La disparition de 2 000 milliards de dollars
Quelque chose s'est brisé dans le récit du SaaS début 2026. Pas progressivement, pas subtilement, mais d'une manière qui a forcé chaque investisseur, fondateur et responsable produit à recalibrer.
Environ 2 000 milliards de dollars de capitalisation boursière logicielle se sont évaporés sur une période comprimée. Forrester, qui n'est habituellement pas enclin aux déclarations dramatiques, a prononcé que « le SaaS tel que nous le connaissons est mort ». Il ne s'agissait pas d'une récession ou des taux d'intérêt. C'était une question structurelle que les investisseurs ont commencé à poser simultanément : si l'IA peut construire ce produit en un week-end, pourquoi cette entreprise vaut-elle 15 fois son chiffre d'affaires ?
Le déclencheur n'a pas été un événement unique. C'était une convergence :
- Les outils de codage IA (Claude Code, Cursor, Replit) ont dépassé les 7 Md$ de revenus annualisés combinés, prouvant que la création de logiciels elle-même devenait une commodité
- Des plateformes de « vibe coding » comme Lovable (ARR de 400 M$+, 146 employés) et Bolt.new ont démontré que des utilisateurs non techniques pouvaient construire des produits SaaS fonctionnels en langage naturel
- DeepSeek a entraîné un modèle d'IA de frontière pour 294 000 $, pulvérisant les hypothèses sur le capital nécessaire pour rivaliser en IA
- Les acheteurs entreprise ont commencé à demander : « Pourquoi payons-nous par utilisateur pour un outil alors que l'IA peut gérer ce flux de travail de bout en bout ? »
La baisse de 2 000 milliards n'était pas l'éclatement d'une bulle. C'était le marché réévaluant la défendabilité du logiciel basé sur les fonctionnalités lorsque le coût de création des fonctionnalités tend vers zéro.
Toutes les entreprises SaaS ne sont pas également vulnérables. La destruction est concentrée dans les entreprises dont le fossé était principalement « nous avons construit cet ensemble de fonctionnalités en premier » plutôt que « nous avons des données, des effets de réseau ou une intégration de flux de travail difficile à reproduire ». Comprendre dans quelle catégorie tombe votre entreprise est désormais la question stratégique la plus importante pour les fondateurs de logiciels.
Pourquoi la tarification par utilisateur est un modèle en sursis
La tarification par utilisateur a été le fondement de l'économie SaaS pendant deux décennies. C'était élégant : des revenus prévisibles, une expansion simple (plus d'employés = plus d'utilisateurs), une économie unitaire claire. Salesforce, Atlassian et Slack ont bâti des empires dessus.
Mais la tarification par utilisateur contient une hypothèse fatale : que la valeur du logiciel évolue avec le nombre d'humains qui l'utilisent. À l'ère de l'IA, cette hypothèse s'effondre.
Quand un agent IA peut effectuer le travail d'un représentant du support client, d'un analyste de données ou d'un développeur junior, l'entreprise n'a pas besoin d'un utilisateur supplémentaire. Elle a besoin que l'IA fasse plus de travail. La tarification par utilisateur crée un incitatif pervers : plus l'IA réduit le besoin de travailleurs humains, moins l'entreprise SaaS génère de revenus.
Le marché réagit. Selon les données de l'industrie, l'adoption de la tarification basée sur l'usage a atteint 85 % des entreprises SaaS en 2025-2026, contre environ 30 % en 2019. Les modèles purement par utilisateur sont passés de 21 % à 15 % de la tarification SaaS en seulement douze mois. Les modèles hybrides (combinant utilisateurs et usage) ont bondi à 41 %.
Ce changement ne concerne pas uniquement la mécanique tarifaire. Il reflète un changement plus profond dans ce que les acheteurs valorisent :
| Modèle tarifaire | Ce qu'il facture | Alignement avec l'IA |
|---|---|---|
| Par utilisateur | Nombre d'humains | Désaligné (l'IA réduit le nombre d'humains) |
| Basé sur l'usage | Volume d'activité | Neutre (l'IA peut augmenter ou diminuer le volume) |
| Basé sur les résultats | Résultats livrés | Aligné (l'IA aide à livrer plus de résultats) |
Les entreprises qui survivront au SaaSpocalypse seront celles dont le modèle tarifaire s'aligne avec la valeur créée par l'IA, pas celles qui luttent pour préserver un modèle par utilisateur qui pénalise leurs clients pour leur efficacité.
