Anthropic Et Openai Rejoignent La Scene Ia De Disrupt 2026

Et si le vrai sujet de l’intelligence artificielle n’était plus la démo qui fait le buzz, mais ce qui se passe six mois après le premier contrat signé avec une grande entreprise ? C’est précisément cette bascule que TechCrunch Disrupt 2026, prévu du 13 au 15 octobre au Moscone Center de San Francisco, tente de mettre au centre de la conversation. Anthropic et OpenAI rejoignent la scène IA, présentée par Google for Startups, au moment où les fondateurs ne demandent plus seulement « que peut faire le modèle ? » mais « comment le vendre, le sécuriser et le faire grandir sans casser la maison ».

La Scene Ia De Disrupt Change De Nature

Pendant plusieurs années, les conférences tech ont multiplié les annonces de modèles plus grands, plus rapides, plus multimodaux. Utile, spectaculaire, parfois même décisif. Mais le marché a mûri. Les startups qui survivent aujourd’hui ne sont pas forcément celles qui empilent le plus de paramètres. Ce sont celles qui tiennent un prix, une promesse de sécurité et un plan commercial quand le modèle de fondation devient un produit interchangeable. Disrupt 2026 s’attaque à cette réalité moins glamour, et c’est tant mieux.

L’événement rassemble plus de dix mille dirigeants de startups, investisseurs et acteurs tech. Autour de la scène IA gravitent le Startup Battlefield, les autres scènes thématiques, le hall d’exposition et un dense tissu de rencontres. Le message n’est pas « venez admirer l’IA ». Il est plus rude : venez comprendre pourquoi vos hypothèses sur la vente, la donnée et la croissance sont déjà datées.

Le programme annoncé mêle des voix de laboratoires, de plateformes cloud, de spécialistes de l’identité et de fondateurs qui vendent déjà dans l’entreprise. On y parle de Claude en conditions réelles, de productivité chez OpenAI, d’agents qui échappent aux modèles de permission classiques, de vidéo intelligente, de SaaS à reconstruire et d’un métier presque inconnu il y a deux ans : l’ingénieur GTM.

Pourquoi Cette Edition Interresse Autant Les Fondateurs

Beaucoup d’équipes ont passé 2024 et 2025 à intégrer un assistant dans leur produit. Résultat fréquent : un gain réel pour quelques utilisateurs avancés, une facture d’inférence qui grimpe, un cycle de vente qui s’allonge et un RSSI qui pose dix questions de plus qu’avant. L’IA n’a pas seulement changé la façon de construire un logiciel. Elle a cassé une partie de la mécanique commerciale, de la sécurité des données clients et de l’échelle opérationnelle.

Trois tensions reviennent dans presque toutes les discussions de fondateurs que l’on croise depuis un an. Première tension : comment tarifer un produit quand le modèle sous-jacent se commoditise. Deuxième : comment faire confiance à un système qui prend des décisions tout seul dans un SI sensible. Troisième : à quoi ressemble un plan d’acquisition client quand le commercial, le marketeur et l’ops techniques fusionnent dans une même boucle outillée par des agents.

La scène IA de Disrupt promet d’attaquer ces trois nœuds sans se réfugier dans le jargon de keynote. C’est rare. Trop de plateaux restent coincés entre la vision lointaine et le tutoriel produit. Ici, l’intention affichée est plus terre à terre : regarder ce qui marche après le déploiement, pas seulement avant.

Ce Qu Anthropic Observe Une Fois Claude En Production

La session portée par Cat de Jong, Head of Applied AI chez Anthropic, part d’un angle trop rarement choisi. Elle ne promet pas une feuille de route modèle. Elle promet un retour de terrain : ce que voient les équipes qui aident les entreprises à placer Claude au cœur de flux critiques. Où ça démarre vite. Où ça s’enlise. Ce qui sépare une organisation qui tire une valeur mesurable d’une autre encore coincée dans des pilotes dix-huit mois plus tard.

