Encore AI a levé 30 millions de dollars lors d’un tour de Série A afin de développer une plateforme qui étudie la manière dont les employés parlent aux clients et utilise ces schémas pour entraîner des agents d’IA destinés aux ventes et au support. Selon TechCrunch, le tour a été mené par Team8, avec la participation de Planven, Lukatz, Garage, ainsi que de banques et d’assureurs non nommés.

Ce financement est important parce qu’Encore AI fait un pari précis sur le marché encombré de l’IA d’entreprise : les données d’entraînement les plus précieuses pour l’automatisation orientée client ne sont ni le texte générique d’Internet ni même les champs CRM, mais l’historique propre à une entreprise de ses appels, e-mails et messages. Si cette thèse se confirme, le produit de la start-up pourrait séduire les entreprises qui veulent des agents d’IA adaptés à leurs procédures internes plutôt que des modèles larges et uniformes.

Fondée en 2022 sous le nom d’Insait IO et désormais rebaptisée Encore AI, l’entreprise affirme analyser les interactions clients, les mapper aux étapes d’un flux de travail, identifier les approches qui corrèlent avec des résultats réussis, puis appliquer ces enseignements à des agents vocaux ou textuels. Selon son PDG Dvir Ginzburg, ces agents peuvent soit assister des équipes humaines pendant des interactions en direct, soit gérer certains échanges de manière autonome.

Un tour de financement bâti autour des données de conversation

TechCrunch a rapporté qu’Encore AI utilisera ce nouveau capital pour développer ses ventes aux États-Unis et étendre ses déploiements auprès de grandes institutions financières. Cette cible est notable. L’entreprise affirme que la majorité de ses plus de 40 clients entreprises évoluent dans les services financiers, où les interactions clients ont une forte valeur, sont très guidées par les processus et souvent documentées dans plusieurs systèmes.

Les origines d’Encore AI expliquent aussi ce positionnement. Sous le nom d’Insait IO, la start-up a d’abord développé, selon TechCrunch, des logiciels de recommandation pour les conseillers financiers et les gestionnaires de relations. Le produit actuel semble prolonger ce travail initial vers un système plus large permettant d’extraire des tactiques reproductibles à partir des conversations clients et des données opérationnelles.

Le tour a été mené par Team8, une société de capital-risque connue pour soutenir des entreprises d’infrastructure d’entreprise et de cybersécurité. La participation rapportée de banques et d’assureurs constitue un autre signal, même s’il faut le manier avec prudence : TechCrunch a indiqué que certaines institutions financières ont investi après avoir d’abord utilisé le produit, mais aucun nom, montant de ticket ni détail de déploiement n’a été divulgué.

Comment Encore AI dit que son système fonctionne

Le processus central de l’entreprise, que Ginzburg a décrit à TechCrunch comme de « l’interaction mining », agrège les enregistrements d’appels, les e-mails, les SMS et les données des systèmes CRM. À partir de là, la plateforme découpe les interactions clients en étapes et recherche des motifs qui semblent faire progresser une vente, un dossier de service ou une relation de compte.

L’idée consiste moins à construire un assistant généraliste qu’à capturer le savoir-faire organisationnel. Dans la vision d’Encore AI, les meilleurs employés ne connaissent pas seulement les faits produits. Ils savent quand poser une question, quand rassurer un client, quel exemple résonne, et quelle séquence d’actions augmente les chances d’un bon résultat. La start-up explique que son système tente de convertir ces habitudes informelles en playbooks structurés.

Selon le reportage de TechCrunch, les agents d’Encore AI peuvent communiquer directement avec les clients par voix ou par texte. Ils peuvent aussi fonctionner comme assistants pour les employés en recommandant des réponses et des tactiques pendant les conversations. Le produit se situe donc dans deux catégories voisines : les agents d’IA pour le travail automatisé de première ligne, et les outils d’assistance aux agents humains.

Ginzburg a déclaré à TechCrunch que les agents pourraient même reproduire des éléments stylistiques qui ont fonctionné dans des interactions historiques, y compris des anecdotes ou des blagues utilisées par des responsables de relation. Ce détail est frappant, mais il souligne aussi un défi produit clé : un système d’IA qui imite des habitudes conversationnelles réussies peut améliorer la cohérence, tout en risquant de reproduire un ton ou des tactiques qui paraissent artificiels ou inappropriés s’ils ne sont pas strictement encadrés.

