Auteur : Outgoing Incubator
Les règles du jeu entrepreneurial ont été complètement modifiées.
Dans le dernier « Wish List » (RFS) du printemps 2026 publié par Y Combinator (YC), nous avons vu un signal clair : l’AI native n’est plus un simple terme marketing, mais la logique fondamentale pour construire la prochaine génération de géants. Les startups actuelles peuvent, à un rythme plus rapide et à moindre coût, défier des domaines autrefois considérés comme « immuables ».
Cette fois, YC ne se concentre pas seulement sur les logiciels, mais porte également son regard sur les systèmes industriels, l’architecture financière sous-jacente et la gouvernance gouvernementale. Si la précédente vague d’IA concernait la « génération de contenu », la prochaine sera axée sur la « résolution de problèmes complexes » et la « refonte du monde physique ».
Voici les 10 principales pistes clés que YC suit de près et souhaite investir.
1. “Cursor” pour les chefs de produit (Cursor for Product Managers)
Au cours des dernières années, des outils comme Cursor et Claude Code ont complètement changé la façon d’écrire du code. Mais cette prospérité masque une problématique plus fondamentale : écrire du code n’est qu’un moyen, comprendre « ce qu’il faut construire » est la véritable clé.
Actuellement, le processus de découverte produit est encore à l’âge de pierre. Nous dépendons d’entretiens utilisateur fragmentés, de retours de marché difficilement quantifiables et d’innombrables tickets Jira. Ce processus est extrêmement dépendant de l’humain et comporte des ruptures.
Le marché a besoin d’un système AI native capable d’aider les chefs de produit comme Cursor aide les programmeurs. Imaginez un outil : vous téléchargez tous les enregistrements d’entretiens clients et les données d’utilisation du produit, puis lui demandez : « Quelle est la prochaine étape ? »
Il ne se contentera pas de vous donner une recommandation vague, mais produira un plan complet des fonctionnalités, en s’appuyant sur des retours clients précis pour justifier la décision. Plus loin, il pourra même générer directement des prototypes UI, ajuster des modèles de données et décomposer des tâches de développement à confier à un Agent de codage IA.
À mesure que l’IA prendra en charge la mise en œuvre concrète du code, la capacité à « définir un produit » deviendra plus cruciale que jamais. Nous avons besoin d’un super-outil qui boucle la boucle entre « découverte des besoins » et « définition du produit ».
2. La prochaine génération de fonds spéculatifs AI-natifs (AI-Native Hedge Funds)
Dans les années 80, lorsque quelques fonds ont commencé à utiliser des ordinateurs pour analyser le marché, Wall Street s’en moquait. Aujourd’hui, le trading quantitatif est la norme. Si vous ne réalisez pas encore que nous sommes à un tournant similaire, vous risquez de manquer la prochaine renaissance technologique (Renaissance Technologies) ou le fonds Bridgewater.
Cette vague ne consiste pas à ajouter l’IA en tant que « plugin » à des stratégies existantes, mais à construire des stratégies d’investissement entièrement AI natives dès le départ.
Bien que les géants de la quantification disposent de ressources énormes, leur lenteur face aux enjeux de conformité et d’innovation est notable. Les futurs fonds de couverture seront pilotés par une armée d’Agents IA — capables, comme des traders humains, de passer 24h/24 à analyser les rapports 10-K, écouter les conférences téléphoniques, examiner les documents SEC, et synthétiser les analyses d’experts pour trader.
Dans ce domaine, les véritables gains d’Alpha reviendront à ceux qui oseront laisser l’IA prendre en charge en profondeur la prise de décision.
3. La transformation logicielle des agences de services (AI-Native Agencies)
Depuis toujours, que ce soit dans le design, la publicité ou le droit, le modèle d’agence (Agency) est confronté à une impasse : il est difficile à scaler. Parce qu’elles vendent du « temps humain », avec une faible marge, et leur croissance dépend de l’embauche.
L’IA brise cette impasse.
