Le retour (?) du service

Il y a presque deux mois, j'ai fermé mon laptop à 21h37 et je suis parti marcher sous un svelte croissant de lune.

J'étais mêlé.

Dans cet édito-là, j'avais lancé une intuition encore un peu bancale :

Le monde a répondu.

J'ai passé les semaines suivantes à parler aux équipes de Maxa, CLIC, Glowtify, gaiia, Unicorne, AI Vibe et Signet, et à creuser un peu OpenAI et Anthropic.

Mon intuition de départ tient encore. Par contre, elle décrivait juste une couche du phénomène.

Des pans de service qui scalaient mal peuvent maintenant être livrés par des agents et des humains. Une business SaaS peut reprendre du travail qu'elle laissait au client ou à un intégrateur.

Le même levier agit aussi de l'autre côté de la frontière. Une business de service peut intégrer des agents à sa livraison et augmenter sa capacité sans faire grossir son équipe au même rythme.

En parallèle, plus l'AI descend dans une business, plus ça demande de comprendre ses données, ses processus et ses décisions. Pour marcher for real, ça demande du contexte, de l'intégration et du jugement humain.

Pour y voir clair, je reviens à deux questions :

• Quel travail pourrait—et devrait—être fait par le produit, par des agents ou par des humains?

• Et comment faire en sorte que le travail livré à chaque client laisse derrière du savoir, des données ou des workflows qui augmentent la capacité de l'organisation? Le fameux compounding.

Aujourd'hui, j’essaie de démêler tout ça, avec des exemples concrets.

Quand le service commence à scaler

C'est ce que j'avais en tête quand j'ai posé ma question.

Du travail qui obligeait auparavant à ajouter des heures humaines à chaque nouveau client peut maintenant être partagé entre un produit classique, des agents et des humains.

Glowtify l'a appris à reculons.

Marc Allard et JP Arcand viennent du monde des agences. En lançant leur plateforme marketing, ils rêvaient du beau SaaS autonome qui se vend pis s'utilise tout seul.

Leur nouveau marché les a enlignés autrement.

Les entreprises manufacturières et industrielles qu'ils rencontrent ont souvent une grosse business, peu d'expertise marketing à l'interne, pis zéro désir de devenir des pros de prompts. Elles veulent que quelqu'un comprenne leur réalité, recommande quoi faire, puis le fasse.

Glowtify leur vend donc une offre done-for-you par-dessus sa plateforme.

L'humain va chercher le contexte dans la tête des dirigeants, challenge la stratégie, entretient la relation et garde le dernier mot. En dessous, la plateforme connecte les données, structure le plan, produit une partie des campagnes et garde l'exécution dans les mêmes rails.

Glowtify peut basically owner le mandat que le client aurait autrement confié à une agence, sans avoir à remonter une nouvelle équipe derrière chaque nouveau compte.

C'est une business SaaS qui ajoute du service parce que son produit et ses agents lui permettent de le livrer avec plus de levier.

Chez CLIC Network, le point de départ est une école de langues, donc une business de service où l'humain compte encore beaucoup.

Il faut évaluer les apprenants, les regrouper, les jumeler aux bons profs et les accompagner dans leur apprentissage d'une langue.

Une grosse partie de la capacité de ses spécialistes se perdait dans des tâches de coordination, de transcription et de compilation.

William Caron, featured dans Ti-casque & PhDs, a intégré l'AI directement dans leurs outils de travail. Pour une évaluation linguistique, par exemple, le système fait passer le test, rassemble les réponses et l'audio, transcrit l'échange, effectue une première lecture et propose un niveau.

La spécialiste garde le dernier mot. Elle valide le niveau, repère les nuances que le système a manquées, choisit le bon jumelage et explique le résultat au client.

Selon William, une évaluation demande maintenant surtout quelques minutes de validation humaine. Le jugement linguistique prend plus de place dans la journée parce que l'administration en prend moins.

Signet applique le même levier à un service super spécifique.

Obtenir un logo et un checkmark vérifiés dans l'inbox implique une série de démarches techniques. Historiquement, y'avait trop de cerceaux dans lesquels sauter pour en faire une offre simple et rentable. Mais avec le bon tooling agentique, l'équipe derrière Palisade peut structurer les démarches, les répéter et vendre le résultat comme un service adjacent à son SaaS.

Dans les trois cas, la job est redistribuée. Le produit et les agents absorbent ce qui peut être structuré, répété et vérifié. Les humains portent le contexte, le jugement, la relation et la responsabilité du résultat.

Résultat : la capacité de livraison service augmente (enfin) plus vite que le nombre d'humains dans l'équipe. Sounds like software, right?

