Des centaines de start-up IA nées avant ChatGPT pensaient survivre au bouleversement mais disparaissent silencieusement entre 2024 et 2026

ChatGPT impose un nouveau standard produit dès 2023

Le choc le plus immédiat pour les start-up nées en 2020-2022 tient à un changement de référence dans l’esprit des utilisateurs. En quelques mois, OpenAI a installé un standard d’interface conversationnelle et de qualité perçue, puis les concurrents ont suivi, de Google à Microsoft. Pour des jeunes sociétés qui vendaient un assistant rédactionnel, un bot FAQ ou un outil de synthèse de documents, la comparaison est devenue frontale: les clients demandaient “le même niveau que ChatGPT”, mais avec une intégration métier, des garanties juridiques et un prix inférieur.

Cette pression a été renforcée par l’intégration rapide de l’IA générative dans les outils du quotidien. La généralisation d’assistants dans les suites bureautiques, les navigateurs et les CRM a réduit l’espace pour des produits autonomes. Une start-up qui facturait 20 à 40 euros par mois pour une fonction de reformulation ou de compte-rendu s’est retrouvée en concurrence avec une fonctionnalité incluse dans un abonnement existant, ou accessible via une API à faible coût. Le résultat se lit dans les cycles de vente: davantage de tests gratuits, plus de demandes de preuves, et un taux de conversion en baisse pour les offres généralistes.

Le standard ne concerne pas seulement la qualité linguistique. Les entreprises ont adopté un vocabulaire nouveau, hallucinations, traçabilité, confidentialité, et exigent des garde-fous. Un directeur informatique d’un groupe de services résume le déplacement des attentes: “Le texte est bon chez tout le monde, ce qui compte c’est la sécurité, la gouvernance et la capacité à citer les sources.” Pour les start-up pré-ChatGPT, cela signifie réécrire des pans entiers de produit, ajouter des couches de contrôle et accepter des audits, ce qui renchérit les coûts.

Ce nouveau standard a aussi déplacé la valeur vers l’accès aux données et l’intégration. Les solutions de type “copilote” qui se branchent sur un SI complexe, ERP, GED, messagerie, ont plus de chances de durer que les applications isolées. Beaucoup de jeunes pousses ont découvert tardivement que la conversation n’était qu’une façade, et que le cur du produit se jouait dans la qualité des connecteurs, la gestion des droits et la conformité, domaines où les grands éditeurs disposent d’avance.

La baisse des coûts des modèles fragilise les start-up “wrapper”

Le second moteur de la mortalité est économique. Entre 2023 et 2025, la concurrence entre fournisseurs de modèles a entraîné une baisse du coût par requête et une amélioration rapide des performances. Pour une partie du marché, la technologie de base est devenue interchangeable. Les start-up qui se contentaient d’enrober un modèle tiers, parfois qualifiées de wrapper, ont vu leur différenciation s’éroder. Quand un client peut obtenir une réponse comparable via une API standard, la disposition à payer pour un intermédiaire diminue.

Cette dynamique a joué dans les deux sens. D’un côté, les coûts d’infrastructure ont baissé, ce qui facilite l’entrée de nouveaux concurrents et accélère la copie. De l’autre, l’exigence de marge s’est accrue, car les investisseurs et les clients surveillent le ratio entre revenus et dépenses d’inférence. Plusieurs fondateurs évoquent un piège: facturer au forfait un service intensif en requêtes, puis subir une explosion de l’usage sans pouvoir répercuter immédiatement la facture. Les grands comptes négocient, demandent des plafonds, et imposent des pénalités en cas de dérive, ce qui met sous tension les trésoreries.

La commoditisation touche aussi les fonctionnalités “magiques” de 2021, résumé automatique, extraction de mots-clés, classification. Des bibliothèques open source et des offres cloud les rendent accessibles avec peu d’ingénierie. Dans ce contexte, la valeur se déplace vers des actifs rares: données propriétaires, annotations, expertise métier, et capacité à opérer un modèle dans un cadre contraint. Les start-up qui n’ont pas accumulé ces actifs pendant leur phase de croissance se retrouvent exposées, car elles ne peuvent pas justifier un prix supérieur.

Les opérations de consolidation s’accélèrent en conséquence. On observe davantage d’achats ciblés sur des équipes, des portefeuilles clients ou des briques de connecteurs, plutôt que sur une technologie fondamentale. Dans les écosystèmes européens, des acquéreurs recherchent des compétences en MLOps, en déploiement “on-premise” ou en traitement de données sensibles. Pour les sociétés rachetées, cela se traduit par des sorties modestes, parfois en dessous des tours précédents, ou par des intégrations qui mettent fin à la marque initiale.

Le capital-risque resserre les critères depuis la remontée des taux

La vague de fermetures ne s’explique pas seulement par la technologie. Le contexte financier a changé entre 2021 et 2024, avec la remontée des taux et une sélectivité accrue du capital-risque. Les start-up lancées juste avant novembre 2022 ont souvent levé sur des promesses de croissance rapide, avec des valorisations élevées et une priorité donnée à l’acquisition d’utilisateurs. En 2024-2026, les mêmes dossiers sont évalués sur la rentabilité, la rétention et la capacité à vendre à des entreprises exigeantes.

