Dust, la startup française qui veut ancrer l’IA dans le travail quotidien

En entreprise, les assistants d’intelligence artificielle ne deviennent réellement utiles que lorsqu’ils cessent de répondre dans le vide. Pour rédiger une note, retrouver une décision ou comprendre un projet, il faut pouvoir s’appuyer sur les documents, les échanges et les outils qui font le quotidien d’une équipe. C’est sur ce terrain que se positionne Dust, une startup française qui veut faire de l’IA un compagnon de travail connecté au contexte réel des organisations.

Fondée en février 2023 par Stanislas Polu et Gabriel Hubert, Dust propose aux collaborateurs de créer des assistants intelligents adaptés à leurs besoins. L’entreprise ne cherche pas à remplacer les logiciels déjà utilisés par les équipes. Elle veut plutôt établir des passerelles entre ces logiciels, les données qu’ils contiennent et les modèles de langage les plus performants disponibles sur le marché.

Au moment de cette publication, le 24 janvier 2025, cette stratégie a déjà produit un signal commercial tangible : Dust indique avoir atteint 2 millions d’euros de chiffre d’affaires récurrent annuel en décembre 2024. Une progression rapide pour une jeune entreprise placée sur un marché où les grands groupes technologiques, les éditeurs de logiciels et de nombreuses startups poursuivent la même promesse : faire gagner du temps grâce à l’IA générative.

Dust, une startup née de l’expérience des outils numériques

Stanislas Polu et Gabriel Hubert se sont rencontrés à Stanford, où ils ont tous deux étudié. Leur association entrepreneuriale ne commence pas avec Dust. Ils avaient déjà travaillé ensemble au lancement d’une entreprise spécialisée dans l’analytics sur Instagram, une expérience qui leur a permis d’observer la manière dont des outils logiciels bien intégrés peuvent répondre à des besoins précis.

Le parcours de Stanislas Polu éclaire aussi le positionnement de Dust. Il est passé par OpenAI, où il a pu se confronter aux possibilités comme aux limites des modèles de langage, ainsi que par Stripe. Cette expérience ne conduit pas les fondateurs à vouloir bâtir de zéro un modèle géant concurrent de ceux des grands laboratoires. Leur pari est différent : prendre les modèles existants, les relier aux informations utiles de l’entreprise et les rendre exploitables par des équipes non spécialistes.

Cette nuance est essentielle. Un grand modèle de langage sait rédiger, résumer, classer ou expliquer à partir des connaissances sur lesquelles il a été entraîné et des informations qu’on lui fournit dans une conversation. Mais, seul, il ne connaît ni les procédures internes, ni l’état d’un projet, ni les échanges de l’équipe. Pour devenir un outil de travail concret, il doit recevoir un contexte pertinent, dans un cadre maîtrisé.

Pourquoi les données internes font la différence

La conviction centrale de Dust est que l’IA prend de la valeur lorsqu’elle est reliée aux données propres à une organisation. Dans une entreprise, une grande partie du savoir utile est dispersée : une décision peut se trouver dans une conversation, une procédure dans une page de documentation, un détail technique dans un dépôt de code.

Dust cherche donc à connecter les assistants aux outils déjà présents dans les environnements de travail, notamment Slack, Notion et GitHub. L’objectif n’est pas de déplacer toutes les données dans une nouvelle application. Il est de rendre ces informations mobilisables au sein d’un assistant, afin qu’il puisse fournir des réponses davantage contextualisées.

Cette logique répond à une frustration connue des utilisateurs d’IA générative. Une réponse peut être claire et bien formulée, tout en restant inutilisable si elle ignore les contraintes, le vocabulaire et les documents de l’entreprise. Connecter l’assistant aux sources de travail vise à réduire cet écart entre une réponse générale et une aide opérationnelle.

Cela ne signifie pas qu’un assistant doit pouvoir consulter indistinctement toutes les informations disponibles. Dans un environnement professionnel, les droits d’accès sont déterminants : une réponse n’est pertinente que si elle respecte les périmètres de confidentialité existants. La publication d’origine indique que Dust met en avant des mesures de sécurité et le respect des normes de protection des données, sans détailler les mécanismes techniques, les certifications ou les paramètres de déploiement. Ces éléments doivent donc être examinés précisément par chaque entreprise avant un usage à grande échelle.

Un choix assumé : utiliser les meilleurs modèles disponibles

Dust ne construit pas son activité autour d’un modèle de langage propriétaire. La startup entend donner accès aux modèles avancés proposés par des acteurs majeurs, notamment OpenAI et Google. Ce positionnement est stratégique dans un secteur où les performances des modèles évoluent vite et où il est difficile de prédire quel acteur dominera durablement chaque type de tâche.

Pour une entreprise cliente, l’intérêt théorique est de ne pas enfermer l’ensemble de ses usages dans une technologie unique. Un modèle peut être meilleur pour rédiger, un autre pour analyser de longs documents, un autre encore pour répondre à certaines contraintes de coût ou de rapidité. L’enjeu pour Dust consiste alors à offrir une couche de produit suffisamment stable pour les utilisateurs, alors que les modèles qui l’alimentent progressent continuellement.

Cette approche suppose également de maintenir un dialogue étroit avec les laboratoires qui développent ces technologies. Stanislas Polu souligne l’importance d’un produit capable d’évoluer au rythme des avancées des modèles, plutôt que d’être figé par une dépendance à un seul fournisseur.

Des agents conçus par les utilisateurs, pas un assistant unique imposé

L’autre particularité de Dust réside dans son choix de ne pas imposer un assistant unique avec des usages prédéfinis. La plateforme permet aux utilisateurs de concevoir leurs propres agents intelligents, en leur attribuant des instructions et des outils adaptés à une tâche donnée.

