Les dernières perspectives de a16z : Les entreprises d'IA grand public vont redéfinir le marché des logiciels d'entreprise

Titre original : The Great Expansion: A New Era of Consumer Software

Source originale : Olivia Moore, associée chez a16z
Rédaction et traduction : Leo, Deep Thinking Circle

Vous êtes-vous déjà demandé pourquoi les produits grand public d’IA apparus ces deux dernières années ont pu passer de zéro à plusieurs millions d’utilisateurs et dépasser 100 millions de dollars de revenus annuels en moins de deux ans ? Un tel rythme de croissance était presque inimaginable avant l’IA. En surface, cela s’explique par une distribution plus rapide et un revenu moyen par utilisateur plus élevé. Mais j’ai remarqué un changement plus profond que la plupart des gens ignorent : l’IA a complètement transformé le modèle de rétention des revenus des logiciels grand public.

J’ai récemment lu une analyse d’Olivia Moore, associée chez a16z, intitulée « The Great Expansion: A New Era of Consumer Software », dans laquelle elle qualifie ce phénomène de « Great Expansion » (Grande Expansion). Je pense qu’elle a saisi une tendance clé. Après avoir réfléchi à ce point de vue, j’ai réalisé qu’il ne s’agissait pas simplement d’un ajustement de modèle économique, mais d’une transformation fondamentale des règles du jeu dans l’industrie du logiciel grand public. Nous assistons à un tournant historique : les entreprises de logiciels grand public n’ont plus besoin de lutter contre la perte d’utilisateurs, mais peuvent désormais compter sur l’expansion continue de la valeur utilisateur pour croître. La frontière entre le marché grand public et le marché entreprise devient de plus en plus floue à certains égards.

L’impact de ce changement est immense. Les entreprises traditionnelles de logiciels grand public devaient chaque année consacrer d’énormes efforts et budgets à remplacer les utilisateurs perdus, simplement pour maintenir le statu quo. Désormais, les entreprises qui ont saisi l’opportunité de l’IA constatent que chaque cohorte d’utilisateurs ne perd pas de valeur, mais contribue au contraire à des revenus croissants au fil du temps. C’est comme passer d’un seau qui fuit à un ballon qui se gonfle sans cesse : le modèle de croissance est radicalement différent.

De ce point de vue, je pense personnellement que c’est une opportunité majeure pour les entreprises qui s’internationalisent, car les produits grand public peuvent s’appuyer sur le PLG (Product-Led Growth) pour croître et générer des revenus, évitant ainsi la faiblesse des équipes chinoises sur le segment SLG à l’étranger. Même s’il s’agit du marché entreprise, le modèle de croissance ressemble à celui des produits B2C. Je le ressens personnellement : mon propre projet, un produit Vibe coding B2B entièrement orienté entreprise, est en ligne depuis un mois et a obtenu de bons retours grâce à une acquisition client basée sur le PLG.

Le défaut fondamental du modèle traditionnel

Revenons d’abord à la façon dont les logiciels grand public gagnaient de l’argent avant l’IA. Moore mentionne dans son analyse deux principaux modèles, et je trouve son résumé très pertinent. Le premier est le modèle basé sur la publicité, principalement utilisé pour les applications sociales, directement lié à l’utilisation, de sorte que la valeur de chaque utilisateur reste généralement stable dans le temps. Instagram, TikTok, Snapchat en sont des exemples. Le second est le modèle d’abonnement unique, où tous les utilisateurs payants versent le même montant fixe chaque mois ou chaque année pour accéder au produit. Duolingo, Calm, YouTube Premium utilisent ce modèle.

Dans ces deux modèles, la revenue retention (rétention des revenus) est presque toujours inférieure à 100 %. Chaque année, une certaine proportion d’utilisateurs se désabonne, et ceux qui restent continuent de payer le même montant. Pour les produits d’abonnement grand public, conserver 30 à 40 % de rétention utilisateur et de revenus à la fin de la première année est considéré comme une « best practice ». Ces chiffres sont déprimants.

