Software in the Age of Agents | The a16z Show

Le podcast A16Z explore le concept de «logiciel sans tête» (headless software) et son impact sur l'avenir des produits SaaS et des logiciels en général, en particulier dans un monde de plus en plus "agentique", c'est-à-dire où les agents logiciels interagissent avec les systèmes. Sema Amble, partenaire chez A16Z, et Steven Sinofsky, partenaire du conseil d'administration et ancien membre de Microsoft, discutent de l'article de Sema intitulé "Is Software Losing Its Head?". Le logiciel sans tête, bien que n'étant pas un terme nouveau, gagne en popularité. Salesforce a récemment annoncé "headless 360", une initiative marketing qui reconnaît un changement fondamental : les logiciels traditionnels étaient conçus pour l'interaction humaine via des interfaces utilisateur (UI) et des flux de travail pour capturer des données. Dans un monde agentique, l'UI devient moins pertinente, car les agents n'y accèdent pas. La valeur réside désormais dans les données, la logique et tout ce qui est stocké en dessous, plutôt que dans le flux de travail de surface. L'annonce de Salesforce, selon Sema, n'a pas entraîné de changements concrets immédiats, mais a plutôt renommé des API existantes. Cependant, elle reflète une tendance plus large où les entreprises se préparent à un monde où les agents accèdent aux données directement via des API plutôt que des UI. Notion, par exemple, propose déjà un produit sans tête, ce qui est logique étant donné que ses utilisateurs sont souvent plus technophiles et enclins à créer leurs propres agents. Steven souligne la confusion terminologique actuelle, où des termes comme "agent" sont utilisés pour désigner des programmes de longue durée qui pourraient auparavant être considérés comme des bugs. Il propose de distinguer trois types d'actions qu'un agent pourrait effectuer : 1. **Recherche (Lookup)** : Une tâche légère que les systèmes gèrent bien, souvent une nouvelle interface pour des méthodes de recherche existantes. 2. **Action (Do something)** : Implique des changements dans un système d'enregistrement, soulevant des questions complexes sur l'authentification, les identifiants d'utilisateur et la facturation dans les logiciels d'entreprise. 3. **Analyse (Analyze)** : Implique la recherche de nombreuses informations, souvent à travers plusieurs systèmes, et est bien adaptée aux agents car elle n'est pas limitée dans le temps. Cependant, l'hallucination des modèles d'IA est un problème majeur, nécessitant des mécanismes de vérification. Historiquement, la "viscosité" (stickiness) des logiciels était liée à l'interaction humaine. L'UI était essentielle, car elle s'intégrait dans la mémoire musculaire, les processus et les dépendances des workflows. Un CRM, par exemple, était "collant" car les commerciaux l'utilisaient constamment, et les départements financiers et marketing en dépendaient. L'existence d'une "source unique de vérité" pour les données critiques renforçait également cette viscosité, particulièrement dans des domaines comme la comptabilité ou la paie où la conformité est primordiale. Steven ajoute que la chose la plus "collante" est la facturation. Si un client paie, il est difficile pour lui d'arrêter. La viscosité dépend aussi de l'interlocuteur au sein de l'entreprise (conformité, administrateurs, utilisateurs finaux). L'inertie est une force puissante. Les logiciels s'infiltrent dans les habitudes de travail et deviennent difficiles à remplacer une fois intégrés. Le cas de SAP est emblématique de cette viscosité. Sema et Steven expliquent qu'il est faux de croire qu'une base de données PostgreSQL et des API peuvent remplacer SAP. La logique métier complexe et les règles de l'entreprise codifiées dans SAP sont bien plus importantes que le simple stockage des données. L'implémentation de SAP prend des années car elle est profondément personnalisée pour s'adapter aux opérations spécifiques d'une entreprise. Larry Ellison d'Oracle avait critiqué cette personnalisation excessive, mais les entreprises ne peuvent pas se contenter d'une solution à 80 %. Les processus internes, la gestion des ressources et la planification sont intrinsèquement liés à ces systèmes. Les startups sous-estiment souvent la complexité des logiciels d'entreprise. Un simple système de gestion des dépenses pour 40 personnes peut être géré manuellement ou avec une solution simple. Mais pour 100 000 personnes dans 20 pays avec des lois et politiques différentes, cela devient un système complexe et codifié que l'on ne peut pas simplement remplacer. Des entreprises comme Ford ou Toyota sont définies par la manière dont elles ont codifié leurs règles métier dans SAP. L'écosystème actuel voit de nombreuses startups construire *sur* SAP plutôt que de le remplacer. L'IA est utilisée pour rendre l'information plus accessible et utilisable, par exemple via des requêtes en langage naturel ou des rapports personnalisés. L'accès à l'UI devient facultatif, l'information étant livrée à l'utilisateur plutôt que l'utilisateur ayant à la chercher. Cependant, la logique métier et les données sous-jacentes doivent toujours exister. Steven souligne que les logiciels d'entreprise peuvent presque toujours faire ce que quelqu'un veut, mais les utilisateurs ne savent pas comment. L'exportation vers Excel ou CSV est souvent la première fonctionnalité demandée, car elle offre une "soupape d'échappement" pour l'analyse. Les modèles de langage permettent désormais de consommer ces données