L'essor de la tarification basée sur les résultats
Si la tarification par utilisateur se meurt, qu'est-ce qui la remplace ? La réponse la plus convaincante est la tarification basée sur les résultats : facturer les clients pour les résultats plutôt que pour l'accès.
L'agent IA d'Intercom, Fin, est l'exemple le plus clair. Lancé en 2025, Fin facture 0,99 $ par conversation de support client résolue. Pas par utilisateur, pas par appel API, mais par résultat : une question client traitée, un problème résolu. Dès sa première année, ce modèle a généré des dizaines de millions de dollars de revenus.
L'élégance réside dans l'alignement des incitations. Le client ne paie que lorsque Fin résout effectivement un problème. Si Fin ne peut pas le résoudre, il n'y a pas de facturation. Cela signifie qu'Intercom est directement incité à améliorer Fin, car une meilleure résolution = plus de revenus. Et le client est incité à diriger plus de volume vers Fin, car les résolutions réussies ne coûtent que 0,99 $ chacune.
Zendesk est allé plus loin : sa tarification de résolution IA facture zéro pour les tentatives échouées. Vous ne payez que lorsque l'IA gère entièrement l'interaction sans escalade humaine.
D'autres entreprises expérimentent :
- Outils juridiques IA facturant par document examiné ou par clause analysée (plutôt que par siège d'avocat)
- Outils de vente facturant par lead qualifié ou par réunion réservée (plutôt que par compte SDR)
- Outils de génération de code explorant la tarification par déploiement ou par fonctionnalité (plutôt que par siège de développeur)
L'économie est logique sur le papier, mais il y a un hic. La tarification basée sur les résultats introduit une volatilité des revenus que les modèles par utilisateur évitent. Si votre IA se dégrade (ou si les besoins du client changent), les revenus chutent immédiatement. Cela complique la planification financière et peut inquiéter les investisseurs habitués aux courbes régulières de revenus récurrents du SaaS.
Le bilan de 2026 met cela à l'épreuve. La plupart des entreprises ont passé 2025 en mode « adoption à tout prix », offrant des fonctionnalités IA pour développer l'usage. Les cycles de renouvellement de 2026 forcent la tarification à refléter la valeur réellement délivrée. Les entreprises capables de démontrer des résultats clairs prospéreront. Celles qui continuent de vendre des fonctionnalités feront face à des négociations de plus en plus rudes.
Marges brutes de l'IA : le problème des 50-60 %
Voici la partie du SaaSpocalypse qui reçoit moins d'attention mais compte énormément : les produits alimentés par l'IA ont des marges brutes structurellement inférieures au SaaS traditionnel.
Les marges du SaaS traditionnel étaient de 80-90 %. Une fois le logiciel construit, le coût marginal pour servir un utilisateur supplémentaire se résumait essentiellement aux coûts d'hébergement, qui étaient négligeables par utilisateur. C'est ce qui faisait du SaaS un modèle économique si attractif : des marges brutes extrêmement élevées qui finançaient la croissance.
L'IA change cette équation. Chaque inférence IA (chaque appel API à un LLM, chaque image générée, chaque document analysé) engendre un coût de calcul. Ces coûts diminuent rapidement (99,7 % sur 30 mois pour l'inférence équivalente à GPT-4), mais ils ne sont pas nuls et augmentent avec l'usage.
