L'IA ne réalisera pas l'égalité technologique, elle ne fera que récompenser les personnes appropriées

L’égalisation technologique aboutit toujours à une aristocratie, et chaque fois c’est ainsi.

Auteur : Naman Bhansali

Traduit par : Deep Tide TechFlow

Introduction de Deep Tide : Au début de la diffusion d’une nouvelle technologie, il y a toujours cette illusion de « technologique égalitaire » : lorsque la photographie, la création musicale ou le développement logiciel deviennent faciles, la supériorité concurrentielle disparaît-elle pour autant ? Naman Bhansali, fondateur de Warp, partage son expérience personnelle, passant d’une petite ville en Inde au MIT, ainsi que ses pratiques entrepreneuriales dans le domaine de l’IA en payroll, pour révéler une vérité contre-intuitive : plus la technologie réduit la barrière d’entrée (Floor), plus le plafond (Ceiling) de l’industrie s’élève rapidement.

Dans cette ère où l’exécution devient bon marché, voire peut être « vibrée » par l’IA (vibecoded), l’auteur estime que la véritable barrière concurrentielle n’est plus simplement la distribution de trafic, mais une « esthétique » (Taste) difficile à falsifier, une compréhension profonde des logiques sous-jacentes des systèmes complexes, et la patience de faire fructifier sur une décennie. Cet article n’est pas seulement une réflexion froide sur l’entrepreneuriat IA, mais aussi une démonstration puissante de la loi de puissance : « la technologie égalitaire aboutit toujours à une aristocratie ».

Voici l’intégralité :

Chaque fois qu’une nouvelle technologie abaisse la barrière d’accès, la même prédiction revient : puisque tout le monde peut le faire maintenant, personne ne détient d’avantage. Les smartphones photo font de chacun un photographe ; Spotify transforme tout le monde en musicien ; l’IA permet à chacun de devenir développeur.

Ces prédictions sont toujours à moitié vraies : le plancher (Floor) s’élève effectivement. Plus de gens participent à la création, publient des produits, entrent en compétition. Mais elles ignorent toujours le plafond (Ceiling). Celui-ci monte encore plus vite. La différence entre la médiane et le sommet — entre la moyenne et le top — ne se réduit pas, elle s’accroît.

C’est la caractéristique des lois de puissance : elles ne tiennent pas compte de votre intention. La technologie égalitaire aboutit toujours à une aristocratie. Et chaque fois, c’est ainsi.

L’IA ne fait pas exception, elle peut même amplifier cette tendance.

L’évolution du marché

Lorsque Spotify a lancé, il a fait une chose vraiment radicale : il a permis à n’importe quel musicien sur Terre d’accéder à un canal de distribution autrefois réservé aux maisons de disques, aux budgets marketing et à une chance exceptionnelle. Résultat : explosion de l’industrie musicale — des millions de nouveaux artistes, des dizaines de milliards de chansons diffusées. Le plancher s’est effectivement élevé, comme promis.

Mais ce qui a suivi, c’est que la part d’écoute captée par le 1% des artistes les plus populaires dépasse désormais celle de l’ère CD. Ce n’est pas devenu plus égalitaire, c’est devenu plus concentré. Plus de musique, plus de compétition, plus de voies pour découvrir du contenu de qualité, ont poussé les auditeurs, libérés des contraintes géographiques ou d’espace sur les étagères, vers les œuvres de sommet. Spotify n’a pas créé une musique universelle, il a simplement intensifié cette compétition.

Il en va de même dans l’écriture, la photographie, le logiciel. Internet a permis à un nombre record d’auteurs, mais a aussi renforcé une économie de l’attention plus impitoyable. Plus de participants, des enjeux plus élevés, mais la même structure fondamentale : une minorité capte la majorité de la valeur.

Nous sommes surpris parce que nous pensons en termes linéaires — nous espérons que l’augmentation de la productivité se répartira uniformément comme de l’eau vers un récipient plat. Mais la plupart des systèmes complexes ne fonctionnent pas ainsi, ils n’ont jamais fonctionné ainsi. La distribution de puissance (power law) n’est pas une anomalie du marché ou une erreur technologique, c’est la configuration par défaut de la nature. La technologie ne l’a pas créée, elle ne fait que la révéler.

Pensez à la loi de Kleiber. Parmi toutes les formes de vie sur Terre — bactéries comme baleines bleues, sur 27 ordres de grandeur de masse — le taux métabolique est proportionnel à la masse élevée à la puissance 0,75. La métabolisme d’une baleine ne suit pas une proportion simple de sa taille. Cette relation est une loi de puissance, et elle est maintenue avec une précision remarquable dans presque toutes les formes de vie. Personne ne l’a conçue, elle est simplement la manifestation de l’énergie suivant sa logique intrinsèque dans un système complexe.