Ce décalage pilote / production n’est pas un détail de calendrier. Il révèle une géographie mentale. Dans le pilote, on choisit un cas d’usage flatteur, on isole les données, on met trois champions internes autour de la table. En production, le modèle touche des processus réglementés, des silos historiques, des équipes qui n’ont pas demandé cette transformation et une direction qui veut un ROI avant la prochaine revue budgétaire.

Les fondateurs qui écoutent cette session devraient sortir avec une grille plus sévère. Un déploiement qui « marche tout de suite » n’est presque jamais magique. Il repose souvent sur une donnée déjà propre, un workflow étroit, un sponsor exécutif et une équipe capable d’écrire des évaluations plutôt que des prompts décoratifs. À l’inverse, les projets qui patinent cumulent des objectifs flous, une gouvernance absente et une confusion entre assistant de confort et système métier.

Anthropic occupe une place particulière dans l’imaginaire entreprise : la marque de la prudence constitutionnelle, du raisonnement long, du refus de certaines dérives spectaculaires. Que cette culture tienne ou non une fois le contrat signé, voilà précisément ce qu’une responsable de l’IA appliquée est mieux placée pour raconter que n’importe quel communiqué. Pour une startup qui vend autour de Claude, ou contre Claude, ces patterns valent plus qu’une slide de benchmark.

• Identifier les flux où la valeur apparaît dès les premières semaines.
• Repérer les points de blocage politiques autant que techniques.
• Distinguer les organisations qui mesurent vraiment de celles qui collectionnent les preuves de concept.
• Comprendre ce que le terrain révèle sur la prochaine vague d’IA d’entreprise.

OpenAI Et Le Sens Reel D Une Entreprise Native Ia

En face, OpenAI envoie Tara Seshan, Head of Productivity, sur un sujet qui dépasse le produit grand public. Le titre de session parle de ce que signifie réellement construire AI native, et plus encore d’une discipline née presque sous nos yeux : l’ingénierie GTM. Il y a deux ans, l’expression n’existait presque pas. Aujourd’hui, des indépendants en font des activités à plusieurs millions de dollars, et des scale-ups recrutent ce profil comme on recrutait autrefois le premier growth hacker.

Le go-to-market traditionnel empilait marketing, sales enablement, CRM, SDR, content et customer success comme des étages séparés. L’IA a compressé cette pile. Un même opérateur, bien outillé, peut désormais prospecter, personnaliser, relancer, qualifier et parfois même livrer une première valeur avant qu’un humain ne prenne le relais. Ce n’est pas seulement de l’efficacité. C’est un changement de métier.

Être natif IA, dans cette lecture, ne veut pas dire coller un chatbot sur une page tarif. Cela veut dire concevoir le produit, le pricing, le support et l’acquisition comme un seul système qui apprend. Les entreprises qui réussissent ce saut cessent de traiter le modèle comme une fonctionnalité. Elles le traitent comme une couche d’exécution commerciale.

Pour les fondateurs français et européens qui regardent San Francisco de loin, le risque est de copier le vocabulaire sans copier l’architecture. Recruter un « GTM engineer » sur LinkedIn ne suffit pas. Il faut accepter que le commercial écrive des workflows, que le produit expose des hooks d’activation, que la data d’usage redescende dans la prospection. OpenAI, en parlant productivité plutôt que modèle, envoie un signal : la bataille suivante se joue dans l’organisation du travail, pas seulement dans le laboratoire.

Le Gtm Engineer Comme Nouvelle Categorie D Emploi

Kareem Amin, cofondateur et CEO de Clay, reprend le même fil sous un angle plus entrepreneurial. Clay est devenu, pour une génération de go-to-market, le symbole d’un tableur augmenté capable d’orchestrer enrichissement, séquences et agents. Que le CEO de cette société raconte la naissance du métier n’est pas anodin. Il a vu des praticiens indépendants transformer une stack d’outils en petite entreprise rentable.

