Le poste le plus en vogue dans la Silicon Valley actuellement est sans conteste celui de FDE. FDE signifie "Forward Deployment Engineer", que l'on peut traduire directement par "Ingénieur de déploiement sur le terrain". Ils doivent à la fois maîtriser les modèles et la technologie, et comprendre les données, les processus et les points sensibles métiers des clients. Leur mission principale est de transformer l'IA d'une simple démo en flux de travail natifs IA propres à chaque profession. Une enquête de Perspective AI réalisée en 2026 auprès de 1500 FDE montre que la rémunération totale médiane d'un FDE senior dans un laboratoire de pointe atteint 485 000 dollars, tandis qu'au niveau employé senior, elle s'élève à 725 000 dollars. La fourchette de rémunération totale dans les laboratoires de premier plan se situe entre 350 000 et 550 000 dollars.
Derrière cette frénésie se cache un virage stratégique majeur pour les principales entreprises d'IA. En mai dernier, OpenAI, en partenariat avec 19 fonds de capital-investissement (PE), a investi plus de 40 milliards de dollars pour créer la "Deployment Company" (Société de déploiement), et a acquis Tomoro, une société de services de mise en œuvre d'IA, emportant avec elle 150 FDE. Anthropic a également annoncé une collaboration avec plusieurs institutions financières, dont Blackstone, pour créer une coentreprise d'une valeur de 15 milliards de dollars. Ces sociétés de modèles leaders misent toutes sur le même type de service : au-delà de la simple fourniture d'outils d'IA, il s'agit de s'immerger au sein des entreprises pour déployer véritablement les capacités de l'IA dans des scénarios métiers concrets.
Dans cet épisode de "Silicon Valley 101", nous avons invité deux professionnels de terrain à discuter des FDE et des sociétés de déploiement. Nous avons parlé de la nature concrète du travail de FDE, de ses origines liées au mode de déploiement militaire de Palantir dans ses premières années, et aussi des transformations que traversent actuellement les fonds de capital-investissement et le secteur du conseil dans cette vague d'adoption de l'IA.
Jove, responsable de l'équipe FDE chez Cresta. Cresta fournit des agents d'IA pour les centres d'appels d'entreprise. Jove a commencé à recruter activement son équipe FDE au début de l'année dernière.
Oliver, ancien consultant chez McKinsey, actuellement VP des activités entreprises chez Invisible Technologies.
Voici un extrait de la conversation :
01. Pourquoi les sociétés de modèles se lancent-elles dans le déploiement ?
Yiwen : Jove, comment interprètes-tu les récentes initiatives d'OpenAI, Anthropic et d'autres sociétés de modèles en matière de déploiement d'IA ?
Jove : Je pense que c'est en partie ce qui rend le métier de FDE si captivant en ce moment. En tant que type de poste, le FDE existe depuis plus d'une dizaine d'années, depuis Palantir. Dans notre entreprise, nous avons commencé à travailler sur le déploiement FDE en janvier dernier. À l'époque, nous n'avions pas une idée très claire de la nécessité de recruter des FDE, mais nous sentions vaguement qu'il fallait rapprocher certains ingénieurs des clients. Grâce à ces services de proximité, nous pouvions comprendre leurs besoins et faire en sorte qu'ils utilisent correctement notre produit.
Mais au cours des deux derniers mois, et surtout des deux dernières semaines, les discussions autour des FDE se sont multipliées. Je savais que cette tendance arriverait, mais je ne m'attendais pas à ce qu'elle soit si rapide et si intense. Cela confirme cependant plusieurs choses. Premièrement, les sociétés de modèles se rendent compte que le modèle en lui-même n'est pas un produit. Pour qu'un produit soit adopté, il faut énormément de travail, ce que les sociétés de modèles traditionnelles ont tendance à négliger ou même à dédaigner. Mais sans une collaboration très étroite, les entreprises qui ont les moyens d'acheter le modèle ne savent pas comment l'utiliser. Nous avons constaté que le FDE est une excellente formule.
De plus, la frontière entre les sociétés de modèles et les sociétés d'application devient floue. L'approche d'OpenAI et d'Anthropic est davantage : "Je continue à recruter les meilleurs pour entraîner mon modèle" – comme Anthropic, dont on sait que les modèles sont excellents mais aussi très chers, ils peuvent les vendre cher et être très efficaces par personne. Mais quant à déployer l'IA dans tous les secteurs, cela demande énormément de monde. Ce n'est pas nécessairement ce qu'ils veulent faire eux-mêmes, d'où le recours à des acquisitions ou au capital pour que d'autres sociétés fassent le travail de FDE. Ainsi, la relation ambivalente, à la fois amicale et concurrentielle, entre les sociétés de modèles et les sociétés d'application devient encore plus complexe.
02. Le travail concret d'un FDE
Yiwen : Si tu devais définir le FDE en une phrase, que dirais-tu ?
Jove : Un FDE est un ingénieur qui travaille en étroite collaboration avec le client pour faire fonctionner réellement une application d'IA, et qui assume également la responsabilité d'améliorer le produit. Ainsi, le FDE a deux missions : mettre en œuvre l'IA, et utiliser ces "Leçons Apprises" pour modifier directement le produit et l'améliorer. C'est un peu comme un "CTO Déployé sur le Terrain", c'est une personne très polyvalente : vous devez conclure le contrat, déployer l'application d'IA, fidéliser le client ; mais en tant que CTO, vous ne pensez pas seulement à améliorer le produit, vous devez parfois vous auto-révolutionner. Le FDE fait donc cela : il déploie l'IA et utilise ces retours d'expérience pour rendre le produit de plus en plus puissant.