Le marché est un système complexe, l’attention une ressource. Quand la friction disparaît — lorsque la géographie, l’espace sur les étagères et les coûts de distribution ne jouent plus leur rôle tampon — le marché converge vers sa forme naturelle. Et cette forme n’est pas une courbe en cloche normale, mais une loi de puissance. L’histoire de l’égalité technologique et de l’aristocratie coexistent, ce qui explique pourquoi chaque nouvelle technologie nous prend toujours au dépourvu. Nous voyons le plancher s’élever, et supposons que le plafond le suit à la même vitesse. Ce n’est pas le cas : le plafond s’éloigne de plus en plus vite.

L’IA accélère ce processus plus que toute autre technologie. Le plancher monte en temps réel — tout le monde peut lancer un produit, concevoir une interface, coder en production. Mais le plafond monte aussi, et plus vite. La question cruciale : qu’est-ce qui détermine votre position finale ?

Quand l’exécution devient bon marché, l’esthétique devient un signal

En 1981, Steve Jobs insistait pour que la carte mère du premier Macintosh soit belle. Pas extérieurement, mais à l’intérieur — cette partie que le client ne verrait jamais. Ses ingénieurs pensaient qu’il était fou. Mais il ne l’était pas. Il comprenait quelque chose que beaucoup considèrent comme du perfectionnisme, mais qui est en réalité une forme de preuve : la façon dont vous faites quelque chose, c’est la façon dont vous faites tout. Quelqu’un qui peut rendre esthétique une partie cachée ne le fait pas pour la qualité, mais parce qu’il ne supporte pas de sortir un produit médiocre.

C’est crucial, car la confiance est difficile à établir, mais facile à falsifier rapidement. Nous utilisons constamment des heuristiques pour deviner qui est vraiment excellent, et qui ne fait que jouer la perfection. Les credentials aident, mais peuvent être manipulés ; le pedigree aussi. La véritable rareté, c’est le goût (Taste) — une persistance durable, observable, et une adhérence forte à une norme que personne ne demande explicitement. Jobs n’avait pas besoin de faire la carte mère si belle. Il l’a fait, et cela en dit long : dans ce qu’il fait là où personne ne regarde.

Pendant la majorité des dix dernières années, ce signal a été en partie masqué. Pendant la période faste du SaaS (environ 2012-2022), l’exécution est devenue si standardisée que la distribution est devenue la véritable ressource rare. Si vous pouvez efficacement acquérir des clients, construire une machine de vente, respecter la règle du 40 — le produit lui-même importe peu. Si votre stratégie de mise sur le marché est solide, vous pouvez gagner avec un produit médiocre. Le signal esthétique est noyé dans le bruit des indicateurs de croissance.

L’IA change radicalement le rapport signal/bruit. Quand tout le monde peut générer en une après-midi un produit fonctionnel, une interface élégante, un code opérationnel, la question « est-ce facile à utiliser ? » n’est plus un différenciateur. La vraie question devient : est-ce vraiment excellent ? La personne sait-elle faire la différence entre « bon » et « incroyablement génial » ? Même sans y être forcée, se soucie-t-elle suffisamment pour combler ce dernier petit écart ?

C’est particulièrement vrai pour les logiciels critiques — ceux qui gèrent la paie, la conformité, les données des employés. Ce ne sont pas des produits qu’on peut tester rapidement et abandonner le trimestre suivant. Le coût de changement est réel, les modes de défaillance sont graves, et ceux qui déploient ces systèmes doivent en assumer les conséquences. Cela signifie qu’avant de signer, ils appliqueront toutes leurs heuristiques de confiance. Un produit esthétique est l’un des signaux les plus forts. Il dit : « ceux qui l’ont construit ont mis du soin ». Ils se soucient de la partie visible, ce qui implique qu’ils se soucient probablement aussi de la partie invisible.

Dans un monde où l’exécution est bon marché, l’esthétique est la preuve de travail (Proof of work).

Ce que le nouveau stade récompense

Ce raisonnement a toujours été vrai, mais le contexte du marché des dix dernières années l’a rendu presque invisible. Autrefois, la compétence la plus importante dans le logiciel n’était pas le logiciel lui-même.