Dans les faits, cette personnalisation peut répondre à des réalités très différentes selon les équipes. Un agent destiné à une fonction commerciale n’a pas besoin du même contexte qu’un agent utilisé par une équipe produit ou par des développeurs. Le premier pourra s’appuyer sur une documentation interne et des méthodes de réponse, le second sur des échanges de travail et des ressources techniques.

La promesse est aussi organisationnelle. Lorsqu’un outil est créé directement par les personnes qui rencontrent un problème quotidien, son adoption peut être plus naturelle qu’avec une solution conçue entièrement de manière descendante. Les utilisateurs peuvent expérimenter, ajuster les consignes et faire émerger des cas d’usage concrets au plus près de leur métier.

Cette liberté ne dispense toutefois pas d’un cadre. Un agent mal paramétré peut donner des réponses imprécises, utiliser un mauvais contexte ou automatiser une tâche qui devrait rester soumise à une vérification humaine. La personnalisation exige donc de réfléchir à la qualité des instructions, aux sources consultées et au niveau de contrôle attendu sur le résultat.

Une croissance rapide portée par des usages professionnels

En décembre 2024, Dust a atteint 2 millions d’euros de revenus récurrents annuels. Cet indicateur, souvent appelé ARR, correspond à la projection sur douze mois des revenus récurrents à partir d’une période donnée. Il ne doit pas être confondu automatiquement avec le chiffre d’affaires effectivement encaissé sur l’ensemble d’une année, mais il est couramment utilisé par les entreprises logicielles par abonnement pour mesurer leur rythme de croissance.

Les noms de Qonto et de Malt sont cités parmi les clients de Dust. Leur présence donne une indication sur la cible de la startup : des organisations qui ont déjà une culture numérique et un besoin de structurer l’accès à des informations dispersées dans plusieurs logiciels.

Dust a également attiré l’attention d’investisseurs, parmi lesquels Sequoia Capital est mentionné. La publication d’origine relie cet intérêt à une ambition d’expansion des effectifs. Aucun montant de financement ni calendrier détaillé de recrutement n’est précisé. Il serait donc hasardeux de transformer ce signal en promesse chiffrée sur la taille future de l’entreprise.

La progression de Dust illustre surtout la transformation du marché de l’IA en entreprise. Après la découverte massive des assistants conversationnels généralistes, de nombreuses organisations cherchent désormais des outils reliés à leurs propres processus. La question n’est plus seulement de savoir si un modèle peut écrire un texte convaincant. Elle est de déterminer s’il peut aider de façon fiable dans le déroulement réel du travail.

L’IA au travail : augmentation des équipes ou automatisation des tâches ?

L’arrivée de ces outils nourrit un débat légitime. D’un côté, l’IA promet d’accélérer les recherches d’information, les synthèses, la rédaction de premiers brouillons ou la préparation de réponses. De l’autre, elle ravive la crainte d’une automatisation qui réduirait certains métiers à des tâches surveillées par des logiciels.

Dust défend une vision d’augmentation du travail humain. L’ambition affichée est de démontrer que l’IA peut accroître la valeur ajoutée des collaborateurs, en les déchargeant d’une partie des frictions liées à la recherche d’informations et aux tâches répétitives. Dans cette perspective, un assistant ne remplace pas le jugement professionnel : il aide à retrouver plus vite un contexte, à préparer une analyse ou à formuler une première version.

La comparaison avec l’arrivée de l’ordinateur dans les entreprises permet de comprendre cette promesse. L’informatique a transformé des métiers, des méthodes et des organisations, sans supprimer le besoin de compétences humaines. L’IA générative peut suivre une trajectoire comparable, mais avec une différence importante : elle produit du langage et des recommandations qui peuvent sembler plausibles même lorsqu’elles comportent des erreurs.

C’est pourquoi l’adoption ne peut pas se réduire à l’installation d’un logiciel. Elle suppose de former les équipes à vérifier les résultats, à reconnaître les limites du système et à distinguer une suggestion utile d’une décision qui doit rester humaine. La productivité gagnée n’a de sens que si la fiabilité, la confidentialité et la responsabilité progressent au même rythme.

Ce qu’il faut surveiller pour Dust et l’IA d’entreprise

La trajectoire de Dust reposera d’abord sur sa capacité à conserver son agilité face aux offres des grands groupes, notamment Microsoft et Google. Ces entreprises disposent déjà d’écosystèmes logiciels très implantés dans les organisations. La startup doit donc prouver qu’une approche ouverte, reliant plusieurs modèles et plusieurs outils, apporte un avantage concret aux équipes.

Le deuxième enjeu concerne la qualité des agents créés par les utilisateurs. La liberté de personnaliser un assistant est un facteur d’adoption, mais elle devra s’accompagner de mécanismes permettant de limiter les réponses hors sujet, les informations obsolètes et les erreurs d’interprétation. Dans les entreprises, la confiance s’acquiert autant par la simplicité d’usage que par la constance des résultats.

Enfin, la valeur de Dust dépendra de la vitesse à laquelle les modèles d’IA continueront de progresser. Son choix de ne pas s’attacher à un fournisseur unique lui donne une marge de manœuvre. Mais il lui impose aussi une exigence permanente : sélectionner les technologies utiles, les intégrer sans perturber les usages et préserver un produit compréhensible pour les collaborateurs.

La jeune startup française s’est ainsi placée au croisement de trois mouvements majeurs : la montée en puissance des modèles de langage, la fragmentation des connaissances dans les logiciels d’entreprise et la demande d’outils plus simples à adopter. Son défi n’est pas seulement de mettre l’IA à disposition. Il est de la rendre suffisamment connectée, personnalisable et fiable pour qu’elle trouve une place durable dans le travail quotidien.