Le GTM engineer n’est ni un marketeur classique, ni un data engineer pur, ni un commercial qui aime les macros. C’est un profil hybride qui comprend le funnel, sait relier des API, écrit des instructions pour agents et mesure le coût d’une action autant que son taux de conversion. Dans un marché où le CAC explose et où les listes froides meurent, ce profil devient une arme.

Attention toutefois à la mythologie. Tous les indépendants ne construisent pas une affaire à un million. Derrière les success stories se cachent des milliers d’expérimentations bruyantes, des bases mal propres et des séquences qui agacent plus qu’elles ne convertissent. La session a de la valeur si elle démystifie autant qu’elle inspire : quels playbooks tiennent, quels outils se stackent vraiment, où l’humain reste irremplaçable.

Les startups qui écoutent devraient se poser une question simple. A-t-on besoin d’un titre nouveau, ou d’une compétence distribuée dans l’équipe existante ? Dans une seed de huit personnes, le GTM engineer est souvent le fondateur commercial qui a appris à automatiser. Dans une série B, c’est déjà une équipe avec des standards, des revues de prompts et une dette d’outils à gérer.

L Entreprise N Est Pas Cassee, Vos Hypotheses Le Sont

Arsalan Tavakoli, cofondateur et SVP of Field Engineering chez Databricks, formule un titre presque agressif : l’entreprise n’est pas cassée, ce sont vos hypothèses à son sujet qui le sont. Le propos vise les équipes produit qui croient encore que le SI d’un grand groupe est un monolithe hostile, lent et incapable d’accueillir des agents autonomes.

La réalité 2026 est plus ambiguë. Oui, les systèmes sensibles existent. Oui, la conformité pèse. Mais l’IA prend déjà des décisions à l’intérieur de ces systèmes, à une vitesse que les cadres de sécurité d’il y a dix ans n’avaient pas prévue. Databricks, fort de sa position sur la donnée et le lakehouse, voit le choc de près : observabilité, gouvernance, architecture de confiance.

Pour une startup qui vend à l’entreprise, la leçon n’est pas « soyez plus patients ». Elle est « cessez de concevoir comme si le client allait adapter toute sa maison à votre agent ». Les déploiements que l’on peut toucher du doigt sont ceux qui s’insèrent dans le contrôle existant, exposent leurs traces et acceptent d’être audités. Les autres restent des slides.

Cette session complète celle d’Anthropic. D’un côté, les patterns d’adoption de Claude. De l’autre, l’infrastructure de confiance sans laquelle aucun modèle, fût-il excellent, n’entre dans le cœur de métier. Les deux lectures sont nécessaires. Trop de fondateurs n’en retiennent qu’une.

Le Probleme De Securite Des Agents Que Personne N Aime Nommer

Ric Smith, President of Product and Technology chez Okta, pousse plus loin. L’IA agentique est puissante, dit le programme, mais elle n’a jamais été conçue pour être sûre. Les entreprises qui veulent l’utiliser découvrent qu’il faut reconstruire des briques élémentaires de cybersécurité. Pas un plugin. Une architecture.

Le point le plus intéressant de l’annonce de session tient en une phrase : les modèles de permission au niveau applicatif sont fondamentalement imparfaits. Traduction concrète. Donner à un agent le droit « d’accéder à Slack et au CRM » n’est pas une politique de sécurité. C’est une invitation à l’imprévu. L’agent enchaîne des actions, interprète des objectifs, sort du chemin prévu. Un rôle figé dans une application n’a pas été inventé pour cette libre circulation.

Okta parle ici depuis l’identité, ce qui n’est pas un hasard. Si l’agent devient un acteur du SI, il lui faut une identité, un périmètre, une durée de vie, une journalisation et une révocation. Autant de sujets que les démos grand public escamotent. Autant de sujets que le RSSI, lui, ne lâchera pas.

Les fondateurs qui construisent des agents pour l’entreprise devraient quitter cette conversation avec une check-list moins romantique. Qui authentifie l’agent. Qui limite ses outils. Qui voit la chaîne de raisonnement. Que se passe-t-il quand il hallucine une action irréversible. Combien coûte l’assurance de tout cela. Sans ces réponses, le discours « agentique » reste un argument marketing.