Entre 2012 et 2022, l’architecture SaaS s’est stabilisée. L’infrastructure cloud est bon marché et standardisée, les outils de développement mûrissent. Construire un produit fonctionnel est difficile, mais c’est une difficulté « résolue » — on peut la gérer par recrutement, en suivant un modèle établi, avec des ressources suffisantes pour atteindre la ligne de passage. La vraie rareté, ce qui distingue un gagnant d’un médiocre, c’est la capacité de distribution. Pouvez-vous efficacement atteindre des clients ? Construire une machine de vente répétable ? Comprenez-vous suffisamment la rentabilité unitaire pour alimenter la croissance par des investissements judicieux ?

Dans cet environnement, la plupart des fondateurs à succès venaient du sales, du consulting ou de la finance. Ils maîtrisaient des métriques qui semblaient ésotériques il y a dix ans : NDR, ACV, Magic Number, règle du 40. Ils vivaient dans des tableurs et des revues de pipeline, et dans ce contexte, ils avaient raison. La période SaaS a engendré ses propres fondateurs SaaS — une évolution rationnelle.

Mais je me suis senti étouffé.

Je viens d’un petit town dans un État indien de 25 millions d’habitants. En Inde, seulement trois étudiants par an entrent à MIT. Sans exception, ils viennent de Delhi, Mumbai ou Bangalore, dans des écoles préparatoires coûteuses, conçues pour cet objectif. Je suis le premier de mon État à y entrer. Je ne dis pas cela pour me vanter, mais pour illustrer un point : quand l’accès est limité, le pedigree prédit le résultat ; quand l’accès s’ouvre, ce sont ceux qui creusent profondément qui gagnent. Dans une salle pleine de gens issus de familles prestigieuses, je suis une pièce maîtresse par ma profondeur. C’est la seule stratégie que je connais pour miser.

J’ai étudié la physique, les mathématiques et l’informatique, où la compréhension la plus profonde ne vient pas de l’optimisation de processus, mais de voir la vérité que d’autres ont manquée. Mon mémoire portait sur la mitigation des stragglers dans l’entraînement distribué de machine learning : comment optimiser un système à grande échelle quand certains composants prennent du retard, sans compromettre l’intégrité globale.

Quand, à vingt ans, je regarde le monde de la startup, je vois un tableau où ces insights profonds semblent sans importance. La prime du marché privilégie l’« entrée » plutôt que le produit lui-même. Construire quelque chose d’extrêmement technique paraît naïf — cela serait considéré comme une perturbation du « vrai jeu » (acquisition, rétention, vitesse de vente).

Mais en 2022, tout a changé.

Ce que montre ChatGPT — de façon plus intuitive et impressionnante que des années de papiers de recherche —, c’est que la courbe a tourné. Une nouvelle courbe en S s’est ouverte. Les transitions de phase (phase transitions) ne récompensent pas ceux qui ont été les plus adaptatifs à la phase précédente, mais ceux qui, avant que d’autres ne voient la valeur, ont perçu le potentiel infini de la nouvelle étape.

J’ai quitté mon emploi, et lancé Warp.

Ce pari est très précis. Aux États-Unis, il y a plus de 800 agences fiscales — fédérales, étatiques, locales — avec leurs propres exigences, échéances et logiques de conformité. Il n’y a pas d’API, pas d’accès programmatique. Pendant des décennies, chaque fournisseur de payroll a traité cela à la manière ancienne : en embauchant des experts, en jonglant manuellement dans des systèmes non conçus pour la scalabilité. Les géants traditionnels — ADP, Paylocity, Paychex — ont construit leur modèle autour de cette complexité, en l’intégrant dans le nombre d’employés, et en la répercutant sur leurs clients.

En 2022, je voyais que les agents IA étaient encore fragiles. Mais je voyais aussi la courbe d’amélioration. Quelqu’un qui maîtrise la dynamique des systèmes distribués à grande échelle, et suit de près l’évolution des modèles, peut faire un pari précis : la technologie fragile d’hier deviendra extrêmement puissante dans quelques années. Nous avons parié : construire une plateforme IA native, en partant des workflows les plus difficiles — ceux que les géants traditionnels ne pourront jamais automatiser à cause de leur architecture.

Aujourd’hui, ce pari se réalise. Mais la tendance plus large, c’est la reconnaissance de pattern. Les fondateurs technologiques dans l’ère IA ne disposent pas seulement d’un avantage technique, mais aussi d’un avantage d’insight. Ils voient des points d’entrée différents, prennent des risques différents. Ils peuvent examiner un système considéré comme « éternellement complexe » et se demander : qu’est-ce qu’il faudrait pour l’automatiser vraiment ? Et surtout, ils peuvent construire eux-mêmes la réponse.