Yiwen : Parmi les clients que tu as rencontrés, comment les FDE modifient-ils leurs flux de travail existants ? Par exemple, les entreprises du Fortune 100 que vous servez sont actives dans des domaines très divers et ont des besoins différents concernant l'IA pour les centres d'appels (le cœur de métier de Cresta). Le travail doit impliquer beaucoup de terminologie, de connaissances, voire de données propres à leurs secteurs. Comment ces clients vous communiquent-ils leurs besoins ? Et comment les comprenez-vous et les déployez-vous ?
Jove : Dans le domaine de l'expérience client, nous avons relativement beaucoup d'expérience, nous travaillons dessus depuis 2017. Donc avant la vague actuelle de l'IA, il y avait déjà énormément de conversations humaines dans le système Cresta, bien sûr en respectant scrupuleusement la conformité. Par exemple, pour de grandes entreprises comme Marriott, avant l'ère des agents IA, il y avait des agents humains, donc une immense quantité de données textuelles et vocales était stockée chez Cresta de manière conforme.
On peut donc imaginer que lorsque nous décidons de sélectionner quelques cas d'usage d'agents IA à développer, nous allons analyser ceux dont le volume est important mais dont la mise en œuvre n'est pas trop complexe. C'est-à-dire ceux qui ne nécessitent pas beaucoup de jugement humain, où les procédures opérationnelles (SOP) sont claires et le volume élevé. Probablement 80% de l'activité provient de 20% des scénarios d'application. Après avoir fait ce tri, nous pouvons nous appuyer sur l'historique pour en déduire quels sont les problèmes typiques que les clients posent, et comment un agent – humain ou IA – doit y répondre efficacement. Cela évite beaucoup de conjectures, car je pense que l'IA et les données doivent être bien combinées.
Lorsque nous travaillons sur un contrat relativement important, le client utilise souvent d'autres produits Cresta depuis longtemps. Nous pouvons donc analyser ses données de conversations humaines pour en extraire des modèles, et même utiliser ces données pour entraîner un petit modèle que nous utiliserons pour plus de simulations. Le FDE doit donc jouer le rôle d'un responsable de la mise en œuvre de l'IA relativement expérimenté, pour juger quels cas d'usage aborder en premier, et si les ressources correspondantes sont en place. Si elles ne le sont pas, nous ne nous contentons pas de les modifier pour lui, nous privilégions la co-création avec le client. Cela inclut également, après avoir développé une version de l'agent, de réaliser de nombreux tests et optimisations, ce qui demande aussi beaucoup d'efforts.
Yiwen : As-tu besoin de te rendre sur place pour voir comment les clients effectuent ces travaux ?
Jove : L'expression "déploiement sur le terrain" est assez accrocheuse. Pour ma part, ainsi que pour mes collègues, nous n'avons jamais passé plus d'une semaine chez un même client. Nos FDE n'ont pas à effectuer de premier contact ou de travail pré-commercial. Il s'agit davantage de situations où il existe déjà une forte intention de collaboration, et où on nous fait appel en tant qu'experts pour voir comment déployer au mieux.
Nous pouvons donc avoir une réunion de lancement, nous rendre dans leurs bureaux, tenir une réunion fermée de deux ou trois jours pour définir les objectifs de haut niveau, les KPI, valider les API correspondantes, et si tout se passe bien, réaliser une petite preuve de concept (PoC) sur place pour susciter leur intérêt. Mais ensuite, nous rentrons chacun chez nous. Nous avons des réunions hebdomadaires, voire quotidiennes, et le développement se fait soit au bureau, soit à domicile. Nous pouvons nous retrouver sur place lors des tests d'acceptation utilisateur (UAT) du projet, ou lorsque nous discutons de la prochaine vague de cas d'usage. Et en face à face, il y a des échanges de regards, on peut développer des relations personnelles. Établir cette confiance tôt est très utile pour la suite du travail. Beaucoup de choses qui ne sont pas forcément faciles à formaliser par écrit peuvent être clarifiées par des conversations et des échanges, créant ainsi plus de complicité et une meilleure compréhension du contexte, ce qui est souvent difficile à atteindre sans être sur place.
Mais tous ces objectifs combinés visent à rendre le déploiement de l'IA plus solide. Il ne s'agit pas de forcer le client à apprendre, mais de comprendre ce dont il a besoin et de le réaliser pour lui. Ensuite, il peut le maintenir lui-même s'il le souhaite. Mais le déploiement de l'IA est un processus à la fois difficile et long, et le FDE permet de le simplifier un peu.
Source de l'image : Pixabay
Yiwen : Le concept de FDE a été inventé et popularisé initialement par Palantir. À l'origine, Palantir avait deux équipes, Echo et Delta, qui ensemble formaient un FDE. Mais les Deltas correspondent probablement davantage à notre compréhension actuelle du FDE, c'est-à-dire au rôle d'ingénieur ; les Echo étaient plus familiers avec le domaine métier spécifique. Peux-tu nous expliquer quel était, selon toi, le problème central que Palantir résolvait à l'époque ?
