L'écart budgétaire des entreprises pénalise le SaaS traditionnel

Startup IA Sierra : le partenaire des grandes entreprises

Sierra, la startup spécialisée dans les agents d'intelligence artificielle pour le service client B2B, a bouclé une levée de fonds de 950 millions de dollars qui lui confère une valorisation de 15 milliards de dollars. Fondée en 2024 par Bret Taylor, ancien co-PDG de Salesforce, et Clay Bavor, ex-vice-président chez Google, l'entreprise s'est d'abord appuyée sur un premier tour de 110 millions de dollars co-mené par Sequoia Capital et Benchmark avant de franchir ce nouveau palier. En début d'année 2026, Sierra affichait déjà un chiffre d'affaires annuel récurrent de 100 millions de dollars et revendiquait plus de 40 % des entreprises du classement Fortune 50 parmi ses clients, gérant au total des milliards d'interactions clients. Le fonds Tiger Global, qui avait participé à des tours précédents, est revenu pour cette opération, signe d'une confiance renouvelée de la part des investisseurs institutionnels. L'enjeu dépasse la simple performance financière : Sierra incarne un changement de paradigme dans la manière dont les grandes entreprises gèrent leur relation client. Là où les anciens serveurs vocaux interactifs se heurtaient à la moindre demande complexe, les agents Sierra s'appuient sur une architecture multi-modèles, connectant plusieurs grands modèles de langage en simultané, pour traiter en temps réel des volumes massifs de requêtes, y compris des litiges médicaux ou des dossiers financiers sensibles. Le résultat revendiqué ressemble davantage à une conversation avec un conseiller humain qu'à un chatbot scriptés. Pour les entreprises, l'impact se mesure directement en coûts évités et en taux de résolution améliorés, deux métriques que les directeurs opérationnels comprennent sans traduction. Sierra s'inscrit dans une vague plus large de plateformes dites "agentic" qui cherchent à capturer la couche d'exécution de l'IA en entreprise, un marché que se disputent également Salesforce Agentforce, ServiceNow et des dizaines de challengers bien financés. Le profil de ses fondateurs, Taylor a notamment présidé le conseil d'administration de Twitter lors du rachat par Elon Musk et dirigé Salesforce, lui a ouvert des portes que d'autres startups mettent des années à franchir. Avec 15 milliards de valorisation et une base de revenus récurrents solide, la question qui se pose désormais est celle de la trajectoire : introduction en bourse, acquisition stratégique par un acteur comme Salesforce ou Microsoft, ou course solitaire vers le statut de plateforme CX dominante. La levée actuelle lui donne les ressources pour recruter à l'international et accélérer le développement produit, mais aussi la pression d'une valorisation ambitieuse à justifier dans un marché où les promesses d'agents IA se multiplient à mesure que les preuves de valeur réelle se font encore attendre.

Le trafic issu des LLM convertit à 30-40 % et la plupart des entreprises n'en tirent pas parti

