Après avoir vu les pitchs de 199 entreprises lors du Demo Day YC W26, une sensation forte est restée : l'IA n'est plus simplement une « nouvelle technologie », mais est devenue une infrastructure ordinaire.

60 % des entreprises participantes sont nativement IA, et encore 26 % sont compatibles IA. En d'autres termes, seules 14 % des entreprises n'utilisent pas l'IA. Mais ce n'est pas ce chiffre qui est important. Ce qui a changé, c'est que tout le monde ne se demande plus « comment utiliser l'IA », mais « ce que l'IA peut remplacer ».

Les expressions comme copilote, assistant, copilote de vol sont devenues des termes désuets. Ce que visent maintenant les startups, c'est la substitution complète des emplois bien rémunérés. Beacon Health remplace le personnel d'autorisation préalable, Mendral gère le travail des ingénieurs, et LegalOS atteint un taux d'approbation de 100 % pour les demandes de visa. Ce ne sont pas des outils d'assistance, mais de véritables remplacements.

Il faut ici une reformulation intéressante. Le terme « agent IA » n'est plus simplement un terme technique, mais désigne désormais un métier à part entière. Recruteurs, juristes, assistants médicaux, DevOps, QA. Tout est une cible de remplacement.

Il est logique que le marché B2B représente 87 %. Le marché grand public ne concerne que 14 entreprises, dont seulement 7 sont officiellement classées « B2C ». Pourquoi ? Parce que les agents IA sont optimaux pour des flux de travail structurés. Le grand public reste un domaine difficile pour l'IA, avec beaucoup d'ambiguïtés.

Ce qui est intéressant, c'est ce que font les entreprises qui croissent le plus rapidement. Cabinets d'avocats, agences de recrutement, comptabilité, courtiers en assurance. Autrement dit, l'industrie des services professionnels existants. Arcline compte plus de 50 startups comme clients, fonctionnant comme une entreprise de services IA native. Panta se définit comme une « entreprise de services basée sur l'économie logicielle ». L'IA prend en charge 80 % du travail humain, fonctionne sur un modèle de rémunération à la performance, et profite des marges bénéficiaires du logiciel tout en maintenant la fiabilité du service.

La leçon de ce modèle est claire : commencer par le service, collecter des données, lancer l'automatisation, puis évoluer vers une plateforme. Le service est la clé, et les données deviennent le fossé.

Le sujet des canaux de distribution est également intéressant. Parmi les 15 entreprises en croissance rapide, 60 % ont obtenu leurs premiers clients via leur réseau de fondateurs ou le réseau YC. Autrement dit, ces entreprises savaient dès le départ « à qui elles allaient vendre » et « comment atteindre ces clients ».

Le schéma le plus typique est de vendre à d'anciens collègues. Les fondateurs de Fed10 étaient d'anciens lobbyistes, leur carnet d'adresses étant leur canal de vente. Les fondateurs de Squid ont travaillé longtemps chez State Grid, connaissant l'inefficacité de la planification du réseau électrique. Ils n'ont pas eu besoin de chercher des clients, ils étaient leurs propres clients.

Les antécédents des fondateurs sont également caractéristiques. 46 % forment des équipes de deux, la majorité étant composée de deux cofondateurs techniques avec des compétences différentes (35 %). Ce n'est pas une paire de hackers et commerciaux, mais deux techniciens. Et ils sont souvent des camarades de promo, d'anciens collègues ou ont lancé une entreprise ensemble dans le passé.

Les fondateurs des entreprises les plus performantes ont un point commun : ils connaissent le problème qu'ils veulent résoudre à partir d'une expérience personnelle profonde. Un dentiste développe une IA chirurgicale chez Mango Medical, un superviseur de maintenance aéronautique automatise la création de documents avec Zymbly, et des fils de fermiers créent GrazeMate avec un robot cow-boy. Ce ne sont pas des industries à la mode, mais des secteurs modestes et profonds, dans lesquels les entreprises sont les plus fortes.

Le retour de l'hardware ne doit pas être ignoré. 18 % des startups incluent des composants hardware. C'est une augmentation significative par rapport aux années précédentes. Remy AI et Servo7 fabriquent des robots d'entrepôt, Pocket a expédié plus de 30 000 appareils portables. Des entreprises fondées par d'anciens de SpaceX ou Tesla se démarquent dans ce groupe.

L'importance de l'avantage basé sur les données a également été soulignée. LegalOS a atteint un taux d'approbation de 100 % en s'entraînant sur 12 000 demandes de visa. Shofo construit la plus grande bibliothèque vidéo indexée au monde. Étant donné qu'ils utilisent tous le même modèle de base, la donnée propriétaire devient une défense clé.

Les modèles d'échec sont aussi clairs. Huit à dix entreprises qui construisent des agents avec surveillance ou fonctionnalités de test sont dans une zone à risque. Parce que les fournisseurs de modèles fondamentaux intègrent ces fonctionnalités nativement. Les services IA native sans avantage en données sont également vulnérables. La monétisation est rapide, mais leur défense est faible, car leur technologie principale peut être copiée en quelques semaines.

Une reformulation intéressante est que la stratégie de mise sur le marché échoue lorsqu'on « construit puis espère ». Les entreprises à succès demandent d'abord « à qui elles peuvent atteindre et ce dont ces personnes ont besoin en urgence ». Les entreprises qui échouent se demandent « comment vendre parce qu'elles ont un bon produit ». La différence fait tout.

Les secteurs du grand public, de l'éducation et de la tech gouvernementale sont également sous-représentés. Très peu d'entreprises participent dans ces domaines. Historiquement, plus un secteur a peu de fonds, plus il génère de retours importants par la suite. La prochaine grande vague d'IA se produira dans ces domaines négligés.

Les cinq caractéristiques communes des entreprises en forte croissance sont : vendre des résultats, non des outils ; établir des relations clients avant le lancement ; commencer à facturer dès le premier jour ; avoir des clients dans une situation critique ; et un MVP étonnamment simple.

La qualité des pitchs variait aussi beaucoup. Pour qu'une présentation reste dans les mémoires, elle doit comporter sept éléments : des données percutantes ou une problématique, un problème spécifique et peu commun, une déclaration explosive sur l'équipe, une explication de la nécessité du marché, une traction surpassant la vitesse, une insight unique, et une conclusion folle. « Le premier Oscar IA naîtra chez Martini » ou « Réservez dès 2032 un hôtel sur la Lune » : ces mots influencent la décision des investisseurs, et c'est tout ce qui compte.

GRU Space prévoit de construire un premier hôtel sur la Lune d'ici 2032, avec une lettre d'intention de 500 millions de dollars et une invitation à la Maison Blanche. Terranox a découvert un gisement d'uranium valorisé entre 200 et 700 millions de dollars. Ditto Bio déchiffre avec l'IA des protéines de contrôle immunitaire évoluées par des parasites, pour concevoir des immunothérapies innovantes. Ces entreprises ne sont pas de simples sociétés technologiques, mais s'attaquent à des problèmes fondamentaux de l'humanité.

La plus grande leçon du Demo Day est que l'ère des startups IA natives est véritablement lancée. Mais les véritables gagnants ne sont pas ceux qui utilisent l'IA efficacement, mais ceux qui, tout en ayant une expertise profonde, innovent dans l'industrie existante avec l'IA. S'implanter profondément dans des secteurs modestes, construire une roue de données, éviter les wrappers IA génériques : voilà la leçon la plus importante qui ressort de ces 199 pitchs.