Dans les coulisses du pari de Stripe sur l'économie des agents

Stripe a été fondée en 2010 par Patrick et John Collison avec une mission simple : permettre aux entreprises d'accepter plus facilement des paiements en ligne. Ce qui a commencé comme une API de paiement pensée pour les développeurs est devenu l'une des briques les plus importantes de l'infrastructure d'internet, utilisée par des millions d'entreprises dans le monde.

La croissance en bref

• Traite des paiements équivalant à environ 1,6 % du PIB mondial
• Valorisée à environ 91,5 Md$ après sa dernière offre de rachat d'actions
• Sert des millions d'entreprises dans le monde
• Environ 8 000 salariés
• Environ 300 Product Managers dans toute la boîte
• S'étend au-delà des paiements : finance intégrée, émission de cartes, prêt, facturation, trésorerie et infrastructure IA

L'avantage de Stripe a toujours été de transformer une infrastructure financière complexe en expériences simples pour les développeurs. Avec le temps, la boîte est passée des paiements en ligne à un véritable système d'exploitation financier pour les entreprises d'internet.

Aujourd'hui, Stripe parie sur un autre grand changement de plateforme : l'arrivée des agents IA comme acteurs économiques. Pendant que la plupart des boîtes se demandent encore comment l'IA va impacter leur business, Stripe construit déjà la couche d'infrastructure qui permet aux agents de découvrir des produits, de faire des achats, de déployer du logiciel et de réaliser des transactions de façon autonome.

Au lieu de prédire exactement comment le commerce agentique va évoluer, la stratégie de Stripe consiste à fournir les briques de base qui rendent possibles tous les futurs.

‍

Les grandes étapes

• 2010 : création de Stripe par Patrick et John Collison
• 2011 à 2015 : adoption rapide par les startups et les développeurs
• 2016 à 2021 : expansion vers la facturation, l'émission de cartes, la trésorerie, le prêt et la finance intégrée
• 2023 à 2025 : forte accélération des startups IA-native qui construisent sur Stripe
• 2025 : le trafic venu des LLM vers la documentation de Stripe est multiplié par 5
• 2026 : les agents IA commencent à lire la documentation de Stripe plus que les humains
• 2026 : lancement du Machine Payment Protocol et de l'Agent Commerce Suite

David a échangé avec Arielle Le Bail, Head of Product France, Europe du Sud et Benelux chez Stripe, pour comprendre comment Stripe prépare les entreprises au passage au commerce agentique et comment l'IA transforme le product management lui-même.

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 ! 😊

‍

La plupart des boîtes ne sont pas prêtes pour le trafic des agents

L'une des idées les plus concrètes de notre échange, c'est le concept de Stripe : devenir « agent-ready ».

Pour la plupart des boîtes, l'IA reste surtout vue comme un outil de productivité interne. Les équipes testent des copilotes, automatisent des workflows ou utilisent l'IA pour générer du contenu. Stripe voit une deuxième transformation se produire en parallèle : les systèmes d'IA deviennent un nouveau canal d'acquisition et de distribution.

Cette distinction compte, parce qu'elle change l'endroit où les boîtes doivent porter leur attention.

Historiquement, les entreprises optimisaient leurs produits pour les humains et leurs sites pour les moteurs de recherche. Si un utilisateur pouvait trouver un produit sur Google, comprendre à quoi il servait et finaliser un achat, le système fonctionnait. Les agents introduisent une dynamique complètement différente. Ils ne naviguent pas dans les interfaces comme les humains, et ils n'interprètent pas l'information à travers le design, les images ou la marque.

Ils s'appuient presque entièrement sur des données structurées.

Selon Arielle, l'une des plus grosses erreurs que peuvent faire les boîtes, c'est de croire qu'un catalogue produit conçu pour des humains fonctionnera automatiquement pour des agents. Un humain peut déduire du sens d'une image produit, d'une mise en page ou d'un texte marketing. Un agent a besoin de métadonnées propres, d'informations structurées et de descriptions claires qu'il peut interpréter par programme.