Pas étonnant que le regard des investisseurs commence à changer lui aussi.

Pendant longtemps, le service était presque un mot sale en VC. Chaque nouveau dollar de revenu semblait demander plus de monde, les marges finissaient par plafonner, pis la croissance restait pas mal linéaire.

Quand le produit et les agents absorbent une partie croissante de la livraison, ça commence à intéresser davantage les investisseurs. Bessemer observe déjà une marge brute moyenne d'environ 56 % dans son portefeuille de vertical AI, qui inclut plusieurs compagnies de service. General Catalyst parle maintenant ouvertement de transformer des business de service en compagnies avec des économies qui ressemblent davantage à celles du software.

La marge explique juste une partie de cet intérêt. En prenant plus de responsabilité sur le résultat, la compagnie s'intègre davantage aux workflows du client, voit ses problèmes plus tôt et accumule du contexte avec le temps. Ça renforce la relation, crée des occasions d'expansion et peut rendre le produit beaucoup plus difficile à remplacer.

Cette nouvelle économie explique une partie du retour du service. L'autre partie apparaît quand l'AI entre pour vrai dans les opérations.

Plus l'AI va profond, plus ça demande du service

Ce qui m'a surpris, c'est la quantité de travail humain nécessaire pour faire entrer l'AI deep dans une business—for now, en tout cas.

Plus un modèle devient capable d'agir au cœur d'une business, plus il doit apprendre comment cette business fonctionne pour vrai.

Quand j'en ai parlé à Raphael Steinman, qu'on avait déjà reçu sur le podcast, il m'a ramené aux fondations.

Chez Maxa, le service arrive pendant l'implantation.

Leur équipe d'implantation travaille avec les équipes finance et opérations du client pour connecter les systèmes, harmoniser les données et encoder les règles qui décrivent comment la business fonctionne.

Les données sont souvent éparpillées dans plusieurs ERP, fichiers et systèmes qui décrivent la même business de façons différentes.

Même un mot aussi simple que « revenu » peut cacher des règles de reconnaissance, des taux de change, des exclusions intercompagnies et plusieurs sources qui se contredisent.

L'équipe de Maxa doit faire sortir ces règles de la tête des humains, établir avec eux quelle définition est la bonne, identifier le système avec le plus d’autorité et convenir des chiffres qui permettront de valider le résultat.

Le client apporte sa connaissance de la business. L'équipe d'implantation la traduit en exigences claires, puis les agents de Maxa transforment ce contexte et les données sources en pipelines qui se vérifient contre les chiffres que l'entreprise considère déjà comme vrais. La plateforme automatise une grosse partie de la construction ; les humains gardent la découverte, la clarification et la validation.

Les gros labs arrivent au même constat vis-à-vis leur déploiement.

En mai, OpenAI a lancé sa Deployment Company. Avec l'acquisition annoncée de Tomoro, l'équipe doit partir avec environ 150 Forward Deployed Engineers (FDE) et spécialistes du déploiement.

Leur description de tâche ressemble pas mal à un mandat de consultation : entrer dans l'organisation, choisir les workflows qui valent la peine, connecter les modèles aux données, aux outils, aux contrôles et aux processus, puis bâtir des systèmes qui fonctionnent dans les opérations quotidiennes.

Anthropic a annoncé sa propre compagnie de services AI une semaine plus tôt. Ils s'appuient aussi sur des partenaires comme Accenture, Deloitte et PwC pour les plus gros déploiements.

Fait que les FDE ont un titre très 2026. Mais la job, elle, est pas mal plus vieille.

Dans un doc déposé avant son IPO, Salesforce expliquait déjà offrir consultation, implantation et formation pour faciliter l'adoption de son SaaS.

L'AI pousse juste ce travail plus creux dans la business. Le même modèle peut arriver chez tout le monde, mais les données, les règles et les zones de tolérance changent chez chaque client. Ça crée une demande pour des humains capables de traduire une business en données, en workflows et en garde-fous.

La prochaine question : qu'est-ce que l'organisation fait de tout le savoir-terrain qui pop pendant un déploiement client?

Quand le service nourrit le produit

Pendant un déploiement, ta team découvre des règles, des exceptions, des intégrations, des façons de travailler et les raisons derrière des décisions qui vivaient parfois juste dans la tête du monde.

Ce savoir peut devenir une brique : une règle documentée, un connecteur, un template, un workflow, un agent, une infrastructure ou une feature que l'organisation pourra réutiliser ailleurs dans le produit, chez d'autres clients. Ta dimension service devient basically un lab R&D.