Les leaders de l’époque SaaS étaient des optimisateurs rationnels sous contrainte. L’IA supprime ces contraintes, en en installe de nouvelles. Dans ce nouvel environnement, la ressource rare n’est plus la distribution, mais la capacité à percevoir des possibilités — et à les construire selon une esthétique et une croyance appropriées. Mais il y a une troisième variable, qui décide de tout, et c’est là où la plupart des fondateurs IA font une erreur fatale.

Le jeu à long terme dans un contexte de haute vitesse

Aujourd’hui, une idée répandue dans la startup nation : vous avez deux ans pour sortir du sous-sol permanent. Construire vite, lever vite, et soit sortir (Exit), soit échouer.

Je comprends d’où vient cette mentalité. La vitesse d’évolution de l’IA donne une impression de crise existentielle, et le window d’opportunité semble très étroit. Sur Twitter, les jeunes qui deviennent célèbres du jour au lendemain pensent que le jeu consiste à aller vite — le gagnant est celui qui court le plus vite sur deux ans.

Mais cette vision est fausse — dans le bon sens.

La vitesse d’exécution est cruciale. Je le crois profondément — c’est même inscrit dans le nom de ma société (Warp). Mais la vitesse d’exécution n’est pas synonyme de vision à court terme. Les fondateurs qui bâtissent des entreprises à valeur durable dans l’ère IA ne sont pas ceux qui font un sprint de deux ans pour vendre. Ce sont ceux qui sprintent dix ans, et profitent de l’effet composé.

Le court-termisme est une erreur : dans le logiciel, ce qui a le plus de valeur — données propriétaires, relations clients profondes, coûts de changement réels, expertise réglementaire — nécessite des années pour s’accumuler, et peu importe combien de capital ou d’IA un concurrent amasse, cela ne peut pas être copié rapidement. Chez Warp, en traitant la paie pour des entreprises multi-états, nous accumulons des données de conformité à travers des milliers de juridictions. Chaque notification fiscale traitée, chaque cas limite résolu, chaque enregistrement auprès des autorités locales, construit un système de plus en plus difficile à dupliquer avec le temps. Ce n’est pas une simple fonctionnalité, c’est une barrière défensive — une barrière qui existe parce que nous avons travaillé avec une qualité si élevée, si longtemps, qu’elle a créé une densité de qualité.

Ce pouvoir d’effet composé n’est pas visible la première année. Il devient perceptible la deuxième, puis la cinquième, il devient tout le jeu.

Frank Slootman, ancien CEO de Snowflake, a construit et fait croître plus de logiciels que quiconque aujourd’hui. Il résume : il faut s’habituer à l’inconfort. Pas pour deux ans, mais comme état permanent. La « brume de guerre » initiale — cette incertitude, cette information incomplète, cette nécessité de prendre des décisions — ne disparaît pas après deux ans. Elle évolue, de nouvelles incertitudes la remplacent. Les fondateurs durables ne sont pas ceux qui ont trouvé la certitude, mais ceux qui savent avancer dans la brume avec clarté.

Construire une entreprise est extrêmement dur, et cette dureté est difficile à transmettre à ceux qui ne l’ont pas vécue. Vous vivez dans une peur constante, ponctuée de peurs plus profondes. Vous prenez des milliers de décisions dans l’incertitude, en sachant qu’une erreur peut tout faire échouer. Les histoires de succès « du jour au lendemain » que vous voyez sur Twitter sont des outliers — des extrêmes dans la loi de puissance. S’en inspirer pour optimiser votre stratégie, c’est comme étudier ceux qui ont couru 5 km en se trompant de chemin, pour préparer un marathon.

Pourquoi faire cela ? Pas parce que c’est confortable, ni parce que la chance est grande. Mais parce que, pour certains, ne pas le faire, c’est ne pas vraiment vivre. La seule chose pire que de construire quelque chose à partir de rien, c’est le silence étouffant de ne pas avoir essayé.

Et si vous avez raison, si vous percevez une vérité que d’autres n’ont pas encore intégrée, si vous tenez assez longtemps avec une esthétique et une croyance, le résultat ne sera pas seulement financier. Vous aurez créé quelque chose qui change la façon dont les gens travaillent. Vous aurez construit un produit que les gens aiment utiliser. Et vous aurez, dans votre propre entreprise, embauché et fait grandir ceux qui y donnent le meilleur d’eux-mêmes.

C’est un projet de dix ans. L’IA ne peut pas changer cela, elle ne l’a jamais fait.

Ce que l’IA modifie, c’est le plafond que peuvent atteindre ces fondateurs qui tiennent jusqu’au bout.

