IA générative : quels modèles d'affaires survivront ?

Le refroidissement de l'engouement pour l'IA générative

La frénésie autour de l'intelligence artificielle générative s'est calmée, et avec elle survient une vérité sévère pour de nombreuses jeunes entreprises : tous les modèles d'affaires bâtis sur des grands modèles de langage (LLM) ne survivront pas. La question est désormais simple et brutale — qui dispose d'un véritable fossé protecteur, d'un "moat" ?

Au pic de l'enthousiasme, l'accès simplifié aux modèles de base (foundation models) a permis à une vague de startups de construire rapidement des prototypes convaincants. Ces solutions semblaient répondre à un besoin immédiat et attiraient des utilisateurs, parfois à grande vitesse. Toutefois, lorsque le vent arrière s'amenuise, la durabilité et la différenciation deviennent cruciales : l'exécution seule ne suffit plus.

Les modèles vulnérables : wrappers LLM et agrégateurs multi-modèles

Wrappers de modèles de langage (LLM wrappers)

Les "LLM wrappers" sont des couches produits et des interfaces utilisateur élégantes construites au-dessus de modèles tiers. Pensez à une application qui aide les étudiants à réviser ou à un assistant de codage qui s'appuie sur le modèle d'un fournisseur majeur tout en ajoutant un flux de travail personnalisé. Ces produits paraissent souvent précieux au départ : ils se déploient vite, offrent une expérience utilisateur immédiate et attirent des clients.

Cependant, si la seule valeur réelle est une interface utilisateur plus jolie, la propriété est limitée. L'infrastructure et le modèle sous-jacent restent la propriété du fournisseur de modèle. Le risque est double : d'une part, le fournisseur d'IA peut à tout moment annoncer des fonctionnalités d'intégration, des contrôles d'accès ou des prix en entreprise qui rendent l'intermédiaire redondant ; d'autre part, la montée en puissance technique — maintenance, sécurité, conformité — peut dépasser la proposition de valeur initiale du wrapper.

Agrégateurs multi-modèles

Les agrégateurs proposent une API unique ou une interface centralisée permettant d'accéder à plusieurs modèles sous-jacents. Sur le papier, l'agrégation résout la fragmentation du marché : elle facilite la comparaison des performances, la redondance et la résilience. Des acteurs comme Perplexity ou OpenRouter ont, dans certains cas, ajouté une réelle valeur grâce à des fonctions de supervision, une logique de routage et de l'observabilité.

Toutefois, à mesure que les grands fournisseurs de modèles étendent leurs offres—fonctions de niveau entreprise, contrats personnalisés, tarification flexible—la marge de manœuvre des intermédiaires se réduit. Pourquoi une entreprise paierait-elle un tiers lorsque le fournisseur de modèle peut proposer une pile complète et clé en main ? L'agrégateur doit alors démontrer des avantages incontestables : optimisation des coûts démontrée, politiques de conformité supérieures, ou fonctionnalités différenciantes de surveillance et d'audit.

Exemples et exceptions : quand une startup construit un vrai avantage

Certaines exceptions existent et illustrent la voie de la durabilité : des startups comme Cursor dans les outils pour développeurs ou Harvey dans la legaltech ont investi dans une propriété intellectuelle profonde et défendable — données propriétaires, expertise verticale, modèles affinés (fine-tuned) ou intégrations uniques — et c'est ce qui leur donne de la résilience. Ces entreprises ne se contentent pas d'une simple couche d'interface ; elles ont construit vers l'intérieur.

Construire vers l'intérieur implique plusieurs efforts concrets :

• Collecter des connaissances spécifiques au domaine (corpora juridiques, datasets médicaux, logs d'ingénierie) permettant d'entraîner ou d'affiner des modèles avec une précision verticale.
• Concevoir des pipelines de données propriétaires et sûrs, répondant aux exigences de conformité (RGPD, HIPAA, etc.) et aux attentes des clients d'entreprise en termes de confidentialité.
• Élaborer des intégrations profondes avec des systèmes d'entreprise (ERP, CRM, plate-formes internes) et négocier des contrats d'entreprise réels, incluant SLA, clauses de sécurité et assistance spécialisée.
• Construire de la propriété intellectuelle autour d'algorithmes de mise en contexte, d'indexation sémantique, ou de mécanismes de vérification des sorties (fact-checking, provenance).

Ces efforts requièrent du temps, des ressources d'ingénierie et souvent une compréhension métier approfondie. Tous les fondateurs ne sont ni disposés ni capables d'entreprendre ces travaux lourds, et c'est pourquoi beaucoup d'initiatives superficielles peinent à franchir l'étape de l'échelle.

Pourquoi la spécialisation et les actifs défendables comptent

Les parallèles avec l'ère initiale du cloud computing sont frappants. À l'époque, de nombreuses startups ont tenté d'agir comme des courtiers d'infrastructure génériques. Au fil du temps, seules les entreprises qui se sont concentrées sur la sécurité, la migration, ou sur un service vertical finement ajusté ont prospéré. Le paysage de l'IA suit une trajectoire similaire : la spécialisation et les actifs défendables pèsent davantage que des wrappers superficiels ou des couches d'assemblage simple.