plus facilement, par exemple en analysant des dizaines de PDF. Les processus métier ad hoc, qui sont souvent les plus intéressants, deviennent les produits de demain (par exemple, le CRM était autrefois une simple feuille de calcul). Les agents peuvent récupérer des informations et effectuer des actions, mais le défi réside dans la gestion du "contexte". Les exceptions, les cas limites, les permissions et les politiques non codifiées dans les champs des logiciels (comme Salesforce) sont essentiels. Ces "règles" existent souvent dans la tête des employés. Pour un agent commercial, les réponses aux clients peuvent varier considérablement selon leur région, ce qui n'est pas capturé dans Salesforce. La gestion des exceptions est au cœur du défi des agents, car presque tout ce qui est intéressant dans une entreprise est une exception. L'IA peut aider à collecter ce contexte en observant les interactions humaines (appels, clics, réponses). Cependant, ce processus est lent et complexe, car les exceptions sont nombreuses et les cycles de vente longs. Il faut observer suffisamment d'interactions pour comprendre les exceptions et gagner la confiance des utilisateurs. Le passage au "sans tête" et aux API agentiques présente des défis et des opportunités. Les ingénieurs ont une vision architecturale idéale, mais le monde réel est plus complexe (sécurité, conformité). Aucun logiciel ne veut être "désintermédié" et réduit à un simple stockage de données. Les fournisseurs ne sont pas incités à exposer toutes leurs API de manière transparente s'ils risquent de devenir de "simples bases de données". Les clients ne veulent pas non plus assembler des solutions à partir de nombreux fournisseurs, car la stabilité de leur système dépendrait du maillon le plus faible. Les entreprises établies, comme SAP, continueront d'absorber les fonctionnalités développées par l'écosystème autour d'elles. Sema identifie trois voies pour les entreprises face à cette évolution : 1. **Utiliser les solutions existantes (ex: Salesforce) et y construire des agents.** Cela fonctionnera partiellement, mais les éditeurs ne veulent pas être réduits à un simple backend de données. 2. **Développer une solution interne (DIY).** Cela offre un contrôle total mais est extrêmement difficile pour des logiciels d'entreprise complexes. 3. **Travailler avec de nouvelles startups IA.** Ces entreprises construisent des couches de visibilité et d'amélioration sur les systèmes existants, ou créent de nouveaux systèmes d'enregistrement en observant le fonctionnement de l'entreprise. Les plus grandes opportunités pour les startups résident dans ce que les acteurs établis ne font pas : passer de la collecte de données à l'action intelligente. Par exemple, un CRM alimenté par l'IA pourrait non seulement enregistrer les informations d'appel, mais aussi prioriser les pistes, signaler les risques de désabonnement et envoyer des messages sortants, créant une boucle agentique où l'IA apprend ce qui fonctionne le mieux. Un autre domaine d'opportunité est le logiciel vertical pour le monde physique (construction, fabrication), où la capture de données a été historiquement difficile. La vérité universelle pour les logiciels d'entreprise est qu'il est très difficile de concurrencer frontalement une catégorie existante. La plus grande opportunité est de se positionner entre deux acteurs établis. En période de changement technologique massif, les acteurs établis ne perturberont pas leurs lignes de produits existantes, se contentant d'ajouter de l'IA à leurs offres. Les startups peuvent innover en adoptant de nouvelles approches, sans être contraintes par les cadres de pensée existants. L'exemple d'HTTP et HTML montre comment une approche entièrement nouvelle peut l'emporter, même si elle ne faisait pas tout ce que les systèmes clients-serveurs existants faisaient. Steven aborde la question des effets de réseau dans les logiciels d'entreprise. Bien qu'ils soient difficiles à mettre en œuvre à l'extérieur de l'entreprise pour des raisons de conformité et de sécurité, le plus grand effet de réseau se produit *à l'intérieur* de l'entreprise. L'adoption d'outils comme le chat peut créer une boucle virale, où les employés voient comment améliorer leur travail et l'adoptent. L'idée d'un outil qui permet à deux fonctions de communiquer qui ne le pouvaient pas auparavant est précieuse. Des entreprises comme Figma ont réussi à rapprocher le design et le développement de produits. L'IA peut permettre de créer de nouvelles catégories de logiciels en rapprochant des parties d'une organisation qui ne communiquent pas normalement, comme l'informatique et la finance pour la budgétisation. En somme, le logiciel sans tête et l'avènement des agents représentent un changement profond. La valeur se déplace de l'interface utilisateur vers les données et la logique sous-jacentes. Les défis résident dans la complexité de la logique métier codifiée, la gestion des exceptions et la nécessité de capturer un "contexte" qui réside souvent dans la tête des humains. Cependant, cela ouvre d'énormes opportunités pour les startups d'innover en construisant sur les systèmes existants, en créant de nouvelles couches d'intelligence et en facilitant la communication entre les fonctions de l'entreprise, plutôt qu'en tentant de remplacer frontalement les géants établis. L'IA ne réduit pas la quantité de travail, mais crée de nouveaux scénarios et de nouvelles couches d'analyse, transformant la nature des emplois.