Comment Attention est passé à une suite IA multi-produits qui réinvente l'automatisation des ventes

Attention a été fondé en 2021 par Anis Bennaceur et son cofondateur Mathias Wickenburg. Leur mission : donner à chaque équipe revenue une vision parfaitement claire, en transformant toutes les interactions client en informations structurées et en actions.

Chiffres de croissance

• De 0 à 1 M d'ARR en 10 mois.
• Prix de départ à 80 $ par utilisateur et par mois, monté ensuite à 200 $.
• Une équipe de 60 personnes, dont 30 à 35 ingés.
• Une équipe Produit de 3 personnes (Matthias, Anis et Olivia).
• 210 % de Net Retention Rate.
• 120 k$ d'ACV (Annual Contract Value)
• Les clients rentables dépensent plus de 20 k$ par an.
• ACV multiplié par 15 en 2 ans.

Marché et positionnement

Attention se positionne comme une plateforme d'automatisation des ventes propulsée par l'IA, pour les organisations revenue B2B. Le point d'entrée initial : le remplissage automatique du CRM, grâce au traitement des transcriptions par des LLM. Quand les concurrents sont arrivés, la boîte s'est étendue à l'intelligence multi-produits, puis aujourd'hui aux workflows agentiques. Attention se différencie en sortant vite de nouvelles lignes de produit, en utilisant sa propre équipe commerciale comme power users internes, et en servant des boîtes IA en forte croissance qui tirent le produit vers le haut. Un revenu d'expansion élevé (210 % de NRR) est le socle du modèle économique.

‍

Étapes clés

• 2021 : création officielle d'Attention.
• 2023 : 1 M d'ARR atteint en 10 mois, sans aucun concurrent sur le remplissage automatique du CRM.
• 2023 à 2024 : lancement des insights généralisés (intelligence sur plusieurs appels) et du scoring d'appels.
• 2024 : l'ACV monte à 120 k et le NRR atteint 210 %.
• 2024 : Attention lève une grosse somme en venture capital pour passer à l'échelle.

J'ai échangé avec Anis Bennaceur, CEO et cofondateur d'Attention, sur une question : comment passer du mono-produit au multi-produits sans perdre son PMF.

Disclaimer : les choix d'organisation et les solutions techniques partagés dans cette newsletter ne sont pas faits pour être copiés-collés tels quels. Garde toujours en tête le contexte de ta boîte avant d'adopter quelque chose qui marche ailleurs ! 😊

‍

Vue de l'extérieur, l'ascension d'Attention ressemble à une histoire de timing parfait. Mais quand on creuse ses origines, on découvre un alignement rare entre les fondateurs, le marché et la technologie. Tout commence en juillet 2020, quand GPT-3 devient accessible aux développeurs. À l'époque, les deux fondateurs sont concurrents dans leurs boîtes respectives. Chacun réalise de son côté une chose : s'ils arrivent à segmenter et compresser les transcriptions avant de les envoyer dans les LLM, ils peuvent en extraire des données structurées pour remplir automatiquement les CRM. Ils prennent un café quelques semaines plus tard, le courant passe tout de suite, et ils décident de monter une boîte ensemble l'année suivante.

Le premier produit était simple : prendre les appels commerciaux, les analyser, et remplir automatiquement Salesforce ou HubSpot. Au début, la qualité du modèle n'était pas suffisante.

« Avant, le modèle captait des douleurs génériques… après, il captait des douleurs business beaucoup plus pertinentes » comme le dit Anis.

Quand GPT-3.5 est arrivé, la qualité a fait un bond, les hallucinations ont chuté, et les utilisateurs l'ont remarqué tout de suite. Ce changement a fait apparaître les tout premiers signes de product-market fit : les utilisateurs répondaient vite aux messages de feedback, donnaient des retours détaillés, utilisaient le produit tous les jours.

