Anthropic, Gamma Et Clay Face À L’Ia En Production

Une démonstration d’IA peut sembler imparable en cinq minutes. Les phrases s’enchaînent, les slides apparaissent, les agents enchaînent des tâches comme si le travail n’avait jamais été aussi simple. Puis les clients s’emparent de l’outil. Ils le poussent dans des process que personne n’avait imaginés. Ils exigent de la fiabilité, pas du spectacle. Et très vite, on découvre si le produit résout un vrai problème… ou s’il rejoint la pile des expériences abandonnées.

C’est précisément ce basculement que TechCrunch met au centre d’une session de Disrupt 2026, du 13 au 15 octobre à Moscone West, à San Francisco. Sur la scène dédiée à l’intelligence artificielle, trois regards se croisent : celui d’Anthropic, qui observe des déploiements d’entreprise à grande échelle, celui de Gamma, qui doit convaincre des millions d’utilisateurs de revenir chaque jour, et celui de Clay, qui insère l’IA dans la machine commerciale des équipes go-to-market. L’enjeu n’est plus de prouver que le modèle sait parler. Il est de comprendre ce qui se passe après le lancement.

Quand L’Ia Sort Du Laboratoire Et Entre Dans Le Quotidien

La plupart des discussions sur l’IA d’entreprise restent coincées dans le conditionnel. On parle de ce que les organisations pourraient faire. Cat de Jong, responsable de l’Applied AI chez Anthropic, inverse la focale. Elle travaille avec des groupes qui placent Claude dans des workflows critiques. Ce n’est plus une sandbox. C’est le dossier client, le contrat, le support, la recherche interne, parfois même des décisions qui ne supportent pas l’à-peu-près.

Sur scène, cette expérience de terrain promet d’être plus utile qu’une énième feuille de route technologique. Parce que vendre de l’IA à une grande organisation, ce n’est pas seulement signer un contrat d’API. C’est affronter des silos, des politiques de sécurité, des habitudes d’équipe et une question presque banale : est-ce que quelqu’un ouvrira vraiment l’outil demain matin ?

Ce Que Voit Anthropic Une Fois Claude En Production

Les patterns observés par Anthropic ont une valeur particulière pour quiconque vend ou déploie un produit d’IA. Certaines organisations extraient déjà de la valeur mesurable. D’autres tournent encore en pilote dix-huit mois plus tard, avec les mêmes réunions, les mêmes cas d’usage « prometteurs » et le même sentiment d’être au bord d’une bascule qui n’arrive jamais.

La différence ne tient pas seulement à la qualité du modèle. Elle tient à la manière dont on encadre l’usage. Un assistant brillant dans un chat isolé n’a presque aucune chance de devenir un réflexe collectif. En revanche, dès que l’IA s’accroche à un système existant — base documentaire, outil de ticketing, chaîne de validation — le comportement change. Les équipes arrêtent de « tester ». Elles commencent à déléguer.

De Jong devrait insister sur ce point souvent escamoté : le succès d’un déploiement se joue moins dans la première semaine d’émerveillement que dans la capacité à absorber l’imprévu. Les utilisateurs détournent le produit. Ils lui demandent des tâches hors périmètre. Ils découvrent des angles morts. Les organisations qui tiennent sont celles qui traitent ces frictions comme de la matière première, pas comme des anomalies à cacher.

• Les déploiements qui tiennent s’ancrent dans un workflow déjà critique, pas dans un laboratoire parallèle.
• La gouvernance arrive tôt : droits d’accès, traces, revue humaine, limites claires.
• La valeur se mesure à l’usage répété, pas à la beauté de la première démo.
• Les équipes qui stagnent accumulent les cas d’usage sans en industrialiser aucun.

Pour un fondateur qui cible le marché mid-market ou grand compte, ces signaux valent plus qu’un benchmark public. Ils disent où le produit doit être robuste, où le support doit s’épaissir, et surtout quelles promesses marketing se brisent au contact du réel.