Le plafond ignoré

Et alors, à l’autre bout de tout cela, à quoi ressemblera le logiciel ?

Les optimistes disent que l’IA crée de la richesse — plus de produits, plus de créateurs, plus de valeur distribuée à plus de gens. Ils ont raison. Les pessimistes disent que l’IA détruit la barrière du logiciel — tout peut être copié en un après-midi, la défense est morte. Ils ont aussi partiellement raison. Mais tous deux regardent le plancher (Floor), personne ne regarde le plafond (Ceiling).

Le futur verra émerger des milliers de solutions ponctuelles — des outils microscopiques, fonctionnels, générés par l’IA, capables de résoudre des problèmes étroits. Beaucoup ne seront même pas construits par des entreprises, mais par des individus ou des équipes internes pour leurs propres besoins. Pour certains logiciels à faible barrière d’entrée, facilement remplaçables, le marché sera véritablement démocratisé. La barrière d’entrée est haute, la compétition féroce, et la marge très fine.

Mais pour les logiciels critiques pour l’activité — ceux qui gèrent la trésorerie, la conformité, les données des employés, les risques juridiques — la situation est radicalement différente. Ce sont des workflows à très faible tolérance à l’erreur. Une panne de paie, et les employés ne sont pas payés ; une erreur fiscale, et l’IRS débarque ; une rupture dans la couverture d’assurance, et la protection disparaît pour les employés. La responsabilité de choisir un logiciel incombe à l’entreprise. Elle ne peut pas simplement tester, puis abandonner le trimestre suivant. Le coût de changement est réel, les modes de défaillance graves, et ceux qui déploient ces systèmes doivent en assumer les conséquences. Cela signifie qu’avant de signer, ils appliqueront toutes leurs heuristiques de confiance. Un produit esthétique est l’un des signaux les plus puissants. Il dit : « ceux qui l’ont construit ont mis du soin ». Ils se soucient de la partie visible, ce qui implique qu’ils se soucient probablement aussi de la partie invisible.

Dans un monde où l’exécution est bon marché, l’esthétique devient la preuve de travail (Proof of work).

Ce que le nouveau stade récompense

Ce raisonnement a toujours été vrai, mais le contexte du marché des dix dernières années l’a rendu presque invisible. Autrefois, la compétence la plus importante dans le logiciel n’était pas le logiciel lui-même.

Entre 2012 et 2022, l’architecture SaaS s’est stabilisée. L’infrastructure cloud est bon marché et standardisée, les outils de développement mûrissent. Construire un produit fonctionnel est difficile, mais c’est une difficulté « résolue » — on peut la gérer par recrutement, en suivant un modèle établi, avec des ressources suffisantes pour atteindre la ligne de passage. La vraie rareté, ce qui distingue un gagnant d’un médiocre, c’est la capacité de distribution. Pouvez-vous atteindre efficacement vos clients ? Construire une machine de vente répétable ? Comprenez-vous suffisamment la rentabilité unitaire pour alimenter la croissance par des investissements judicieux ?

Dans cet environnement, la plupart des fondateurs à succès venaient du sales, du consulting ou de la finance. Ils maîtrisaient des métriques qui semblaient ésotériques il y a dix ans : NDR, ACV, Magic Number, règle du 40. Ils vivaient dans des tableurs et des revues de pipeline, et dans ce contexte, ils avaient raison. La période SaaS a engendré ses propres fondateurs SaaS — une évolution rationnelle.

Mais je me suis senti étouffé.

Je viens d’un petit town dans un État indien de 25 millions d’habitants. En Inde, seulement trois étudiants par an entrent à MIT. Sans exception, ils viennent de Delhi, Mumbai ou Bangalore, dans des écoles préparatoires coûteuses, conçues pour cet objectif. Je suis le premier de mon État à y entrer. Je ne dis pas cela pour me vanter, mais pour illustrer un point : quand l’accès est limité, le pedigree prédit le résultat ; quand l’accès s’ouvre, ce sont ceux qui creusent profondément qui gagnent. Dans une salle pleine de gens issus de familles prestigieuses, je suis une pièce maîtresse par ma profondeur. C’est la seule stratégie que je connais pour miser.

J’ai étudié la physique, les mathématiques et l’informatique, où la compréhension la plus profonde ne vient pas de l’optimisation de processus, mais de voir la vérité que d’autres ont manquée. Mon mémoire portait sur la mitigation des stragglers dans l’entraînement distribué de machine learning : comment optimiser un système à grande échelle quand certains composants prennent du retard, sans compromettre l’intégrité globale.