Les marges actuelles des produits alimentés par l'IA se situent autour de 50-60 %. C'est encore une bonne activité, mais c'est un profil financier fondamentalement différent du SaaS à 85 % de marge brute :
| Métrique | SaaS traditionnel | Produit IA |
|---|---|---|
| Marge brute | 80-90 % | 50-60 % |
| Coût marginal par utilisateur | Proche de zéro | Significatif (coûts d'inférence) |
| Structure de coûts | Fixe (ingénierie) + variable (hébergement) | Fixe + variable (calcul par requête) |
| Voie d'amélioration des marges | Principalement pouvoir de tarification | Efficacité d'inférence + tarification |
| Multiple de revenus (marchés publics) | 10-15x (croissance) | 6-10x (à déterminer) |
Cela a des effets en cascade :
Les calculs de levée de fonds changent. Une entreprise SaaS à 10 M$ d'ARR avec des marges brutes de 85 % dispose de 8,5 M$ de profit brut pour financer la croissance. Une entreprise IA à 10 M$ d'ARR avec des marges de 55 % dispose de 5,5 M$. Pour croître au même rythme, l'entreprise IA a besoin de plus de capital ou de plus d'efficacité du capital.
Les valorisations se réajustent. Les marchés publics ont historiquement valorisé les entreprises SaaS avec des multiples de revenus qui présupposaient des marges brutes de 80 %+. Les entreprises IA avec des marges de 55 % ne méritent pas les mêmes multiples, et le marché corrige cela.
Seulement 16 % des entreprises avaient monétisé l'IA comme produit autonome fin 2025. Le reste a intégré les fonctionnalités IA dans la tarification existante, sacrifiant effectivement de la marge pour rester compétitif. Celles qui ont monétisé l'IA séparément ont vu une traction 2 à 3 fois supérieure, suggérant que la demande existe si le modèle tarifaire est le bon.
La voie à suivre n'est pas de désespérer des marges. C'est de compenser des marges plus faibles par un volume plus élevé, une meilleure rétention et une tarification qui capture la valeur délivrée par l'IA. Le modèle à 0,99 $/résolution d'Intercom Fin fonctionne parce que le volume de résolutions est énorme et que l'alternative (des agents humains à 15-25 $/heure) coûte 10 à 20 fois plus cher.
Quelles catégories SaaS survivent et lesquelles se font dévorer
Tout le SaaS n'est pas également vulnérable. Le risque dépend de trois facteurs : la complexité du flux de travail, la profondeur de l'intégration des données et la force des effets de réseau.
Risque élevé : seront perturbées
Applications CRUD simples. Outils de gestion de projet, CRM basique, constructeurs de formulaires, tableaux de bord analytiques simples. Ce sont essentiellement des bases de données avec des interfaces. Quand Lovable et Bolt.new permettent aux utilisateurs de décrire l'application qu'ils veulent et d'obtenir un produit fonctionnel en quelques heures, la valeur d'un outil CRUD préexistant s'effondre. Si votre produit SaaS peut être décrit dans une spécification de deux paragraphes et reconstruit par l'IA, vous êtes vulnérable.
Outils de création de contenu. Outils de rédaction basiques, planificateurs de réseaux sociaux avec bibliothèques de modèles, outils de design simples. L'IA génère du contenu directement. La couche d'outils intermédiaires devient inutile quand le contenu lui-même est généré par l'IA.
Analytique de faible complexité. Outils de tableau de bord qui visualisent des métriques simples sans intégration profonde de données ni données propriétaires. L'IA peut générer des graphiques et des insights à partir de données brutes directement.
Risque moyen : seront transformées
Outils de collaboration. Les produits de type Slack, Notion, Asana ont des effets de réseau qui fournissent un certain fossé, mais la couche fonctionnelle est vulnérable. Les agents IA peuvent gérer des projets, résumer des fils de discussion et coordonner des flux de travail. Les outils de collaboration qui survivront seront des plateformes où les agents IA interagissent, pas seulement les humains.
Outils pour développeurs (horizontaux). Revue de code générique, CI/CD, monitoring. L'IA gère déjà une grande partie de ces tâches directement. Les outils qui survivront seront ceux qui gèrent les flux de travail des agents IA plutôt que les flux de travail des développeurs humains.
Automatisation du marketing. Les outils actuels coordonnent les activités marketing humaines. L'IA remplace bon nombre de ces activités. Les outils qui survivront orchestreront des agents marketing IA, pas des marketeurs humains.