J’ai toujours pensé que ce modèle souffrait d’un défaut structurel fondamental : il crée une contrainte de base, obligeant l’entreprise à remplacer constamment les revenus perdus pour maintenir la croissance, sans parler de l’expansion. Imaginez un seau qui fuit : il faut sans cesse y ajouter de l’eau pour maintenir le niveau, et en ajouter plus que ce qui s’échappe pour que le niveau monte. Voilà le dilemme des entreprises de logiciels grand public traditionnels : elles sont piégées dans un cycle sans fin d’acquisition-perte-réacquisition d’utilisateurs.

Le problème de ce modèle n’est pas seulement numérique, il influence aussi la stratégie globale et l’allocation des ressources de l’entreprise. La plupart des efforts sont consacrés à l’acquisition de nouveaux utilisateurs pour compenser la perte, au lieu d’approfondir la relation avec les utilisateurs existants ou d’augmenter la valeur du produit. C’est pourquoi tant d’applications grand public envoient des notifications incessantes et utilisent toutes sortes de moyens pour augmenter la rétention, car elles savent que dès qu’un utilisateur arrête d’utiliser le produit, le revenu disparaît immédiatement.

Je pense que ce modèle sous-estime fondamentalement le potentiel de valeur des utilisateurs. Il suppose que la valeur utilisateur est fixe : une fois abonné, l’utilisateur a atteint son plafond de contribution. Mais en réalité, à mesure que l’utilisateur se familiarise avec le produit, ses besoins augmentent souvent, tout comme sa volonté de payer. Le modèle traditionnel ne capte pas cette opportunité de croissance de valeur.

Réécriture des règles du jeu à l’ère de l’IA

L’arrivée de l’IA a complètement changé la donne. Moore appelle ce changement la « Great Expansion » (Grande Expansion), un nom très approprié. Les entreprises d’IA grand public à la croissance la plus rapide constatent désormais des taux de rétention des revenus supérieurs à 100 %, ce qui était presque inimaginable dans le logiciel grand public traditionnel. Ce phénomène se manifeste de deux manières : premièrement, les dépenses des consommateurs augmentent à mesure que les revenus basés sur l’utilisation remplacent les frais fixes d’« accès » ; deuxièmement, les consommateurs introduisent les outils dans leur environnement professionnel à une vitesse inédite, où ils peuvent être remboursés et bénéficier de budgets plus importants.

J’ai observé un changement clé dans les comportements utilisateurs. Dans les logiciels traditionnels, l’utilisateur utilise ou n’utilise pas le produit ; il s’abonne ou annule son abonnement. Mais dans les produits d’IA, l’engagement et la valeur générée par l’utilisateur augmentent progressivement. Il commence peut-être par utiliser occasionnellement des fonctions de base, mais à mesure qu’il découvre la valeur de l’IA, il devient de plus en plus dépendant de ces outils, et ses besoins s’élargissent.

La trajectoire de cette différence est spectaculaire. Moore note qu’avec un taux de rétention des revenus de 50 %, une entreprise doit remplacer la moitié de sa base d’utilisateurs chaque année pour rester stable. Mais avec plus de 100 %, chaque cohorte d’utilisateurs s’étend, la croissance s’ajoutant à la croissance. Ce n’est pas qu’une amélioration numérique, c’est un tout nouveau moteur de croissance.

Je pense que plusieurs raisons profondes expliquent ce changement. Les produits d’IA bénéficient d’effets d’apprentissage : plus ils sont utilisés, plus ils deviennent utiles. Plus l’utilisateur investit de temps et de données, plus le produit lui apporte de valeur. Cela crée une boucle de rétroaction positive : plus d’utilisation génère plus de valeur, plus de valeur entraîne plus d’utilisation et une plus grande volonté de payer.

Un autre facteur clé est la nature utilitaire des produits d’IA. Contrairement à de nombreuses applications grand public traditionnelles, les outils d’IA résolvent souvent directement des problèmes concrets ou augmentent la productivité. L’utilisateur perçoit donc facilement les bénéfices directs de ces outils et est plus enclin à payer pour cette valeur. Lorsqu’un outil d’IA vous fait gagner plusieurs heures de travail, payer pour une utilisation supplémentaire devient très rationnel.