Jove : Oui, Palantir, en tant que créateur originel de ce modèle, mérite le respect. Bien sûr, leurs activités étaient assez particulières, car toutes les entreprises ne peuvent pas travailler pour l'armée. Il a commencé il y a 10 ou 15 ans, et je pense que beaucoup de besoins précis n'étaient pas clairement énoncés. Il fallait être physiquement présent, se rendre sous la même tente dans le camp militaire, voir ces données pour que les interlocuteurs soient précis. Et cela impliquait aussi de la modélisation de données ou la création d'API à la volée. Ils ont donc recruté ces deux équipes : l'une ressemblait un peu à des ingénieurs logiciels déployés sur site, l'autre était plus orientée responsable métier – oui, connaissant bien les opérations de combat ou de sauvetage. L'une était technique, l'autre non technique.
Le FDE, dans le sens courant du terme, reste un métier très technique. Chez Cresta, nous pensons également que cette approche est adaptée. Dans l'idéal, bien sûr, une seule personne sait tout faire, comme dans une "one-person company", où l'on est à la fois CEO et CTO. Mais de telles personnes sont difficiles à trouver et leur énergie est limitée. Nous avons donc fait des essais. Par exemple, au début, nous avions des "concepteurs de dialogue", plus familiers avec l'interaction humaine, l'empathie et beaucoup de détails, sans besoin de compétences techniques. Notre approche actuelle, depuis environ un an, consiste également à faire travailler ensemble des FDE et des FDPM (Forward Deployed Product Manager, Chef de produit déployé sur le terrain). Le FDPM n'a pas besoin d'être aussi technique.
Le FDE est comme un CTO Déployé sur le Terrain. On peut imaginer que le FDPM est le CEO Déployé sur le Terrain. Il utilise ses compétences humaines, de communication, de négociation pour s'imprégner profondément chez le client, passer beaucoup de temps à bâtir la confiance et comprendre ce qu'il veut vraiment. Cela inclut, pour créer un agent, savoir quoi dire ou ne pas dire, comment créer les jeux de tests... Beaucoup de choses ne sont pas directement liées au codage, et il n'a pas besoin de connaître la sécurité ou la configuration réseau. Mais c'est un travail conséquent et solide, que le FDPM peut gérer spécifiquement. Comme un CEO est responsable de toute l'entreprise, le FDPM est responsable du comportement et du niveau de capacité de l'agent IA dans son ensemble. Le FDE, quant à lui, s'assure d'un point de vue technique que la mise en œuvre est correcte, que les tests correspondants sont robustes, et il a aussi pour mission de rapporter ces leçons apprises à l'entreprise pour améliorer le produit.
Cette combinaison FDPM/FDE est utile car nous pouvons facilement avoir deux ou trois clients par jour avec de nombreuses réunions. Le FDE n'a pas besoin d'assister à toutes, car on peut discuter de ce qu'il faut dire en premier, et si une conclusion est atteinte, la mise en œuvre n'est pas forcément difficile. Les rôles sont donc différents. Le FDE peut se concentrer davantage sur les meilleures pratiques de l'industrie en matière d'IA, sur la façon de transformer les tâches de développement fréquentes en SDK, boîtes à outils, CLI, contribuant ainsi davantage d'un point de vue technique. Le FDPM peut maîtriser les besoins spécifiques, y compris certains risques à remonter, ou même la vente additionnelle – si trois cas d'usage ont déjà été réalisés, peut-on en faire six ? Il y a beaucoup de cela. Imaginez la différence entre un CEO et un CTO. Je trouve cela efficace, car cela évite d'exiger un niveau trop élevé lors du recrutement et de demander à une seule personne de faire trop de choses différentes chaque jour. Cette séparation des rôles fonctionne bien.
Yiwen : Pour résumer, le FDE est donc un poste à forte composante technique ; le FDPM nécessite davantage de connaissances sectorielles. Je comprends que ces personnes viennent souvent de milieux comme le conseil, ou ont plutôt un background en gestion d'entreprise. Je pense que c'est l'occasion de demander : quel type de personne est, selon toi, le plus adapté pour être FDE ? À quoi ressemble un excellent FDE ?
Jove : Je vais me forcer à le dire clairement : mon objectif est de construire la meilleure équipe de FDE au monde. C'est un but. Même si nous avons obtenu certains résultats, je pense vraiment que le succès considérable de Palantir, ou la hausse de son action, est-il dû au modèle FDE ? C'est difficile à dire, car il y a trop de facteurs en jeu. Mais ils ont lancé ce modèle. Aujourd'hui, le FDE devient très populaire car le déploiement de l'IA rencontre énormément de difficultés. Cette complexité, on ne veut pas la rejeter sur le client, et le FDE peut absorber ces couches complexes lui-même pour offrir une bonne solution au client.
De plus, pour beaucoup d'entreprises produit, de SaaS ou de plateforme, le FDE utilise directement les leçons apprises sur le terrain pour modifier le produit. Imaginez : il y a 10 ans, si un FDE de Palantir découvrait des failles dans le produit, que pouvait-il faire ? Il pouvait peut-être écrire une lettre ou ouvrir un ticket pour demander une correction, qui arrivait peut-être six mois plus tard. Mais maintenant, avec la puissance du codage IA, nos FDE – bien sûr nous recrutons avec des critères élevés, en recherchant de bons ingénieurs – mais d'un autre côté, grâce à ces agents de codage IA comme Claude Code ou d'autres modèles, si vous savez ce qui ne va pas, où il y a une marge d'amélioration, ce qui pourrait être fait différemment, même avec 5 ou 10 dépôts différents, des langages et des stacks différents, vous pouvez facilement demander à l'IA de le faire, puis faire une revue avec la bonne personne. L'itération est donc très rapide.