Gamma Et La Question Que Tout Produit Ia Finit Par Affronter

Anthropic voit des motifs transverses. Grant Lee, cofondateur et directeur général de Gamma, apporte l’autre face : celle d’une entreprise qui construit un produit d’IA et doit convaincre des gens de s’en servir vraiment. Gamma n’est plus seulement une alternative aux logiciels de présentation classiques. La plateforme s’est élargie vers la communication visuelle, les assets marketing et d’autres formats où le texte généré ne suffit plus.

TechCrunch indiquait dès mars que la société approchait les 100 millions d’utilisateurs en élargissant ses outils. Ce volume change la nature des leçons. On n’observe plus un early adopter patient. On observe des comportements de masse : abandon rapide, détournement créatif, demandes de contrôle, exigence de cohérence de marque, besoin de collaborer à plusieurs sur un même livrable.

Lee se retrouve donc au cœur des questions que la session veut poser. Qu’est-ce qui rend un produit assez utile pour que l’on y revienne ? Que se passe-t-il lorsque les clients l’utilisent autrement que prévu ? Comment transformer une capacité de modèle — générer, reformuler, mettre en page — en une solution à un problème que les gens reconnaissent immédiatement ?

La réponse, à en juger par la trajectoire de Gamma, n’est pas « plus de boutons ». C’est souvent moins de friction entre l’intention et le résultat. Une personne qui doit convaincre un comité, lancer une campagne ou aligner une équipe n’ouvre pas un outil pour admirer un modèle de langage. Elle ouvre un outil pour sortir un objet partageable, suffisamment beau, suffisamment juste, suffisamment vite.

Clay, Ou L’Ia Quand Elle Devient Infrastructure Commerciale

Kareem Amin, cofondateur et directeur général de Clay, arrive avec un angle plus opératoire encore. Clay fournit l’infrastructure pour agréger des données, orchestrer des workflows agentiques et lancer des actions go-to-market. Ici, l’IA n’est pas un compagnon de rédaction. Elle est un maillon de la chaîne qui permet de trouver, qualifier et atteindre des clients.

En janvier, TechCrunch rapportait que Clay figurait parmi les applications intégrées à l’interface Claude lorsque Anthropic a introduit des outils de travail interactifs. Cette proximité n’est pas un détail de communication. Elle place Amin exactement là où la session veut regarder : le moment où un produit d’IA cesse d’être une destination et devient une couche dans un process déjà vivant.

Les équipes commerciales n’ont pas le luxe de l’expérimentation éternelle. Si un enrichissement de donnée est faux, si un agent relance au mauvais moment, si un scoring invente une proximité qui n’existe pas, le coût se voit tout de suite : rendez-vous gâchés, réputation écornée, pipeline pollué. Clay force donc une conversation plus rude que celle des démos grand public. Où l’IA est vraiment utile. Comment elle s’insère dans des outils déjà saturés. Que se passe-t-il lorsque le client commence à dépendre du système.

Ce dernier mot change tout. Dépendre, ce n’est plus « essayer ». C’est accepter qu’une panne, une hallucination ou une latence trop longue casse une journée de travail. Les produits qui franchissent ce cap doivent penser observabilité, repli humain, audit et qualité de donnée avec la même énergie qu’ils mettent dans le prompt marketing.

Trois Lunettes Sur La Même Transition

Le bel équilibre de la session tient à la complémentarité des regards. Anthropic identifie des régularités à travers des déploiements multiples. Gamma et Clay testent ces régularités contre la réalité d’un produit que des clients paient, critiquent et parfois détournent. L’un voit la carte. Les deux autres marchent dans la rue.

Cette triangulation est rare dans les conférences, où l’on entend trop souvent soit le discours plateforme, soit le discours startup, rarement les deux dans la même heure. Or le marché de l’IA générative entre dans une phase où cette double lecture devient indispensable. Les budgets se durcissent. Les comités demandent un retour. Les équipes métier n’ont plus envie d’être les cobayes d’une énième expérimentation.

On pourrait croire que ces trois univers n’ont rien à se dire. Un laboratoire de modèles, un outil de communication visuelle, une plateforme d’exécution commerciale. En pratique, ils butent sur les mêmes murs : confiance, habitude, intégration, mesure. Un modèle excellent qui n’est pas là où le travail se fait reste un jouet. Un produit séduisant qui n’accepte pas le désordre des vrais usages reste une démo. Une infrastructure puissante qui n’explique pas ses erreurs reste un risque.

