IA et logiciels legacy : réinvention plutôt qu'extinction

Le récit était presque trop simple pour être remis en question : l'intelligence artificielle monte, les anciens logiciels déclinent. Les investisseurs s'y sont engagés rapidement. Puis la réalité a commencé à faire irruption.

Brad Lightcap, directeur des opérations d'OpenAI, n'adhère pas à l'idée que les éditeurs de logiciels legacy glissent vers l'obsolescence. Au contraire, il observe un phénomène inverse qui se déroule en coulisses. Les entreprises que beaucoup pensaient en retard bougent avec une urgence surprenante, remodelant leurs produits et repensant la manière dont elles servent leurs clients dans un monde où l'IA est prioritaire.

Intervenant sur le podcast Uncapped, Lightcap a relativisé la panique du marché qui a effacé des milliards de la valeur des actions de sociétés de logiciels. L'hypothèse qui alimentait ces ventes était simple : si l'IA peut créer des outils, pourquoi dépendre des fournisseurs traditionnels de logiciels ? Mais cette logique, suggère-t-il, néglige la rapidité et l'ampleur avec lesquelles ces fournisseurs s'adaptent.

« Ils évoluent aussi vite que des startups », a-t-il déclaré, soulignant que des relations clients profondes constituent un avantage que les nouveaux acteurs n'ont tout simplement pas.

Ce que le marché a mal compris

Le repli, qualifié par certains d'« apocalypse du logiciel », a pris de l'ampleur en février après que de nouveaux outils d'IA ont démontré la capacité d'automatiser des tâches juridiques et administratives. Les investisseurs ont craint un effet domino : si l'IA peut remplacer des processus métiers, peut-être peut-elle aussi remplacer le logiciel qui les supporte.

Cette peur a fait chuter les actions. Des entreprises comme Salesforce, Snowflake et Microsoft ont vu leurs titres reculer entre 24 % et 30 % sur l'année. La préoccupation sous-jacente était que les entreprises sautent l'étape des fournisseurs et développent des outils sur mesure grâce à l'IA.

Pourtant, à l'intérieur de ces mêmes sociétés, une histoire différente se déroule. Selon Lightcap, elles ne se contentent pas d'ajouter des fonctionnalités basées sur l'IA. Elles repensent des parcours utilisateurs complets, explorent de nouveaux marchés et intègrent l'automatisation à un niveau structurel.

Le véritable changement n'est pas le remplacement. C'est la réinvention.

Cette réinvention implique de revisiter l'architecture logicielle, la gouvernance des données, la sécurité et l'expérience utilisateur. Lorsqu'une entreprise réexamine son produit pour y intégrer l'intelligence, elle doit considérer la maintenance à long terme, l'interopérabilité avec des systèmes existants (ERP, CRM, solutions de paie) et la conformité réglementaire. Ces aspects poussent naturellement vers une collaboration étroite avec des éditeurs historiques qui maîtrisent déjà ces contraintes.

L'IA n'élimine pas la complexité. Elle la multiplie

Dan Rogers, PDG d'Asana, perçoit le même schéma sous un angle différent. Sa société a été parmi celles les plus touchées lors de la correction boursière, et pourtant il soutient que l'IA augmente en réalité le besoin de logiciels structurés et robustes.

Pourquoi ? Parce que la coordination devient plus difficile, pas plus simple.

Lorsque des équipes humaines et des milliers d'agents d'IA commencent à collaborer, il faut toujours organiser les tâches, suivre les progrès et orchestrer les workflows. Cette couche organisationnelle ne disparaît pas : elle s'étend et se complexifie. La croissance du nombre d'acteurs et la multiplicité des points d'intégration génèrent un besoin accru de gouvernance, d'outils d'observabilité et de traçabilité pour comprendre qui fait quoi, quand et pourquoi.

« Le problème de coordination croît de manière exponentielle », a noté Rogers, suggérant que l'IA rend des plateformes comme Asana plus essentielles, et non moins.

En pratique, l'introduction de modèles de langage, d'agents autonomes, d'orchestrateurs d'API et de microservices crée de nouvelles couches d'infrastructure : gestion des permissions, monitoring du comportement des modèles, gestion des coûts de calcul, politiques de mise à jour des modèles et back-off en cas d'erreur. Tous ces éléments nécessitent des solutions logicielles matures et éprouvées, ainsi qu'une expertise opérationnelle.

Par ailleurs, la multiplication des flux automatisés augmente les risques liés à la qualité des données et à la dérive des modèles (model drift). Sans systèmes de gouvernance des données et tableaux de bord de supervision, les organisations prennent le risque d'une automatisation opaque, difficilement auditable et potentiellement biaisée.

Les limites de tout reconstruire avec l'IA

Il existe aussi une question pratique : même si les entreprises peuvent créer leurs propres outils avec l'IA, devraient-elles le faire ?