Une architecture tarifaire ingénieuse

Analysons en détail comment les entreprises d’IA grand public les plus performantes construisent leur stratégie tarifaire. Moore souligne qu’elles n’utilisent plus un abonnement unique, mais un modèle hybride combinant plusieurs niveaux d’abonnement et des composants basés sur l’utilisation. Si l’utilisateur épuise ses crédits inclus, il peut en acheter davantage ou passer à une offre supérieure.

Je pense qu’il y a ici une leçon importante venue de l’industrie du jeu vidéo. Les sociétés de jeux tirent depuis longtemps la majorité de leurs revenus de leurs « whales » (gros dépensiers). Limiter la tarification à un ou deux niveaux revient probablement à gaspiller des opportunités de revenus. Les entreprises intelligentes construisent des niveaux autour de variables telles que le nombre de générations ou de tâches, la vitesse et la priorité, ou l’accès à des modèles spécifiques, tout en offrant des crédits et des options de mise à niveau.

Voyons quelques exemples concrets. Google AI propose un abonnement Pro à 20 dollars par mois et un abonnement Ultra à 249 dollars par mois, et facture des frais supplémentaires pour les crédits Veo3 lorsque l’utilisateur dépasse le quota inclus (ce qui arrive inévitablement). Les packs de crédits supplémentaires commencent à 25 dollars et vont jusqu’à 200 dollars. D’après ce que je sais, de nombreux utilisateurs dépensent autant pour les crédits Veo supplémentaires que pour l’abonnement de base. C’est un exemple parfait de la façon dont les revenus peuvent croître avec l’engagement utilisateur.

Le modèle de Krea est également intéressant : ils proposent des forfaits de 10 à 60 dollars par mois, selon l’utilisation prévue et les tâches d’entraînement, et permettent d’acheter des packs de crédits supplémentaires de 5 à 40 dollars (valables 90 jours) si l’utilisateur dépasse l’allocation. L’élégance de ce modèle réside dans le fait qu’il offre un prix d’entrée raisonnable pour les utilisateurs légers, tout en permettant aux utilisateurs intensifs de s’étendre.

La tarification de Grok pousse cette stratégie à l’extrême : le plan SuperGrok coûte 30 dollars par mois, le plan SuperGrok Heavy 300 dollars par mois, ce dernier débloquant un nouveau modèle (Grok 4 Heavy), un accès étendu, une mémoire plus longue et des tests de nouvelles fonctionnalités. Un écart de prix de 10x serait impensable dans le logiciel grand public traditionnel, mais devient rationnel à l’ère de l’IA, tant les besoins et la perception de valeur varient d’un utilisateur à l’autre.

Je pense que le succès de ces modèles réside dans la reconnaissance de la diversité et de la dynamique de la valeur utilisateur. Tous les utilisateurs n’ont pas les mêmes besoins ou capacités de paiement, et même un même utilisateur peut voir ses besoins évoluer dans le temps. En offrant des options tarifaires flexibles, ces entreprises capturent tout le spectre de la valeur utilisateur.

Moore note que certaines entreprises grand public atteignent plus de 100 % de rétention des revenus uniquement grâce à ce modèle tarifaire, sans même considérer l’expansion vers l’entreprise. Cela montre la puissance de cette stratégie. Elle résout non seulement le problème de la perte d’utilisateurs, mais crée aussi un mécanisme de croissance interne.

Un pont en or du grand public à l’entreprise

Un autre phénomène important que j’ai observé est la rapidité inédite avec laquelle les consommateurs introduisent les outils d’IA dans leur environnement professionnel. Moore insiste sur ce point : les consommateurs sont activement récompensés pour avoir introduit des outils d’IA au travail. Dans certaines entreprises, ne pas être « AI-native » est désormais inacceptable. Tout produit ayant une application professionnelle potentielle — en gros, tout ce qui n’est pas NSFW — doit supposer que les utilisateurs voudront l’apporter à leur équipe, et qu’ils paieront beaucoup plus lorsqu’ils pourront se faire rembourser.