Après Le Lancement, Le Vrai Travail Commence

Le titre informel de la conversation — ce qu’Anthropic voit lorsque les entreprises déploient réellement Claude — sonne comme une promesse de coulisses. Les coulisses, en 2026, ne sont plus les paramètres d’un modèle. Ce sont les comités de sécurité, les formations express, les champions internes épuisés, les demandes contradictoires entre juridique et opérationnel.

Les organisations qui s’en sortent partagent souvent quelques réflexes discrets. Elles choisissent un premier terrain assez douloureux pour que le gain soit visible, assez borné pour que le risque reste gérable. Elles nomment un responsable qui n’est pas seulement « fan d’IA » mais responsable d’un indicateur métier. Elles acceptent qu’une partie du travail consiste à dire non : non à vingt cas d’usage simultanés, non à l’ouverture totale des données, non à la substitution magique d’un métier entier.

Celles qui s’enlisent font l’inverse. Elles multiplient les preuves de concept pour donner l’impression d’avancer. Elles laissent chaque département bricoler son prompt dans son coin. Elles mesurent la curiosité plutôt que le temps gagné, le taux d’erreur évité ou le revenu influencé. Au bout de dix-huit mois, le narratif interne s’essouffle. Le budget suivant se discute autrement.

• Un cas d’usage étroit mais vital bat dix expérimentations décoratives.
• Le sponsor métier pèse plus que le sponsor technologique.
• La donnée de contexte vaut souvent plus qu’un nouveau modèle.
• Le support et la pédagogie décident de l’adoption autant que l’interface.

Faire Utiliser Ce Que L’On A Construit

Grant Lee incarne une leçon que trop de fondateurs d’IA découvrent tard. La génération de contenu n’est pas un produit. C’est une commodité de plus en plus partagée. Le produit commence au moment où l’on orchestre cette génération dans un parcours : brief, itération, collaboration, export, réutilisation, cohérence.

Gamma l’a appris en élargissant le terrain de jeu. Une présentation n’est plus un artefact isolé. Elle devient un objet de communication qui peut dériver vers une page, un visuel de campagne, un support commercial. Cette porosité force l’équipe produit à penser l’identité, les gabarits, le contrôle éditorial. Autrement dit : laisser l’IA surprendre sans laisser la marque se diluer.

C’est aussi là que l’usage imprévu devient une mine. Les utilisateurs ne se contentent pas de « faire des slides ». Ils inventent des rituels. Ils branchent l’outil sur des réunions, des onboarding, des revues trimestrielles. Un produit qui survit à ces détournements gagne une surface d’habitude. Un produit qui les combat au nom de la pureté fonctionnelle se retrouve bientôt trop étroit.

Pour les équipes produit qui écoutent cette session, la question n’est donc pas seulement « que peut faire le modèle ? ». Elle devient « quelle friction retirons-nous d’un geste déjà fréquent ? ». Tant que la réponse reste floue, l’adoption plafonne, même avec une technologie éblouissante.

Lorsque L’Agent S’installe Dans Le Workflow

Le mot agentic a envahi les keynotes. Chez Clay, il a une traduction plus terre à terre : enchaîner collecte, enrichissement, décision et action sans que l’humain recopie dix fois la même information. Cette promesse est puissante. Elle est aussi fragile, parce qu’elle suppose une donnée propre et une logique métier explicite.

Amin se situe à l’intersection de deux exigences contradictoires. D’un côté, aller vite, lancer des séquences, tester des angles d’approche. De l’autre, ne pas transformer l’entreprise cliente en usine à messages génériques. L’IA qui accélère un mauvais process n’est pas une victoire. C’est un haut-parleur.

D’où l’intérêt de l’entendre aux côtés d’Anthropic. Les patterns de déploiement observés sur Claude — revue, garde-fous, ancrage dans des outils du quotidien — se retrouvent presque mot pour mot dans le GTM. Un agent qui propose une liste de comptes sans expliquer le raisonnement ne convainc pas longtemps un commercial expérimenté. Un workflow qui laisse une trace, qui s’ajuste, qui accepte la correction humaine, a une chance de devenir l’infrastructure invisible de l’équipe.

