En 2025, année où l’intelligence artificielle est passée d’une phase de frénésie à une adoption plus concrète, plusieurs jeunes entreprises n’ont pas résisté aux nouvelles contraintes du marché. Sept startups, actives dans des segments divers (outils de développement, assistants matériels, automatisation des connaissances, intelligence commerciale), ont fermé ou cédé tout ou partie de leurs activités pour des raisons variées : insolvabilité, produit insuffisamment mature, tensions internes ou absence de financement.

Contexte général : de l’enthousiasme à la sélection naturelle

La transition vers des déploiements réels a fait émerger des critères plus stricts : robustesse des produits, intégration dans des systèmes existants, maîtrise des coûts d’acquisition et conformité aux exigences réglementaires sur les données. Dans ce contexte, certaines entreprises prometteuses ont peiné à transformer l’intérêt médiatique ou les premiers essais en revenus pérennes et en solide traction commerciale.

Portraits rapides des sept cas

  • Builder.ai : après avoir présenté une plateforme capable de « monter » des applications avec peu d’intervention humaine, l’entreprise a été placée en insolvabilité après des enquêtes montrant que beaucoup de développement était effectué manuellement par des équipes offshore. Des incohérences de revenus et une dette opérationnelle croissante ont précipité la chute.
  • CodeParrot : startup soutenue par Y Combinator, elle visait à convertir des maquettes (par exemple Figma) en composants React ou en code full‑stack. Malgré un concept initial séduisant et des démonstrations, le produit n’a pas généré de code jugé prêt pour la production et l’entreprise a traversé une période de pivots successifs qui a dilué son focus. La concurrence de solutions comme GitHub Copilot, Vercel et Replit a réduit son avantage.
  • Astra : basée à Bengaluru et financée par des acteurs du secteur, cette jeune pousse d’intelligence commerciale analysait appels, e‑mails et CRM pour accélérer les ventes. Des tensions entre cofondateurs, des cycles de vente lents auprès des grandes entreprises et des risques réglementaires liés aux données ont retardé les jalons-clés et conduit à une cessation d’activité.
  • Subtl.ai : startup de Hyderabad spécialisée dans l’interrogation en langage naturel des documents internes, elle avait un bon départ mais n’a pas réussi à convertir suffisamment d’essais en abonnements payants. Des limites d’exactitude et des difficultés d’intégration à grande échelle ont freiné la croissance et aucun nouveau tour de financement n’a été levé.
  • Humane : société fondée par d’anciens d’Apple, elle a stoppé la commercialisation de son « AI Pin » et a cédé l’activité à HP Inc. pour 116 millions de dollars, transfert incluant employés, plateforme logicielle et propriété intellectuelle. Les critiques ont pointé l’autonomie limitée de la batterie, la surchauffe et des réponses incohérentes, mettant en évidence la difficulté d’intégrer matériel et inférences temps réel sur un dispositif portable.
  • Wuri : soutenue par Y Combinator, cette startup d’entreprise a rencontré des coûts d’acquisition clients élevés, des difficultés de différenciation produit et une concurrence agressive. Elle a finalement fermé après ne pas avoir atteint une croissance durable.
  • Locale.ai : spécialisée en intelligence opérationnelle et analyse géospatiale pour la logistique, elle avait des revenus et des clients internationaux mais, après plusieurs années difficiles et environ 5 millions de dollars levés, les cofondatrices et cofondateurs ont choisi de fermer l’activité par épuisement et rendre des fonds aux investisseurs.

Pourquoi ces échecs ? Enjeux récurrents

Plusieurs motifs reviennent parmi ces cas :

  • Écart entre promesses marketing et réalité technique : lorsque la valeur perçue dépend d’une forte automatisation, la présence de travaux manuels non annoncés mine la confiance.
  • Produit non prêt pour la production : générer des résultats convaincants en démonstration n’équivaut pas toujours à fournir du code ou des réponses fiables et maintenables en production.
  • Contraintes commerciales : cycles de vente longs, coûts d’acquisition élevés et manque de conversion d’essais gratuits en abonnements récurrents.
  • Tensions internes et épuisement des fondateurs : la soutenabilité humaine d’un projet peut être aussi déterminante que son modèle économique.
  • Pressions concurrentielles et régulation : des acteurs établis ou des outils généralistes peuvent rapidement éroder une niche, tandis que les risques liés aux données entraînent des frictions supplémentaires.

Ce qui reste à confirmer

Les résumés publics permettent d’identifier des tendances, mais plusieurs détails demanderaient des vérifications supplémentaires :

  • La part exacte des revenus affectée par les dettes et litiges pour certaines entreprises.
  • Les décisions internes menant aux cessations : tournants stratégiques précis, offres d’acquisition antérieures ou tentatives de restructuration.
  • Le sort des équipes et des clients à court terme suite aux fermetures ou cessions.

À retenir

  • En 2025, l’IA entre dans une phase où robustesse produit et modèle économique priment sur l’effet d’annonce.
  • Produire des preuves de concept ne suffit pas : il faut assurer qualité, intégration et conversion commerciale.
  • La santé des équipes et la gestion des tensions fondatrices comptent autant que la technologie.
  • La concurrence et les contraintes réglementaires accélèrent la sélection des acteurs viables.