Risque faible : prospéreront
Plateformes d'IA verticale. Harvey (juridique), Abridge (santé), Toast (restauration). L'expertise profonde du domaine, les données propriétaires et la conformité spécifique à l'industrie créent des fossés que l'IA horizontale ne peut pas facilement franchir. Ces entreprises possèdent le flux de travail et la connaissance du domaine.
Infrastructure de données. Snowflake, Databricks, Pinecone. Plus l'IA est utilisée, plus l'infrastructure de données est nécessaire. Ces entreprises bénéficient de l'adoption de l'IA plutôt que d'en être menacées.
Identité et sécurité. Okta, CrowdStrike, Cloudflare. La confiance, les certifications de conformité et l'expertise en sécurité créent des fossés que l'IA ne dissout pas. La prolifération des agents IA augmente même le besoin de gestion des identités et de sécurité.
Entreprises plateformes avec effets de réseau. Salesforce (verrouillage de l'écosystème), Shopify (réseau de commerçants), Stripe (réseau de paiement). La valeur ne réside pas dans les fonctionnalités logicielles ; c'est le réseau et les données. L'IA améliore ces plateformes au lieu de les remplacer.
La contre-attaque de l'IA verticale
Alors que le SaaS horizontal lutte avec le problème « n'importe qui peut construire ça avec l'IA », les entreprises d'IA verticale écrivent le nouveau livre de jeu pour la création de valeur logicielle.
Les données sont frappantes. Les startups IA ont levé près de 150 milliards de dollars en 2025, captant plus de 40 % du capital-risque mondial. Au sein de cet ensemble, les solutions d'IA verticale ont capté 3,5 Md$, soit une multiplication par 3 par rapport aux 1,2 Md$ de 2024. Gartner prévoit que 80 % des entreprises adopteront des agents d'IA verticale d'ici 2026.
Les exemples marquants :
Harvey (IA juridique) est le cas emblématique. Fondée par des avocats qui comprenaient suffisamment les flux de travail juridiques pour construire une IA adaptée, Harvey est passée de zéro à 195 M$ d'ARR fin 2025, en croissance de 3,9 fois depuis 50 M$. Sa trajectoire de valorisation : 3 Md$ (début 2025) à 5 Md$ (mi-2025), 8 Md$ (décembre 2025) puis 11 Md$ (discussions de février 2026). Plus de 1 000 clients, principalement des cabinets d'avocats et des départements juridiques d'entreprises.
Pourquoi Harvey a-t-elle réussi là où l'IA générique a échoué ? Parce que le travail juridique ne se résume pas à « répondre à une question ». C'est naviguer dans des réglementations spécifiques à chaque juridiction, comprendre la jurisprudence, gérer le secret professionnel et produire des documents répondant à des exigences spécifiques de formatage et de citation. L'expertise du domaine est le fossé.
Abridge (documentation clinique) a atteint une valorisation de 5,3 Md$ avec environ 800 M$ levés, principalement auprès d'a16z et Khosla Ventures. Les entreprises d'IA en santé ont représenté 6 des 11 licornes IA au premier trimestre 2025. Les startups d'IA en santé ont capté 62 % de tout le capital-risque en santé numérique au premier semestre 2025.
EvenUp (droit des dommages corporels) a atteint une valorisation de plus de 2 Md$ avec une Série E de 150 M$ de Bessemer. L'IA de l'entreprise comprend l'économie spécifique, la terminologie médicale et les modèles de négociation des affaires de dommages corporels, des connaissances qui prendraient des années à encoder à partir de zéro.
Le schéma : les entreprises d'IA verticale atteignent 80 % des valeurs de contrat du SaaS traditionnel tout en croissant de 400 % par an. Bessemer projette que la capitalisation boursière de l'IA verticale pourrait croître 10 fois plus que le SaaS hérité. Ce n'est pas une faute de frappe. 10 fois.
