Startups AI-first : pourquoi le growth marketing patine et ce qui casse dans le tunnel

Dans les startups AI-first, ce qui fonctionne mal n'est pas le marketing en tant que tel, mais la vieille logique de croissance héritée du SaaS. Un produit classique peut être mis à l'échelle grâce au tunnel connu, du trafic à l'activation puis à la rétention. Un produit d'IA affiche souvent un joli tableau dans ses métriques, mais cache une réalité très différente : une part importante des utilisateurs ne vient pas résoudre une tâche, mais vérifier le buzz, comparer une énième surcouche autour d'un modèle ou simplement voir ce dont l'IA est déjà capable.

À un stade précoce, c'est particulièrement dangereux, car les chiffres semblent encourageants. Les canaux d'acquisition se trouvent vite, le contenu IA circule tout seul dans les communautés, les leaders d'opinion s'emparent du sujet et les recommandations organiques donnent l'impression que le produit a presque commencé à croître de lui-même. Le CTR dépasse les attentes, le coût d'acquisition reste dans des limites acceptables, la conversion à l'inscription est réjouissante, et l'équipe commence à croire qu'elle a trouvé une croissance répétable. Mais dans un environnement AI-first, ces signaux se révèlent facilement être des faux positifs : l'intérêt pour la technologie se fait passer pour de l'intérêt pour le produit.

Le problème principal est qu'ici la nouveauté crée à elle seule une demande bien plus forte que dans le SaaS classique. L'utilisateur peut ressentir un effet waouh rapide dès la première session, même si le produit ne s'est pas encore intégré à son travail réel. Les métriques d'activation habituelles se mettent donc à tromper. Ceux qui ressemblent à des utilisateurs idéaux d'après les données d'acquisition disparaissent souvent après quelques sessions. À l'inverse, ceux qui arrivent plus tard au paiement et deviennent des utilisateurs durables se comportent de façon chaotique : ils reviennent après plusieurs jours, essaient des scénarios étranges, reformulent leurs tâches, testent le produit sur des cas limites et ressemblent, en apparence, à du trafic de mauvaise qualité.

C'est la notion même d'activation qui change. Pour un produit AI-first, ce n'est de plus en plus un événement unique, comme l'inscription, le chargement de données ou le premier projet, mais une trajectoire de confiance. L'utilisateur ne se contente pas de cliquer sur des boutons : il vérifie s'il peut déléguer une partie de son travail au système.

Pour l'un, cela se joue en quelques minutes ; pour l'autre, seulement après une série de tests dans différents scénarios. L'analytique doit donc regarder non seulement l'action elle-même, mais la structure de l'interaction : la vitesse à laquelle la tâche se complexifie, le retour ou non de la personne au contexte précédent, la façon dont elle modifie sa requête, et si elle utilise l'IA comme outil, exécutant ou partenaire de dialogue. L'équipe growth ne travaille plus seulement avec des événements, mais avec des signaux comportementaux sur la qualité de l'intention.

Le déplacement suivant se produit au niveau des expériences. Dans l'approche growth habituelle, l'équipe teste des écrans, l'onboarding, les prix et les textes, et compare des cohortes. Dans les produits AI-first, cela ne suffit plus, car l'expérience à l'intérieur du système devient elle-même adaptative.

Le modèle répond différemment, les agents modifient le parcours de l'utilisateur, l'offre et les suggestions s'ajustent à la session en cours, et le premier moment de valeur survient à des endroits différents selon les personnes. Le tunnel statique perd alors son sens, et le test A/B classique cesse d'être une mesure propre. En pratique, on ne teste plus un écran contre un autre, mais la logique de décision au sein du produit : quel signal juger fort, quand conduire l'utilisateur vers un scénario plus complexe, où faire intervenir un humain et où laisser le système poursuivre seul le dialogue.

Une conclusion importante en découle : dans les startups AI-first, le growth devient peu à peu une discipline d'ingénierie. Il ne vit plus séparément du produit et ne se limite pas à l'achat de trafic ou à la copie de recettes gagnantes. Les équipes ont besoin de personnes capables de concevoir la couche d'orchestration entre acquisition, comportement de l'utilisateur, logique du modèle, monétisation et rétention. Autrement dit, pas seulement des marketeurs, mais des spécialistes à la croisée du produit, de l'analytique et de la pensée systémique.

Pour le marché, cela signifie une chose simple : les gagnants ne seront pas ceux qui déverseront le plus vite du trafic dans un produit d'IA, mais ceux qui sauront distinguer la curiosité de l'intention réelle et bâtir la croissance autour de la confiance dans l'intelligence du système.