Phacet

Pennylane équipe 1,3 million d'entreprises avec ses outils de gestion d'entreprise. Si Pennylane était en avance sur l'IA dans son produit, ils étaient en retard dans l'adoption de l'IA pour leurs équipes.

Dans cet épisode, Arthur raconte comment il a rattrapé ce retard : la méthode pour embarquer ses associés, la politique d'adoption pour les développeurs comme pour les équipes non-tech, et sa vision de ce que l'IA change pour les experts-comptables et les éditeurs de logiciels.

Au programme :
Pourquoi l'IA profite aujourd'hui plus aux petits qu'aux gros
La révolution RH qui attend les cabinets d'expertise comptable
Ouvrir sa donnée aux agents IA : le pari stratégique de Pennylane face aux SaaS qui ferment leurs portes
"Je suis la Suisse" : la conversation d'Arthur avec le fondateur de Notion
Comment convaincre son top management : l'expérience Claude Code des associés
La politique juniors : tu ne dois pas déléguer ce que tu ne sais pas faire
Les équipes non-tech qui construisent leurs propres outils, dont la fameuse Moulinette
À quoi ressemble une équipe demain : moins de monde ou plus d'ambition ?
Cet épisode s'adresse aux :
Dirigeants et fondateurs qui pilotent une transformation IA
Experts-comptables et responsables de cabinets
CPO, CTO et équipes produit de scale-ups
DAF et directions financières

Hosted on Ausha. See ausha.co/privacy-policy for more information.

En 2026, Qonto sert 600 000 clients sur 8 marchés européens. Ils se définissent comme une AI-first company. Et pourtant, Steve Anavi, cofondateur, n'a pas créé d'équipe dédiée à l'IA.

Dans cet épisode, il explique pourquoi, et détaille la méthode qu'ils ont mise en place pour transformer 1 600 personnes sans top-down, sans grande initiative de transformation, et sans perdre ce qui fait la valeur du produit.

Au programme :
Pourquoi Qonto n'a pas créé d'équipe IA dédiée

La méthode Kaizen appliquée à 1 600 salariés : 1 600 change managers en temps réel

La différence entre assimilation et accommodation face à une rupture technologique

Pourquoi Qonto ne vend pas des remplaçants mais des extensions

Comment ils ont lancé The Operator et The Analyst à 600 000 clients d'un coup

Les trois options de pricing pour les fonctionnalités IA

Ce qui surprend Steve : la vitesse de production de code et l'évolution du métier de développeur

Ce que l'IA ne peut pas faire : l'intelligence non artificielle et le goût

Cet épisode s'adresse aux :
Fondateurs et dirigeants de scale-ups

CPO, CTO et responsables produit

DAF et équipes finance qui s'interrogent sur leur transformation IA

Toute personne qui pilote une transformation IA sans savoir par où commencer

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Dans cet épisode, Marc-Antoine Lacroix, co-fondateur de Pivot, explique comment ils ont construit une plateforme source-to-pay en trois couches, pourquoi les agents IA fonctionnent chez eux quand ils échouent ailleurs, et comment leurs clients sont passés de 10% à 100% de leurs contrats fournisseurs négociés.

Au programme :

Pourquoi l'IA saupoudrée sur les outils existants ne tient pas sur le long terme

La thèse des 3 couches : system of record, engagement, agents

L'agent de négociation et comment il démultiplie le travail des équipes achat

Pourquoi Pivo garde les agents hors du cœur produit

Le studio AI interne : qui sont les builders et comment ils mesurent le ROI

Comment se différencier quand tout le monde dit faire des agents IA

L'impact sur les plans de recrutement dans les équipes tech et ops

Le moment où Marc-Antoine a vraiment compris la puissance de l'IA

Cet épisode s'adresse aux :

CPO et CTO de scale-ups

Directeurs des achats et équipes procurement

DAF et responsables financiers

Fondateurs qui se demandent comment intégrer l'IA dans leur produit

Retrouvez Pivot sur pivotapp.ai et sur LinkedIn.
Site Phacet : https://www.phacetlabs.com/fr
Podcast : https://www.phacetlabs.com/fr/podcast

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Dans cet épisode, Nicolas Marchais reçoit Sébastien Bayer, CEO et cofondateur d’Agicap, l’un des leaders européens du logiciel de gestion de trésorerie.