Cloud, Observabilite Et Confiance Sous Pression

Une autre session élargit le même dossier avec Chet Kapoor, VP Security Services and Observability chez AWS, Katie Moussouris de Luta Security et Wendy Nather de 1Password. Le nuage, déjà complexe, l’est devenu davantage dès que des modèles autonomes s’y exécutent. Observer, gouverner, séparer les architectures dignes de confiance de celles qu’une entreprise ne peut pas se permettre de toucher : voilà le programme.

Le trio de profils est révélateur. Un regard infrastructure AWS. Un regard recherche et pratique offensive autour des failles. Un regard identité et secrets côté 1Password. Ensemble, ils dessinent une vérité simple : la sécurité de l’IA d’entreprise n’est plus un chapitre à la fin du dossier technique. Elle conditionne le droit de vendre.

Les startups européennes qui visent des banques, des industriels ou des acteurs de santé le savent déjà. Le questionnaire de sécurité s’allonge. Les clauses de sous-traitance se durcissent. Les exigences de résidence des données reviennent. Ajouter un agent qui écrit dans des tickets ou lance des workflows ne simplifie rien. Cela multiplie les questions.

On peut regretter que tant de conversations publiques restent encore centrées sur le jailbreak spectaculaire plutôt que sur la gouvernance quotidienne. Disrupt, au moins dans l’intitulé de ces sessions, inverse la focale. Moins de théâtre. Plus de tuyauterie. C’est dans la tuyauterie que se jouent les deals de 2026.

La Course A L Intelligence Video En Temps Reel

Tout n’est pas que process et RSSI. Dean Leitersdorf, cofondateur et CEO de Decart, et Amit Jain, cofondateur et CEO de Luma AI, portent une session plus frontière : la course à l’intelligence vidéo, entre inférence temps réel, raisonnement et suite du périple. Le texte d’annonce insiste sur un basculement. La vidéo générative a quitté le stade de la démo qui retient l’attention. Elle entre dans l’inférence continue et le raisonnement sur le monde physique.

Ce glissement est stratégique. Générer une jolie séquence n’est plus un avantage durable. Comprendre une scène, anticiper un mouvement, relier le visuel à une décision métier, voilà où se crée de la rente. Usines, logistique, médias, sécurité, création : les débouchés divergent, mais la contrainte commune est la latence et la fiabilité.

Luma AI a construit une partie de sa notoriété sur la génération vidéo. Decart insiste davantage sur la vitesse d’inférence. Les faire dialoguer sur scène, c’est accepter que la compétition ne se joue plus seulement sur la beauté d’une image de lancement. Elle se joue sur le coût par frame, la capacité à raisonner, l’intégration dans des boucles robots ou opérateurs humains.

Pour une startup de la vision, la question utile n’est plus « notre démo est-elle virale ». Elle devient : notre système tient-il une décision en conditions réelles, avec un budget compute connu, une erreur mesurée et un client qui accepte de dépendre de nous le mardi matin à 9 heures.

Le Saas Ancien Playbook Sous La Pression Des Modeles

Arvind Jain, fondateur et CEO de Glean, Barr Moses, cofondatrice et CEO de Monte Carlo, Cathy Gao, partner chez Sapphire Ventures, et Aaron Jacobson, partner chez NEA, s’attaquent à une question que beaucoup murmurent : le playbook SaaS est-il mort, ou seulement en train de muer. Pricing durable, fossés défendables quand les modèles se ressemblent, manière de faire encore fonctionner le logiciel d’abonnement à l’ère des agents.

Le SaaS classique vendait un siège, une fonction, une plateforme. L’IA vend parfois un résultat. Parfois un volume de tokens. Parfois une automatisation qui réduit le nombre de sièges… donc la base installée du vendeur. Dilemme cruel. Si votre produit est trop efficace, vous sciez la métrique qui faisait briller votre ARR. Si vous restez au siège, vous avez l’air hors-sol.