Le même travail peut aussi devenir une dette : du code custom en silo, une exception permanente à maintenir, un processus manuel, etc.

La différence se voit souvent au prochain déploiement. Une brique le rend plus facile. Une dette le rend plus lourd.

gaiia—le test du prochain client

Marc-André Campagna m'a expliqué comment gaiia essaie de garder ses implantations du bon côté de cette ligne.

gaiia remplace les vieux systèmes qui font rouler les opérations d'une compagnie de télécom. Avant de pouvoir facturer un abonné, activer son service ou envoyer un technicien au bon endroit, l'équipe doit comprendre comment le client exécute chacun de ces processus aujourd'hui.

Une équipe Workflow Solution rencontre donc les gens du marketing, du réseau, du service sur le terrain et du service à la clientèle. Elle fait sortir les règles, les exceptions et les dépendances de leurs systèmes actuels, puis les traduit en connecteurs et en workflows dans la plateforme.

Cette approche compound si tu gères bien les apprentissages accumulés pendant l'implantation.

Selon Marc, gaiia ne développe pas une version custom de son code pour chaque client. L'équipe configure les cas particuliers dans son Workflow Builder, réutilise les templates qui s'appliquent ailleurs et ramène les patterns récurrents dans le produit. Un workflow rencontré assez souvent peut éventuellement devenir une feature native.

Pis les incitatifs poussent dans le même sens.

Marc m'a expliqué leur logique actuelle : gaiia traite le travail de ses FDE comme un coût de déploiement, sans en faire une ligne de revenus. Le revenu de l'abonnement et de l'usage du SaaS commence quand le client passe en production et retire de la valeur du produit pour vrai. Plus l'implantation s'étire, plus elle coûte cher à gaiia. Go live ASAP, without f*cking up : )

L'équipe a donc intérêt à raccourcir le chemin vers la valeur, à automatiser son propre travail et à rapatrier ce qu'elle apprend dans la plateforme.

AI Vibe—du savoir qui compound

Imagine tout le savoir accumulé pendant un mandat de transformation AI... qui finit par mourir dans un GDoc. Triste, mais maintenant aussi… anachronique?

Quand j'ai parlé à Vanessa Bernard Dreifuss de AI Vibe, elle m'a décrit un travail qui commence par décomposer les opérations en tâches concrètes.

Qu'est-ce que le monde fait pour vrai? Combien de temps ça prend? Où ça bloque? Quels outils, quelles données et quels petits jugements gardent l'opération en shape?

Les réponses du service entrent dans le produit AI Vibe et forment une carte du travail de l'organisation.

Chaque tâche peut ensuite devenir un cas d'usage à évaluer. L'équipe compare l'impact potentiel avec l'effort, les données disponibles et la capacité de livrer. Les priorités deviennent une roadmap. La plateforme suit ensuite l'implantation et le ROI.

Dans un mandat classique, cette matière finit souvent dans des transcriptions, des Post-it et un deck. Ça se met à rouiller dès que le travail change ou qu'un pilote rencontre la réalité.

AI Vibe garde dans le même système les tâches cartographiées, les cas d'usage retenus, les décisions, la progression et les résultats. Chaque atelier précise la carte. Chaque projet testé ajoute un apprentissage que l'organisation peut réutiliser.

Pis la loop continue d'un client à l'autre.

Vanessa m'a expliqué que les données et les apprentissages tirés des mandats peuvent être anonymisés avant d'enrichir le dataset d'AI Vibe. Plus la plateforme voit de tâches, de cas d'usage et de résultats, plus elle peut reconnaître les patterns qui reviennent et raffiner ses recommandations.

La plateforme AI-powered aide donc AI Vibe à scaler son service. Le prochain projet du même client repart avec son contexte accumulé ; le prochain client bénéficie des patterns anonymisés laissés par les mandats précédents.

Unicorne—quand le service devient produit

Unicorne a une version encore plus littérale de la boucle service ↔ produit.

Avant de lancer son SaaS, Éric Pinet et son équipe livraient déjà des audits d'infrastructure AWS comme service. Ils passaient à travers les comptes, les ressources, les coûts et la sécurité pour trouver les problèmes, puis recommander quoi corriger.

À force de refaire le travail, les mêmes patterns revenaient. La collecte des données revenait aussi.

Donc ils ont automatisé une partie de leurs audits avec CloudQuery. Le temps nécessaire pour certains mandats est passé d'environ 50 à 20 heures.

Cool, cool, le service gagne en capacité.

Mais l'équipe avait aussi construit une infrastructure capable d'aller chercher les ressources et les coûts éparpillés dans plusieurs comptes AWS, de les normaliser et de les rendre analysables.