Dans les comités d’investissement, les questions ont évolué. Les fonds demandent des preuves de “moat”, un avantage défendable, et challengent les dépendances à un fournisseur de modèles. Ils veulent savoir ce qui se passe si les prix API augmentent, si un modèle concurrent devient meilleur, ou si un grand éditeur intègre la même fonction. Les start-up qui n’ont pas de réponse claire se heurtent à des refus, ou à des tours de table plus petits, assortis de conditions strictes. Pour certaines, l’alternative est un pivot ou une réduction d’effectifs.

La conséquence opérationnelle est une hausse des “down rounds” et des extensions de piste financière sous tension. Des dirigeants expliquent avoir dû passer d’une logique “croissance à tout prix” à une logique de cash, en réduisant le marketing, en coupant des projets et en renégociant les contrats cloud. Les accélérateurs et incubateurs signalent davantage de demandes d’accompagnement sur la restructuration, la vente B2B et la conformité, ce qui était moins central au moment de la création.

Le paradoxe est que l’IA attire encore des montants importants, mais concentrés. Les tickets se dirigent vers l’infrastructure, les modèles spécialisés, et les applications verticales avec données uniques. Les start-up pré-ChatGPT positionnées sur une application horizontale, “assistant universel”, se retrouvent dans une zone grise: trop petites pour concurrencer les plateformes, pas assez spécialisées pour justifier une prime. Dans ce contexte, survivre passe par un repositionnement clair, parfois au prix d’un changement de marché et d’une réécriture du produit.

La santé, la cybersécurité et l’industrie résistent grâce aux données

Toutes les start-up IA ne sont pas touchées de la même manière. Les secteurs où les données sont rares, sensibles ou difficiles à collecter offrent une protection relative. En France, des acteurs cités dans les panoramas de l’écosystème, dont Owkin, Gleamer ou Dental Monitoring en santé, s’appuient sur des partenariats, des jeux de données médicaux et des processus de validation longs. Cette barrière à l’entrée ralentit la copie, même si la concurrence internationale reste forte.

Dans la santé, la valeur ne se limite pas à générer du texte. Elle se situe dans la performance clinique, la robustesse statistique, et la conformité réglementaire. Les cycles de vente sont plus longs, mais les contrats peuvent être plus stables, car une intégration réussie dans un hôpital ou un réseau de radiologie crée des coûts de sortie. Les entreprises qui investissent dans la certification, la documentation et l’évaluation en conditions réelles peuvent mieux résister à l’effet “commodité” des modèles généralistes.

En cybersécurité et défense, la dynamique est similaire. Des sociétés comme Darktrace ou Preligens opèrent sur des données spécifiques, télémétrie réseau, imagerie, et sur des contraintes de souveraineté. Les clients exigent des déploiements contrôlés, parfois hors cloud public, ce qui limite l’entrée de solutions grand public. Les modèles génératifs y sont utilisés comme interface ou accélérateur d’analyse, mais le cur reste l’accès aux signaux, la détection et la réponse opérationnelle.

Dans l’industrie et la supply chain, des solutions d’optimisation comme Pelico ou des acteurs orientés maintenance et planification vendent des gains mesurables, réduction de ruptures, amélioration de prévision, baisse des stocks. Les donneurs d’ordre demandent des indicateurs, des pilotes chiffrés, et une intégration au terrain. Cette exigence favorise les start-up capables d’aligner IA et processus, plutôt que celles qui vendent une promesse générique. Le mouvement de fond reste la spécialisation: la couche conversationnelle devient un moyen, pas une fin.

La relation client se transforme avec iAdvize, dydu et l’IA générative

La relation client illustre bien le tri en cours. Avant 2022, de nombreuses start-up vendaient des chatbots fondés sur des arbres de décision, du NLP classique ou des FAQ enrichies. L’arrivée de GPT-4 et de modèles concurrents a rendu ces approches moins attractives, car les clients ont découvert des assistants capables de gérer des formulations variées. Des acteurs français comme iAdvize ou dydu ont adapté leurs offres, en combinant IA générative et contrôle, avec des mécanismes de validation, des bases de connaissances et des règles de sécurité.

Pour les plus petites structures lancées juste avant ChatGPT, l’équation est plus difficile. Elles doivent prouver qu’elles apportent plus qu’un simple branchement sur une API. Les entreprises clientes demandent des garanties sur la confidentialité, la conservation des données, l’hébergement, et la capacité à éviter des réponses erronées. Elles veulent aussi une traçabilité, qui a répondu, sur quelle base, avec quel document. Ces exigences augmentent les coûts de développement et rallongent les cycles de vente, ce qui fragilise des sociétés sous-capitalisées.

La bataille se joue aussi sur le coût total. Un bot génératif peut réduire le temps de traitement, mais il peut aussi générer plus de conversations, donc plus de requêtes, donc plus de facture. Les directions de la relation client comparent les solutions sur la base d’un coût par contact résolu, et pas seulement sur une démo. Les start-up qui n’ont pas d’outils de monitoring, de limitation, et de routage vers un humain perdent des appels d’offres. Celles qui savent combiner automatisation et supervision gagnent des points.

Un autre facteur est l’intégration aux outils existants, CRM, ticketing, bases de connaissances. Les grandes suites proposent des connecteurs natifs et des politiques de sécurité déjà validées. Pour une start-up, obtenir les mêmes validations, répondre aux questionnaires de conformité, et maintenir des intégrations à jour représente un effort continu. La consolidation du marché est visible: des solutions disparaissent, d’autres se repositionnent sur un segment, par exemple l’assistance aux conseillers, plutôt que le bot autonome. La pression concurrentielle reste élevée, et la valeur se déplace vers la qualité des données d’entraînement internes et la capacité à opérer en production.