La session devrait donc dépasser le folklore des agents autonomes. Le sujet mature est plus modeste et plus intéressant : comment un système propose, exécute par morceaux, rend des comptes, et laisse l’humain arbitrer au bon endroit. Ni copilote décoratif, ni pilote automatique naïf.

Pourquoi Cette Conversation Compte Pour Les Fondateurs

Disrupt n’est pas un salon confidentiel. L’événement réunit plus de dix mille fondateurs, investisseurs, opérateurs et dirigeants, avec plus de deux cents sessions, six scènes sectorielles, des tables rondes, plus de deux cent cinquante intervenants et trois cents startups exposantes. Dans ce brouhaha, une heure honnête sur l’échec des pilotes vaut davantage qu’une succession de slides de levée de fonds.

Les fondateurs qui vendent de l’IA aux entreprises ressortent souvent de ces semaines avec le même malaise. Le marché est saturé de promesses proches. Les acheteurs sont plus calés qu’en 2023. Ils ont déjà brûlé un budget. Ils savent reconnaître un wrapper. Ils demandent l’intégration, la sécurité, le coût à l’usage, la portabilité, la preuve.

Écouter de Jong, Lee et Amin sur le même plateau, c’est se donner une check-list implicite. Ai-je un workflow cible ou seulement une capacité ? Est-ce que je vois ce que font vraiment mes utilisateurs après la troisième semaine ? Est-ce que mon produit survit au moment où l’on cesse de l’applaudir pour commencer à s’y fier ? Ces questions sont moins glamour qu’une annonce de modèle. Elles décident pourtant des renouvellements de contrat.

Du Spectacle Technologique À La Preuve Opérationnelle

Il faut aussi parler d’un angle rarement avoué : la fatigue. Les équipes ont vu défiler chatbots internes, générateurs de comptes rendus, assistants mail, copilotes documentaires. Certaines expériences ont aidé. Beaucoup ont ajouté un onglet de plus. Dans ce climat, la nouveauté ne suffit plus à ouvrir un budget. Il faut une douleur nette et un chemin d’adoption court.

Gamma l’illustre côté création. Clay l’illustre côté revenu. Anthropic l’illustre côté infrastructure cognitive de l’entreprise. Trois manières de dire la même chose : l’IA n’a plus besoin de prouver qu’elle existe. Elle doit prouver qu’elle tient dans la durée, sous contrainte, avec des humains imparfaits et des systèmes hérités.

Cette exigence redessine même le storytelling des startups. On ne vend plus seulement « GPT inside » ou « agents everywhere ». On vend une réduction d’incertitude. Moins de temps perdu à reconstruire un support. Moins de données éparpillées avant une campagne. Moins de réunions pour aligner une histoire visuelle. Le langage se rapproche enfin de celui des opérationnels.

Ce Que Les Acheteurs Devraient Écouter Entre Les Lignes

Du côté des entreprises qui achètent, la session peut servir de miroir. Si un éditeur ne sait parler que de démos, méfiance. S’il ne peut pas raconter ce qui se casse au mois trois, méfiance. S’il n’a pas de plan pour la revue humaine, la confidentialité et la mesure, méfiance encore.

Inversement, les signaux sains se ressemblent. Une équipe qui documente les échecs. Un produit qui s’intègre là où les gens travaillent déjà. Une tarification qui n’explose pas dès que l’usage devient réel. Une feuille de route qui parle d’observabilité autant que de nouvelles fonctionnalités tape-à-l’œil.

• Demander le récit d’un déploiement raté, pas seulement d’un succès.
• Vérifier où vit vraiment l’outil : chat isolé ou système métier.
• Exiger une définition de la valeur avant d’empiler les licences.
• Prévoir le moment où les utilisateurs improviseront hors script.

Ces réflexes protègent autant l’acheteur que le bon éditeur. Ils évitent les mariages de convenance entre une direction séduite par la nouveauté et des équipes de terrain qui n’ont demandé personne.

