le départ
- Dès 2023, il suffisait de coller un fragment de code dans ChatGPT pour constater la valeur
- La qualité initiale était limitée, mais Cursor a rendu ce processus plus simple
- Les ingénieurs pouvant choisir eux-mêmes leur IDE, passer d’IntelliJ ou VSCode à Cursor n’était pas très contraignant
- Les tâches de code offrent une boucle de feedback rapide et fine
- Un développeur peut générer du code des dizaines à des centaines de fois par jour
- Chaque acceptation ou rejet d’une suggestion ajoute des données d’entraînement exploitables pour améliorer le modèle ensuite
- Ce data flywheel a permis une amélioration rapide de la qualité des modèles
- Les marchés complexes sans boucle de feedback fine, comme la génération de slides, progressent beaucoup plus lentement
- Résoudre des problèmes difficiles exige de gros investissements en tokens et en talents techniques, et peut finir par nécessiter de l’entraînement de modèles et du reinforcement learning (RL)
- Les données obtenues grâce à une adoption facile soutiennent ce type d’investissement profond, mais les laboratoires de frontier models considèrent aussi les agents de productivité largement utilisés comme leur propre terrain
- Ils sont déjà en concurrence intense sur le marché des agents de code
- Ils peuvent lancer davantage d’outils de productivité office au-delà des éditeurs de documents existants
- Une compétition à grande échelle en capital est probable, ce qui rend difficile pour de petits acteurs de rivaliser sans investissements massifs
- Le verrouillage produit reste faible
- On peut utiliser plusieurs agents de code en parallèle
- Si une application produit de meilleures slides, les utilisateurs peuvent migrer facilement
- Des personnalisations propres à l’entreprise, comme les Cursor rules ou les templates de marque, peuvent renforcer le verrouillage, mais l’apparition d’interopérabilité ou d’un standard unique pourrait aussi faciliter la migration
Marchés où l’adoption est difficile mais la résolution facile
- C’est la zone la plus active de l’adoption de l’IA en entreprise depuis deux ans, avec par exemple des playbooks exécutés par des LLM pour les retours e-commerce ou les réinitialisations de mot de passe
- Dire que la résolution est facile ne signifie pas que le produit manque de profondeur
- Les entreprises ont cherché des résultats IA immédiats et ont commencé par des problèmes clairs, ce qui a entraîné une forte croissance du chiffre d’affaires des leaders du marché
- Ce marché présente deux éléments différenciants
- Les agents traitant des tickets de support client ou des demandes à l’IT helpdesk ne peuvent pas être choisis individuellement, et exigent une décision organisationnelle impliquant un comité d’achat
- Même si les cas d’usage sont relativement simples, l’intégration à de vieux systèmes enterprise est difficile et fastidieuse, ce qui donne un net avantage aux équipes capables de gérer les systèmes legacy
- Un moat de données spécifique à chaque client se forme durant l’intégration enterprise
- Les données d’agents se généralisent difficilement d’un client à l’autre, et les entreprises sont peu susceptibles d’autoriser leur utilisation pour l’entraînement des modèles
- En revanche, le produit peut apprendre la manière dont chaque client travaille réellement
- Le savoir accumulé améliore le produit dans son ensemble tout en renforçant le verrouillage spécifique à chaque client, ce qui rend difficile pour un agent tardif de reproduire la même expertise
- Les investisseurs considèrent les grandes startups de ce marché comme des quasi-acteurs historiques
- Il reste de la place pour l’innovation produit, mais il n’est pas évident qu’une petite startup ait intérêt à affronter Sierra ou Decagon
- Il n’est pas clair si le capital qu’elles ont levé sert surtout au go-to-market (GTM) ou à construire un moat technologique, par exemple avec des modèles spécialisés pour le code
- Si ce capital ne sert qu’au go-to-market, les startups pourraient devoir compter sur une concurrence par les coûts
Marchés où adoption et résolution sont toutes deux difficiles
- Les workflows complexes d’ingénierie et d’exploitation, comme le SRE et les opérations de sécurité, reçoivent relativement moins d’attention que les trois autres zones
- La valeur potentielle est grande car ils peuvent résoudre des tâches qui prennent aux humains des heures ou des jours, mais l’évaluation et l’implémentation y sont bien plus difficiles car les workflows diffèrent d’une entreprise à l’autre
- Le produit de RunLLM se concentre sur cette zone, et la prochaine phase de croissance devrait apparaître ici
- Trois raisons expliquent pourquoi elle pourrait croître rapidement dans les prochaines années
- Les modèles de raisonnement sont désormais capables de planifier des tâches complexes et de traiter des solutions en plusieurs étapes
- Une grande partie de la résolution provient de la construction et de la configuration de workflows hors de l’IA, et à mesure que les agents de code progressent, ce processus devient plus rapide et plus simple
- Les entreprises traitent déjà activement les problèmes les plus faciles, donc lorsqu’elles cherchent le prochain chantier, elles se déplacent vers des problèmes plus difficiles
- Le moat de données de cette zone est le plus complexe, mais aussi potentiellement le plus précieux
- Une fois une expertise accumulée sur le workflow d’une entreprise, il devient très difficile pour un autre produit de la reproduire
- Remplacer le produit revient un peu à licencier un ingénieur expérimenté pour le remplacer par un junior
- Il existe aussi une opportunité d’accumuler une expertise sur une capacité clé précise, comme un agent SRE spécialisé AWS
- Le volume de données est plus faible que pour les agents de code, et il est plus difficile de valider les résultats, si bien que le cycle d’amélioration est beaucoup plus lent
- Certaines entreprises ont déjà levé d’énormes montants, mais elles ne semblent pas encore aussi solidement établies que les leaders des marchés où la résolution est facile et l’adoption difficile, ce qui laisse une concurrence de long terme
Des frontières mouvantes et le rôle de l’UX
- Les frontières entre ces quatre zones ne sont pas fixes, et la complexité du problème comme la difficulté d’adoption peuvent évoluer
- Les capacités des modèles se sont fortement améliorées tous les quelques mois, mais on observe récemment une forme de stagnation dans l’amélioration des modèles, ce qui réduit relativement l’attention portée à l’axe de la complexité
- Le changement le plus probable se situe du côté de l’expérience utilisateur (UX)
- L’UX des applications d’IA reste un domaine encore peu exploré
- De nouveaux paradigmes UX peuvent transformer la manière dont les utilisateurs adoptent les produits
- Claude Code sur le web en est un exemple: l’agent de code est accessible dans le navigateur, ce qui ouvre l’accès à des utilisateurs pour qui un IDE ou un terminal est intimidant
Les 12 à 24 prochains mois
- Au cours des 12 à 24 prochains mois, des gagnants devraient émerger dans les marchés où l’adoption et la résolution sont toutes deux difficiles
- Cela ne se fera probablement pas de manière aussi fluide que la croissance de Sierra ou Decagon
- Les cycles d’évaluation sont plus longs
- L’implémentation est plus complexe
- Le taux global de réussite peut aussi être plus faible
- Si les entreprises améliorent leurs processus et augmentent la performance des modèles grâce aux données accumulées, cette zone peut générer un chiffre d’affaires massif
Aucun commentaire pour le moment.