La nouvelle génération d’agences ne vendra plus des outils logiciels, mais utilisera l’IA pour produire des résultats à 100 fois la vitesse, puis vendra directement le produit final. Cela signifie que :
- Les agences de design pourront générer des plans personnalisés avec l’IA avant même la signature, surpassant ainsi la concurrence traditionnelle.
- Les agences de publicité pourront créer des vidéos de qualité cinématographique sans tournage coûteux.
- Les cabinets d’avocats rédigeront des documents juridiques complexes en quelques minutes, pas en semaines.
Les entreprises de services de demain auront un modèle commercial plus proche de celui des logiciels : marges élevées, évolutivité infinie.
4. Services financiers dérivés des stablecoins (Stablecoin Financial Services)
Les stablecoins deviennent rapidement une infrastructure clé de la finance mondiale, mais la couche de services qui s’y construit reste une terra incognita. Avec l’avancement de lois comme GENIUS et CLARITY, les stablecoins se trouvent à la croisée de la DeFi (finance décentralisée) et de la TradFi (finance traditionnelle).
C’est une opportunité énorme d’arbitrage réglementaire et d’innovation.
Aujourd’hui, les utilisateurs doivent souvent choisir entre des produits financiers traditionnels « conformes » mais peu rémunérateurs, et des cryptomonnaies à haut rendement mais risquées. Le marché a besoin d’une forme intermédiaire : des services financiers innovants, basés sur des stablecoins, à la fois conformes et bénéficiant des avantages de la DeFi.
Que ce soit pour offrir des comptes d’épargne à rendement élevé, tokeniser des actifs réels (RWA), ou améliorer l’infrastructure de paiements transfrontaliers, c’est le moment idéal pour connecter ces deux mondes parallèles.
5. Refonte de l’industrie ancienne : usines métallurgiques modernes (Modern Metal Mills)
Quand on parle de « réindustrialisation des États-Unis », on se concentre souvent sur le coût de la main-d’œuvre, en oubliant un éléphant dans la pièce : la conception des systèmes industriels traditionnels est extrêmement inefficace.
Prenons l’exemple de l’approvisionnement en aluminium ou en tubes d’acier aux États-Unis : un délai de 8 à 30 semaines est la norme. Ce n’est pas parce que les ouvriers sont paresseux, mais parce que tout le système de gestion de la production a été conçu il y a des décennies. Ces usines vieillissantes, pour maximiser le « tonnage » et « l’utilisation », sacrifient la vitesse et la flexibilité. De plus, leur forte consommation d’énergie est un problème majeur, tout comme leur manque de gestion moderne de l’énergie.
Les opportunités de reconstruction sont mûres.
En utilisant l’IA pour la planification de la production, des systèmes MES (Manufacturing Execution Systems) en temps réel, et des technologies d’automatisation modernes, nous pouvons réduire radicalement les délais de livraison et augmenter la rentabilité. Il ne s’agit pas seulement de faire fonctionner les usines plus vite, mais de transformer la fabrication par des processus définis par logiciel, rendant la production locale de métaux plus économique, flexible et rentable. C’est une étape clé pour reconstruire la base industrielle.
6. Modernisation de la gouvernance par l’IA (AI for Government)
La première vague d’entreprises IA a permis aux entreprises et aux particuliers de remplir des formulaires à une vitesse incroyable, mais cette efficacité s’arrête net face aux administrations publiques. Des millions de demandes numériques finissent dans des back-offices encore dépendants du papier et du traitement manuel.
Les gouvernements ont un besoin urgent d’outils IA pour faire face à l’afflux de données à venir. Bien que des pays comme l’Estonie aient déjà montré une « gouvernance numérique » en germe, cette logique doit être reproduite à l’échelle mondiale.
Vendre des logiciels aux gouvernements est une tâche difficile, mais le potentiel de retour est énorme : une fois le premier client acquis, la fidélité et l’expansion sont quasi assurées. Ce n’est pas seulement une opportunité commerciale, mais aussi une démarche citoyenne pour améliorer l’efficacité du fonctionnement social.
7. Mentorat IA en temps réel pour le travail physique (AI Guidance for Physical Work)
Vous vous souvenez de la scène dans « Matrix » où Neo apprend le kung-fu en branchant un câble ? La version réelle de cette « injection de compétences » arrive, non pas via une interface cerveau-machine, mais par un accompagnement IA en temps réel.
