Après la fin du code, à quoi l'IA a-t-elle pris le contrôle : YC W26 Opérations/Tests/Automatisation/Infrastructure Agent 22 entreprises entièrement décortiquées

Écriture par朗瀚威 Will

Ceci est le cinquième article de l’analyse de la série YC W26. La précédente décomposait les outils de programmation IA et “Claude Code for X” (12 entreprises), celui-ci se concentre sur l’autre moitié de la chaîne de développement — tout ce qui suit l’écriture du code : opérations, tests, automatisation des workflows, infrastructure pour le développement d’agents, avec 22 entreprises.

Le code n’est que le début

Dans l’article précédent, nous avons expliqué comment l’IA transforme la “rédaction de code”. Mais écrire du code n’est qu’une partie du développement logiciel — après l’écriture, il faut déployer, maintenir, surveiller, tester, corriger les bugs, automatiser les workflows, chaque étape nécessitant des humains.

Les 22 entreprises de YC W26 travaillent à confier chaque étape après l’écriture du code à des agents IA.

Alarmes en production à 3h du matin ? IncidentFox analyse automatiquement les logs, identifie la cause racine, prépare le script de correction pendant que vous dormez, vous n’avez qu’à revoir et approuver au réveil. Un utilisateur signale un bug ? Lucent, 24/7, regarde automatiquement les sessions, détecte le problème avant l’utilisateur. Vous souhaitez automatiser un processus d’approbation dans Excel ? Bubble Lab le fait en une phrase.

Ces 22 entreprises se répartissent en 4 groupes : IA pour opérations/SRE (5), IA pour tests/QA (2), IA pour automatisation des workflows (7), infrastructure pour le développement d’agents (8).

Voici la conclusion : 4 jugements à emporter

1. IncidentFox est le produit le plus complet parmi ces 22. Deux anciens ingénieurs de Roblox (supportant plus de 100 millions d’utilisateurs actifs par jour), open source, plus de 300 intégrations préconfigurées, déployé en moins d’une journée. La différenciation clé ne réside pas dans “l’analyse automatique des logs” (tout le monde peut le faire), mais dans “la découverte automatique de votre stack technologique et la génération d’intégrations” — évitant ainsi la tâche la plus pénible d’intégration.

2. L’IA pour opérations (5) et pour tests (2) vise à transformer la “garantie de qualité du code” d’un processus intensif en main-d’œuvre en un processus intensif en agents. La maintenance traditionnelle, la recherche de bugs, les tests de régression demandent beaucoup de temps aux ingénieurs. Ces 7 entreprises parient que leurs agents détectent plus vite les problèmes, identifient la cause racine plus rapidement, et fonctionnent 24/7 sans pause.

3. L’automatisation des workflows (7) est la plus diverse mais aussi la plus large en termes d’utilisateurs. Leur point commun : “Permettre à ceux qui ne codent pas d’automatiser leur travail avec l’IA” — RamAIn manipule n’importe quel logiciel via la vision par ordinateur, Bubble Lab crée des automatisations en une phrase, Jinba automatise les workflows d’entreprise via chat. Ce groupe ne s’adresse pas aux développeurs, mais à tous les travailleurs du savoir.

4. L’infrastructure pour le développement d’agents (8) est la plus “métas” — des outils pour ceux qui créent des agents. Emdash propose un environnement open source pour le développement d’agents, Overshoot une plateforme pour applications visuelles IA, Glue un canevas pour concevoir l’interface des agents. La logique est similaire à celle de l’article sur l’économie des agents dans la fintech : quand leur nombre explose, les outils pour en créer deviennent indispensables.

Sous-secteur 1 : IA pour opérations/SRE — IncidentFox, Mendral, Corelayer, Sonarly, Lucent

Cinq entreprises abordent la même problématique sous différents angles : remplacer l’ingénieur opérationnel par l’IA.

IncidentFox

Site officiel :

Agent IA SRE — tri automatique, investigation et réparation des incidents en production, intégré à Slack.

Données clés : open source (Apache 2.0), 420+ étoiles GitHub, plus de 300 intégrations, supporte Kubernetes/AWS/Grafana/Prometheus/Datadog/PagerDuty/GitHub.

Modèle économique : cœur open source + version entreprise (bac à sable sécurisé, gestion des credentials, gestion multi-équipe). Déploiement en moins d’un jour.