L’angle concurrentiel : au-delà des enregistrements CRM

Encore AI arrive sur un marché que de nombreux grands éditeurs de logiciels ciblent déjà par une autre voie. Des entreprises comme Salesforce, SAP, Zoho et HubSpot ont un accès direct aux dossiers clients et ont ajouté de plus en plus d’IA à leurs plateformes. Pour les acheteurs d’entreprise, cela soulève une question simple : pourquoi utiliser un spécialiste comme Encore AI plutôt que d’attendre que des suites CRM plus larges proposent des capacités similaires ?

L’argument de Ginzburg, cité par TechCrunch, est que l’historique conversationnel reste sous-exploité comme donnée d’entrée centrale pour les systèmes d’IA d’entreprise, et que les éditeurs établis devraient apporter des changements importants à leur implémentation et à leurs stacks techniques pour considérer les interactions clients passées comme un matériau d’entraînement fondamental. Reste à savoir si cela sera durable, mais cela résume la différenciation actuelle d’Encore AI.

Cette position reflète aussi une tendance plus large de l’IA d’entreprise. Les modèles généraux deviennent plus faciles d’accès, tandis que les données propriétaires de workflows restent plus difficiles à organiser et à opérationnaliser. Les start-ups capables de transformer des données d’entreprise désordonnées et autorisées en système fonctionnel pourraient disposer de produits plus défendables que celles qui s’appuient uniquement sur des couches d’interface au-dessus des modèles.

Cependant, la pression concurrentielle est réelle. Les grands acteurs n’ont pas besoin de reproduire chaque élément de l’approche d’Encore AI pour réduire son attrait. Si Salesforce ou HubSpot peuvent fournir une intelligence conversationnelle et des agents d’IA « suffisamment bons » au sein des contrats CRM existants, la friction d’achat pourrait devenir un obstacle majeur pour les plus petits fournisseurs.

Preuves, affirmations et ce qui reste à vérifier

Les faits les plus solides de cette histoire proviennent du reportage de TechCrunch : la Série A de 30 millions de dollars, l’investisseur principal Team8, l’ancien nom Insait IO et le plan de l’entreprise visant à se développer aux États-Unis et à approfondir son travail avec les institutions financières.

Plusieurs autres affirmations importantes reposent sur des déclarations de Ginzburg ou de l’entreprise et doivent être lues comme des informations fournies par le fournisseur. Elles incluent l’affirmation selon laquelle Encore AI compte plus de 40 clients entreprises dans le monde, que la majorité sont des institutions financières, et que le revenu récurrent annuel a augmenté de plus de cinq fois depuis le seed round, il y a moins de 18 mois. TechCrunch a rapporté ces chiffres, mais l’entreprise n’a pas divulgué son chiffre d’affaires exact, sa valorisation, les noms de ses clients ni ses métriques de rétention.

De même, la description du produit reflète la propre vision de l’entreprise sur le fonctionnement de l’« interaction mining » et sur l’efficacité avec laquelle les agents qui en résultent capturent des playbooks gagnants. Aucun benchmark indépendant n’était disponible dans les informations rapportées concernant l’amélioration du taux de conversion, la hausse de la résolution d’appels, la précision de conformité ou les économies de coûts. Il n’y avait pas non plus de détail technique sur les modèles de fondation qui alimentent Encore AI, sur la manière dont les clients approuvent ou modifient les playbooks générés, ni sur les garde-fous existant pour les communications réglementées.

Ces lacunes n’invalident pas la thèse du produit, mais elles comptent. Dans des secteurs réglementés comme la banque et l’assurance, les acheteurs d’entreprise voudront probablement des preuves non seulement qu’un agent d’IA peut paraître convaincant, mais aussi qu’il peut rester conforme, auditable et contrôlable dans la durée.

Pourquoi cela compte pour les créateurs d’IA et les équipes d’entreprise

Pour les créateurs d’IA, Encore AI rappelle que la frontière se déplace des copilotes génériques vers des systèmes ancrés dans le comportement spécifique des entreprises. Ici, la nouveauté n’est pas seulement un autre bot vocal. C’est la tentative d’extraire des enseignements d’interactions commerciales réelles et de réinjecter cet apprentissage dans des agents d’IA déployables. Si cela fonctionne de manière fiable, cela pourrait réduire l’écart entre les logiciels analytiques et l’automatisation opérationnelle.