Plutôt que de débattre sur ce que l’IA va remplacer chez les cols blancs, regardons comment elle peut renforcer le travail manuel. Dans la maintenance, la fabrication, la santé, l’IA ne peut pas forcément « agir » directement, mais elle peut « voir » et « réfléchir ».
Imaginez un ouvrier portant des lunettes intelligentes, en train de réparer une machine : l’IA, via la caméra, voit la vanne, puis lui dit à l’oreille : « Fermez cette vanne rouge, utilisez une clé de 3/8, cette pièce est usée, il faut la changer. »
La maturité des modèles multimodaux, la popularité du hardware intelligent (smartphones, écouteurs, lunettes), et la pénurie de main-d’œuvre qualifiée créent un besoin énorme. Que ce soit pour former des employés existants ou pour créer une nouvelle plateforme de « super-cols bleus », le potentiel est immense.
8. Modèles spatiaux larges pour dépasser les limites linguistiques (Large Spatial Models)
Les grands modèles de langage (LLM) ont permis une explosion de l’IA, mais leur intelligence reste limitée à ce que le langage peut décrire. Pour atteindre une intelligence artificielle générale (AGI), l’IA doit comprendre le monde physique et les relations spatiales.
Actuellement, l’IA est encore maladroite pour traiter la géométrie, la 3D, la rotation physique, etc. Cela limite leur capacité à interagir avec le monde réel.
Nous cherchons des équipes capables de construire de grands modèles de raisonnement spatial (Large Spatial Models). Ces modèles ne doivent pas considérer la géométrie comme un simple sous-ensemble du langage, mais comme un principe premier. Qui pourra faire en sorte que l’IA comprenne et conçoive réellement des structures physiques ? Ce sera la clé pour bâtir le prochain modèle fondation de niveau OpenAI.
9. Infrastructure pour la lutte contre la fraude gouvernementale (Infra for Government Fraud Hunters)
Le gouvernement est le plus gros acheteur au monde, dépensant des billions chaque année, tout en subissant d’énormes pertes dues à la fraude. Rien qu’aux États-Unis, la fraude à l’assurance maladie coûte plusieurs milliards de dollars chaque année.
La loi américaine sur la fausse déclaration (False Claims Act) permet à des citoyens de poursuivre en justice des entreprises frauduleuses pour le compte du gouvernement, et de recevoir une part des fonds récupérés. C’est l’un des moyens les plus efficaces pour lutter contre la fraude, mais le processus actuel est archaïque : les dénonciateurs fournissent des pistes aux cabinets d’avocats, qui passent des années à trier manuellement les documents.
Nous avons besoin d’un système intelligent dédié à cela. Il ne s’agit pas d’un simple tableau de bord, mais d’un détective IA capable d’analyser automatiquement des PDF complexes, de suivre des structures de sociétés écrans, et de rassembler des preuves dispersées en dossiers exploitables pour le procès.
Si vous pouvez accélérer la récupération de fonds de 10 fois, vous pourrez bâtir un empire commercial colossal tout en récupérant des milliards pour les contribuables.
10. Simplifier la formation des LLM (Make LLMs Easy to Train)
Malgré l’engouement pour l’IA, la formation de grands modèles reste une expérience cauchemardesque.
Les développeurs passent leur temps à lutter contre des SDK défectueux, à déboguer des instances GPU qui plantent au démarrage, ou à traquer des bugs dans des outils open source. Sans parler des défis liés à la gestion de téraoctets de données.
Comme le cloud a donné naissance à Datadog et Snowflake, l’ère de l’IA a besoin de meilleurs « outils ». Nous devons :
- Abstraire complètement l’API de formation.
- Gérer facilement des ensembles de données massifs avec des bases de données adaptées.
- Créer un environnement de développement dédié à la recherche en apprentissage automatique.
Alors que le « post-entrainement » et la spécialisation des modèles deviennent cruciaux, ces infrastructures seront la pierre angulaire du développement logiciel de demain.