Concrètement, un avantage défendable peut prendre plusieurs formes :

• Des jeux de données propriétaires et annotés, difficiles à reproduire par de nouveaux entrants.
• Une expertise métier accumulée (par ex. juristes spécialisés, cliniciens, ingénieurs en cybersécurité) qui guide la conception produit et les validations.
• Des relations commerciales solides avec des clients d'entreprise, incluant des clauses contractuelles, des validations pilotes et un historique d'intégration à l'échelle.
• Des optimisations coûts/performance (réduction du coût par requête, orchestration multi-modèles intelligente) qui apportent un gain économique tangible.

Sans ces éléments, il est difficile de justifier une marge durable ou une valeur à long terme. Les investisseurs commencent d'ailleurs à poser des questions plus pointues sur les moats, les marges et la valeur à long terme des startups IA.

Implications techniques et opérationnelles

Sur le plan technique, passer d'une démo attrayante à une solution d'entreprise nécessite des chantiers souvent sous-estimés :

• Gouvernance des données : politiques de conservation, traçabilité, anonymisation et gestion des droits d'accès.
• Sécurité et conformité : chiffrement au repos et en transit, audits tiers, certifications pertinentes (ISO, SOC 2).
• Observabilité et traçabilité des modèles : journalisation des entrées/sorties, métriques de performance, détection de dérive des modèles.
• Ingénierie de fiabilité : gestion des coûts cloud, scalabilité, reprise après sinistre, tests de charge et monitoring.

Ces domaines sont souvent coûteux à mettre en place, mais ils constituent des barrières à l'entrée et des différenciateurs tangibles pour les clients d'entreprise. Ils traduisent aussi un changement dans la dynamique de marché : l'ère de l'arbitrage facile (prendre un modèle et le resserrer dans une interface) se termine ; l'ère de l'ingénierie de qualité et de l'expertise métier commence.

Stratégies recommandées pour les fondateurs

Pour les fondateurs confrontés à ce carrefour stratégique, plusieurs approches pragmatiques apparaissent :

1. Se spécialiser verticalement : cibler un segment précis (santé, finance, juridique, support client) où le besoin est profond et où la connaissance métier peut devenir un avantage compétitif.
2. Construire des données et des pipelines propriétaires : investir dans la collecte, l'annotation et la sécurisation de datasets spécifiques au domaine.
3. Concevoir des intégrations profondes : offrir une valeur qui va au-delà de l'interface, par exemple des connecteurs vers des systèmes critiques et des workflows sur mesure.
4. Montrer un ROI mesurable : établir des métriques claires (gains de temps, réduction d'erreurs, augmentation des revenus) pour convaincre les clients et les investisseurs.
5. Protéger la propriété intellectuelle : brevets d'algorithmes le cas échéant, contrats de confidentialité, et maintien d'une culture d'ingénierie qui documente les innovations.

Ces stratégies ne garantissent pas le succès, mais elles augmentent significativement les chances de construire une entreprise durable dans un marché où les fournisseurs de modèles deviennent eux-mêmes des concurrents directs.

Considérations pour les investisseurs

Du côté des investisseurs, l'évaluation des startups IA doit évoluer. Les critères classiques (croissance de l'utilisateur, rétention, CAC/LTV) restent importants, mais il faut y ajouter :

• L'évaluation de la qualité et de la rareté des données
• La profondeur des intégrations produit-client
• La maturité des pratiques de sécurité et de gouvernance
• La capacité de l'équipe à construire une expertise verticale et des pipelines de données

Les investisseurs avertis demanderont aussi des scénarios de stress-testing : que se passe-t-il si le fournisseur de modèle baisse les prix, lève une fonctionnalité-clé ou change sa politique d'accès ? Une startup avec un vrai moat doit montrer comment elle survit et prospère dans ces scénarios.

Positionnement concurrentiel et différenciation

Pour se démarquer dans l'écosystème IA, il est utile d'identifier des axes clairs de différenciation :

• Expertise verticale reconnue — par ex. partenariats avec cabinets médicaux, juridiques ou institutions financières.
• Expérience utilisateur sur-mesure qui intègre des contraintes métiers complexes.
• Offres modulaires — possibilité pour le client d'acheter des briques (modèles, API, intégrations) ou une solution packagée.
• Garanties contractuelles et économiques — engagements sur la latence, la précision, ou le coût par requête.

Ces éléments, lorsqu'ils sont combinés, créent des frictions à la substitution et encouragent la fidélisation des clients. En revanche, la simple ré-promotion d'un modèle public via une interface améliorée reste vulnérable à une concurrence plus solide et mieux financée.

Conclusion — un choix stratégique pour les startups IA

Pour les fondateurs, nous sommes à un carrefour stratégique. Construire un produit avec une véritable propriété intellectuelle et une intégration client profonde est aujourd'hui souvent la seule voie pour obtenir un avantage durable. Ne présumez pas que le marché tolérera une autre interface superficielle greffée sur le modèle d'un tiers.

Les produits sans fossés défendables et sans différenciation de niveau entreprise ne survivront pas à la prochaine phase de maturation de l'IA.

L'ère de l'arbitrage facile touche à sa fin ; l'ère de l'ingénierie, de la gouvernance des données et de l'expertise métier commence. Quel choix fera votre startup ? Serez-vous capable d'investir dans les données, la sécurité, l'intégration et l'expertise nécessaires pour construire un avantage compétitif véritable et durable ?