a16z : Sous l'égide des agents intelligents IA, l'industrie du logiciel perd-elle sa voie ?

Auteur : Seema Amble, associée chez a16z ; Source : a16z ; Traduction : Shaw, Jinse Caijing

Le secteur logiciel est-il en train de perdre sa voie ?

Le mois dernier, Salesforce a annoncé l’ouverture de ses interfaces de programmation (API) et le lancement de produits sans interface utilisateur (UI). C’est essentiellement un pari : à l’ère des agents intelligents, la valeur centrale réside dans la couche de données, et non dans l’interface utilisateur (UI). C’est une repositionnement stratégique astucieux. Cependant, il est important de noter que, sur le plan technologique, il n’y a pas eu de changements majeurs : les API que Salesforce promeut aujourd’hui comme « produits sans tête » existaient en réalité depuis plusieurs années. En d’autres termes, il s’agit simplement d’un lancement marketing typique de Salesforce. La logique centrale de ce nouveau produit est : un agent IA (AI Agent) peut accéder directement aux données du système de gestion des enregistrements, sans avoir besoin d’adapter une interface utilisateur conçue pour l’humain, utilisée pour suivre les flux de travail.

Ce lancement soulève également une question plus profonde : si l’on retire l’interface utilisateur et que l’on ouvre directement la base de données sous-jacente, quelle est la véritable valeur centrale restante ? En quoi cela diffère-t-il fondamentalement d’une base de données PostgreSQL, d’une structure de tables bien conçue, accompagnée d’une API ? Les barrières classiques qui ont permis aux systèmes d’enregistrement traditionnels de perdurer restent-elles valides ? Ou le secteur a-t-il développé de nouveaux critères d’évaluation ? À l’ère SaaS, la compétitivité des systèmes d’enregistrement repose sur une forte dépendance à l’interface pour que les utilisateurs puissent travailler efficacement. À l’ère des agents intelligents, cet avantage s’affaiblit. La valeur de différenciation des entreprises commence à s’ancrer dans le modèle de données, le système de permissions, la logique des flux de travail, la conformité, tout en s’étendant vers l’écosystème, la génération de données propriétaire, et la mise en œuvre concrète des activités commerciales.

Lorsque le logiciel évolue vers une ère sans interface, où se déplaceront réellement les barrières concurrentielles ?

L’interface utilisateur est elle-même le produit

Les systèmes d’enregistrement sont des sources de vérité autorisées dans des domaines de données métier spécifiques. La version officielle des relations clients, des dossiers employés, des transactions financières est stockée ici, et c’est également le cœur des outils qui lisent ou écrivent ces données.

Les systèmes de gestion de la relation client (CRM) sont les systèmes d’enregistrement des revenus ; les systèmes d’information des ressources humaines (HRIS) sont ceux de gestion du personnel ; les systèmes de planification des ressources d’entreprise (ERP) sont ceux de gestion financière.

La force de ces systèmes ne réside pas seulement dans le stockage des données, mais dans leur rôle de référence unifiée sur laquelle repose la collaboration globale de l’entreprise.

Au cours des vingt dernières années, Salesforce a essentiellement vendu une méthode de gestion commerciale à ses responsables commerciaux. Les tableaux de bord, les vues en entonnoir de vente, les outils de prévision, le flux d’informations dynamique, ce sont ces éléments que les utilisateurs achètent réellement. Le modèle commercial repose sur la vente de licences d’utilisateurs, permettant à ces derniers d’accéder à ces fonctionnalités. La base de données sous-jacente est certes essentielle, mais elle devient plutôt une configuration accessoire dans la valeur commerciale.

Cela signifie que : l’interface utilisateur détermine la fidélité des utilisateurs. Elle standardise la saisie des données, établit un vocabulaire métier commun : leads, opportunités, comptes clients. Elle pousse des milliers de commerciaux à saisir activement des données qui n’étaient pas enregistrées auparavant. L’interface utilisateur a toujours été le mécanisme clé pour maintenir la cohérence et la régularité des données.