« Un agent ne voit pas une robe ou un pantalon. Il voit des métadonnées », Arielle Le Bail

Ça crée un nouvel avantage concurrentiel. De la même manière que le référencement naturel est devenu une compétence critique avec l'essor de Google, l'optimisation pour les agents pourrait devenir une compétence essentielle à l'ère des assistants IA.

Ce qui est particulièrement intéressant, c'est que beaucoup de boîtes voient déjà les premiers signaux de ce changement sans s'en rendre compte. Arielle a raconté des échanges avec des clients qui avaient remarqué des schémas de trafic inhabituels, des sessions plus longues et de nouveaux types de visiteurs sur leurs plateformes. Dans beaucoup de cas, ces signaux venaient déjà d'agents qui interagissaient avec des produits et des services.

Pour Stripe, la question n'est plus de savoir si les agents vont toucher ton business.

La question, c'est à quelle vitesse.

‍

Les agents peuvent recommander des produits. Stripe veut qu'ils les achètent.

Rendre les produits visibles par les agents n'est qu'une partie de l'équation.

Le défi suivant, c'est de permettre les transactions.

L'infrastructure de commerce actuelle a été construite autour des humains. On parcourt des produits, on compare des options, on clique sur des boutons, on remplit des formulaires et on autorise des paiements via des interfaces conçues spécifiquement pour des personnes. Les agents fonctionnent autrement. Ils ont besoin d'une façon programmatique d'interagir avec les marchands et de finaliser des achats.

Ce défi a poussé Stripe à lancer le Machine Payment Protocol, un standard ouvert conçu pour permettre aux agents de faire des achats de façon autonome.

L'idée est étonnamment simple. Au lieu de passer par un parcours de paiement visuel, un agent peut communiquer directement avec un service via des API. Le service renvoie une demande de paiement, et l'agent peut finaliser la transaction pour le compte de l'utilisateur, avec des permissions et des contrôles de sécurité définis à l'avance.

‍

Ce que Stripe fait vraiment ici, c'est créer une couche d'infrastructure qui manquait.

Internet a déjà des protocoles qui permettent aux machines d'échanger de l'information. Le commerce agentique a besoin de protocoles qui permettent aux machines d'échanger de la valeur économique.

Les implications vont bien au-delà de l'e-commerce.

Arielle a partagé l'exemple d'une boîte appelée PostMail, qui permet d'envoyer de vraies lettres via des agents. Un utilisateur peut demander à un assistant IA d'écrire et d'envoyer une lettre à un ami ou à un proche. L'agent crée la demande, réalise l'achat via le Machine Payment Protocol et déclenche l'envoi dans le monde physique.

À première vue, ça ressemble à un cas d'usage de niche. En réalité, ça illustre quelque chose de bien plus grand.

Pendant des années, les systèmes d'IA ont excellé à générer de l'information. La prochaine frontière, c'est de leur permettre d'agir. Dès que les agents peuvent faire des transactions de façon fiable, des workflows entièrement nouveaux deviennent possibles. Ils cessent d'être des moteurs de recommandation et deviennent des acteurs des systèmes économiques.

Stripe veut être la couche d'infrastructure qui alimente cette transition.

‍

La prochaine génération de produits sera aussi conçue pour les agents

L'un des concepts qui me sont restés après l'interview, c'est l'idée de Stripe de passer de l'UX à l'AX.

Depuis des décennies, les équipes produit sont obsédées par l'expérience utilisateur. Des industries entières sont nées autour de l'optimisation des parcours d'onboarding, de la réduction des frictions, de l'amélioration de la navigation et de la hausse des taux de conversion. Toutes les grandes boîtes de logiciel ont beaucoup investi pour rendre leurs produits plus simples et plus intuitifs pour les humains.

Les agents introduisent un nouveau défi de design.

Beaucoup d'interactions qui ont du sens pour les humains créent des frictions pour les systèmes d'IA. Les parcours de création de compte, la vérification par e-mail, les CAPTCHA et les onboardings complexes restent plutôt gérables pour des personnes. Pour des agents, ils peuvent devenir de vrais murs.