Glean parle depuis la recherche d’entreprise. Monte Carlo depuis l’observabilité des données. Les deux voient le même paradoxe : plus l’IA s’installe, plus la qualité de la donnée et la découvrabilité deviennent critiques, mais plus le client compare votre couche à un modèle généraliste « assez bon ». Le fossé n’est plus seulement produit. Il est distribution, confiance, workflow enfoui, données propriétaires.

Les investisseurs autour de la table ne sont pas là pour la décoration. Sapphire et NEA voient les dossiers où le pricing casse, où le net revenue retention fléchit, où le discours « copilote » ne convertit plus. Leur présence signale que le sujet n’est pas théorique. Il est déjà dans les comités.

Comment Tarifer Quand Le Modele Devient Banale

La commoditisation des modèles n’est pas un slogan. Elle se voit dans les appels d’offres. Le client demande si l’on peut changer de fondation sans tout casser. Il compare les prix d’API. Il teste un modèle open weights en parallèle. Dans ce climat, vendre « notre secret, c’est le modèle » devient fragile.

Les équipes qui s’en sortent déplacent la valeur. Elles vendent un système d’évaluation. Une mémoire d’entreprise. Un réseau de connecteurs. Une politique de sécurité. Un résultat métier chiffré. Le modèle reste un moteur. Il n’est plus l’argument unique. Disrupt met ce déplacement au programme, et c’est probablement la conversation la plus utile pour une seed qui hésite encore entre wrapper élégant et produit défendable.

Il n’existe pas de tarif universel. Un outil interne de productivité peut rester au siège. Une plateforme qui remplace une équipe d’analystes basculera vers l’outcome. Un moteur d’agents facturera l’orchestration. L’erreur fréquente est de copier le voisin. La bonne pratique est d’aligner le prix sur l’unité de valeur que le client reconnaît déjà dans son budget.

Autre impensé : le coût variable. Beaucoup de SaaS historiques avaient une marge brute confortable et prévisible. L’IA introduit une ligne d’inférence nerveuse, dépendante du comportement utilisateur. Un client « trop actif » peut devenir moins rentable. D’où l’importance des garde-fous produit, des caches, des petits modèles pour les tâches simples, des contrats qui partagent le risque.

Ce Que Disrupt Dit Du Marche Des Startups En 2026

Au-delà des noms, le simple fait qu’Anthropic et OpenAI acceptent de parler métier plutôt que benchmark dessine un marché moins adolescent. Les laboratoires savent que leur croissance entreprise passe par l’après-déploiement. Les plateformes de donnée et d’identité savent que l’agent est à la fois une opportunité et une menace pour leurs modèles de contrôle. Les fonds savent que le multiple SaaS ne se justifie plus avec les mêmes histoires.

On voit aussi une géographie du pouvoir. San Francisco reste le théâtre. Google for Startups sponsorise la scène. AWS, Databricks, Okta, 1Password occupent le chapitre confiance. Clay occupe le chapitre acquisition. Glean et Monte Carlo occupent le chapitre logiciel d’entreprise. Decart et Luma occupent le chapitre perception. La carte est américaine, massive, et elle continue d’imposer le vocabulaire mondial.

Pour autant, les leçons sont exportables. Un fondateur à Paris, Berlin ou Montréal affronte les mêmes objections : prix, risque, ROI, sécurité, commoditisation. Il a souvent moins de capital patient et un marché plus fragmenté. D’où l’intérêt de traiter Disrupt moins comme un pèlerinage que comme une grille de lecture. Qu’est-ce qui, dans ces sessions, s’applique à mon cycle de vente réel.

• Le prestige du modèle ne vend plus tout seul.
• Le pilote n’est pas un trophée si la production n’arrive jamais.
• L’agent sans identité et sans traces est un non-starter en grand compte.
• Le GTM se code autant qu’il se raconte.
• Le pricing doit survivre à un modèle moins cher chez le voisin.