La rapidité de cette transition m’impressionne. Autrefois, passer du grand public à l’entreprise prenait des années, nécessitant beaucoup d’éducation du marché et d’efforts commerciaux. Mais l’utilité des outils d’IA est si évidente que les utilisateurs les introduisent spontanément dans leur environnement de travail. J’ai vu de nombreux cas où des employés achètent d’abord un outil d’IA à titre personnel, puis convainquent leur entreprise d’acheter la version entreprise pour toute l’équipe.

Le passage de consommateurs sensibles au prix à des acheteurs entreprises moins sensibles crée d’énormes opportunités d’expansion. Mais cela nécessite des fonctionnalités de partage et de collaboration de base, telles que des dossiers d’équipe, des bibliothèques partagées, des canevas collaboratifs, l’authentification et la sécurité. Je pense que ces fonctionnalités sont désormais indispensables à tout produit d’IA grand public ayant un potentiel entreprise.

Avec ces fonctionnalités, les écarts de prix peuvent être énormes. ChatGPT en est un bon exemple : bien qu’il ne soit pas largement considéré comme un produit d’équipe, sa tarification illustre l’écart : l’abonnement individuel coûte 20 dollars par mois, tandis que le plan entreprise va de 25 à 60 dollars par utilisateur et par mois. Un écart de 2 à 3 fois est rare dans le logiciel grand public traditionnel, mais devient courant à l’ère de l’IA.

Je pense que certaines entreprises fixent même le prix des plans individuels à l’équilibre ou à légère perte pour accélérer l’adoption en équipe. Notion a utilisé cette méthode avec succès en 2020, offrant des pages illimitées gratuites pour les utilisateurs individuels, tout en facturant agressivement les fonctionnalités collaboratives, ce qui a alimenté sa période de croissance explosive. La logique : subventionner l’usage individuel pour bâtir la base utilisateur, puis monétiser via les fonctionnalités entreprise.

Voyons quelques exemples concrets. Le plan Plus de Gamma coûte 8 dollars par mois pour retirer le filigrane — une exigence pour la plupart des usages entreprise — et d’autres fonctionnalités. Ensuite, l’utilisateur paie pour chaque collaborateur ajouté à son espace de travail. Ce modèle exploite intelligemment le besoin d’apparence professionnelle des entreprises.

Replit propose un plan à 20 dollars par mois pour les utilisateurs Core. Le plan équipe commence à 35 dollars par mois et inclut des crédits supplémentaires, des sièges spectateurs, une facturation centralisée, un contrôle d’accès basé sur les rôles, un déploiement privé, etc. Cursor propose un plan Pro à 20 dollars par mois et un plan Ultra à 200 dollars par mois (20 fois plus d’utilisation). Les utilisateurs en équipe paient 40 dollars par mois pour le produit Pro, avec mode confidentialité organisationnel, tableaux de bord d’utilisation et de gestion, facturation centralisée et SAML/SSO.

Ces fonctionnalités sont cruciales car elles débloquent l’expansion de l’ARPU (revenu moyen par utilisateur) entreprise. Je pense qu’aujourd’hui, toute entreprise d’IA grand public qui ne pense pas à une trajectoire d’expansion entreprise manque une énorme opportunité. Les clients entreprise paient non seulement plus, mais sont aussi plus stables et moins sujets à la perte.

Investir dans les capacités entreprise dès le premier jour

Moore propose un conseil qui semble contre-intuitif mais est en réalité très judicieux : les entreprises grand public devraient envisager d’embaucher un responsable commercial dans l’année ou les deux ans suivant leur création. Je suis tout à fait d’accord, même si cela va à l’encontre de la stratégie traditionnelle des produits grand public.

L’adoption individuelle ne suffit que jusqu’à un certain point ; assurer une adoption organisationnelle large nécessite de naviguer dans les achats entreprise et de conclure des contrats à forte valeur. Cela requiert des compétences commerciales spécialisées, et non simplement de compter sur la viralité du produit. J’ai vu trop de bons produits d’IA grand public rater de grandes opportunités faute de compétences commerciales entreprise.