Outre le codage, la notion de "skill" (compétence) est maintenant aussi un bon modèle, qui peut être distillé. Avant, c'était dans la tête des gens, il fallait passer beaucoup de temps à transférer les connaissances. Maintenant, on peut l'écrire sous forme de skill – un long document markdown, avec des scripts, de la documentation de référence. Après avoir fait deux ou trois choses similaires, cela devient un bon skill, et cette capacité peut être réutilisée rapidement dans le projet suivant. Ou si nous avons 30 FDE et que 20 nouveaux arrivent, ces 20 FDE peuvent simplement installer ce skill et y accéder, sans même avoir à l'apprendre. C'est comme un effet boule de neige. Le FDE est donc dans un état très approprié actuellement, et recruter plus de FDE permet de mieux déployer.
Je suis venu à la TechWeek de New York aussi pour organiser des événements et trouver les bonnes personnes – Il doit d'abord être un ingénieur compétent, car c'est un peu comme un CTO, on ne veut pas d'une personne qui ne sait pas coder comme CTO, il doit être techniquement fort. Comme l'équipe que je recrute actuellement est limitée aux FDE pour agents IA, je n'exige pas de compétences aussi fortes en ingénierie des données ou sécurité informatique, mais la personne doit absolument maîtriser les agents IA.
Souvent, je vois un CV qui dit "Je suis ingénieur IA". C'est une évidence aujourd'hui ! Quel ingénieur logiciel n'est pas ingénieur IA ? On s'attend à ce que vous n'écriviez pas chaque ligne de code vous-même. Vous devez savoir utiliser ces frameworks comme Harness, utiliser Cursor, Claude Code. Mais peu de gens savent comment développer et tester un agent IA. Cette compétence est cruciale pour nous. Nous ne voulons pas passer deux ou trois mois à former quelqu'un ; cette personne devrait pouvoir intégrer un projet en deux ou trois semaines. Il faut donc être un bon développeur, avoir développé et testé des agents IA.
Une autre chose est d'avoir une expérience solide et crédible de travail avec les clients. Après tout, nous sommes en déploiement sur le terrain. Même si vos interactions passées se sont faites en ligne, ou avec quelques visites occasionnelles, vous devez communiquer avec le CTO, le directeur informatique, les personnes senior de l'autre partie ; parfois aussi avec des non-techniciens. Vous devez savoir simplifier un problème complexe, ou saisir des points précis lors de leurs explications pour les vérifier ; parfois vous devez dire non. Cela ne concerne pas seulement la communication en anglais, mais aussi une certaine maturité générale, comme un CTO – un CTO ne peut pas être seulement un codeur.
Pour cette compétence, j'attends généralement qu'il ait fait du conseil, qu'il ait été ingénieur fondateur, ou qu'il ait une grande expérience, même en tant qu'indépendant, je trouve que c'est bien. Outre la programmation et l'interaction client, il reste peut-être des qualités humaines : être fiable, avoir de la ténacité, car le FDE est très occupé. Vous gérez plusieurs choses en parallèle, sous pression, face à un monde imparfait – les API sont fragiles, les SOP inexistantes, la documentation étrange. La pression est forte, les gens peuvent avoir des idées irréalistes. Il faut donc une grande capacité à gérer une complexité énorme et une incertitude considérable. Avoir un sens de l'initiative, savoir comment avancer, sortir des sentiers battus.
C'est pourquoi j'aime recruter des fondateurs, des cofondateurs ingénieurs, ou des personnes ayant traversé de grandes turbulences, qui savent que rien n'est garanti, que rien ne réussit forcément, qu'il faut travailler très dur pour atteindre un état un peu meilleur. Cette fiabilité, cette ténacité, nous espérons les voir à travers ce type de parcours. Je ne recrute aucun FDE junior, car comme dit précédemment, un projet ne compte qu'une ou deux personnes, en co-création avec le CTO client. Une personne trop junior aurait du mal à établir cette confiance, serait souvent perdue, et on ne peut pas simplement ouvrir l'IA pour qu'elle vous dise quoi faire si vous n'avez pas vous-même de capacité de jugement. Les compétences techniques doivent donc être au point, de même que l'aptitude à interagir avec le client, et la capacité à gérer de nombreuses choses de bout en bout.
Yiwen : Tu as dit que le FDE fait face à un monde imparfait et à des outils d'agents encore relativement nouveaux. Ce poste sera-t-il durable ou transitoire ? À l'ère de l'IA, lorsque les outils mûriront et s'auto-amélioreront continuellement, ce rôle évoluera-t-il ? Ou disparaîtra-t-il ?
Jove : La seule constante est le changement, mais je pense que par rapport à de nombreux autres postes d'ingénierie, la route vers l'automatisation du FDE par l'IA est encore longue. À court terme, disons 1 à 2 ans, il y aura certainement de plus en plus d'outils pour rendre le travail du FDE plus efficace. Par exemple, maintenant beaucoup d'appels ou de conversations peuvent être enregistrés avec des outils comme Gong, traduits, et on peut même poser des questions sur l'enregistrement ; nous avons aussi des outils comme Glean qui permettent de rechercher dans les dernières discussions ou du code. Ces outils nous rendent, nous qui gérons plusieurs choses à la fois, plus efficaces. Parfois, je peux avoir deux ou trois réunions en même temps dans mon calendrier, je vais manquer certaines d'entre elles, mais ces outils permettent d'être virtuellement présent à plusieurs endroits ou de ne pas manquer trop d'éléments clés.
Ces outils permettront aux FDE – par exemple, si en moyenne une personne gère deux ou trois projets, dans quelque temps ce sera peut-être cinq ou six – donc l'amélioration des outils augmentera notre efficacité ou notre capacité à faire plus. Mais à plus long terme, il y aura une spécialisation. Il faudra des FDE hautement qualifiés pour les tâches difficiles. Vous pouvez utiliser divers outils, mais les outils ne résolvent pas tout, il faut encore des personnes très expérimentées.