Ça ne veut pas forcément dire que les entreprises doivent créer des produits entièrement séparés pour les agents. La vision d'Arielle est plus nuancée. L'objectif est de concevoir des expériences qui fonctionnent pour les deux publics à la fois.

« L'expérience doit fonctionner pour les humains et pour les agents », Arielle Le Bail

Ce changement peut sembler subtil, mais il a des implications importantes pour les équipes produit.

Chaque interaction doit maintenant être évaluée sous deux angles. Est-ce que ça a du sens pour un utilisateur humain ? Et est-ce que ça a du sens pour un agent qui agit pour le compte d'un utilisateur humain ?

Les boîtes qui répondent bien à ces deux questions pourraient se retrouver beaucoup plus visibles dans un monde où les agents influencent de plus en plus les décisions d'achat.

Par bien des aspects, ça ressemble à la transition vers le mobile. Les entreprises qui se sont adaptées tôt aux expériences mobiles ont pris des avantages importants. Celles qui ont traité le mobile comme un sujet secondaire ont souvent eu du mal à rattraper leur retard.

L'AX pourrait devenir la prochaine grande discipline du design.

‍

L'IA réduit la distance entre l'idée et sa validation

Le travail de Stripe sur le commerce agentique est fascinant, mais certains des enseignements les plus intéressants de l'échange portaient en fait sur l'avenir du product management lui-même.

Arielle a raconté son retour de congé maternité, après seulement quelques mois loin de la boîte. Ce qui l'a surprise, c'est à quel point le développement produit au quotidien avait changé en si peu de temps.

Les agents s'étaient intégrés dans de nombreux workflows. Des systèmes d'IA aidaient les équipes d'une façon qui n'existait tout simplement pas quelques mois plus tôt. Mais le changement le plus transformateur, c'était l'arrivée d'un environnement interne de prototypage propulsé par l'IA.

Les product managers peuvent maintenant décrire une idée en langage naturel et générer des prototypes réalistes qui ressemblent à de vrais produits Stripe et se comportent comme eux.

Cette capacité change en profondeur l'économie de l'expérimentation.

Historiquement, tester une nouvelle idée demandait souvent d'obtenir des ressources d'engineering, d'aligner les parties prenantes et d'investir du temps avant d'avoir le moindre retour utilisateur utile. Même des expériences assez simples avaient un coût non négligeable.

Aujourd'hui, une grande partie de ce coût est en train de disparaître.

« Je pouvais prototyper une idée en cinq minutes et avoir tout de suite le feedback des utilisateurs », Arielle Le Bail

Résultat : une boucle de feedback beaucoup plus courte.

La discovery reste aussi importante qu'avant. Comprendre les problèmes des clients reste essentiel. Mais une fois qu'une opportunité est identifiée, valider une solution devient beaucoup plus rapide.

La barrière entre l'imagination et l'expérimentation se réduit.

Et quand l'expérimentation coûte moins cher, les organisations peuvent apprendre plus vite.

‍

Construire un système d'exploitation IA, pas des outils IA

Aujourd'hui, beaucoup de boîtes abordent l'adoption de l'IA comme un enjeu de productivité individuelle.

Les salariés sont encouragés à utiliser ChatGPT, Claude, Cursor ou d'autres outils. Certains découvrent des workflows puissants. D'autres construisent des automatisations sur mesure. Le savoir circule de façon informelle, quand il circule.

Stripe semble fonctionner à un autre niveau de maturité.

La boîte a investi dans un environnement partagé où les salariés peuvent créer des agents, construire des skills réutilisables et partager ce qu'ils apprennent dans toute l'organisation.

Arielle compare l'expérience à la navigation sur GitHub.

Les salariés peuvent découvrir les skills les plus populaires, explorer les workflows créés par leurs collègues et réutiliser des capacités qui ont déjà fait leurs preuves ailleurs dans la boîte. Point important : ce n'est pas réservé aux équipes produit ou engineering. Les designers, les équipes juridiques, les partnership managers et les opérationnels participent tous au même écosystème.