Ce produit possède une fidélité très forte : de nombreux responsables commerciaux continuent d’utiliser Salesforce après avoir changé d’entreprise, non pas parce que l’interface est exceptionnelle, mais par habitude, par mémoire musculaire.

Aujourd’hui, les agents IA bouleversent ce modèle traditionnel. Ces agents peuvent accéder directement aux données sous-jacentes, sans passer par une interface frontale. Cela engendre une multitude d’outils et de solutions de substitution qui évitent l’interface d’origine (Salesforce n’est pas une exception : nous avons récemment publié une analyse montrant que l’écosystème autour de SAP se développe rapidement pour s’adapter à l’IA).

Sur le long terme, les agents informatiques vont progressivement réduire l’importance des facteurs centrés sur l’humain : préférences personnelles, formation, connaissances tacites implicites dans le contexte métier. En d’autres termes, la pérennité d’un système d’enregistrement repose sur l’évolution de ses conditions fondamentales.

Les barrières classiques de fidélité

Avant d’examiner les transformations apportées par l’ère des agents intelligents, il est essentiel de clarifier : qu’est-ce qui a initialement créé la forte fidélité des utilisateurs aux systèmes d’enregistrement ? La réponse principale réside dans la façon dont les humains interagissent avec le logiciel et dans leurs préférences personnelles. La forte fidélité est largement due à l’interface, aux habitudes d’utilisation, aux flux de travail manuels, et aux processus métier intégrés.

Fréquence d’utilisation

Les systèmes CRM sont utilisés quotidiennement par les équipes commerciales et autres personnels concernés. Cette utilisation fréquente en fait une infrastructure critique de l’entreprise ; mais les habitudes culturelles et managériales qui s’y sont construites — processus fixes, mémoire musculaire, rythme de gestion ancré depuis des années — sont souvent les plus difficiles à faire évoluer, voire même que l’entreprise ne réalise pas que ce système doit lui aussi être reconstruit.

Lecture seule ou lecture/écriture

Un système d’enregistrement à forte fidélité doit permettre une lecture et une écriture bidirectionnelles. Prenons l’exemple du CRM : il ne s’agit pas d’un simple dépôt d’archives, mais d’un système constamment lu et mis à jour. Chaque appel, chaque étape d’opportunité, chaque tâche créée est activement saisie par les utilisateurs. Ce flux bidirectionnel implique que tout système de remplacement doit pouvoir gérer des données opérationnelles en temps réel, et pas seulement importer des données historiques. Il n’y a pas de fenêtre de transition totalement sûre pour une migration sans interruption, ce qui explique que, une fois déployé, le système reste souvent lié à son fournisseur d’origine. À l’inverse, un système de suivi du recrutement (ATS) est souvent en lecture seule ou en lecture limitée : après le recrutement, il y a peu de besoin de consulter ces données, ce qui réduit la fidélité.

Combien de processus opérationnels non documentés (SOP) ?

Les connaissances tacites, vitales pour l’activité, ne figurent pas dans des documents de connaissance, mais sont encapsulées dans des règles de flux de travail construites par les administrateurs ou intégrateurs du système. Par exemple, dans la vente : il peut s’agir d’un ordre supérieur à 100 000 dollars nécessitant l’approbation d’un vice-président, ou d’un processus de vérification de conformité pour les régions EMEA, ou d’une remise stratégique pour les grands comptes, qui ne peut être appliquée qu’en fin de trimestre sans approbation financière. Ces règles tacites déterminent souvent si une opération peut aboutir à temps, si elle respecte les normes, voire si elle peut être réalisée. Lors d’une migration, il faut soit déconstruire chaque automatisation, soit perdre ces connaissances organisationnelles accumulées.