D'un côté, beaucoup de personnes qui n'avaient pas besoin de FDE voudront peut-être en embaucher un moins cher, comme on le voit avec les ingénieurs logiciels : la demande de recrutement augmente, car des petites structures qui pensaient ne pas pouvoir embaucher d'ingénieur – un petit cabinet médical, un artisan – se disent qu'elles peuvent embaucher un ingénieur logiciel pour productiviser un flux de travail. De même, il y aura une catégorie de FDE peut-être destinés aux PME, à la longue traîne, ou à des régions éloignées comme le Vietnam, qui ne pourront jamais se rendre sur place, mais qui, combinant les besoins du client et leurs compétences en IA, réaliseront le travail. S'ils peuvent créer leur propre produit, c'est aussi un modèle.
Tant que la complexité côté client existera, il y aura toujours un fossé que l'IA seule ne pourra pas combler automatiquement, et ce fossé nécessitera des FDE. Si un jour arrive vraiment où il existe un FDE entièrement IA – même aujourd'hui, le métier de SDR (représentant du développement commercial) n'est pas bien automatisé par l'IA – supposons qu'un jour, 99% du travail de FDE puisse être fait par l'IA, que ce soit comprendre le client, écrire des prompts, tester, communiquer avec le client, voire qu'une IA communique avec l'IA d'un autre client, alors nous ne nous inquiéterons plus du métier de FDE, car le monde entier sera différent, l'humain y participera peu. Mais je pense que le chemin est encore long.
J'ai beaucoup de confiance dans le métier de FDE. Il va se diversifier, attirer de plus en plus de monde, et les gens réaliseront de plus en plus son importance.
03. Le capital-investissement, une porte d'entrée cruciale pour le déploiement de l'IA
Lors de notre entretien avec Jove, deux questions sont apparues : Premièrement, ce que font les sociétés de déploiement – s'immerger dans les entreprises, transformer leurs processus, les aider à bien utiliser l'IA – ressemble beaucoup à la logique du conseil traditionnel. Le secteur du conseil sera-t-il remplacé par cette vague ? Deuxièmement, comme l'a dit Jove, pourquoi les sociétés de modèles collaborent-elles avec des fonds de PE ? Nous savons que des institutions comme Blackstone détiennent de nombreuses sociétés de portefeuille, beaucoup étant des entreprises traditionnelles opérationnelles depuis des décennies. Pour le PE, quelle est l'attractivité de cette collaboration ?
Jove en a parlé en partie de son point de vue. Ensuite, j'ai discuté avec Oliver, qui a un background en conseil et une longue expérience auprès de clients du PE, de ces deux questions sous l'angle des changements sectoriels.
Yiwen : Bonjour Oliver, peux-tu te présenter brièvement ainsi que ton entreprise actuelle ?
Oliver : Merci Yiwen, je m'appelle Oliver, je suis VP des activités entreprises chez Invisible Technologies. Mon travail consiste à aider les clients entreprises à déployer l'IA en utilisant nos solutions. Auparavant, j'étais consultant en capital-investissement chez McKinsey, dans l'équipe "Rewired", spécialisée dans l'aide aux entreprises pour repenser leur modèle économique et devenir plus axées sur la technologie et l'IA.
Yiwen : Tu dis que vous aidez les entreprises à déployer des solutions. De quelles solutions s'agit-il concrètement ?
Oliver : Bon, une brève présentation de ce que nous faisons. Notre entreprise s'appelle Invisible Technologies, "Technologie Invisible". Notre nom vient d'une idée : lorsque la technologie est suffisamment bien faite, elle est invisible, c'est-à-dire qu'on ne la ressent pas. Notre approche est différente de beaucoup de sociétés logicielles. Dans la vie quotidienne, nous utilisons tous des outils d'IA, ils sont très utiles, mais le problème est là : il y a un énorme fossé entre le taux d'utilisation individuel de l'IA et le taux d'adoption par les entreprises. Cet écart est en grande partie dû à l'offre du marché.
Regarde comment le marché sert les entreprises actuellement : soit les grands fabricants de modèles vendent directement, soit il y a des produits "coquilles" – comme Harvey pour le droit, ou Granola pour la prise de notes de réunion, ce sont de bons outils, mais ils ne changent pas votre façon de travailler, ils améliorent simplement la manière existante. Résultat : beaucoup d'entreprises déploient l'IA sans ressentir de changement.
Nous avons donc pris une voie différente : nous ne déployons pas un outil après l'autre, mais nous attaquons flux de travail par flux de travail, en créant des logiciels sur mesure pour chaque entreprise. Nous décomposons un flux de travail : s'il y a dix étapes, nous déterminons que cinq doivent être déterministes car elles impliquent des calculs mathématiques, des exigences de conformité, et ne doivent pas comporter d'erreur ; trois ou quatre étapes peuvent être faites par l'IA, avec une certaine flexibilité ; et deux étapes nécessitent une revue humaine pour confirmer que tout est bon. C'est la bonne façon d'utiliser l'IA pour transformer les activités.
Mais pour cela, il faut du sur-mesure pour chaque entreprise, car les processus diffèrent selon l'entreprise, le département. Donc si vous voulez transformer les entreprises de l'"ère pré-IA" en entreprises natives IA, vous devez leur construire un logiciel adapté à leur flux de travail. C'est ce que nous faisons – nous avons construit une plateforme modulaire, donc nous pouvons agir rapidement.