La distinction est subtile, mais importante.

La plupart des organisations accumulent des succès IA isolés. Stripe essaie d'accumuler un savoir collectif.

Ce sont deux résultats très différents.

Les boîtes qui créeront des avantages durables avec l'IA seront sans doute celles qui transforment des découvertes individuelles en capacités de l'organisation. Chaque workflow qui marche devrait être plus facile à adopter pour le salarié suivant. Chaque nouvelle capacité devrait se cumuler aux autres au lieu de rester isolée.

Par bien des aspects, ça reflète l'histoire du développement logiciel. Les systèmes qui ont le plus de valeur sont rarement ceux où une seule personne brille. Ce sont ceux où le savoir devient réutilisable.

Stripe applique ce principe à l'IA.

‍

Pourquoi l'IA rend les Product Managers plus importants, pas moins

L'échange s'est terminé sur un sujet de plus en plus débattu dans le secteur : que devient le product management dans un monde IA-native ?

Beaucoup de gens pensent qu'à mesure que l'IA devient plus capable, l'importance des product managers va diminuer. Si les prototypes peuvent être générés automatiquement et les fonctionnalités construites plus vite, il faudra peut-être moins de monde pour coordonner le processus.

Arielle voit l'inverse se produire.

Quand l'exécution coûte moins cher, la qualité des décisions compte davantage. Quand tout le monde peut construire, ce qui fait la différence, c'est de savoir quoi construire, pourquoi c'est important et comment vérifier que ça crée de la valeur.

Dans ce monde, les product managers gagnent en levier au lieu d'en perdre.

Le rôle va au-delà de la priorisation et de l'alignement des parties prenantes. Les product managers deviennent de plus en plus des builders, des expérimentateurs et des opérationnels capables de transformer des idées en réalité sans dépendre uniquement des ressources d'engineering.

Ça ouvre un potentiel énorme.

Un excellent product manager peut aller beaucoup plus vite qu'avant, valider plus d'idées et influencer une plus grande partie du business.

Mais ça fait aussi monter les enjeux.

Une mauvaise décision peut maintenant être exécutée aussi vite qu'une bonne.

L'écart entre les talents exceptionnels et les talents moyens se creuse.

C'est pour ça que Patrick Collison a récemment décrit le moment actuel comme « la revanche du Product Manager ». L'IA ne remplace pas la réflexion produit. Elle amplifie au contraire la valeur d'un bon jugement produit.

Quand l'exécution devient abondante, la stratégie devient rare.

Et c'est dans la rareté que la valeur a tendance à s'accumuler.

• Les signaux les plus forts des futurs changements de plateforme apparaissent souvent d'abord sous la forme de changements de comportement des utilisateurs, plutôt que de grandes ruptures technologiques.
• Le virage de Stripe vers le commerce agentique est venu de l'observation de la façon dont les gens interagissaient déjà avec les systèmes d'IA, pas de prévisions spéculatives.
• Devenir agent-ready commence par des données structurées et la découvrabilité, pas par la construction de fonctionnalités IA complexes.
• La qualité des métadonnées de ton produit pourrait devenir aussi importante demain que ta stratégie SEO l'était hier.
• Le commerce agentique demande des couches d'infrastructure entièrement nouvelles, en particulier autour de la confiance, de l'authentification et des paiements.
• Le passage de l'UX à l'AX pourrait devenir l'un des grands défis produit de la prochaine décennie.
• L'IA réduit fortement le coût de l'expérimentation, ce qui fait de la vitesse d'apprentissage un avantage concurrentiel critique.
• Les product managers gagnent de nouvelles capacités d'exécution qui appartenaient jusqu'ici aux équipes d'engineering.
• Les organisations créeront plus de valeur avec l'IA quand elles partageront les workflows qui marchent, au lieu de traiter l'adoption de l'IA comme un effort individuel.
• Quand construire devient plus facile, savoir quoi construire devient plus important.

‍