Points forts de l’équipe : Jimmy Wei — ancien de Roblox (fonctionnalités sociales, plus de 100 millions d’utilisateurs actifs), a travaillé chez Meta FAIR sur l’IA conversationnelle multi-parties, diplômé de Cornell CS. Long Yi — ancien de l’équipe infrastructure de Roblox (bases de données supportant plus de 100 millions d’utilisateurs). Deux personnes, un créant des IA, l’autre s’occupant de l’opération, complément parfait.

Concurrents/risques : PagerDuty, Incident.io (levé plus de 50 millions de dollars), Datadog, ServiceNow — tous s’orientent aussi vers l’IA opérationnelle. La différenciation d’IncidentFox réside dans “la génération automatique d’intégrations” — d’autres outils nécessitent plusieurs semaines d’intégration manuelle, tandis qu’IncidentFox analyse votre code et votre historique d’incidents pour générer automatiquement.

Autres points forts : conformité SOC 2. Chaque investigation tourne dans un conteneur isolé, l’agent ne voit pas la clé d’origine. Également, un plugin Claude Code pour les développeurs individuels.

L’insight principal d’IncidentFox : l’échec des outils IA en opérations ne vient pas d’un modèle insuffisamment puissant, mais d’un manque d’intégration. Si votre équipe de paiement utilise Kafka maison, votre infrastructure une solution interne, votre équipe ML ses propres modèles — les outils IA génériques ne peuvent pas s’intégrer. IncidentFox analyse votre code et votre historique pour détecter ce qui manque, puis génère automatiquement, seul l’approbation humaine restant nécessaire.

Chris Lu a décrit IncidentFox comme “un ingénieur IA SRE qui répare automatiquement les incidents en production”. Ce positionnement est à la fois une bénédiction et une menace pour les ingénieurs opérationnels.

Mendral (0,9 million de visites mensuelles) se concentre sur l’IA DevOps — plutôt la maintenance quotidienne : intégration continue, gestion des déploiements, configuration des environnements.

Corelayer (0,4 million de visites mensuelles) propose “un ingénieur de surveillance IA basé sur les données” — débogage piloté par les données, reliant automatiquement indicateurs et logs plutôt que de deviner où est le problème.

Sonarly (0,2 million de visites mensuelles) est un agent IA pour la gestion des alertes en production — classer, dédupliquer, relier les alertes massives pour ne faire remonter que celles nécessitant une intervention humaine.

Lucent (1,6 million de visites mensuelles) automatise la détection de bugs via l’analyse des sessions utilisateur — pas au niveau du code, mais de l’expérience utilisateur. L’IA regarde en continu les sessions, détecte ralentissements, erreurs, flux anormaux, puis crée des tickets dans Slack ou Linear avec tout le contexte pour reproduire.

La fondatrice Alisa Rae a une histoire inspirante : Australienne, a lancé puis vendu une startup EdTech, était la deuxième employée de MagicBrief (rachetée par Canva), a travaillé chez Atlassian sur un éditeur de texte enrichi. Rejetée lors de sa première candidature YC, on lui a conseillé de trouver un co-fondateur. Elle a insisté en solo, levé 2 millions de dollars en seed, puis a été acceptée à la deuxième tentative. Utilisée par plus de 30 entreprises YC, ses retours : “7 bugs jamais vus la première semaine” et “rentabilisé dès la première semaine”. 94% des bugs ne sont pas reportés, ce qui explique la nécessité de Lucent.

Le fil conducteur : la majorité du temps d’un ingénieur opérationnel n’est pas consacrée à “résoudre des problèmes”, mais à “les trouver”. En croisant les signaux de dizaines de systèmes de monitoring, en analysant logs et déploiements récents — ce processus représente en moyenne 80% du temps de réparation. Les agents IA peuvent consulter toutes les sources simultanément, faire des corrélations en secondes, réduire le temps de recherche de heures à minutes.

Sous-secteur 2 : IA pour tests/QA — Canary, Ashr

Deux entreprises se concentrent sur l’IA pour les tests.

Canary

Site officiel :

Le premier “IA QA qui comprend votre code” — comprendre la logique du code avant de générer des tests. Pas un générateur de tests génériques, mais une IA qui lit votre code pour produire des cas de test ciblés. Les générateurs classiques sont souvent déconnectés de la réalité du code.