« À partir du moment où tu vois que l'utilisateur est intéressé… tu sais que tu es sur la bonne voie » selon les mots d'Anis

Un accélérateur inattendu est venu du dogfooding. Anis faisait jusqu'à dix appels utilisateurs par jour et passait des heures à écrire les mails de suivi. Il a utilisé leur prototype interne pour rédiger tous ses suivis plus vite. Quand ils ont donné la même fonctionnalité aux utilisateurs, elle a tout de suite eu de la valeur. La combinaison des deux, remplissage du CRM et rédaction des mails de suivi, a créé le premier vrai point d'entrée.

La commercialisation a démarré juste après le lancement de ChatGPT, fin 2022. L'inbound a explosé après un article de TechCrunch annonçant leur seed. Ils ont fixé le prix à 80 par utilisateur et par mois, ont vu une forte disposition à payer, puis ont monté les prix à 100 $, puis 120 $, puis 200 $, sans aucune résistance. Sans concurrence, ils ont atteint 1 M$ d'ARR en 10 mois.

Cette dynamique de départ est devenue la fondation sur laquelle repose aujourd'hui la plateforme multi-produits.

‍

Retrouver son PMF encore et encore quand on devient multi-produits

Quand on passe d'un produit à plusieurs, la tension la plus délicate, c'est de ne pas perdre le PMF initial. L'approche d'Attention est étonnamment pragmatique : le PMF ne se définit pas seulement par la valeur pour l'utilisateur, mais aussi par l'avantage concurrentiel. Quand des clones ont commencé à apparaître et à tirer les prix vers le bas, l'équipe y a vu le signe qu'il fallait renforcer le point d'entrée initial. Plutôt que de baisser les prix, ils ont choisi d'innover.

La règle était simple : si ton produit principal devient encombré, construis quelque chose que les concurrents n'ont pas. Deux fonctionnalités sont nées du comportement réel des utilisateurs. D'abord, les clients voulaient des insights sur de nombreux appels, pas sur un seul. Ils voulaient « poser » des questions sur des centaines de conversations. C'est devenu Generalized Insights : au début, 10 à 15 minutes par requête, mais une valeur que les utilisateurs n'avaient jamais eue avant.

Ensuite, un client notait à la main chacun des appels de son équipe, avec une multitude de prompts collés dans la plateforme. C'était un signe évident de demande. Attention l'a transformé en scoring d'appels automatisé : chaque appel est évalué par un agent objectif qui fait ressortir les occasions de coaching.

Ces deux mouvements ont prolongé leur avance concurrentielle de plusieurs trimestres et leur ont permis de garder des prix élevés. Le choix des produits n'avait rien de théorique. Il venait :

1. des utilisateurs qui détournaient le produit, et
2. des fondateurs qui se demandaient : « est-ce qu'on l'utiliserait tous les jours ? »

Le même schéma s'est répété : livrer vite, tester avec les clients les plus pointus, garder ce qui prend, couper le reste. Ils ont supprimé une fonctionnalité de coaching en temps réel parce que les commerciaux la détestaient. Tout le reste est resté étroitement connecté aux workflows revenue.

Clique ici pour voir le one-pager commercial d'Attention.

‍

Construire une orga Produit IA sans product managers classiques

Attention a une particularité : 30 à 35 ingés rattachés à une orga Produit de deux personnes. Il n'y a aucun product manager. Les décisions produit restent entre les mains des fondateurs, selon un conseil reçu très tôt : ne pas centraliser le Produit trop vite. Le CTO et l'équipe fondatrice ont gardé l'ownership produit le plus longtemps possible. Ça a marché parce que l'itération était rapide et l'intuition forte.

Cette structure ne fonctionne que grâce à deux leviers. Le premier, c'est Olivia, leur product designer, qui livre directement en production. Elle n'est pas technique, mais elle utilise des outils comme Cursor pour implémenter elle-même les changements front-end, ce qui réduit énormément les goulots d'étranglement côté Produit. Le second : les ingés sont organisés en pods alignés sur les surfaces du produit : forecasting, workflows agentiques, infrastructure back-end. Chaque pod mélange ingés seniors et juniors, et Olivia est sollicitée quand l'UX compte.