La raison est structurelle. Les entreprises d'IA verticale combinent :
- L'expertise du domaine qui crée un coût de changement (ce n'est pas juste du logiciel ; c'est la compréhension accumulée du fonctionnement de l'industrie)
- Les données propriétaires issues d'interactions spécifiques à l'industrie qui améliorent l'IA au fil du temps
- La connaissance de la conformité et de la réglementation que les outils horizontaux ne peuvent pas facilement reproduire
- L'intégration des flux de travail suffisamment profonde pour que la retirer perturberait les processus métier essentiels
C'est la formule du logiciel défendable à l'ère de l'IA. Pas « nous avons des fonctionnalités que les autres n'ont pas » (l'IA égalise les fonctionnalités) mais « nous comprenons cette industrie mieux que quiconque, et notre IA s'améliore à chaque interaction ».
L'open source comme grand égalisateur
L'entraînement à 294 000 $ de DeepSeek n'a pas seulement secoué l'industrie de l'IA. Il a envoyé une secousse à travers l'économie SaaS.
Quand DeepSeek a publié R1 en janvier 2025, un modèle de raisonnement open source qui égalait ou dépassait GPT-4 sur de nombreux benchmarks, deux choses se sont produites : la capitalisation boursière de NVIDIA a chuté de 600 milliards de dollars en une seule journée, et chaque entreprise SaaS qui dépendait d'un accès propriétaire à l'IA a perdu un pilier de son fossé.
L'adoption de l'IA open source en entreprise a bondi de 23 % à 67 %, offrant des économies de 70 à 90 % par rapport aux alternatives de modèles fermés. Cinq familles de modèles open source indépendants (DeepSeek, Qwen, Kimi, GLM, Mistral) ont simultanément atteint une qualité de frontière sur les benchmarks standards. Le Stanford AI Index 2025 a confirmé que les modèles ouverts égalent ou surpassent les modèles fermés sur MMLU, MATH-500, AIME et GPQA Diamond.
Ce que cela signifie pour le SaaS : la couche IA elle-même n'est pas un fossé. N'importe quelle entreprise peut accéder à des modèles IA de qualité frontière à coût marginal. Les tokens d'entrée de DeepSeek R1 coûtent 0,07 $ par million, environ 27 fois moins cher que les modèles équivalents d'OpenAI. Une fonctionnalité IA qui coûte 1 000 $/mois à votre entreprise SaaS sur OpenAI peut fonctionner pour 37 $ avec des alternatives open source.
Les entreprises SaaS qui survivront seront celles dont la valeur provient de ce qu'elles font avec l'IA, pas du fait qu'elles utilisent l'IA. Les données, l'intégration des flux de travail, l'expertise du domaine et les effets de réseau sont des fossés. « Nous avons ajouté l'IA » n'en est pas un.
C'est pourquoi nous observons une bifurcation. Les entreprises d'IA verticale avec une expertise profonde du domaine et des données d'entraînement propriétaires obtiennent des valorisations premium. Les entreprises de SaaS horizontal qui ont greffé l'IA sur des produits existants perdent leur pouvoir de tarification à mesure que les clients réalisent qu'ils peuvent reproduire les fonctionnalités IA avec des modèles prêts à l'emploi.
Comment construire un logiciel qui ne peut pas être reproduit lors d'un hackathon de week-end
Si les fonctionnalités sont peu coûteuses à construire et que l'IA est largement accessible, qu'est-ce qui rend un logiciel défendable ? Voici un cadre pour construire des produits qui survivent au SaaSpocalypse :
1. Possédez la boucle de données. Chaque interaction utilisateur devrait rendre votre produit plus intelligent. Glasp le fait avec son fil social de highlights, où chaque highlight rend la base de connaissances collective plus précieuse. Stripe le fait avec les données de paiement qui améliorent la détection de fraude. Le produit s'améliore avec l'usage d'une manière qu'un concurrent partant de zéro ne peut pas reproduire.
2. Construisez des effets de réseau, pas des fonctionnalités. Un outil de gestion de projet est une fonctionnalité. Une plateforme où équipes, agents IA et intégrations s'interconnectent est un réseau. Plus il y a d'utilisateurs/agents/intégrations sur la plateforme, plus chacun devient précieux. Le vibe coding peut reproduire une fonctionnalité. Il ne peut pas reproduire un réseau.