Ashr

Automatise les tests multimodaux via agents — pas seulement texte, mais images, vidéos, voix. Avec l’essor des applications IA multi-modales, les outils de test doivent suivre.

Sous-secteur 3 : Automatisation des workflows IA — RamAIn, Bubble Lab, Jinba, Ressl AI, EigenPal, Carson, Crow

Ce groupe est le plus large — pas destiné aux développeurs, mais à tous ceux qui veulent automatiser leur travail.

RamAIn

Site officiel :

“Le plus rapide des ordinateurs utilise des agents” — faire que l’IA manipule votre PC comme un humain, déplace des données entre navigateur et applications desktop.

Données clés : 35 000 visites mensuelles, déjà utilisé par des équipes d’achat, d’assurance, médicales, financières. Déploiement en quelques jours.

Points forts de l’équipe : deux étudiants IIT Delhi — CEO Shourya, ancien chez McKinsey sur des projets IA d’entreprise, a lancé Genoshi (studio IA, revenu à six chiffres), champion d’échecs FIDE à 2118, représentant de l’Inde dans 17 pays.

Modèle économique : B2B — transfert automatique de données entre systèmes legacy, applications desktop et portails web. Clients cibles : équipes achat (ERP + portails fournisseurs), courtiers en assurance (portails souscription), hôpitaux (dossiers médicaux + laboratoires), finance (gestion des cycles de revenus).

Concurrents/risques : Anthropic Computer Use, OpenAI Operator — principaux concurrents. La différenciation de RamAIn : “pré-entraînement sur interfaces spécifiques” — le CUA général (capture d’écran → modèle visuel → décision → répéter) est coûteux, lent, peu stable. RamAIn apprend d’abord votre interface, puis automatise.

Autre avantage : auto-guérison — si l’UI change, l’automatisation ne casse pas, contrairement à la RPA classique.

Bubble Lab (19 000 visites mensuelles) — “une seule prompt pour automatiser à vie”. Transforme un workflow répétitif en automatisation en une phrase. Plus simple que Zapier — pas besoin de configurer déclencheurs et étapes, il suffit de décrire ce que vous voulez automatiser.

Jinba (17 000 visites mensuelles) — “automatise tout workflow d’entreprise via chat”. Permet de déclencher approbations, transferts de données, intégrations système dans une interface de chat.

Ressl AI (17 000 visites) — agent pour la configuration ERP/CRM. Après adoption de Salesforce ou SAP, la configuration est complexe. Ressl AI utilise l’IA pour automatiser ces tâches.

EigenPal (9 000 visites) — gestionnaire de workflows documentaires IA pour entreprises. Carson — espace de travail IA desktop (déjà détaillé dans OpenClaw). Crow (25 000 visites) — “contrôler votre application via chat” — ajouter une couche IA à tout SaaS, pour que l’utilisateur n’ait pas à apprendre l’interface, mais utilise le chat.

Ce groupe de 7 entreprises partage une logique : l’IA réduit la barrière à l’écriture de code, mais la majorité des tâches ne nécessitent pas de coder — il faut relier des outils existants, automatiser les processus répétitifs. Ces sociétés proposent “l’automatisation sans code”.

Sous-secteur 4 : Infrastructure pour le développement d’agents — Emdash, Overshoot, Cardboard, Glue, Sila, Valgo, SideKit, Wideframe

Des outils pour ceux qui créent des agents.

Emdash (23 000 visites) — environnement open source pour le développement d’agents, plus de 60 000 téléchargements, 2 430 étoiles GitHub. Supporte plusieurs agents en parallèle, tous modèles. Approche proche de la précédente, mais insiste sur l’open source et l’indépendance des modèles.

Site officiel :

Overshoot (16 000 visites) — plateforme pour applications visuelles IA — aide à construire et faire tourner des applications visuelles IA. Avec la montée en puissance des modèles multimodaux, “IA capable de voir” devient un secteur en forte croissance.

Cardboard (7 000 visites) — éditeur vidéo IA pour agents. Automatiser montage, assemblage, sous-titrage, effets. La production vidéo requiert traditionnellement compétences et logiciels coûteux. Cardboard veut réduire la barrière à “dire à l’agent ce que vous voulez”.

Glue — canevas pour concevoir l’interface des agents. Quand un agent IA a besoin d’un front-end, Glue facilite la conception. La demande va croître avec le nombre d’agents nécessitant une interface visuelle.