Le système dépend-il de nombreuses dépendances internes ou externes ?

Le critère clé est : combien de systèmes internes, de processus d’équipe ou de partenaires externes dépendent de ce système d’enregistrement central. La connectivité interne concerne les autres logiciels et flux de travail en aval ; la connectivité externe concerne les auditeurs, comptables, régulateurs — par exemple, l’ERP doit souvent donner accès directement à ces acteurs. Plus la dépendance est forte, plus la migration doit gérer un réseau complexe de liens.

Du point de vue de la conformité, quelle est la criticité des données ?

La question est simple : ce système est-il critique pour la conformité ? Les systèmes clés comme la paie, l’ERP, les données RH doivent disposer de sources de vérité légales et d’un contrôle strict des accès administratifs. Toute migration doit faire intervenir directement les autorités de contrôle, ce qui augmente considérablement la fidélité et la barrière à la migration. En revanche, des outils comme les données de vente ou Zendesk, qui concernent le service client, ont une importance moindre pour la conformité, même si leur continuité est importante pour l’activité.

Tous les systèmes d’enregistrement ne présentent pas le même coût de changement. En comparant CRM et ATS selon ces critères, la différence est évidente : l’ATS sert un processus fermé, avec peu d’interactions après la saisie initiale, et un petit nombre d’utilisateurs concentrés. Le CRM, lui, est au contraire une infrastructure critique : il s’agit d’un système qui enregistre la majorité des interactions commerciales, et dont la migration est très complexe. La base comptable (ERP) est encore plus critique : elle constitue la preuve d’audit, et tout changement implique des acteurs réglementaires. Remplacer un ATS est difficile mais supportable ; remplacer un CRM, c’est comme une chirurgie cardiaque ; remplacer un ERP, c’est comme faire courir un patient tout en lui ouvrant le thorax.

Historiquement, les systèmes d’enregistrement n’ont pas exploité d’avantages liés aux données propriétaires ou aux effets de réseau pour construire une barrière. Se basant uniquement sur les flux métier, ils ont souvent suffi à créer leur propre protection. En revanche, dans le secteur grand public, il est courant d’intégrer des outils et des écosystèmes de réseau, mais cela n’a jamais été le cas pour les systèmes d’enregistrement.

Données propriétaires

Bien que la majorité des systèmes d’enregistrement collectent des données clients, ils ne parviennent pas à exploiter ces données en profondeur (souvent en raison de restrictions contractuelles). Même si un CRM possède une richesse de données et pourrait agréger des informations clients à l’échelle, il n’a pas encore permis de développer des applications concrètes à forte valeur ajoutée (malgré quelques tentatives, comme Salesforce Einstein).

Effet de réseau

L’effet de réseau est la barrière ultime rêvée par l’industrie. Si un système peut générer un effet de réseau, la valeur du CRM augmente avec l’écosystème, permettant aux vendeurs de mieux faire correspondre l’offre et la demande. Mais, comme pour la valeur des données, l’effet de réseau des systèmes d’enregistrement a toujours été très faible.

Que reste-t-il lorsque l’interface utilisateur disparaît et que les agents intelligents prennent le relais ?

Les agents IA n’ont pas besoin de navigateur : ils utilisent uniquement des API, le contexte métier, des instructions d’exécution et des capacités d’action. Deux conditions technologiques rendent cette mise en œuvre à grande échelle possible : d’abord, les grands modèles (large models) ont désormais une capacité de raisonnement suffisante. Aujourd’hui, les agents peuvent comprendre le contexte métier, élaborer des plans d’action, appeler des outils, exécuter des opérations, puis faire un bilan. La majorité des tâches peuvent être réalisées sans intervention humaine. Ensuite, le protocole MCP standardise l’appel aux outils, offrant une interface unifiée pour accéder à des capacités externes. Les agents compatibles MCP peuvent effectuer toutes les opérations d’un utilisateur humain en quelques millisecondes, fonctionner à grande échelle, sans navigateur. Avec un contexte métier complet, un agent informatique peut même s’adapter et manipuler directement des interfaces logicielles traditionnelles, sans dépendre des API officielles.