San Francisco, Octobre, Et Le Test Collectif Du Marché

Moscone West en octobre a quelque chose d’un baromètre. On y croise les mêmes visages qu’aux tours de table, mais avec moins de filtres. Les files d’attente, les stand-up improvisés, les questions sèches pendant les Q&A disent souvent plus que les communiqués. Une session comme celle-ci fonctionne si elle refuse le ton brochure.

Le format annoncé va dans ce sens : deux faces du déploiement, patterns d’un côté, vécu produit de l’autre. Reste à voir si la conversation osera les chiffres embarrassants. Combien de pilotes meurent. Combien de sièges achetés restent froids. Combien de workflows « agentiques » nécessitent encore une babysitter humaine à chaque étape. Ces aveux-là, s’ils arrivent, vaudront le déplacement.

TechCrunch pousse aussi l’idée que ce type de session se vit mieux à deux. Un fondateur et un responsable customer success. Un investisseur et un opérateur. Un vendeur enterprise et un product manager. Parce que chacun entendra une couche différente : le signal marché, le détail d’adoption, le risque d’intégration, la musique du narratif.

Au-Delà De La Démo, Une Discipline De Produit

Si l’on devait réduire l’heure de scène à une seule idée, ce serait celle-ci : l’IA d’entreprise est en train de quitter l’âge de la prestidigitation pour entrer dans l’âge de la discipline. Discipline de donnée. Discipline d’interface. Discipline de mesure. Discipline de support. Les modèles continueront de progresser. Les écarts de performance brute se resserreront. Ce qui restera distinctif, c’est la capacité à habiter le travail réel sans le désorganiser.

Anthropic, en multipliant les déploiements de Claude, accumule une mémoire de ces frottements. Gamma, en élargissant un outil visuel vers des usages marketing et collaboratifs, apprend ce que des dizaines de millions de gestes révèlent. Clay, en collant l’IA à la génération de pipeline, apprend ce que coûte une erreur quand l’enjeu n’est plus stylistique mais commercial.

Pris ensemble, ces trois récits dessinent une boussole pour 2026 et après. Ne pas confondre curiosité et adoption. Ne pas confondre génération et produit. Ne pas confondre autonomie affichée et responsabilité réelle. Les équipes qui intègrent ces nuances construiront des outils dont on se souvient. Les autres continueront d’impressionner pendant cinq minutes.

Et c’est bien ce seuil des cinq minutes qui devrait hanter la salle. Tout le monde sait désormais produire l’effet wow. Très peu savent encore quoi faire lorsque le wow retombe et que le calendrier, le CRM, la marque et le juridique reprennent leurs droits. C’est là que l’IA cesse d’être un sujet de keynote pour devenir, simplement, une manière de travailler. Ou de ne plus travailler du tout avec l’outil que l’on avait tant vanté.

Une Lecture Utile Même Sans Être Dans La Salle

Tous les lecteurs n’iront pas à San Francisco. La grille d’analyse, elle, voyage. Avant de lancer un pilote, écrire en une page le workflow cible, l’indicateur de succès, le propriétaire métier et le plan si l’outil déçoit. Avant de fêter une démo interne, regarder qui l’a réouverte spontanément sept jours plus tard. Avant d’annoncer des agents, cartographier les données dont ils dépendent et les erreurs qu’ils n’ont pas le droit de commettre.

Ces gestes paraissent austères à côté des bandes-annonces génératives. Ils sont pourtant le prix d’entrée d’un marché qui grandit. L’IA n’a pas disparu dans la vallée de la désillusion, contrairement à certains pronostics paresseux. Elle s’est juste déplacée. Elle a quitté la scène pour les interstices du travail. C’est dans ces interstices qu’Anthropic, Gamma et Clay ont, chacun à leur façon, quelque chose de concret à raconter.

Le reste n’est que bruit de fond : classements de modèles, captures d’écran, superlatifs. Utile pour attirer l’attention. Insuffisant pour tenir une organisation. Disrupt 2026, sur ce point précis, a au moins le mérite de poser la bonne séquence. D’abord le réel. Ensuite, seulement ensuite, le récit de ce que la technologie rend possible.