Quand, à vingt ans, je regarde le monde de la startup, je vois un tableau où ces insights profonds semblent sans importance. La prime du marché privilégie l’« entrée » plutôt que le produit lui-même. Construire quelque chose d’extrêmement technique paraît naïf — cela serait considéré comme une perturbation du « vrai jeu » (acquisition, rétention, vitesse de vente).

Mais en 2022, tout a changé.

Ce que montre ChatGPT — de façon plus intuitive et impressionnante que des années de papiers de recherche —, c’est que la courbe a tourné. Une nouvelle courbe en S s’est ouverte. Les transitions de phase (phase transitions) ne récompensent pas ceux qui ont été les plus adaptatifs à la phase précédente, mais ceux qui, avant que d’autres ne voient la valeur, ont perçu le potentiel infini de la nouvelle étape.

J’ai quitté mon emploi, et lancé Warp.

Ce pari est très précis. Aux États-Unis, il y a plus de 800 agences fiscales — fédérales, étatiques, locales — avec leurs propres exigences, échéances et logiques de conformité. Il n’y a pas d’API, pas d’accès programmatique. Pendant des décennies, chaque fournisseur de payroll a traité cela à la manière ancienne : en embauchant des experts, en jonglant manuellement dans des systèmes non conçus pour la scalabilité. Les géants traditionnels — ADP, Paylocity, Paychex — ont construit leur modèle autour de cette complexité, en l’intégrant dans le nombre d’employés, et en la répercutant sur leurs clients.

En 2022, je voyais que les agents IA étaient encore fragiles. Mais je voyais aussi la courbe d’amélioration. Quelqu’un qui maîtrise la dynamique des systèmes distribués à grande échelle, et suit de près l’évolution des modèles, peut faire un pari précis : la technologie fragile d’hier deviendra extrêmement puissante dans quelques années. Nous avons parié : construire une plateforme IA native, en partant des workflows les plus difficiles — ceux que les géants traditionnels ne pourront jamais automatiser à cause de leur architecture.

Aujourd’hui, ce pari se réalise. Mais la tendance plus large, c’est la reconnaissance de pattern. Les fondateurs technologiques dans l’ère IA ne disposent pas seulement d’un avantage technique, mais aussi d’un avantage d’insight. Ils voient des points d’entrée différents, prennent des risques différents. Ils peuvent examiner un système considéré comme « éternellement complexe » et se demander : qu’est-ce qu’il faudrait pour l’automatiser vraiment ? Et surtout, ils peuvent construire eux-mêmes la réponse.

Les leaders de l’époque SaaS étaient des optimisateurs rationnels sous contrainte. L’IA supprime ces contraintes, en en installe de nouvelles. Dans ce nouvel environnement, la ressource rare n’est plus la distribution, mais la capacité à percevoir des possibilités — et à les construire selon une esthétique et une croyance appropriées. Mais il y a une troisième variable, qui décide de tout, et c’est là où la plupart des fondateurs IA font une erreur fatale.

Le jeu à long terme dans un contexte de haute vitesse

Aujourd’hui, une idée répandue dans la startup nation : vous avez deux ans pour sortir du sous-sol permanent. Construire vite, lever vite, et soit sortir (Exit), soit échouer.

Je comprends d’où vient cette mentalité. La vitesse d’évolution de l’IA donne une impression de crise existentielle, et le window d’opportunité semble très étroit. Sur Twitter, les jeunes qui deviennent célèbres du jour au lendemain pensent que le jeu consiste à aller vite — le gagnant est celui qui court le plus vite sur deux ans.

Mais cette vision est fausse — dans le bon sens.

La vitesse d’exécution est cruciale. Je le crois profondément — c’est même inscrit dans le nom de ma société (Warp). Mais la vitesse d’exécution n’est pas synonyme de vision à court terme. Les fondateurs qui bâtissent des entreprises à valeur durable dans l’ère IA ne sont pas ceux qui font un sprint de deux ans pour vendre. Ce sont ceux qui sprintent dix ans, et profitent de l’effet composé.

Le court-termisme est une erreur : dans le logiciel, ce qui a le plus de valeur — données propriétaires, relations clients profondes, coûts de changement réels, expertise réglementaire — nécessite des années pour s’accumuler, et peu importe combien de capital ou d’IA un concurrent amasse, cela ne peut pas être copié rapidement. Chez Warp, en traitant la paie pour des entreprises multi-états, nous accumulons des données de conformité à travers des milliers de juridictions. Chaque notification fiscale traitée, chaque cas limite résolu, chaque enregistrement auprès des autorités locales, construit un système de plus en plus difficile à dupliquer avec le temps. Ce n’est pas une simple fonctionnalité, c’est une barrière défensive — une barrière qui existe parce que nous avons travaillé avec une qualité si élevée, si longtemps, qu’elle a créé une densité de qualité.