Avec plus de 8 000 entreprises clientes en Europe et aux États-Unis, Agicap aide les équipes finance à suivre, prévoir et optimiser leur trésorerie. Depuis plusieurs années, la plateforme intègre déjà des briques d’intelligence artificielle pour automatiser le traitement des données financières.

Mais lorsque les LLM et les assistants IA sont arrivés, l’équipe a tenté une approche que beaucoup d’éditeurs SaaS ont expérimentée : ajouter un assistant conversationnel capable de répondre aux questions des trésoriers. Résultat : l’adoption a été faible et l’équipe a finalement décidé de supprimer cette fonctionnalité.

Dans cet échange, Sébastien Bayer explique pourquoi cet assistant IA n’a pas fonctionné, ce que cette expérience leur a appris, et comment Agicap utilise aujourd’hui l’IA de manière beaucoup plus opérationnelle dans son produit.

On explore notamment :

• pourquoi l’assistant IA d’Agicap n’a pas été adopté par les utilisateurs
• le problème des hallucinations de l’IA dans un domaine sensible comme la finance
• pourquoi une prévision financière “boîte noire” n’est pas exploitable par un DAF
• comment Agicap utilise le machine learning et les LLM pour automatiser les tâches financières
• les premiers cas d’usage agentiques dans leur produit
• la différence d’adoption de l’IA entre l’Europe et les États-Unis
• comment organiser une entreprise pour intégrer l’IA dans ses produits et ses opérations
• et pourquoi l’IA doit rester un outil d’aide à la décision, pas un remplaçant du trésorier.
Un échange concret et sans langue de bois sur ce qui fonctionne vraiment avec l’IA dans un produit SaaS financier.

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Dans cet épisode, Nicolas Marchais reçoit Philippe Mizrahi, CEO de Linkup, une startup française qui vient de lever 10 millions d’euros pour s’attaquer à un sujet devenu central dans l’IA : le web search pour les agents et les modèles de langage.

À mesure que les LLM se généralisent, une limite apparaît clairement : leur dépendance à des données obsolètes et leur propension à halluciner. Linkup part d’un constat simple : les moteurs de recherche ont été conçus pour les humains, pas pour les IA. Or, à l’ère des agents, ce modèle ne fonctionne plus.

Philippe explique pourquoi Google et Bing ont fermé leurs APIs de web search, pourquoi l’index du web est devenu un actif stratégique pour l’IA, et comment Linkup a fait le pari de reconstruire un moteur pensé nativement pour les agents, capable de fournir des informations fraîches, précises et exploitables par les modèles.

On explore :
• pourquoi le web search est devenu une brique critique de l’infrastructure IA
• comment réduire les hallucinations des LLM grâce à des données externes fiables
• la différence entre moteurs de recherche pour humains et moteurs pour agents IA
• les choix techniques derrière l’indexation granulaire du web chez Linkup
• les cas d’usage réels : automatisation commerciale, recherche financière, assistants d’entreprise
• comment des groupes comme KPMG ou Boulanger utilisent le web search dans leurs systèmes IA
• la stratégie de Linkup face aux acteurs américains très capitalisés
• et pourquoi l’accès à l’information est au cœur de la prochaine bataille de l’IA Un échange clair et structurant pour comprendre comment l’infrastructure de l’IA est en train d’évoluer, et pourquoi le web search est redevenu un champ de bataille clé.

Hosted on Ausha. See ausha.co/privacy-policy for more information.