Yiwen : Ce que vous faites semble assez similaire à ce qu'OpenAI a annoncé récemment avec sa "Deployment Company" (Société de déploiement), qui aide aussi les entreprises à se déployer. Que penses-tu de cette initiative ? Pourquoi font-ils cela selon toi ?
Oliver : Je pense qu'ils ont tout à fait raison. Ces six derniers mois, on sent clairement que les DAF et les dirigeants parlent de plus en plus de réduction des coûts. Parallèlement, des rapports du MIT et de Stanford montrent que très peu d'entreprises ont réellement réussi à déployer l'IA à grande échelle. Cet écart n'est pas tenable. Les fabricants de grands modèles doivent donc pousser l'adoption réelle par les entreprises, prouver le ROI, et vendre simplement un chatbot n'y parvient pas. Pour ouvrir cette porte, ils doivent emprunter la même voie que nous.
Je pense donc que ce coup est bien joué. Bien sûr, ils ont beaucoup de capital et de fortes capacités techniques, ils réussiront. Mais leur approche initiale était très horizontale – ils avaient quelques applications verticales, mais fondamentalement, ils faisaient des modèles généraux. Passer soudainement à la construction de flux de travail sur mesure pour les entreprises est un mouvement de marché complètement différent, un mode de vente différent, très éloigné de ce qu'ils connaissent. Je suis sûr qu'ils sauront s'adapter, mais cela prendra du temps.
Yiwen : Je voudrais d'abord aborder cela du côté du capital-investissement. Comme tu sers beaucoup de clients institutionnels financiers, je sens qu'il y a deux lignes : une où ces institutions utilisent l'IA en interne, et une autre où leurs sociétés de portefeuille – les "Portfolio companies", beaucoup d'entreprises SaaS traditionnelles dans lesquelles le PE investit – ont aussi besoin de se transformer. Selon toi, de quoi ont-elles le plus besoin actuellement ? Quelles sont leurs craintes ? Est-ce la raison pour laquelle ils collaborent et investissent avec OpenAI, Anthropic ?
Oliver : Je pense que les fonds de PE et les institutions de capital-investissement ont trois motivations principales.
La première est la valeur signal. Je travaille avec des sociétés de PE depuis un moment : il y a trois ans, on me demandait "Pouvez-vous venir expliquer comment fonctionne l'IA ?" ; il y a deux ans, c'était "Pouvez-vous m'aider à réfléchir à comment déployer l'IA dans tout mon portefeuille ?" ; cette année, c'est totalement différent, ils viennent me dire "Je dois lever des fonds auprès de mes LP, des fonds de pension, de mes investisseurs, je dois prouver que je suis à la pointe de l'IA, j'ai besoin de cas concrets montrant que j'ai créé de la valeur grâce à l'IA, sinon les LP ne me donneront pas d'argent". C'est une logique complètement différente. Pour un GP aujourd'hui, pouvoir démontrer son expertise en IA est une question de survie pour lever des fonds. Établir un partenariat avec les noms les plus prestigieux du secteur est une excellente caution, donc la valeur signal est très forte.
La deuxième est la création de valeur dans le portefeuille. C'est aussi un besoin très réel. Utilisée correctement, l'IA peut vraiment créer beaucoup de valeur. Les détails sont complexes, mais cet aspect est réel.
La troisième est le retour sur investissement en soi. La structure de ces collaborations est assez attractive, permettant essentiellement aux GP d'entrer dans un secteur à haut rendement et d'obtenir une exposition à des actifs à forte croissance. De ce point de vue, la logique tient aussi parfaitement.
Yiwen : Ta première remarque est intéressante. Qu'est-ce qui, selon toi, pousse les LP à exiger de l'IA ?
Oliver : C'est la même chose que pour la plupart des entreprises qui poussent l'IA. Du point de vue du consommateur, plus vous lisez de contenu sur le sujet, plus vous réalisez ce que l'IA peut faire. Les changements sont effrayants de rapidité, tout semble avancer à une vitesse folle. Donc tout le monde réalise que l'IA peut faire énormément de choses, et si vous ne la prenez pas au sérieux, vous êtes en retard.
Du point de vue d'un LP, si je confie mon argent à un GP, je veux m'assurer qu'il utilise aussi l'IA pour transformer ses entreprises en portefeuille, c'est un besoin très réel. Un autre point, puisque tu as mentionné le SaaS : ces cinq à dix dernières années, les deux plus grandes classes d'actifs pour le PE étaient la santé et les logiciels, presque tous les PE ont une exposition aux sociétés logicielles. Cette année, les discours sur "la mort du SaaS" sont nombreux, les LP et les GP sont très nerveux, les GP essaient de prouver que "tout va bien", donc la valeur signal est encore amplifiée.
Cela dit, regarde les collaborations d'Anthropic avec Coatue par exemple : les partenaires ne sont pas des investisseurs purement logiciels, car tu as raison, là où l'IA crée le plus de valeur, ce n'est souvent pas dans les sociétés logicielles.
Yiwen : Oui, ce sont les entreprises traditionnelles, y compris l'industrie, la fabrication, etc.