Fait intéressant, les ingés back-end travaillent souvent sans input design, parce que l'essentiel de l'innovation se passe dans la logique IA et les couches d'orchestration, pas dans l'UI. Les points de contact front-end ne sont traités que quand c'est vraiment nécessaire.

Résultat : une culture hybride entre produit et ingénierie, où les ingés pensent produit et où la product designer code. Il n'y a pas de process de roadmap rigide. Les fondateurs repèrent une nouvelle opportunité, construisent un MVP en un week-end, le montrent à 5 ou 6 clients à fort signal, l'affinent grâce à leurs retours immédiats, et seulement ensuite mobilisent la capacité d'ingénierie.

Ça garde toute l'orga au contact de la réalité du marché et ça leur permet de livrer plus vite que des concurrents avec des équipes Produit plus grandes.

‍

Concevoir la logique agentique directement dans les workflows revenue

Le passage des copilotes aux agents est l'une des plus grosses transformations en cours dans le SaaS. Pour Attention, la différence est simple : les copilotes demandent une vérification humaine avant d'agir, alors que les agents agissent de façon autonome. Le bon moment n'était pas évident. Les premiers LLM n'étaient pas assez fiables, et les clients ne faisaient pas confiance à l'automatisation complète.

Attention a donc suivi le conseil de Paul Graham : ne commence pas par les agents, commence par les copilotes et augmente l'autonomie petit à petit. Au début, les utilisateurs validaient à la main les entrées du CRM. Puis ils ont validé les mails. Avec le temps, les utilisateurs ont dit à l'équipe : on a confiance, enlevez la vérification. Cette confiance construite pas à pas a permis à Attention de faire évoluer le produit sans transitions risquées en mode big bang.

‍

À partir de là, le défi est devenu l'infrastructure. Les agents doivent naviguer dans des données CRM désordonnées, une longue traîne de cas particuliers et des workflows commerciaux imprévisibles. Pour que ça tienne, Attention a déployé des Forward Deployment Engineers, qui passent deux semaines dans les données et l'organisation du client pour s'assurer que le produit colle. Ça ne marche que parce qu'Attention vend à des clients dont l'ACV dépasse 20 k$ par an.

L'innovation de fond se joue maintenant sur l'autonomie. L'objectif n'est pas d'ajouter des fonctionnalités, mais d'améliorer la capacité de l'agent à comprendre les utilisateurs et à agir pour eux. Par exemple : préparer chaque jour le brief des appels, générer un business case quand un deal passe à une nouvelle étape, ou pousser les commerciaux vers des actions qu'ils auraient oubliées.

C'est là que la vision apparaît : faire disparaître Salesforce comme outil actif, et le remplacer par un système qui écoute, analyse et agit pour les équipes revenue.

« Nos utilisateurs ne passent presque plus de temps dans Salesforce… on rend le CRM de plus en plus obsolète » comme l'explique Anis

‍

‍

Pricer et packager l'IA en B2B quand les coûts bougent vite

Le pricing de l'IA est l'un des défis les plus durs du SaaS aujourd'hui. Les coûts des LLM changent, les modèles évoluent, et le comportement des utilisateurs est imprévisible. Attention gère ça avec un mélange de contraintes fermes et de discovery menée avec les clients.

En interne, ils visent 80 % de marge brute, même si Anis reconnaît que c'est difficile. Les concurrents fixent un plafond naturel, l'innovation fixe le plancher. Quand ils sortent de nouvelles fonctionnalités agentiques, ils n'imposent pas de prix. Ils montrent la fonctionnalité aux clients et leur demandent combien ils paieraient. Cette conversation ne donne presque jamais « zéro ». Le prix s'affine client par client, puis il est validé sur toute la base.

Ils modélisent aussi les usages grâce à leur télémétrie interne : nombre de commerciaux, nombre d'appels enregistrés, mails traités, changements d'étape. Ça donne une estimation approximative du coût de cet agent pour ce client. Si un agent coûte 1 k$ par mois, ils visent à facturer autour de 4 k$.

