Dans l’ère du web traditionnel, la logique centrale de croissance des produits était « atteindre plus de personnes ». Les entreprises supposaient que la valeur du produit était certaine, et qu’en utilisant le marketing et les canaux pour faire connaître le produit à davantage de personnes, elles pouvaient attirer des utilisateurs et favoriser leur rétention. Mais Sirius indique qu’à l’ère de l’IA générative, cette méthode est en train d’échouer.
De plus en plus d’exemples montrent que la croissance des produits d’IA ne repose pas sur l’acquisition d’utilisateurs, mais sur la diffusion de la croyance. Les gens téléchargent ou utilisent une IA non pas parce qu’ils ont comparé ses fonctionnalités, mais parce que tout le monde en parle, la montre, ou même craignent de la manquer. Un produit d’IA n’a pas d’utilisateurs, seulement des fidèles.
Du tunnel de trafic à un cercle de croyance concentrique
Les produits SaaS ou de consommation traditionnels suivent le tunnel AARRR : acquisition, activation, rétention, monétisation, recommandation. Mais la valeur de l’IA possède trois caractéristiques :
Incertitude (chaque sortie est différente)
Émergence (de nouvelles utilisations apparaissent constamment)
Nécessité d’être compris pour percevoir la valeur
Ainsi, la croissance n’est plus une question d’atteinte, mais de transmission de la cognition.
La diffusion des produits d’IA ressemble davantage à des cercles concentriques en cinq couches :
Spectateurs (technologie, développeurs)
Évangélistes (KOL, médias, créateurs)
Utilisateurs pratiques (travail ou vie quotidienne)
Suiveurs (essais sociaux)
Grand public (dynamique de l’ambiance)
La règle clé est que plus on s’éloigne du centre, plus la concentration de croyance diminue, mais plus le nombre de personnes augmente.
Source : Sirius
Entre chaque couche, il faut effectuer une traduction : une percée technologique doit être transposée en récit sectoriel, passant d’un scénario d’utilisation à une atmosphère sociale. Si une couche échoue dans sa traduction, la diffusion s’arrête. Beaucoup d’IA très avancées ne parviennent pas à sortir du cercle, car leur histoire ne peut pas être simplifiée.
Le véritable moteur de croissance : le désir d’imitation
La majorité pense que la croissance de l’IA provient de l’effet de réseau, mais en réalité, ce qui stimule l’explosion, c’est une force plus primitive : le désir d’imitation (Mimetic Desire). Parmi les exemples typiques :
Les images de style Ghibli générées par ChatGPT qui envahissent les réseaux
La diffusion de musique Suno AI sur TikTok
L’émotion « il faut essayer ou on sera dépassé » après le succès de DeepSeek
Les utilisateurs ne rejoignent pas parce que « plus de personnes utilisent pour améliorer le produit », mais parce qu’ils voient ce que vous faites, et veulent faire pareil. Par conséquent, le marché de l’IA ne connaîtra pas de monopole à la Facebook (le désir se transfère), la stratégie de croissance ne consiste pas à optimiser les fonctionnalités, mais à créer des comportements imitables. Si une sortie ne peut pas être partagée, exhibée ou copiée, la diffusion ne se produira pas. C’est aussi la raison pour laquelle certains produits impressionnants mais manquant d’exemples concrets ont du mal à se populariser.
Pourquoi les méthodes traditionnelles de croissance s’effondrent
Les produits d’IA remettent en cause cinq hypothèses fondamentales des vingt dernières années :
Coût marginal proche de zéro : chaque inférence coûte en puissance de calcul réelle, impossible de « subventionner la croissance d’abord, puis monétiser ».
Empilement de fonctionnalités comme barrière : la compétition porte sur la qualité des sorties, qui est rapidement égalée par la mise à jour des modèles.
L’effet de réseau comme avantage concurrentiel clé : la majorité des IA sont des produits individuels, une utilisation accrue n’améliore pas l’expérience des autres.
Prévision précise du CAC / LTV : une mise à jour du modèle peut faire perdre des utilisateurs du jour au lendemain, rendant les données historiques obsolètes.
Le tunnel est linéaire : dans le monde de l’IA, le partage peut se produire avant la première utilisation, les revenus peuvent précéder la rétention, et l’activation dépend d’une expérience «超预期 » (au-delà des attentes). Cela signifie que l’entreprise doit gérer non pas un tunnel, mais un système de croyance.
Une profonde similitude entre IA et crypto
La dynamique de croissance de l’IA est très similaire à celle du marché des cryptomonnaies :
Crypto IA
Mèmes qui influencent le prix Mèmes qui influencent l’utilisateur
Airdrops pour attirer des utilisateurs Expérience gratuite pour créer des fidèles
Courbe de libération des tokens Limite gratuite et taux de distribution
Culture du fork Concurrence open source de modèles
Valeurs de consensus, narration de valeur
Le point commun est que les utilisateurs achètent non pas les fonctionnalités actuelles, mais les possibilités futures. Mais la différence est que la croyance dans la crypto peut se maintenir d’elle-même, alors que celle dans l’IA doit être constamment vérifiée à chaque sortie. La croyance est louée, non possédée.
Le vrai champ de bataille après la croissance : la rétention
Le désir d’imitation peut générer du trafic, mais ne garantit pas la rétention. La rétention dans l’IA est une course :
Court terme : innovation côté offre, lancement continu de nouvelles capacités, prolonger la période de curiosité.
Long terme : créer une nouvelle rareté, accumulation de données personnelles, intégration dans les flux de travail, habitudes d’interaction, actifs de confiance.
Si la dépendance est établie durant la fenêtre d’imitation, le produit peut passer d’un outil à la mode à une infrastructure. Des outils comme Cursor ou Bolt en sont des exemples typiques.
Cinq modes d’émergence de l’IA
Les succès de 2024–2025 peuvent être classés en cinq catégories :
Mèmes qui déclenchent (images Ghibli, Suno)
Narration à découvert (DeepSeek : bouleversement des consensus à faible coût)
Libération par couches (invitation, liste d’attente)
Sortie comme marketing (les créations des utilisateurs deviennent des publicités)
Colonisation des workflows (intégration dans les processus quotidiens)
Parmi elles, la dernière est la plus difficile mais aussi la plus longue à valoriser. Et la seule question qui détermine le succès ou l’échec d’un produit d’IA est :
Votre produit brise-t-il une croyance erronée largement répandue ?
Et chaque couche, du noyau à la masse, est-elle traduite de manière fluide ?
Dans un monde sans effet de réseau puissant, la structure du marché de l’IA sera naturellement dispersée. Le trafic ne sera plus une barrière, ce sont les relations et la confiance qui le seront.