Ce pouvoir d’effet composé n’est pas visible la première année. Il devient perceptible la deuxième, puis la cinquième, il devient tout le jeu.

Frank Slootman, ancien CEO de Snowflake, a construit et fait croître plus de logiciels que quiconque aujourd’hui. Il résume : il faut s’habituer à l’inconfort. Pas pour deux ans, mais comme état permanent. La « brume de guerre » initiale — cette incertitude, cette information incomplète, cette nécessité de prendre des décisions — ne disparaît pas après deux ans. Elle évolue, de nouvelles incertitudes la remplacent. Les fondateurs durables ne sont pas ceux qui ont trouvé la certitude, mais ceux qui savent avancer dans la brume avec clarté.

Construire une entreprise est extrêmement dur, et cette dureté est difficile à transmettre à ceux qui ne l’ont pas vécue. Vous vivez dans une peur constante, ponctuée de peurs plus profondes. Vous prenez des milliers de décisions dans l’incertitude, en sachant qu’une erreur peut tout faire échouer. Les histoires de succès « du jour au lendemain » que vous voyez sur Twitter sont des outliers — des extrêmes dans la loi de puissance. S’en inspirer pour optimiser votre stratégie, c’est comme étudier ceux qui ont couru 5 km en se trompant de chemin, pour préparer un marathon.

Pourquoi faire cela ? Pas parce que c’est confortable, ni parce que la chance est grande. Mais parce que, pour certains, ne pas le faire, c’est ne pas vraiment vivre. La seule chose pire que de construire quelque chose à partir de rien, c’est le silence étouffant de ne pas avoir essayé.

Et si vous avez raison, si vous percevez une vérité que d’autres n’ont pas encore intégrée, si vous tenez assez longtemps avec une esthétique et une croyance, le résultat ne sera pas seulement financier. Vous aurez créé quelque chose qui change la façon dont les gens travaillent. Vous aurez construit un produit que les gens aiment utiliser. Et vous aurez, dans votre propre entreprise, embauché et fait grandir ceux qui y donnent le meilleur d’eux-mêmes.

C’est un projet de dix ans. L’IA ne peut pas changer cela, elle ne l’a jamais fait.

Ce que l’IA modifie, c’est le plafond que peuvent atteindre ces fondateurs qui tiennent jusqu’au bout.

Le plafond ignoré

Alors, qu’adviendra-t-il du logiciel à l’avenir ?

Les optimistes disent que l’IA crée de la richesse — plus de produits, plus de créateurs, plus de valeur pour plus de gens. Ils ont raison. Les pessimistes disent que l’IA détruit la barrière du logiciel — tout peut être copié en un après-midi, la défense est morte. Ils ont aussi partiellement raison. Mais tous deux regardent le plancher, personne ne regarde le plafond.

Le futur verra émerger des milliers de solutions ponctuelles — des outils minuscules, fonctionnels, générés par l’IA, capables de résoudre des problèmes étroits. Beaucoup ne seront même pas construits par des entreprises, mais par des individus ou des équipes internes pour leurs propres besoins. Pour certains logiciels à faible barrière d’entrée, facilement remplaçables, le marché sera véritablement démocratisé. La barrière d’entrée est haute, la compétition féroce, la marge très fine.

Mais pour les logiciels critiques pour l’activité — ceux qui gèrent la trésorerie, la conformité, les données des employés, les risques juridiques — la situation est radicalement différente. Ce sont des workflows à très faible tolérance à l’erreur. Une panne de paie, et les employés ne sont pas payés ; une erreur fiscale, et l’IRS débarque ; une rupture dans la couverture d’assurance, et la protection disparaît pour les employés. La responsabilité de choisir un logiciel incombe à l’entreprise. Elle ne peut pas simplement tester, puis abandonner le trimestre suivant. Le coût de changement est réel, les modes de défaillance graves, et ceux qui déploient ces systèmes doivent en assumer les conséquences. Cela signifie qu’avant de signer, ils appliqueront toutes leurs heuristiques de confiance. Un produit esthétique est l’un des signaux les plus puissants. Il dit : « ceux qui l’ont construit ont mis du soin ». Ils se soucient de la partie visible, ce qui implique qu’ils se soucient probablement aussi de la partie invisible.

Dans un monde où l’exécution est bon marché, l’esthétique devient la preuve de travail (Proof of work).