L'ACV moyen en enterprise atteint maintenant 120 k$, multiplié par 15 en deux ans. C'est possible uniquement parce que la création de valeur est évidente : gain de temps, insights stratégiques, hausse de la conversion. Quand un client voit ses deals passer de 20 % à 24 % de conversion, un chiffre remonté par plusieurs clients, la disposition à payer décolle.

Le grand enseignement côté pricing : on ne peut vendre des workflows agentiques qu'à des organisations assez grandes pour en profiter. Les PME n'ont pas besoin de ce niveau de sophistication. Être prêt pour l'enterprise, c'est le cœur du modèle.

‍

Erreurs et défis

En étendant sa suite, la plus grosse erreur d'Attention a été de construire des fonctionnalités dont les utilisateurs n'avaient pas vraiment besoin. L'exemple le plus clair : le premier module de coaching en temps réel. Il a créé de la dette technique et apporté peu de valeur. Les commerciaux ne l'aimaient pas, et les performances des LLM de l'époque ne permettaient pas vraiment d'agir en temps réel. Le garder aurait ralenti l'innovation ailleurs. Ils l'ont donc supprimé rapidement, et ont refusé de le vendre même quand des clients l'ont redemandé plus tard.

La leçon plus large : garder un produit affûté. Avec 10 lignes de produit, il serait facile de disperser les ressources d'ingénierie. L'équipe s'est imposé une discipline : ne livrer que ce que demandent les utilisateurs les plus pointus, ou ce que les fondateurs utiliseraient eux-mêmes. Éviter les « vitamines ». Se concentrer sur les antidouleurs.

Autre défi : éviter les goulots d'étranglement sur le design produit. Une designer pour plus de 30 ingés, c'est inhabituel, et ça ne marche que parce qu'elle code. Dès qu'Olivia est surchargée, le système casse. Attention surveille ça de près et prévoit de recruter une deuxième personne Produit seulement quand l'ingénierie dépassera 40 à 50 personnes.

Enfin, la stratégie multi-produits rend l'onboarding plus complexe. C'est pour ça que les ingés déployés chez les clients sont essentiels. Sans eux, les cas particuliers exploseraient et mineraient la promesse centrale des agents autonomes.

‍

‍

1. L'expansion multi-produits est la plus sûre quand elle part des détournements des utilisateurs, pas des idées internes.
2. Le PMF n'est pas figé, la concurrence l'érode. Il faut le reconstruire en innovant plus vite que les clones.
3. Un Produit porté par les fondateurs marche étonnamment bien dans l'IA, où la vitesse et l'intuition battent le process.
4. Une équipe Produit de deux personnes peut faire tourner une orga IA de 60 personnes si la designer livre du code et si les ingés pensent produit.
5. Les agents autonomes demandent de la confiance. On la construit en retirant progressivement les points de contrôle humain.
6. L'ACV enterprise grandit quand l'expansion est intégrée au workflow, comme le montrent les 210 % de NRR d'Attention.
7. Les clients les plus pointus sont les meilleurs collaborateurs produit. Implique-les chaque semaine, pas chaque trimestre.
8. Le pricing doit être basé sur la valeur et tenir compte de l'usage : pars du coût de service, puis multiplie par le ROI client.
9. Supprimer des fonctionnalités est nécessaire pour éviter que le produit ne dérive dans un environnement multi-produits.
10. Le dogfooding interne fait gagner des mois pour détecter le PMF.
11. Le SaaS agentique oblige à gérer des données CRM désordonnées. Les ingés d'onboarding sont souvent plus essentiels que les CSM.
12. La différenciation vient de l'autonomie, pas du nombre de fonctionnalités horizontales.
13. Les premiers progrès des LLM peuvent changer complètement la trajectoire du PMF. Reste au plus près de l'évolution des modèles.
14. Exécuter le multi-produits de façon répétable demande des pods qui mélangent ingés seniors et juniors.
15. L'adoption de l'IA en enterprise s'accélère quand la valeur est immédiate (temps gagné, insights générés, hausse de la conversion).

‍

‍