Le trafic généré par les grands modèles de langage (LLM) convertit à un taux de 30 à 40 %, soit deux à trois fois plus que le trafic SEO classique, selon plusieurs observations terrain rapportées en 2026. Pourtant, la majorité des entreprises n'optimisent pas encore leur contenu pour ce canal. Un nouveau paradigme émerge : l'AEO (Answer Engine Optimization), aussi appelé GEO (Generative Engine Optimization). Là où le SEO visait des mots-clés, des classements et des clics, l'AEO vise à être compris, sélectionné et cité par des agents IA comme Claude Code, Microsoft Copilot, Perplexity, Google Vertex ou AutoGen. Ces systèmes ne "naviguent" pas le web comme un humain : ils analysent l'intention de l'utilisateur en tenant compte du contexte et de la mémoire des sessions passées, puis synthétisent une réponse directe sans que l'utilisateur ne visite nécessairement le site source. Dustin Engel, fondateur du cabinet Elegant Disruption, résume : "L'AEO est la couche de découverte suivante" -- une "découverte zéro clic" où la citabilité remplace la visibilité. L'impact est concret et immédiat pour les équipes marketing, commerciales et les éditeurs de contenu. Lorsqu'un agent synthétise une réponse, le taux de clic vers le site de l'entreprise chute, mais la qualité du trafic résiduel explose. Adam Yang, de la plateforme Quora, estime que l'AEO est déjà devenu le comportement par défaut pour toute requête où l'utilisateur veut une réponse synthétisée : comparaisons de produits, recommandations de méthodes, analyses de marché. Google Overviews accélère cette dynamique côté grand public. "Le SEO n'est pas mort," précise Yang, "mais l'objectif d'optimisation a changé : il ne s'agit plus d'apparaître en page 1, mais d'être cité dans la réponse." Pour les entreprises, cela signifie repenser leur façon de structurer l'information : contenus concis, factuels, bien structurés, conçus pour être extraits et cités par une machine plutôt que parcourus par un humain. Ce changement s'inscrit dans une évolution plus profonde de la façon dont les professionnels travaillent. Wyatt Mayham, analyste chez Northwest AI Consulting, indique qu'il n'utilise "quasiment plus" la recherche traditionnelle pour ses besoins professionnels, et que cette proportion se rapproche de zéro chaque mois. Son cabinet a notamment développé une fonction Claude Skills qui, avant chaque appel de prospection, déclenche automatiquement un agent qui agrège le profil LinkedIn du contact, scrape le site de son entreprise, interroge des sources comme ZoomInfo, et produit une fiche synthétique avec revenus, taille d'équipe et signaux d'achat. Le modèle "cherche, lis, décide" évolue vers "l'agent récupère, l'agent résume, l'humain valide" -- et bientôt, "l'agent agit, l'humain contrôle". Les entreprises qui n'adaptent pas leur stratégie de contenu à cette nouvelle réalité risquent de devenir invisibles dans un écosystème où c'est désormais la machine qui choisit ses sources.

Marketing d’entreprise : passer à l’AI-native, le vrai levier de transformation en 2026

En 2026, l'intelligence artificielle est présente dans la quasi-totalité des grandes directions marketing, mais les résultats concrets restent souvent décevants. Une analyse publiée par le Forbes Business Development Council pointe un paradoxe central : malgré la multiplication des outils et des initiatives, peu d'entreprises constatent une amélioration durable et significative de leurs performances commerciales. La raison est structurelle : l'IA est utilisée comme accélérateur de tâches existantes, rédaction plus rapide, automatisation partielle, analyse de données facilitée, mais le modèle opérationnel, lui, reste inchangé. Les campagnes continuent d'être planifiées selon des cycles rigides, les budgets définis en amont, les résultats évalués après coup. L'IA s'ajoute en couche technologique sans remettre en cause les logiques historiques, produisant une optimisation marginale plutôt qu'une transformation réelle. Ce qui distingue les entreprises qui tirent véritablement profit de l'IA, c'est leur capacité à reconstruire entièrement leur fonction marketing autour d'un système qui apprend et s'adapte en continu. L'IA modifie l'équation fondamentale du marketing : analyser, produire, tester, optimiser, un cycle autrefois freiné par des délais longs et des budgets contraints, devient possible en temps réel. Les données ne sont plus des instantanés ponctuels mais des signaux continus ; les contenus ne sont plus figés mais générés et ajustés en permanence ; les tests ne sont plus exceptionnels mais intégrés au fonctionnement quotidien. L'IA générative permet notamment de produire à grande échelle des variantes de contenus adaptées à des segments précis, voire à des individus. Le rôle du marketing évolue : il ne s'agit plus de concevoir des campagnes, mais de piloter un système dynamique d'apprentissage où chaque action alimente la suivante, créant un effet cumulatif sur les performances. La transition vers ce modèle "AI-native" suit généralement une progression en quatre phases : assistance (l'IA améliore la productivité, les décisions restent humaines), automatisation (certaines tâches sont déléguées à des systèmes), augmentation (génération de contenu, expérimentation et optimisation fonctionnent déjà en boucle), puis autonomie (le marketing devient un système qui s'auto-optimise en temps réel, avec une intervention humaine centrée sur la supervision stratégique). Ce passage d'un stade à l'autre ne relève pas d'un simple déploiement technologique : il implique de revoir les infrastructures de données, les modèles de gouvernance et les indicateurs de performance. Un projet pilote réussi ne suffit pas à transformer une organisation. L'enjeu pour les directions marketing en 2026 est donc moins d'adopter de nouveaux outils que de repenser leur architecture opérationnelle pour rendre l'apprentissage continu structurel, et non anecdotique.