Anish Acharya, chez Andreessen Horowitz, se montre sceptique. Selon lui, utiliser des modèles d'IA avancés pour recréer des logiciels métiers standards comme les systèmes de paie ou les ERP procure des retours limités. Les économies potentielles, estime-t-il, pourraient tourner autour de 10 %.

Cela soulève un point plus large. L'IA est une ressource puissante, mais il n'est pas toujours efficace de l'employer pour résoudre des problèmes déjà résolus. La réingénierie complète d'un système de facturation, d'un moteur de rapprochement comptable ou d'un système de gestion des ressources humaines demande des efforts de développement, d'assurance qualité et de support qui peuvent annuler les gains théoriques obtenus par l'automatisation.

De plus, les systèmes métier matures intègrent souvent des règles complexes liées à la conformité, aux conventions collectives, aux variantes locales et à des workflows d'exception. Traduire ces règles dans des prompts ou des pipelines d'IA peut être coûteux et fragile. Les avantages se trouvent alors davantage dans l'extension des systèmes existants — via des connecteurs, des modules d'assistance intelligente et des capacités d'automatisation contextuelle — plutôt que dans leur substitution pure et simple.

« Pourquoi consacrer ce niveau d'innovation à reconstruire des systèmes existants ? » interroge Acharya, laissant entendre que les véritables opportunités résident ailleurs : création de nouvelles expériences clients, optimisation de processus à forte valeur ajoutée, et exploitation de l'IA pour accélérer la prise de décision stratégique plutôt que pour remplacer des briques fondamentales déjà robustes.

En pratique, une stratégie hybride apparaît de plus en plus rationnelle : combiner l'expertise des éditeurs historiques (fiabilité, conformité, intégrations) avec la vitesse et la créativité des solutions IA pour ajouter de la valeur sans rompre l'écosystème existant.

Un pari contrarien qui prend de l'ampleur

Jensen Huang, PDG de Nvidia, a aussi rejeté l'idée que les éditeurs de logiciels soient condamnés. L'argument selon lequel l'IA éliminerait totalement les outils logiciels ne tient pas, selon lui, à l'analyse détaillée des usages et des dépendances techniques.

Au lieu de cela, l'IA s'appuiera sur ces outils : elle les utilisera, les prolongera et s'y branchera, sans les effacer. Les plateformes cloud, les bases de données analytiques, les systèmes de gestion des identités et les ERP resteront des piliers, mais ils évolueront pour intégrer des APIs orientées IA, des pipelines de données en temps réel et des capacités d'orchestration intelligente.

La lecture de Lightcap converge vers la même conclusion, mais avec un angle investissement : si l'on est optimiste quant aux startups IA, il est aussi logique de rester optimiste concernant les entreprises de logiciels legacy. Non pas malgré l'IA, mais grâce à elle. L'IA amplifie la valeur des plateformes capables de gérer la complexité, d'assurer la fiabilité et d'évoluer à grande échelle.

La course n'est pas IA contre logiciel. C'est tout le monde qui court à pleine vitesse pour définir à quoi ressemble le logiciel quand l'intelligence est intégrée dès la conception. Cela implique :

• de repenser les architectures logicielles pour inclure des couches d'IA de manière modulaire ;
• d'investir dans la gouvernance des données et l'observabilité des modèles ;
• d'améliorer l'expérience utilisateur pour tirer parti d'interactions conversationnelles sans sacrifier la précision métier ;
• d'optimiser l'infrastructure pour maîtriser les coûts liés à l'entraînement et au déploiement des modèles.

Pour les décideurs IT et les responsables produit, la question devient alors : comment composer un portefeuille technologique qui combine l'agilité des nouveaux acteurs IA et la résilience des éditeurs historiques ? La réponse passe souvent par des partenariats stratégiques, des programmes d'intégration et une feuille de route produit qui privilégie l'interopérabilité et la sécurité.

Du point de vue du marché, cette dynamique explique pourquoi la valeur boursière des grands éditeurs n'a pas totalement disparu : les clients continuent d'acheter confiance, support, garanties contractuelles et intégrations éprouvées. Ces facteurs pèsent lors des décisions d'achat, surtout pour des entreprises dépendant de processus critiques (finance, santé, énergie, télécommunications).

Enfin, du point de vue technologique, l'essor des modèles multimodaux, des agents autonomes et des solutions de raisonnement expliquant leurs décisions nécessite des couches logicielles intermédiaires : orchestrateurs d'API, systèmes de vérification des sorties, moteurs de règles et portails de supervision. Ces composants sont le terrain naturel des éditeurs de logiciels traditionnels lorsqu'ils se réinventent pour un monde « AI-first ».

En conclusion, la mutation en cours n'est pas une disparition mais une transformation : les éditeurs historiques se réorientent vers des architectures centrées sur l'IA, tandis que les startups apportent rapidité et innovation. L'enjeu pour les organisations est d'adopter une stratégie pragmatique — investir là où l'IA apporte un vrai différentiel, conserver ou intégrer des solutions éprouvées pour la fiabilité opérationnelle, et construire des ponts entre les deux mondes.