Oliver : Les services aux entreprises, l'industrie, la santé – surtout la santé, c'est énorme. Fondamentalement, tous les secteurs où les logiciels n'étaient pas d'une grande aide auparavant peuvent maintenant être transformés de façon intéressante par les logiciels. Un autre bon exemple, ce sont les GP eux-mêmes. Que fait une société de PE ? Trouver des projets, les évaluer, investir, gérer les actifs. C'est un travail très intensif en main-d'œuvre, utilisant des personnes très chères – que ce soit des équipes internes ou des conseillers externes. Ces flux de travail sont justement très adaptés à une transformation par l'IA. J'ai un gros client, une très grande société de gestion d'actifs, et nous pouvons transformer ces flux de travail pour lui, avec des résultats très impressionnants.
Yiwen : Peux-tu nous donner quelques exemples concrets ? J'ai l'impression qu'en discutant avec beaucoup de professionnels de la finance, ils utilisent encore l'IA pour la recherche, le résumé, donc des usages assez liés aux grands modèles de langage. Je suis curieux de savoir comment vous automatisez vraiment des flux de travail.
Oliver : Oui, il y a beaucoup à dire. Si on décompose l'activité d'un fonds d'investissement, il y a quelques grands modules : levée de fonds, gestion des investissements, conformité/finance et opérations du fonds. Je vais prendre quelques flux de travail à titre d'exemple.
Prenons d'abord la levée de fonds. J'ai un gros client, une très grande société de gestion d'actifs, qui voulait collaborer avec une société de gestion plus petite. Cette dernière intégrerait leurs produits dans sa propre gamme contre une commission. Ça semble bien. Mais la petite société a dit : "À chaque réunion client, il faut qu'un de vos commerciaux soit présent". La grande société de gestion ne pouvait pas accepter, car cela tuerait la rentabilité. Ils sont donc venus nous voir en demandant : "Pouvez-vous créer un assistant commercial IA pour participer à ces conversations ?"
Le flux de travail est le suivant : d'abord, ils ont environ mille produits, il faut donc construire une infrastructure de données pour les intégrer ; puis une couche d'entrée pour que l'autre partie puisse saisir les données client, avec isolation des accès ; ensuite un module de calcul pour déterminer le portefeuille de produits optimal pour ce client – cette partie est déterministe, c'est des mathématiques ; puis générer un argumentaire commercial pour la préparation de la réunion ; un outil à utiliser pendant la réunion ; et enfin, après la réunion, mettre à jour automatiquement la proposition de produits en fonction du compte-rendu. C'est un cycle de rétroaction complet, environ sept étapes. Ce système permet à cette grande société de gestion de servir une clientèle beaucoup plus large. C'est un cas typique.
Un autre exemple qui m'intéresse beaucoup, c'est le processus décisionnel d'investissement lui-même. Lors d'une due diligence, vous avez généralement dix axes de travail, vous engagez des avocats, divers conseillers – due diligence commerciale, environnementale... Coordonner tout cela est très stressant pour l'équipe d'investissement. Nous construisons pour eux une plateforme leur permettant d'interagir avec tous les conseillers, de leur envoyer des questions, de scanner automatiquement toute la salle des données. Vous pouvez voir une interface en temps réel, suivre la progression de tous les conseillers, et accéder aux questions que ce fonds a posées sur des projets similaires par le passé, en tirant les leçons des investissements antérieurs. Ainsi, ils peuvent utiliser la connaissance historique de l'institution et simplifier considérablement la communication avec les conseillers externes. Enfin, la production de documents est aussi automatisée, ce qui était aussi une lourde charge. J'ai vu trop d'investisseurs travailler le week-end sur cela, je suis content de pouvoir les en débarrasser.
Un autre exemple concerne les opérations du fonds, comme le calcul de la valeur nette d'inventaire ou la réconciliation de comptes – chaque mois, voire chaque jour après la clôture, il faut vérifier que les soldes sont corrects. Mon premier travail était la tenue de livres, c'était très chronophage, mais ce processus peut être entièrement automatisé. Bon, j'en ai dit beaucoup, j'espère que cela te donne une idée de scénarios utiles.
Yiwen : Sur la base de ce que tu viens de dire, je me demande : penses-tu que l'acquisition par le PE à l'ère de l'IA a changé ? Parce qu'avant, quand on parlait d'acquisition par un PE, on pensait à des fusions entre sociétés du portefeuille, des consolidations (roll-up). Maintenant, on semble presque entrer dans une ère de "roll-up par l'IA" – en surface, vous achetez ces entreprises, mais en réalité vous achetez leurs flux de travail pour les transformer en entreprises natives IA. Cela va-t-il changer le fonctionnement même du PE ?
Oliver : J'ai vu différentes approches, mais on peut les classer en deux catégories principales. La première catégorie d'investisseurs dira : "Nous ne pouvons pas investir dans les domaines où le risque de disruption par l'IA est trop élevé" – c'est une réaction intuitive. La seconde catégorie est celle des investisseurs qui adoptent une approche plus proactive. Ils diront : "C'est en fait un moment très intéressant pour créer de la valeur grâce à l'IA." La transaction d'Amex GBT en est un bon exemple, il y en a beaucoup d'autres. Les investisseurs acquièrent des entreprises qui n'étaient pas très technologiques par le passé, et les transforment très agressivement grâce à la technologie et à l'IA. Cela devient clairement une nouvelle stratégie pour certains GP en avance. Et je pense que la valeur à l'échelle qu'ils peuvent créer est réelle.
Mais créer cette valeur n'est pas simple. Un problème que je vois actuellement est l'écart entre ce que beaucoup imaginent pouvoir faire et la réalité de ce qui peut être mis en œuvre. Je veux souligner un point central : l'erreur que beaucoup commettent est de considérer l'IA uniquement comme un outil de réduction des coûts. En réalité, la vraie valeur de l'IA réside souvent dans la création de revenus, l'ouverture de nouvelles opportunités.