3. Allez en profondeur, pas en largeur. Au lieu de construire un outil qui « fonctionne pour tout le monde », construisez-en un qui fonctionne parfaitement pour une industrie spécifique. Harvey ne rivalise pas avec « l'IA générale pour les documents ». Elle rivalise en tant que « l'IA qui comprend le travail juridique ». La profondeur de la connaissance spécifique au domaine, les exigences de conformité et l'intégration des flux de travail créent un fossé que la largeur ne peut pas égaler.
4. Tarifez sur les résultats, pas sur l'accès. Si votre produit IA délivre véritablement des résultats mesurables (tickets de support résolus, leads qualifiés, documents approuvés), tarifez en conséquence. Cela aligne vos incitations avec celles de votre client, rend la proposition de valeur indéniable et crée un modèle de revenus qui croît avec l'amélioration de l'IA plutôt que de se contracter avec la commoditisation de l'IA.
5. Rendez le changement coûteux grâce à la profondeur d'intégration. Plus votre produit s'intègre profondément dans le flux de travail, la pile de données et les processus organisationnels du client, plus il est difficile à retirer. Il ne s'agit pas de verrouillage par des pièges fournisseur. Il s'agit de fournir tellement de valeur par une intégration profonde que changer nécessiterait de reconstruire des flux de travail critiques.
6. Construisez pour l'économie des agents. Votre prochain client pourrait ne pas être un humain avec un navigateur. Ce pourrait être un agent IA avec une API. Les entreprises qui construisent des endpoints MCP, des interfaces A2A et des architectures adaptées aux agents se préparent à un futur où les agents IA sélectionnent et utilisent des logiciels de manière autonome. C'est le prochain canal de distribution.
7. Accumulez des données d'entraînement propriétaires. Chaque startup d'IA verticale utilise des modèles fondamentaux sur étagère. La différenciation vient du fine-tuning sur des données propriétaires : interactions spécifiques à l'industrie, flux de travail des clients, terminologie du domaine et cas limites qui n'existent pas dans les données d'entraînement générales. Ces données s'accumulent avec l'usage et créent un avantage composé.
Frequently Asked Questions
Le SaaS est-il vraiment mort ?
Non. Le Software as a Service n'est pas mort. Mais le modèle spécifique de vente d'accès par utilisateur à des ensembles de fonctionnalités est sous pression sévère. Les entreprises qui prospèrent, Cursor (ARR de 2 Md$+), Harvey (ARR de 195 M$ en croissance de 3,9x), Lovable (ARR de 400 M$+), sont toutes IA-natives avec des modèles tarifaires alignés sur la valeur délivrée par l'IA. « SaaS » comme catégorie industrielle persistera. Les entreprises au sein de cette catégorie auront un visage très différent.
Combien de temps les entreprises SaaS traditionnelles ont-elles pour s'adapter ?
Le cycle de renouvellement 2026 est le premier test majeur. Les contrats entreprise signés en 2023-2024 arrivent à renouvellement, et les acheteurs posent des questions difficiles sur les alternatives IA. Les entreprises avec des données d'usage solides et un ROI clair seront renouvelées. Celles qui vendent des fonctionnalités que l'IA peut reproduire feront face à une pression de réduction ou de résiliation. La fenêtre d'adaptation est de 12 à 24 mois pour la plupart des catégories.
Devrais-je encore créer une startup SaaS ?
Oui, mais pas une traditionnelle. Le livre de jeu qui a fonctionné de 2010 à 2023 (construire des fonctionnalités, facturer par utilisateur, viser des marges brutes de 80 %, lever à 15x le chiffre d'affaires) est cassé. Le nouveau livre de jeu : aller en vertical, posséder les données, tarifer sur les résultats et accepter que les marges des produits IA seront de 50-60 %, pas 80-90 %. Le marché total adressable est plus grand car l'IA permet de servir des clients qui ne pouvaient pas se permettre des solutions basées sur le travail humain.
Qu'advient-il des valorisations SaaS ?