Pour les équipes produit, l’intérêt est pratique. Une entreprise enregistre déjà les appels clients, stocke les messages et journalise l’activité dans un système CRM. Transformer cet historique fragmenté en un agent capable d’assister ou d’automatiser le travail est une discussion budgétaire plus simple que d’acheter une large plateforme d’IA sans lien direct avec les workflows. En principe, Encore AI peut s’intégrer à un processus de vente ou de support existant plutôt que de demander aux équipes de tout redessiner autour d’un nouvel outil.

Pour les acheteurs d’IA d’entreprise, les véritables arbitrages porteront probablement sur l’accès aux données, la gouvernance et la vitesse de déploiement. Les systèmes entraînés sur des interactions internes peuvent offrir un meilleur ajustement que les outils généralistes, mais ils exigent aussi de gérer des enregistrements et des données de communication sensibles. Cela soulève des questions d’achat autour du consentement, de la conservation, du comportement du modèle et de la possibilité pour l’entreprise d’inspecter pourquoi un agent d’IA a dit ce qu’il a dit.

L’angle des services financiers accentue ces préoccupations. Si Encore AI y réussit, cela renforcera l’idée que des agents d’IA étroitement adaptés à un domaine peuvent s’imposer dans des secteurs où la connaissance des workflows compte plus que la fluidité brute du modèle. En cas d’échec, cela pourrait indiquer que l’automatisation issue des conversations est plus difficile à opérationnaliser dans des environnements réglementés que ne le suggère le discours actuel des start-ups.

Ce qu’il faut surveiller ensuite

Le prochain signal à surveiller sera de savoir si Encore AI nomme de grands partenaires de conception ou des clients de référence dans les services financiers. Aujourd’hui, l’entreprise dit avoir une traction auprès des entreprises, mais les preuves publiques restent limitées.

Un autre indicateur important sera l’étendue du déploiement. Il importera de savoir si les clients utilisent Encore AI principalement pour des fonctions internes d’assistance aux agents ou s’ils font confiance à des agents vocaux et textuels autonomes dans des interactions clients en production. L’écart entre ces deux cas d’usage est important en matière de risque, de conformité et de conduite du changement.

Il sera également intéressant d’observer à quelle vitesse les acteurs CRM établis comme Salesforce, SAP, Zoho et HubSpot renforcent leurs propres produits d’IA fondés sur la conversation. Même si ces fournisseurs commencent par des fonctions analytiques plus simples, ils disposent d’une forte distribution et de relations de données déjà en place.

Enfin, la transparence technique pourrait devenir un différenciateur. Les acheteurs voudront des réponses plus claires sur la gouvernance des modèles, l’auditabilité, les contrôles d’hallucination et la manière dont les interactions historiques sont sélectionnées, pondérées et mises à jour au sein des agents d’IA.

Perspective Creati.ai

Encore AI poursuit l’un des schémas d’IA d’entreprise les plus crédibles : commencer par un workflow où les entreprises génèrent déjà des données précieuses, puis utiliser ces données pour produire des résultats opérationnels mesurables. Dans ce cas, les données sont l’historique des conversations clients, et le résultat est un agent d’IA ou une couche d’assistance aux agents ancrée dans ce qui a déjà fonctionné. C’est un récit plus solide que bien des arguments d’IA d’entreprise fondés sur des gains de productivité génériques.

Mais la valeur à long terme de l’entreprise dépendra de sa capacité à prouver que l’« interaction mining » est plus qu’un récit séduisant. Si Encore AI parvient à montrer que ses agents améliorent les résultats tout en restant contrôlables dans des environnements réglementés, elle pourrait se tailler une position durable. Sinon, des plateformes plus vastes disposant d’un accès CRM intégré pourraient absorber la catégorie. Pour l’instant, ce tour de 30 millions de dollars donne à Encore AI le temps de tester si l’IA d’entreprise native de la conversation peut devenir une barrière produit plutôt qu’un simple ensemble de fonctionnalités.