Canva, fondée en 2013, a attendu près de sept ans avant de lancer son produit Teams. Moore souligne qu’en 2025, ce délai n’est plus possible. Le rythme d’adoption de l’IA en entreprise signifie que si vous tardez à proposer des fonctionnalités entreprise, un concurrent saisira l’opportunité à votre place. Cette pression concurrentielle est fortement accélérée à l’ère de l’IA, car le marché évolue plus vite que jamais.

Je pense que quelques fonctionnalités clés font souvent la différence. En matière de sécurité et de confidentialité : conformité SOC-2, support SSO/SAML. En opérations et facturation : contrôle d’accès basé sur les rôles, facturation centralisée. En produit : modèles d’équipe, thèmes partagés, workflows collaboratifs. Cela peut sembler basique, mais ce sont souvent des facteurs décisifs dans l’achat entreprise.

ElevenLabs en est un bon exemple : l’entreprise a commencé avec une forte base de consommateurs, mais a rapidement développé des capacités entreprise, ajoutant la conformité HIPAA à ses agents vocaux et conversationnels, et se positionnant pour servir les marchés de la santé et autres secteurs réglementés. Cette transformation rapide vers l’entreprise leur a permis de capter des clients à forte valeur, sans dépendre uniquement des revenus grand public.

J’ai remarqué un phénomène intéressant : les entreprises d’IA grand public qui investissent tôt dans les capacités entreprise parviennent souvent à construire des douves plus solides. Une fois qu’un client entreprise adopte un outil et l’intègre à ses workflows, le coût de changement est élevé. Cela crée une fidélité client plus forte et des flux de revenus plus prévisibles.

De plus, les clients entreprise fournissent des retours produits précieux. Leurs besoins sont souvent plus complexes, ce qui pousse le produit vers des fonctionnalités plus avancées. J’ai vu de nombreux produits d’IA grand public découvrir de nouvelles directions et fonctionnalités en servant des clients entreprise.

Ma réflexion approfondie sur cette transformation

Après avoir analysé les points de Moore et mes propres observations, je pense que nous assistons à plus qu’un simple ajustement de modèle économique : c’est une refonte de l’infrastructure logicielle. L’IA ne change pas seulement les capacités des produits, mais aussi la façon dont la valeur est créée et capturée.

Ce que je trouve le plus intéressant, c’est que ce changement remet en cause nos hypothèses traditionnelles sur le logiciel grand public. Pendant longtemps, on a cru que le logiciel grand public était intrinsèquement à bas prix, à forte perte d’utilisateurs et difficile à monétiser. Mais la réalité de l’ère de l’IA montre que le logiciel grand public peut atteindre des niveaux de revenus et de croissance dignes de l’entreprise. Les implications de ce changement sont profondes.

Du point de vue de l’allocation du capital, cela signifie que les investisseurs peuvent désormais injecter plus tôt davantage de capitaux dans les entreprises d’IA grand public, car elles peuvent atteindre rapidement une échelle de revenus significative. Traditionnellement, les entreprises de logiciels grand public devaient attendre d’atteindre une énorme base d’utilisateurs avant de monétiser efficacement, mais aujourd’hui, elles peuvent générer une forte croissance des revenus avec une base utilisateur relativement réduite.

J’ai aussi réfléchi à l’impact de ce changement sur la stratégie entrepreneuriale. Moore note que bon nombre des entreprises d’IA les plus importantes de l’ère actuelle pourraient avoir commencé comme produits grand public. Je pense que c’est une observation très profonde. La voie traditionnelle B2B implique beaucoup d’études de marché, d’entretiens clients et de cycles de vente. Commencer par le grand public permet une itération produit et une validation marché plus rapides.

Un autre avantage de cette approche est qu’elle crée un product-market fit plus naturel. Lorsque les consommateurs utilisent et paient volontairement pour un produit, c’est un signal fort d’adéquation produit-marché. Ensuite, lorsque ces utilisateurs introduisent le produit dans leur environnement professionnel, l’adoption entreprise devient plus organique et durable.