Sila — infrastructure pour la communication entre agents. Quand plusieurs agents doivent collaborer, comment échangent-ils ? Sila fournit cette infrastructure.

Valgo (3 000 visites) — vérification de la sécurité des algorithmes de systèmes autonomes. SideKit (2 000 visites) — solution tout-en-un pour déployer des applications mobiles (rare dans cette liste, hors IA). Wideframe — assistant IA pour montage vidéo.

Regroupement des 22 entreprises

Quelques observations :

Premièrement, l’IA pour opérations (5) est la plus mature. IncidentFox est open source, avec 300+ intégrations, conforme SOC 2. Ce n’est pas un hasard — la maintenance est l’un des cas où l’IA prouve le plus sa valeur : réduction du temps de réparation de plusieurs heures à quelques minutes, mesurable directement.

Deuxièmement, l’automatisation des workflows (7) doit faire face à une forte concurrence : outils existants comme Zapier, Make, n8n. L’IA leur donne plus d’intelligence, mais ces outils intègrent aussi rapidement des fonctionnalités IA. Ces petites entreprises doivent trouver un créneau étroit pour survivre face à Zapier, valorisé à plus de 5 milliards de dollars.

Troisièmement, l’infrastructure pour le développement d’agents (8) est le pari à long terme. Le nombre d’agents est encore faible, leur infrastructure peu visible. Mais si l’économie des agents explose (comme dans la fintech avec Sponge qui ouvre un compte bancaire pour un agent), ces outils deviendront une infrastructure de niveau cloud.

Quatrièmement, ces 22 entreprises sont toutes B2B. Comme tous les articles de cette série — YC W26 est un batch entièrement B2B. Les outils IA se vendent aux entreprises et aux développeurs, pas aux consommateurs.

Enjeux pour les équipes chinoises

Premier point : la demande d’IA pour opérations est énorme en Chine. Les grandes entreprises internet (ByteDance, Alibaba, Tencent, Meituan) ont des opérations aussi vastes qu’aux États-Unis, mais leur adoption d’outils IA est encore faible. Les systèmes de monitoring locaux (ARMS d’Alibaba, APMPlus de ByteDance) n’intègrent pas encore massivement l’IA comme Datadog. Si une équipe crée une “version chinoise d’IncidentFox” — intégrée aux principaux systèmes locaux, supportant le log chinois, comprenant la stack technologique nationale — le marché existe.

Deuxième point : l’automatisation des workflows a un cas spécifique en Chine — DingTalk et Feishu. Ces deux plateformes sont les portes d’entrée principales du travail en entreprise, mais leur automatisation est encore rudimentaire. Si une équipe développe “une automatisation IA dans DingTalk/Feishu” (similaire à Jinba pour Slack), cela pourrait rapidement prendre de l’ampleur.

Troisième point : l’absence d’outils pour le développement d’agents en Chine. Les acteurs américains comme Emdash, Glue, Sila existent, mais pas d’équivalent local. Avec l’augmentation des développeurs d’agents en Chine, ce marché s’ouvrira.

Jusqu’ici, les enseignements à retenir

1. La principale limite de l’IA pour opérations n’est pas la puissance du modèle, mais l’intégration. La stratégie d’IncidentFox — “générer automatiquement les intégrations” — est à suivre pour toute équipe développant des outils IA pour entreprises : peu importe la puissance du modèle, si l’intégration est faible, cela ne sert à rien.

2. “L’automatisation sans code” devient une catégorie à part entière. Le trafic de RamAIn, Bubble Lab, Crow montre que la demande est réelle. Ces outils ne s’adressent pas aux développeurs, mais à tous les travailleurs du savoir — un marché dix fois plus grand que celui des outils pour développeurs.

3. L’infrastructure pour le développement d’agents est une voie “long terme mais sûre” — comme le cloud en 2010. Au début, peu d’applications, infrastructure surdimensionnée. Mais quand l’usage explose, cette infrastructure devient très rentable. La même dynamique pourrait se reproduire pour l’écosystème des agents.

4. Avec ces 22 entreprises et celles de l’article précédent, le total du secteur DevTools dans W26 atteint 34 — le plus grand de cette série. Cela reflète une vérité : l’IA change d’abord la façon de créer des logiciels, puis impacte d’autres industries. Les outils pour développeurs sont le “terrain de jeu” principal de l’IA.