En résumé, aujourd’hui, trois options s’offrent aux acheteurs de logiciels :

1. Utiliser le système existant + ajouter un agent intelligent. En s’appuyant sur les capacités en ligne de commande et API du système actuel, on peut utiliser des agents natifs (comme Agentforce de Salesforce ou Joule de SAP), ou développer ses propres agents (en supposant que l’API soit complète et que la transformation sans tête soit opérationnellement simple).

2. Construire un système d’enregistrement sur mesure. En partant de zéro, en concevant un modèle de données, une logique métier, un système de permissions, un audit, et en développant ses propres agents (souvent avec des outils tiers).

3. Acheter un logiciel de nouvelle génération conçu pour l’IA. Un logiciel entièrement repensé pour l’ère des agents, avec une architecture sans tête, orienté machine, où l’orchestration des agents est une fonctionnalité native.

Alors, quels sont encore les critères valides pour mesurer la fidélité d’un système ? La dépendance à l’humain et aux habitudes d’utilisation, comme la fréquence d’usage ou la lecture/écriture, s’affaiblit. Les agents IA pourraient faire tomber ces barrières, mais ils ne remplaceront pas la logique métier et le contexte métier qui forment la véritable barrière. Au contraire, cette logique devient encore plus cruciale : pour que l’agent fonctionne en toute sécurité et conformité, il doit suivre des règles, des permissions et des processus clairement définis.

À court terme, les processus tacites non documentés restent essentiels. La logique métier native, encapsulée dans les flux de travail, est la base pour que l’agent exécute correctement les activités. C’est aussi la partie la plus difficile à reconstruire. Ces connaissances tacites ne peuvent pas encore être entièrement extraites, surtout lorsque des humains participent encore aux processus. Cependant, la digitalisation du contexte métier devient plus facile, et à mesure que les agents remplacent davantage d’interventions humaines, l’importance de ces connaissances tacites diminuera.

La complexité de décomposer la connectivité des systèmes reste élevée, et son impact est étendu. La connectivité ne concerne plus seulement l’adaptation à l’action humaine, mais aussi la coordination entre fonctions métier et logiciels disparates. Par exemple, un agent CRM doit relier les données et le contexte de vente, de facturation, de succès client. Si votre plateforme devient un hub pour plusieurs acteurs externes (acheteurs, vendeurs, partenaires), la dépendance au système s’accroît. Que ce soit par des solutions propriétaires ou par des systèmes construits en interne, la coordination entre différentes couches logicielles sera très difficile.

L’importance des données sensibles à la conformité reste inchangée. Les données réglementées, comme la paie ou la comptabilité, doivent disposer d’une source de vérité unique et fiable. La confiance dans ces systèmes limite fortement la volonté de remplacement. Même si un agent souhaite accéder à ces données, l’entreprise hésite à développer ou maintenir une infrastructure conforme. La grande question à l’ère de l’IA est : quels agents ont le droit d’agir en leur nom, quelles opérations peuvent-ils effectuer, et comment assurer une traçabilité complète ? Si un système d’enregistrement devient le socle d’identité et de permissions pour l’interaction entre agents, il acquiert une position structurelle difficile à remplacer — sa barrière ne réside pas dans les données, mais dans la confiance et la gouvernance qu’il établit.

En regardant vers l’avenir, les facteurs clés qui détermineront la compétitivité des startups en IA native deviennent de plus en plus clairs.

Quelle est la difficulté de reconstruire un système d’enregistrement central ?

