Les fonds de capital-risque sont convaincus d’avoir déniché la nouvelle formule gagnante : utiliser l’intelligence artificielle (IA) pour transformer des entreprises de services traditionnellement très manuelles en structures générant des marges comparables à celles des éditeurs de logiciels. Le principe est simple : racheter des sociétés de services établies, y intégrer l’IA pour automatiser un maximum de tâches, puis utiliser les gains de trésorerie dégagés pour accélérer la croissance par acquisitions successives.
En tête de file, le fonds General Catalyst consacre près de 1,5 milliard de dollars à une stratégie qualifiée de “création”. Celle-ci consiste à incubateur des sociétés natives de l’IA spécialisées dans des secteurs précis, puis à les utiliser pour racheter d’autres entreprises solides de ces mêmes secteurs, en récupérant ainsi leurs clients. Seven industries ont déjà été ciblées, allant du juridique à la gestion informatique, avec l’ambition d’en toucher jusqu’à vingt au total.
« Le secteur des services pèse environ 16 000 milliards de dollars dans le monde »,affirme Marc Bhargava, responsable de ce programme chez General Catalyst, dans un entretien récent avec TechCrunch. « En comparaison, le marché des logiciels ne représente qu’environ 1 000 milliards de dollars, » précise-t-il, rappelant que l’attractivité du logiciel repose sur ses marges élevées : à mesure qu’un logiciel se développe, ses coûts marginaux sont très faibles tandis que ses revenus marginaux augmentent fortement. Automatiser une partie importante — entre 30 et 50 % — des tâches des sociétés de services grâce à l’IA, voire jusqu’à 70 % dans des centres d’appels, crée donc un potentiel économique évident.
Cette amélioration de la trésorerie permet ensuite d’acquérir davantage de sociétés à des prix que des acheteurs traditionnels ne pourraient pas atteindre, entraînant une dynamique de croissance vertueuse appréciée par les investisseurs.
La stratégie semble porter ses fruits. Titan MSP, une société du portefeuille de General Catalyst, a reçu 74 millions de dollars en deux versements afin de développer des outils d’IA destinés aux fournisseurs de services managés (MSP) avant de racheter RFA, une entreprise reconnue dans les services informatiques. Selon Bhargava, des programmes pilotes ont démontré que Titan pouvait automatiser près de 38 % des tâches classiques de ces prestataires, et la société prévoit maintenant d’utiliser ses marges renforcées pour racheter d’autres MSP dans une logique de croissance par acquisitions.
Dans le même esprit, General Catalyst a créé Eudia, qui cible non pas les cabinets d’avocats, mais les départements juridiques internes d’entreprises. Eudia sert déjà des clients du Fortune 100, tels que Chevron, Southwest Airlines ou Stripe, en offrant des services juridiques à forfait et adaptés par IA, défendant ainsi un modèle favorable à l’automatisation plutôt que la facturation à l’heure. La société a récemment acquis Johnson Hanna, un fournisseur alternatif de services juridiques, pour renforcer son positionnement.
General Catalyst vise à doubler, voire davantage, la marge EBITDA des entreprises qu’elle rachète, confirme Bhargava.
Cette vision n’est pas exclusive à General Catalyst. Le fonds Mayfield a consacré 100 millions de dollars à ses investissements en « coéquipiers IA » et a piloté la levée de fonds de Serie A de Gruve, une startup de conseil informatique qui, après avoir acquis une société de conseil en sécurité générant 5 millions de dollars de chiffre d’affaires, l’a fait tripler en six mois tout en atteignant une marge brute de 80 %, d’après ses fondateurs.
« Si l’IA peut réaliser 80 % du travail, les marges brutes pourraient atteindre 80 à 90 %, » expliquait cet été Navin Chaddha, directeur général de Mayfield. « On pourrait ainsi atteindre des marges consolidées de 60 à 70 % et un revenu net de 20 à 30 %. »
Un investisseur solitaire, Elad Gil, suit depuis trois ans une démarche analogue, soutenant des sociétés qui rachètent des entreprises matures pour les transformer via l’IA. « Posséder l’actif permet de transformer bien plus rapidement que de se contenter de vendre un logiciel, » confiait-il à TechCrunch au printemps. « Passer une marge brute de 10 à 40 % représente un saut considérable. »
Mais certains signaux d’alerte tendent à montrer que cette métamorphose de l’industrie des services pourrait être plus compliquée que prévu. Une étude récente menée auprès de 1150 salariés à temps plein par le Stanford Social Media Lab et BetterUp Labs révèle que 40 % d’entre eux doivent gérer un surplus de travail appelé « workslop » — un terme désignant un travail généré par l’IA qui semble abouti mais manque de profondeur, engendrant ainsi davantage de corrections et de frustration.