Comment Un Fondateur Peut Utiliser Ce Programme Sans Y Etre

Tout le monde n’achètera pas un pass pour San Francisco. Ce n’est pas grave. On peut transformer le programme en atelier interne. Prenez vos trois plus gros prospects. Pour chacun, écrivez où le déploiement coincerait après le pilote. Listez les questions sécurité que vous fuyez encore. Recalculez votre prix si le modèle sous-jacent baissait de moitié. Nommez la personne qui, chez vous, joue déjà le rôle de GTM engineer sans le titre.

Faites ensuite l’exercice inverse. Si Cat de Jong décrivait votre client, verrait-elle une organisation qui extrait de la valeur ou une organisation qui collectionne les ateliers ? Si Ric Smith regardait votre agent, trouverait-il une identité, un périmètre, une révocation ? Si les partenaires de Sapphire et NEA ouvraient votre data room, votre fossé tiendrait-il trois slides sans mentionner le nom du modèle.

Cet exercice est plus utile qu’une citation de keynote. Il force à quitter le récit confortable « nous sommes une startup IA » pour entrer dans le récit plus dur « nous sommes une entreprise qui doit encore convaincre un acheteur inquiet ». Disrupt, dans sa version 2026, semble enfin préférer le second récit.

Les Pieges A Eviter En Sortant De Ces Conversations

Premier piège : tout traduire en slogans. « Nous sommes AI native », « nous avons des agents sécurisés », « notre GTM est engineering ». Les mots circulent plus vite que les preuves. Un acheteur de 2026 a déjà entendu la version précédente de chaque phrase.

Deuxième piège : croire que la sécurité est un partenariat logo. Ajouter le nom d’un grand cloud ou d’un éditeur d’identité dans une slide n’équivaut pas à une architecture. Ce qui compte, c’est le détail des traces, des rôles, des évaluations, des incidents simulés.

Troisième piège : embaucher trop tôt le titre à la mode. Un GTM engineer isolé, sans accès produit ni qualité de donnée, n’accomplira pas de miracle. Mieux vaut un binôme fondateur-ops qui instrumente vraiment le funnel.

Quatrième piège : abandonner le SaaS par snobisme. Le playbook n’est pas mort. Il se déforme. Certaines composantes restent extraordinaires : récurrence, distribution land-and-expand, communauté, intégrations. L’IA n’invalide pas ces mécaniques. Elle en change le carburant.

Une Edition Qui Parle Enfin Apres Le Contrat

Le plus intéressant dans l’annonce de TechCrunch n’est pas la simple présence d’Anthropic et d’OpenAI. Ces deux maisons auraient pu envoyer un chercheur star parler de la prochaine génération de modèles. Elles envoient plutôt des profils d’application et de productivité. Le symbole est clair. La scène veut parler de ce qui arrive quand l’outil quitte le laboratoire.

Autour d’eux, Databricks, Okta, AWS, 1Password, Luta Security rappellent que la confiance n’est pas un chapitre optionnel. Clay, Glean, Monte Carlo, Sapphire, NEA rappellent que la croissance et le modèle économique sont déjà en train d’être réécrits. Decart et Luma rappellent qu’une partie de la frontière reste sensorielle, visuelle, physique.

Entre le 13 et le 15 octobre, San Francisco n’inventera pas à elle seule la réponse. Elle offrira surtout un langage commun aux fondateurs fatigués des démos. Ce langage tourne autour de trois verbes peu glamour et très précieux : tarifer, sécuriser, déployer. Ce sont ces trois verbes qui sépareront, dans les deux prochaines années, les startups qui racontent l’IA de celles qui la vendent vraiment.

Si vous construisez aujourd’hui, ne retenez pas seulement la photo de scène. Retenez la question que le programme pose en creux. Votre produit survit-il au moment où le modèle n’impressionne plus personne, où l’agent doit justifier chaque action, et où le client refuse un dix-neuvième pilote. C’est là, et nulle part ailleurs, que commence le vrai travail de 2026.