L’importance des données se manifeste à plusieurs niveaux. À court terme, cela dépend de la facilité à extraire ou dupliquer les données sous-jacentes du système existant. Les outils IA ont considérablement réduit ces barrières. À court terme, les grands fournisseurs peuvent volontairement augmenter la difficulté de migration : API complexes, restrictions d’accès, fonctionnalités incomplètes, tarification peu attractive, ou API non ouverte. Mais avec l’amélioration continue des outils d’extraction de données et des agents IA capables d’opérer comme des humains, ces barrières diminueront. Par ailleurs, de nouveaux acteurs exploitent des données plus riches issues des emails, des conversations vocales, des documents internes. L’IA réduit le coût de reproduction des 80 % fondamentaux d’un système d’enregistrement ; mais les 20 % restants — processus exceptionnels, règles d’approbation, exigences réglementaires, workflows marginaux — restent la clé pour différencier une solution de substitution partielle d’une solution véritablement complète.

La possession de données véritablement exclusives est-elle assurée ?

Ensuite, la valeur stratégique des données devient encore plus évidente. La véritable barrière ne réside pas dans les données importées de l’extérieur, mais dans celles générées par le processus métier lui-même. La notion de « mur de données » désigne des actifs de données propriétaires, soumis à des contraintes réglementaires, nécessitant une mise à jour continue. Les fournisseurs de logiciels qui investissent dans des jeux de données complets et autoritaires ont un avantage naturel. La dimension de la barrière de données s’étend aussi à celles issues des activités internes : les grandes entreprises ne se contentent pas de stocker des données externes, elles participent profondément à leurs processus métier, créant ainsi de nouvelles données dérivées : comportements utilisateur, taux de réponse, rythmes temporels, résultats de processus, benchmarks sectoriels, détections d’anomalies, trajectoires d’agents IA, etc. La logique fondamentale a changé : la donnée devient le contexte métier.

La maîtrise de l’exécution opérationnelle ?

Dans le mode traditionnel, il suffit de stocker des enregistrements pour créer de la valeur ; dans le nouveau mode, où les agents IA prennent des décisions d’action, la barrière concurrentielle se déplace vers des produits capables de boucler la boucle métier : initier une opération, capturer le résultat, utiliser le retour pour optimiser la décision suivante, et ainsi de suite. Par exemple, un ERP automatisant l’approbation des dépenses, déclenchant la paie, la réconciliation des factures, ou envoyant des notifications, possède une barrière plus profonde : il s’intègre directement dans le processus d’exécution. Ces produits, qui produisent des données propres et deviennent plus intelligents à chaque utilisation, ont une barrière d’entrée très forte : leur remplacement peut entraîner une rupture de processus critique. Plus un produit couvre de processus métier, plus il gère de scénarios marginaux, plus sa valeur est élevée.

La capacité à exécuter dans le monde réel ?

Les modèles d’affaires qui s’appuient sur des opérations physiques hors ligne, non entièrement automatisables, créent une barrière unique. Par exemple, une entreprise disposant d’un réseau d’opérations sur le terrain (comme DoorDash) n’est pas une simple plateforme d’enregistrement, mais une organisation capable de coordonner la livraison, la logistique, le personnel sur le terrain, et la gestion physique. Ces entreprises ne se contentent pas de stocker des données ou de donner des conseils : elles mobilisent des ressources humaines, des biens matériels, et assurent la livraison physique.

Pour les entrepreneurs, cela représente une opportunité énorme : dans des secteurs où la décision logicielle est autonome, mais où la dernière étape doit se faire physiquement, il existe un potentiel considérable. Par exemple, dans la gestion des équipes mobiles ou des services sur le terrain.

La capacité à générer un effet de réseau ?

Historiquement, la plupart des systèmes d’enregistrement ont peu d’effet de réseau, car ils servent principalement des processus internes. Mais à l’ère des agents, si le système s’intègre profondément dans la collaboration multi-parties, l’effet de réseau devient crucial. Si la plateforme devient un centre d’échange pour plusieurs acteurs — acheteurs, vendeurs, employeurs, employés, partenaires, régulateurs — chaque nouvel acteur augmente la valeur pour tous.