L'IA en entreprise : un défi que le code seul ne résout pas

Selon Michael Ameling, directeur produit de la plateforme technologique SAP Business Technology Platform, 81% des organisations disposent d'une stratégie détaillée en matière d'intelligence artificielle, mais seulement 12 à 16% d'entre elles parviennent effectivement à une exécution pilotée par l'IA. Le problème ne vient presque jamais de la qualité du code généré par les outils d'IA. Les entreprises qui ont investi massivement dans ces technologies se heurtent à un mur lorsque ce code doit fonctionner dans leurs environnements existants, car générer du code et le rendre opérationnel sont deux problèmes distincts. Pour les grandes entreprises, notamment les multinationales clientes de SAP dont certains systèmes tournent depuis dix ou vingt ans, le code doit répondre à des exigences strictes de conformité, de sécurité et de maintenabilité sur le long terme, des contraintes que la gestion du cycle de vie logiciel ne résout pas d'elle-même. Ce constat a des implications concrètes pour l'industrie. Les équipes développent des prototypes convaincants, puis découvrent qu'elles n'ont pas accès aux données nécessaires, aux intégrations requises ou aux permissions pour faire tourner leur solution en conditions réelles. L'IA amplifie la maturité existante d'une organisation en matière de données et de processus, mais elle ne peut pas s'y substituer. Ce défi s'intensifie à mesure que l'IA passe de la simple production de code à l'exécution autonome d'actions: la latence, les coûts et la charge système augmentent fortement lorsque des agents fonctionnent en continu sur des données en direct plutôt que de produire un résultat ponctuel. Les exigences de performance d'un agent autonome opérant sur les systèmes transactionnels d'une multinationale n'ont rien à voir avec celles d'un simple copilote de développement. Le véritable défi architectural, souvent sous-estimé, est celui de l'intégration dans des environnements hétérogènes combinant cloud, infrastructures legacy sur site et applications métier jamais conçues pour communiquer entre elles. Selon Ameling, la modernisation des systèmes reste indispensable, mais c'est justement l'IA qui en démultiplie la valeur: l'accès fédéré aux données et l'harmonisation des processus ne sont pas des alternatives à la mise à niveau d'un paysage informatique fragmenté, ils en sont la condition de rentabilité. Pour répondre à ces besoins, SAP mise sur sa Business AI Platform, qui regroupe des outils comme Joule Studio, l'Integration Suite, le Business Data Cloud et le SAP AI Agent Hub, afin de donner à la logique générée par l'IA une connaissance précise et à jour des systèmes d'entreprise sur lesquels elle doit s'exécuter.

💬 Bon, sur le papier 81% des boîtes ont une stratégie IA, mais 12 à 16% seulement passent à l'exécution, ça dit tout. Le code généré, c'est jamais le problème: le mur, c'est les accès aux données, les intégrations, les permissions sur des systèmes qui tournent depuis vingt ans. Retiens celle-là: l'IA n'invente pas la maturité data d'une boîte, elle se contente de l'amplifier, en bien comme en mal.