Je pose souvent cette question aux clients : Si je vous offrais gratuitement dix mille employés diplômés de l'université, que feriez-vous ? Qu'est-ce que vous avez toujours voulu faire mais que vous ne pouviez pas ? Parce que d'une certaine manière, c'est la capacité que l'IA apporte aujourd'hui. Comme dans mes deux exemples de sociétés de gestion, pour elles, cela signifie pouvoir pénétrer un tout nouveau segment de clients ou d'activités – un marché qu'elles ne pouvaient absolument pas atteindre auparavant. Il ne s'agit donc pas de réduire les coûts, mais d'augmenter les revenus. C'est, je pense, la direction que beaucoup d'entreprises devraient vraiment prendre. Mais actuellement, l'accent reste très fort sur la réduction des coûts par l'IA, ce qui n'est pas selon moi le levier le plus puissant. Il faut plutôt réfléchir à : qu'est-ce que je ne pouvais pas faire avant et que je peux faire maintenant ? C'est-à-dire la création de revenus.
Cela peut prendre plusieurs formes. Un autre exemple : nous avons un client qui est une entreprise laitière, avec de nombreuses fermes et vaches. En discutant avec eux, nous avons demandé : "Si vous aviez dix mille personnes, que feriez-vous ?" Ils ont répondu : "C'est une question intéressante. Nous écririons des rapports pour tous les comptes, car nous souhaitons réduire le temps passé sur ces rapports pour consacrer plus de temps à la santé des vaches." Nous avons donc construit pour eux un système complet d'intégration de données et d'IA sur mesure pour générer des rapports de santé pour toutes les vaches. Ainsi, ils peuvent récupérer du temps pour se concentrer réellement sur la santé des vaches, ce qui n'était pas faisable auparavant.
04. Comment l'IA transforme le conseil et les entreprises elles-mêmes ?
Yiwen : Ce que vous faites ressemble aussi à ce que font les cabinets de conseil, c'est l'autre sujet que je voulais aborder. Les cabinets de conseil traditionnels aidaient les clients à gérer des domaines qu'ils ne maîtrisaient pas. Mais maintenant, des entreprises technologiques comme la vôtre semblent remplacer ce rôle, en utilisant l'IA pour transformer les processus. Penses-tu que le secteur du conseil va devenir obsolète ? Ou le conseil va-t-il se transformer en conseil en transformation IA ?
Oliver : Je pense que dans les trois à cinq prochaines années, le conseil va connaître une croissance, car toutes les entreprises, en parlant d'IA, doivent repenser leur modèle économique. L'exemple le plus simple est celui des cabinets d'avocats, qui facturaient à l'heure, c'est de plus en plus difficile ; s'ils veulent passer à une facturation au résultat, toute la structure d'incitation change. Pour ce type de transformation, il faut en discuter avec quelqu'un, savoir comment d'autres l'ont fait, s'il y a de l'expérience à partager, il faut un guide. Je pense donc que la demande de conseil va augmenter sensiblement dans les trois à cinq ans à venir.
Mais ce qui libère vraiment la valeur, ce sont ceux qui, au final, laissent derrière eux une activité transformée. Je pense donc que le modèle des laboratoires d'IA et des entreprises comme la nôtre – qui, après avoir fait le travail, laissent une activité redéfinie – est la façon de créer de la valeur, plutôt que de simplement discuter de la transformation. Cela dit, actuellement le marché est très incertain, tout le monde est dans l'expectative, donc la demande de conseil est réelle, les gens ne savent pas comment faire, par où commencer. C'est aussi une grande partie de mon travail : m'asseoir avec les clients pour identifier ce qui mérite d'être fait en premier, et cela doit être du cas par cas.
Yiwen : As-tu rencontré des cas où une entreprise pensait pouvoir automatiser un flux de travail avec l'IA toute seule, mais où cela n'a tout simplement pas fonctionné ? Par exemple, les gens sont-ils parfois trop optimistes quant à l'IA, ou ont-ils une mauvaise compréhension de son fonctionnement ?
Oliver : Le problème le plus courant est de vouloir tout automatiser par l'IA, mais en réalité, cette voie est impraticable. Il faut bien faire plusieurs choses. Le point le plus crucial est une bonne plateforme de données, car sa valeur croît de manière exponentielle. L'IA, aussi intelligente soit-elle, ne peut rien faire sans informations et connaissances suffisantes. Nous avons un module de données appelé Neuron, qui intègre les données, les cartographie clairement, assure qu'elles sont utilisables. C'est le premier obstacle pour la plupart des entreprises, et le coût n'est pas négligeable, car elles n'ont jamais fait cela auparavant.
La deuxième erreur fréquente est : pour un flux de travail en dix étapes, toutes ne doivent pas être faites par l'IA. Vous pouvez utiliser l'IA pour optimiser le flux global, clarifier la logique, déterminer quelles étapes sont déterministes, mais toutes les étapes ne doivent pas être confiées à l'IA. Par exemple, pour un processus financier comme la réconciliation de comptes, vous ne voulez pas que l'IA le fasse, vous voulez un résultat déterministe. Donc on peut utiliser l'IA pour structurer la logique du flux, mais beaucoup d'étapes d'exécution doivent être codées en dur, des calculs mathématiques déterministes. Je pense que les deux plus gros pièges sont : premièrement, les données ; deuxièmement, confier à l'IA des choses qui devraient être déterministes.
Cet article provient du compte public WeChat "Silicon Valley 101", auteur : Yiwen