Les trois formes principales d’effet de réseau sont :

• Partage de flux de travail : une plateforme unifiée pour la coordination, la synchronisation, la gestion des exceptions ;

• Normes sectorielles et insights intelligents : en exploitant le comportement global, produire des standards, des alertes, des recommandations, en complément des données propriétaires ;

• Base de confiance et de standardisation : si toutes les parties s’appuient sur la même plateforme pour l’approbation, la conformité, le paiement, la gestion, le produit devient une infrastructure de marché, difficile à remplacer.

La capacité technique des acheteurs ?

Théoriquement, toute entreprise peut développer ses agents IA, mais la mise en œuvre pratique est très variable. Dans les secteurs spécialisés ou les fonctions traditionnelles, beaucoup manquent de ressources en ingénierie pour construire, maintenir, et faire évoluer en continu une base de données, des flux métier, une gouvernance d’agents. Le coût est aussi un facteur : le développement interne peut sembler moins cher que l’achat, mais il transfère le coût vers la mise en œuvre, la maintenance, la complexité interne. Cela ouvre une opportunité pour certains secteurs : ceux où les processus sont complexes, mais où l’offre technologique est insuffisante, comme la fabrication, la construction, la maintenance industrielle, les services sur le terrain, la comptabilité et l’audit.

Il y a aussi des conditions fondamentales d’accès : d’abord, la refonte de l’architecture des données. Beaucoup de stratégies « auto-construite » sous-estiment la valeur métier des objets. Les architectures classiques, centrées sur tableaux de bord, rapports, et processus manuels, traitent principalement des opportunités, des candidatures, etc. Pour l’IA, il faut une architecture adaptée à la logique de raisonnement, à l’exécution d’actions, au suivi d’états, à la gestion des anomalies, à la délégation de tâches, et à la collaboration inter-systèmes. Les objets clés deviennent les tâches, intentions, conversations, règles de gouvernance, résultats métier.

Ensuite, le système de permissions doit évoluer pour gérer les agents, pas seulement les humains. Il faut définir qui peut agir, avec quel agent, selon quelles règles, avec quelles approbations, comment auditer, et prévoir des mécanismes de secours.

Bien sûr, tout cela a un coût : la construction et la maintenance d’agents, les appels API, etc., qui se ramènent finalement à la difficulté de reproduire ou d’extraire les données, et à la complexité des dépendances.

Où tout cela mène-t-il finalement ?

Lors de la transition des éditeurs logiciels vers une architecture sans tête, il y a une hypothèse implicite : la valeur reste centrée sur la couche de données. Dans certains secteurs, notamment la finance et les services réglementés, cette hypothèse peut rester valable encore longtemps, et la transition vers une architecture totalement sans tête sera plus lente.

Pour les startups logicielles, la compétition avec ces grands acteurs en transition vers le sans tête, tout en construisant des produits à long terme différenciés, nécessite une nouvelle logique stratégique.

Les nouveaux systèmes d’enregistrement fondamentaux prennent déjà une nouvelle forme : ils ne sont plus de simples conteneurs pour stocker des données d’activité humaine, mais intègrent des capacités natives d’agents intelligents, capables de capturer automatiquement le contexte métier, de lancer des processus, et d’accumuler des données dérivées tout au long du cycle.

Plus encore, les entreprises à fort potentiel de croissance s’étendront probablement à la mise en œuvre concrète dans le monde réel : coordonner le travail sur le terrain, gérer la logistique, orchestrer des acteurs multiples ou servir d’intermédiaire pour des échanges multi-parties. Ces nouveaux modèles fusionnent avec la logique commerciale traditionnelle ; en revanche, la donnée, cœur des systèmes d’enregistrement classiques, recule dans l’ombre, en tant que fondation sous-jacente.