Ce que le nouveau stade récompense

Ce raisonnement a toujours été vrai, mais le contexte du marché des dix dernières années l’a rendu presque invisible. Autrefois, la compétence la plus importante dans le logiciel n’était pas le logiciel lui-même.

Entre 2012 et 2022, l’architecture SaaS s’est stabilisée. L’infrastructure cloud est bon marché et standardisée, les outils de développement mûrissent. Construire un produit fonctionnel est difficile, mais c’est une difficulté « résolue » — on peut la gérer par recrutement, en suivant un modèle établi, avec des ressources suffisantes pour atteindre la ligne de passage. La vraie rareté, ce qui distingue un gagnant d’un médiocre, c’est la capacité de distribution. Pouvez-vous atteindre efficacement vos clients ? Construire une machine de vente répétable ? Comprenez-vous suffisamment la rentabilité unitaire pour alimenter la croissance par des investissements judicieux ?

Dans cet environnement, la plupart des fondateurs à succès venaient du sales, du consulting ou de la finance. Ils maîtrisaient des métriques qui semblaient ésotériques il y a dix ans : NDR, ACV, Magic Number, règle du 40. Ils vivaient dans des tableurs et des revues de pipeline, et dans ce contexte, ils avaient raison. La période SaaS a engendré ses propres fondateurs SaaS — une évolution rationnelle.

Mais je me suis senti étouffé.

Je viens d’un petit town dans un État indien de 25 millions d’habitants. En Inde, seulement trois étudiants par an entrent à MIT. Sans exception, ils viennent de Delhi, Mumbai ou Bangalore, dans des écoles préparatoires coûteuses, conçues pour cet objectif. Je suis le premier de mon État à y entrer. Je ne dis pas cela pour me vanter, mais pour illustrer un point : quand l’accès est limité, le pedigree prédit le résultat ; quand l’accès s’ouvre, ce sont ceux qui creusent profondément qui gagnent. Dans une salle pleine de gens issus de familles prestigieuses, je suis une pièce maîtresse par ma profondeur. C’est la seule stratégie que je connais pour miser.

J’ai étudié la physique, les mathématiques et l’informatique, où la compréhension la plus profonde ne vient pas de l’optimisation de processus, mais de voir la vérité que d’autres ont manquée. Mon mémoire portait sur la mitigation des stragglers dans l’entraînement distribué de machine learning : comment optimiser un système à grande échelle quand certains composants prennent du retard, sans compromettre l’intégrité globale.

Quand, à vingt ans, je regarde le monde de la startup, je vois un tableau où ces insights profonds semblent sans importance. La prime du marché privilégie l’« entrée » plutôt que le produit lui-même. Construire quelque chose d’extrêmement technique paraît naïf — cela serait considéré comme une perturbation du « vrai jeu » (acquisition, rétention, vitesse de vente).

Mais en 2022, tout a changé.

Ce que montre ChatGPT — de façon plus intuitive et impressionnante que des années de papiers de recherche —, c’est que la courbe a tourné. Une nouvelle courbe en S s’est ouverte. Les transitions de phase (phase transitions) ne récompensent pas ceux qui ont été les plus adaptatifs à la phase précédente, mais ceux qui, avant que d’autres ne voient la valeur, ont perçu le potentiel infini de la nouvelle étape.

J’ai quitté mon emploi, et lancé Warp.

Ce pari est très précis. Aux États-Unis, il y a plus de 800 agences fiscales — fédérales, étatiques, locales — avec leurs propres exigences, échéances et logiques de conformité. Il n’y a pas d’API, pas d’accès programmatique. Pendant des décennies, chaque fournisseur de payroll a traité cela à la manière ancienne : en embauchant des experts, en jonglant manuellement dans des systèmes non conçus pour la scalabilité. Les géants traditionnels — ADP, Paylocity, Paychex — ont construit leur modèle autour de cette complexité, en l’intégrant dans le nombre d’employés, et en la répercutant sur leurs clients.

En 2022, je voyais que les agents IA étaient encore fragiles. Mais je voyais aussi la courbe d’amélioration. Quelqu’un qui maîtrise la dynamique des systèmes distribués à grande échelle, et suit de près l’évolution des modèles, peut faire un pari précis : la technologie fragile d’hier deviendra extrêmement puissante dans quelques années. Nous avons parié : construire une plateforme IA native, en partant des workflows les plus difficiles — ceux que les géants traditionnels ne pourront jamais automatiser à cause de leur architecture.

Aujourd’hui, ce pari se réalise. Mais la tendance plus large, c’est la reconnaissance de pattern