Les salariés concernés passent en moyenne près de deux heures par épisode de workslop, pour décoder, décider si la tâche doit être renvoyée ou corrigée, et souvent reprendre le travail eux-mêmes. Les auteurs estiment que ce phénomène représente un coût invisible de 186 dollars par mois et par personne, soit plus de 9 millions de dollars de perte annuelle en productivité pour une entreprise de 10 000 collaborateurs, d’après un article du Harvard Business Review.
Clairement, la simple mise en place d’une solution d’IA ne garantit pas une amélioration automatique des performances.
Marc Bhargava relativise cette tendance, soutenant que les nombreux échecs d’implémentation confirment au contraire la pertinence de l’approche de General Catalyst. « Appliquer l’IA dans ces sociétés n’est pas une mince affaire, » souligne-t-il. « Si les grands groupes pouvaient simplement faire appel à un cabinet de conseil, acheter un contrat avec OpenAI et transformer leurs activités, notre théorie serait moins convaincante. En réalité, transformer une entreprise avec l’IA demande une expertise technique profonde. »
Il insiste sur la nécessité d’ingénieurs spécialisés capables de maîtriser les différents modèles d’IA, leurs spécificités et la manière de les intégrer dans des logiciels adaptés, ce que General Catalyst s’efforce de faire en associant experts de l’IA et spécialistes sectoriels.
Reste que le workslop menace la logique même de rentabilité sur laquelle repose cette stratégie. La question cruciale sera d’évaluer l’ampleur réelle de ce problème et son évolution à moyen terme.
Pour l’instant, choisir de réduire les effectifs pour optimiser les gains liés à l’IA signifie disposer de moins de ressources humaines pour corriger les erreurs générées par ces outils. À l’inverse, maintenir la taille des équipes pour absorber cette surcharge empêche de réaliser les marges exceptionnelles attendues par les investisseurs.
On pourrait penser que ces défis ralentiraient les plans d’expansion fulgurants soutenus par le capital-risque. Mais convenons-en, il faudra plus d’une étude pour freiner les ardeurs des investisseurs de la Silicon Valley.
Par ailleurs, comme ces fonds reprennent majoritairement des entreprises déjà rentables, General Catalyst souligne que sa stratégie dite de « création » porte ses fruits immédiatement.
« Tant que la technologie IA continuera de progresser, avec des investissements massifs et des améliorations des modèles, nous verrons toujours plus de secteurs où incubateurs et fonds pourront intervenir, » conclut Bhargava.
Points à retenir
- Le capital-risque s’intéresse de plus en plus à la transformation des sociétés de services via l’IA, dans l’objectif d’atteindre des marges comparables à celles des éditeurs de logiciels.
- General Catalyst mène une stratégie innovante en incubant des startups spécialisées en IA puis en rachetant des entreprises traditionnelles dans les mêmes secteurs.
- Les gains d’efficacité se traduisent par des marges opérationnelles plus élevées, permettant une croissance externe accélérée.
- Des cas concrets, comme Titan MSP ou Eudia, montrent des résultats encourageants dans l’automatisation de services informatiques et juridiques.
- Une étude révèle néanmoins que le travail généré par l’IA peut aussi produire du « travail supplémentaire non qualifié », ce qui complique la rentabilité attendue.
- L’expertise technique et l’intégration fine des outils IA restent des défis majeurs, justifiant une approche prudente et ciblée.
- La question de l’équilibre entre réduction des équipes et gestion des erreurs IA reste cruciale pour l’avenir de ces modèles.
En fin de compte, on peut se demander si ce pari sur l’IA dans les services n’est pas un peu comme chercher à faire passer un éléphant dans une aiguille numérique. Mais après tout, qui refuserait un potentiel jackpot en misant dessus, même si l’aiguille est un peu étroite ?