Elles se réajustent pour refléter les changements structurels. Les entreprises avec une croissance prouvée des revenus portée par l'IA et une tarification basée sur les résultats pourraient obtenir des multiples premium. Le SaaS traditionnel basé sur les fonctionnalités se négociera à des multiples plus bas à mesure que le marché intègre la compression des marges et le risque concurrentiel des alternatives IA-natives. La bifurcation entre les valorisations « IA-natives » et « IA greffée » va s'élargir.
Comment l'IA open source affecte-t-elle la défendabilité du SaaS ?
Elle élimine « nous utilisons l'IA » comme différenciateur. Quand n'importe qui peut déployer des modèles open source de qualité frontière à 70-90 % de coût en moins par rapport aux API commerciales, la couche IA elle-même n'est pas un fossé. La défendabilité doit provenir de ce que vous construisez par-dessus l'IA : expertise du domaine, données propriétaires, intégration des flux de travail et effets de réseau. Les entreprises dont l'avantage IA est « nous avons un wrapper GPT » sont les plus vulnérables.
Quelles industries sont les moins touchées par le SaaSpocalypse ?
Les industries fortement réglementées (santé, finance, gouvernement) sont les moins touchées car les exigences de conformité créent des coûts de changement que l'IA n'élimine pas. La sécurité et la gestion des identités sont également résilientes car la confiance et la certification comptent plus que les fonctionnalités. L'infrastructure de données bénéficie de l'adoption de l'IA (plus d'IA = plus de traitement de données). Les entreprises plateformes avec de forts effets de réseau (Shopify, Stripe) sont protégées car le réseau lui-même est la valeur.
Conclusion : du Software as a Service au Service as Software
Le SaaSpocalypse n'est pas la fin du logiciel. C'est la fin d'une ère spécifique de l'économie du logiciel, construite sur l'hypothèse que créer du logiciel coûtait cher, donc l'accès à un logiciel préconstruit valait la peine d'être payé.
Cette hypothèse a tenu pendant deux décennies. Construire un outil de gestion de projet, un CRM ou un tableau de bord analytique nécessitait des mois de temps d'ingénierie et des centaines de milliers de dollars. La tarification par utilisateur était le modèle naturel : vous payez pour l'investissement cumulé en ingénierie amorti sur tous les utilisateurs.
L'IA a brisé cette hypothèse. Quand le coût de construction des fonctionnalités tend vers zéro, la valeur des fonctionnalités préconstruites tend vers zéro. Ce qui conserve sa valeur, c'est tout ce qui entoure les fonctionnalités : les données, le réseau, l'expertise du domaine, la connaissance de la conformité, l'intégration des flux de travail et la confiance.
Les entreprises SaaS qui prospéreront à travers cette transition auront un visage fondamentalement différent de celles qui ont prospéré dans les années 2010. Elles auront des marges brutes plus faibles mais des marchés adressables plus grands. Elles tariferont sur les résultats, pas sur les utilisateurs. Elles rivaliseront sur la profondeur du domaine, pas sur la largeur des fonctionnalités. Et elles serviront des agents IA comme clients aux côtés des humains.
La transition du « Software as a Service » au « Service as Software » n'est pas seulement un changement de tarification. C'est une reconception de ce que font les entreprises de logiciels. Elles ne fournissent pas des outils pour que les humains travaillent. Elles fournissent des résultats qui nécessitaient auparavant du travail humain. Le produit, c'est le résultat, pas l'interface.
Pour les fondateurs, c'est à la fois terrifiant et libérateur. Terrifiant parce que le livre de jeu que vous avez étudié est obsolète. Libérateur parce que le nouveau livre de jeu récompense exactement les choses que l'IA ne peut pas facilement reproduire : une compréhension profonde d'un problème spécifique, le jugement pour savoir quels résultats comptent et le goût pour construire des produits auxquels les gens confient leurs flux de travail les plus importants.
Le SaaSpocalypse n'est pas une crise. C'est une réallocation. La valeur se déplace des entreprises qui ont construit des fonctionnalités vers les entreprises qui délivrent des résultats. Les fondateurs qui comprennent cette distinction construiront la prochaine génération d'entreprises de logiciels. Ceux qui ne le comprennent pas passeront les deux prochaines années à regarder leur fossé s'évaporer.