J’ai aussi remarqué un changement intéressant dans la dynamique concurrentielle. À l’ère du logiciel traditionnel, les marchés grand public et entreprise étaient généralement séparés, avec des acteurs et des stratégies différents. Mais à l’ère de l’IA, ces frontières s’estompent. Un produit peut concourir sur les deux marchés, créant de nouveaux avantages et défis concurrentiels.

D’un point de vue technologique, je pense que cette double nature des produits d’IA (facilité d’utilisation grand public + fonctionnalités entreprise) pousse à de nouveaux standards de conception et de développement. Le produit doit être assez simple pour que l’utilisateur individuel puisse le prendre en main, mais aussi assez puissant et sécurisé pour répondre aux besoins de l’entreprise. Cet équilibre est difficile à atteindre, mais les entreprises qui y parviennent bénéficieront d’un avantage concurrentiel majeur.

J’ai aussi réfléchi à l’impact de cette tendance sur les entreprises de logiciels d’entreprise existantes. Les entreprises traditionnelles font désormais face à la concurrence de nouveaux entrants issus du grand public, qui offrent souvent une meilleure expérience utilisateur et une itération plus rapide. Cela pourrait forcer tout le secteur à relever ses standards de produit et d’expérience utilisateur.

Enfin, je pense que ce changement reflète aussi une transformation fondamentale des modes de travail. Le télétravail, l’augmentation du choix d’outils individuels et des attentes plus élevées en matière de productivité contribuent à brouiller la frontière entre outils grand public et entreprise. L’IA ne fait qu’accélérer une tendance déjà en cours.

Opportunités et défis à venir

Bien que je sois enthousiasmé par le phénomène de « Great Expansion » décrit par Moore, j’identifie aussi des défis et opportunités à surveiller.

Côté défis, la concurrence va devenir plus féroce. Quand la voie du succès devient claire, davantage d’entreprises tenteront de suivre la même stratégie. Celles qui sauront construire une forte différenciation et des effets de réseau l’emporteront sur le long terme.

Du point de vue réglementaire, l’adoption rapide des produits d’IA en entreprise pourrait soulever de nouveaux défis de conformité et de sécurité. Les entreprises devront s’assurer que leurs outils d’IA respectent les normes et réglementations sectorielles. Cela peut augmenter les coûts et la complexité du développement, mais aussi créer de nouvelles barrières à l’entrée.

Côté opportunités, je vois un immense espace d’innovation. Les entreprises capables de combiner de façon créative la facilité d’utilisation grand public et les fonctionnalités entreprise ouvriront de nouvelles catégories de marché. Je pense aussi que les outils d’IA verticaux ont un grand potentiel : une optimisation profonde pour un secteur ou un cas d’usage spécifique peut être plus précieuse qu’un outil générique.

Je vois aussi des opportunités d’effets de réseau autour des données et des modèles d’IA. À mesure que le nombre d’utilisateurs et la profondeur d’utilisation augmentent, les produits d’IA deviennent plus intelligents et personnalisés. Cette amélioration pilotée par les données crée un avantage concurrentiel difficile à copier pour les nouveaux entrants.

Du point de vue de l’investissement, je pense que cette tendance continuera d’attirer beaucoup de capitaux. Mais les investisseurs devront être plus avisés pour identifier les entreprises avec un véritable avantage compétitif durable, et pas seulement celles qui affichent une croissance rapide à court terme. La clé sera de comprendre quelles entreprises peuvent construire de véritables douves, et pas seulement profiter d’une opportunité de marché précoce.

Au final, je crois que la « Great Expansion » décrite par Moore n’est que le début de la révolution de l’IA. Nous redéfinissons la nature même du logiciel — d’un outil à un partenaire intelligent, d’une fonctionnalité à un résultat. Les entreprises qui saisiront ce changement et l’exécuteront avec succès deviendront les géants technologiques de demain. Ce n’est pas seulement une innovation de modèle économique, c’est une réinvention de la relation entre l’humain et la technologie. Nous vivons une époque passionnante où le logiciel devient plus intelligent, plus utile et plus indispensable que jamais.

Lien vers l’article original