Ces briques sont devenues la fondation de Stable, leur produit.

Stable reprend le travail appris dans les audits : comprendre où l'argent part, relier la dépense aux bonnes ressources, détecter le gaspillage et prioriser les recommandations selon les économies possibles et le risque du changement.

Les audits ont donné à Unicorne le problème et un terrain pour valider ses solutions. L'automatisation a amélioré l'économie des mandats pendant que l'équipe testait ses briques sur le terrain.

Pis maintenant, ben le produit génère aussi du service!

En connectant son environnement AWS, un client voit où son argent part et ce qui mérite d'être optimisé. Certaines recommandations peuvent être appliquées directement. D'autres ouvrent un chantier plus profond qui demande l'expertise et l'accompagnement d'Unicorne.

Stable peut donc servir de porte d'entrée et de lead gen pour leurs mandats plus custom.

Pis chaque nouveau mandat peut encore améliorer le produit. Un bon vieux cercle vertueux, on aime ça.

Composer la patente

BON BEN, I guess que oui, clairement, l'AI ramène le service dans le SaaS.

Sauf que la « frontière » entre les deux aide de moins en moins à comprendre ce qui se passe.

Une même business peut charger son service comme une offre premium, l'absorber pour accélérer le revenu SaaS ou utiliser son produit comme porte d'entrée vers des mandats plus deep.

Le bon mix dépend du marché, de l'ACV, de la complexité du problème et de la quantité de jugement que le client veut déléguer.

Pour composer la patente, je regarderais ces pistes :

• Quel travail se répète assez pour être structuré dans le produit, et quelles données méritent d'y rester?

• Quel résultat peut être vérifié assez clairement pour être confié à des agents?

• Où est-ce que le contexte, la relation ou la responsabilité bénéficient encore d’un humain?

• Quand le mandat finit, qu'est-ce qu'il laisse derrière lui? De la dette ou des briques?

Les economics du contrat finissent par trancher. Une offre self-serve à 99 $ par mois peut pas porter la même couche humaine qu'un déploiement à six chiffres. Si les heures de service montent au même rythme que les clients sans que le revenu suive, la marge va finir par saigner.

Bref, je suis un peu moins mêlé et surtout excité de voir comment on va tous jouer dans le nouveau gris.

Le futur est peut-être mêlant, mais il se passe maintenant 🙃

—

Quelque chose à ajouter? Good. Laisse un commentaire ou réponds à ce courriel direct.

Cheers,

Frank 💜

Psst—tu check pour du financement?

On teste un canal pour référer les startups tech québécoises vers le bon type de capital : anges, VC, opérateurs-investisseurs, dette, financement non dilutif, subventions ou programmes publics. Le formulaire prend environ 5 minutes. Dis-nous ce que tu bâtis, ce que tu cherches et où tu en es. S’il y a un fit, on te revient avant de partager quoi que ce soit.

Ta prochaine ronde est peut-être pas juste une ronde 🤔

On parle beaucoup de VC. Pas mal moins d’autres leviers complémentaires et/ou aussi intéressants.

On a rencontré Pierre-Luc Labelle de Finalta Capital pour comprendre le capital non dilutif : c'est quoi, à qui ça s'adresse, pis pourquoi c'est pas un «either or» avec le VC.

Bonus : l'erreur que la majorité des fondateurs SaaS font avec leurs crédits d'impôt.

Brain work, robots et cheveux gris

Comment tu scales une business qui, sur papier, scale pas?

Guillaume Falardeau (@ Leviat Legal) a une réponse : neuf employés, presque 1G$ de transactions accompagnées depuis 2018 avec son entreprise.

Dans notre capsule tournée en Estrie (dans une chapelle, oui oui ⛪️), il décortique le spectre du service : l'expertise rare qui scale zéro, la job de robot qui s'automatise, et au milieu, le travail d'expérience. C'est ça qui se productise, pis c'est exactement là que Leviat joue.

Un playbook qui se vole, peu importe ton industrie.

Rejoins les SaaSpals 👇

Merci tellement à tous nos SaaSpals. Votre support nous motive BIG TIME.

Partenaires certifiés SaaSpasse 💜

HUGE merci à tous nos partenaires certifiés pour cette année :

• Le Chiffre 🧾

• Leviat 👨‍⚖️

• Baseline 🤖

• Unicorne 🌩️

• Finalta Capital 💰

Podcast

Voici le dernier épisode du pod :

→ Ep.184 - Trouver l'or dans l'angle mort (8M$, ambition & AI)

Pas encore abonné au pod? Let’s go :

• Spotify

• Apple Podcasts

• YouTube

Okay bobye!