SciFin est sorti du stealth le 1er septembre avec 44 M$ et une conviction : la revenue stack a été construite sur des données que les commerciaux n’ont jamais voulu saisir. Nous avons échangé avec Krishnan « Krish » Badrinarayanan, VP Marketing de l’entreprise, quelques jours avant Dreamforce, pour comprendre ce que recouvre vraiment la « convergence de contexte », et comment on crée de la demande pour une catégorie qui n’a pas encore de nom.
Jusqu’à SciFin, il fallait trois ans et des équipes d’ingénieurs pour répondre à une question que tout directeur commercial se pose chaque lundi : que se passe-t-il réellement dans mon pipeline ?
« C’était un projet pluriannuel », nous explique Krishnan Badrinarayanan. « Des équipes d’ingénieurs construisent un data warehouse, puis des dashboards par-dessus. Et le problème de toute cette approche, c’est que vous tirez l’ensemble de la donnée, mais est-ce qu’elle est propre ? Aucun processus n’imposait la propreté des données. »
Badrinarayanan a dirigé le product marketing chez Nutanix, puis chez Zscaler, avant de rejoindre SciFin comme VP Marketing il y a deux mois. Il est désormais chargé d’expliquer, à un marché qui possède déjà Salesforce, Gong et Clari, pourquoi il lui faut un outil de plus. Sa réponse : il ne lui faut pas un outil de plus. Il lui faut une couche qui puise dans tous, et au-delà.
Le tour de table se monte à 44 M$ en amorçage, co-mené par Altimeter et Madrona, avec la participation de Foundation Capital, S32 et Zetta Ventures.
Le problème du Rolodex
Telle que SciFin raconte l’histoire, la revenue stack moderne s’est constituée une couche à la fois, chacune réglant le problème que la précédente venait de révéler.
« Quand Salesforce est arrivé, c’était fantastique », explique Badrinarayanan. « Tous ces Rolodex remplis de cartes de visite, vous pouviez les numériser. C’est fondamentalement ce qu’a fait Salesforce. Il a numérisé votre Rolodex. Des contacts, des leads, puis de l’activité par-dessus : des opportunités, du début à la fin. »
Le CRM a fait exactement ce qu’un système d’enregistrement est censé faire. Mais la vente, elle, n’a cessé de se complexifier. En B2B, un deal dure six mois et touche une douzaine de personnes côté acheteur, et l’enregistrement de ce qui s’est passé n’est pas la même chose que la compréhension du pourquoi. Les équipes commerciales rataient des signaux. L’industrie a donc greffé des outils d’insight : Clari pour le forecast, Gong pour l’enregistrement des appels et le sentiment, des data warehouses pour conserver l’historique, des dashboards pour le relire. Chacun, selon ses mots, raconte « sa propre petite histoire, à partir de la donnée et du contexte dont il dispose ».
Et tous reposent sur la même fondation instable : un commercial qui tape des informations dans un formulaire.
« Qu’est-ce que les commerciaux aiment faire ? Ils n’aiment pas saisir de la donnée. Ce ne sont pas des spécialistes de la saisie. Ils veulent passer du temps avec les clients et gagner de l’argent, pour l’entreprise et pour eux-mêmes. Donc la donnée est périmée, la donnée est manquante, parfois elle est tout simplement fausse. Et c’est là-dessus que vous construisez du contexte. »
Cet écart entre ce que disent les systèmes et ce qui se passe réellement sur le terrain, SciFin l’appelle le Context Gap. C’est le problème pour lequel l’entreprise a été créée, et l’expression qu’elle compte s’approprier.
L’infrastructure, puis la donnée, puis le contexte
Si le diagnostic semble familier, c’est parce que le fondateur de SciFin en a fait une carrière.
Mohit Aron a été ingénieur principal sur Google File System, la couche qui faisait se comporter des milliers de disques dispersés comme un seul. Il a cofondé Nutanix en 2009 et a été pionnier de l’hyperconvergence, en repliant calcul, stockage et réseau dans une seule brique logicielle. Il a fondé Cohesity en 2013 et construit SpanFS, qui a transformé une dizaine de silos de sauvegarde incompatibles en une plateforme unique dotée d’une recherche. Deux de ces entreprises sont devenues des décacornes.
« Il a d’abord commencé par converger l’infrastructure », résume Badrinarayanan. « Puis la donnée. Et qu’est-ce qui se trouve au-dessus de la donnée ? Le contexte. Maintenant, il converge le contexte. »
L’origine de SciFin est, selon lui, personnelle. « La raison pour laquelle il a lancé SciFin, c’est que cela répond directement au problème qu’il a affronté chez Cohesity. Il se retrouvait en réunion, des heures durant, à collecter de la donnée, à discuter avec des directeurs commerciaux et parfois avec des vendeurs sur le terrain, juste pour comprendre ce qui se passait vraiment. À notre époque, avec tant de sophistication autour de nous, il paraît ridicule d’avoir à passer par ce processus. »
Aron a commencé à construire fin 2024. L’entreprise est restée en stealth près de deux ans, ce que Badrinarayanan attribue à une seule chose : « C’est un problème difficile à résoudre. »
Ni un CRM, ni son remplaçant
C’est ici que le positionnement de SciFin devient intéressant, et qu’il s’écarte de la plupart des startups AI-native qui tournent autour du même marché.
« Toutes les autres entreprises AI-native qui émergent sur ce terrain disent : remplacez tout ce que vous avez par ce que nous avons », explique Badrinarayanan. « Et c’est une chose effrayante. Vous n’avez pas envie de perturber quelque chose comme les revenue operations. »
SciFin se pose donc au-dessus de la stack existante plutôt que de l’arracher. Le produit lit le CRM, les e-mails, l’agenda, les fils Slack entre un commercial et un sales engineer, les données d’usage produit et les tickets de support, et assemble le tout dans ce que l’entreprise appelle un revenue model. L’argument : un client peut « vivre dans les deux mondes » pendant une transition IA, au lieu de jouer son trimestre sur une migration.
Mais le mouvement le plus important se situe côté entrée. SciFin embarque sa propre conversational intelligence et sa propre prise de notes. Le produit écoute les appels. Et il se sert de ce qu’il entend pour corriger le problème de données à la source.
L’exemple qu’il donne : pendant un appel client, le système note que l’acheteur exécutif est présent, qu’il s’est engagé sur un calendrier, que le ton était optimiste et sans hésitation. Il en conclut que le deal est prêt pour la phase contractuelle, propose une mise à jour de statut, et demande au commercial de la valider d’un geste. Le revenue model se met à jour. Aucun formulaire n’a été rempli.
« Ce n’est même plus un CRM », dit-il. « C’est un revenue operating system. C’est beaucoup plus large qu’un CRM. »
Le principe de design derrière tout ça, il l’appelle une self-driving experience : le produit doit suivre la façon dont le business se fait déjà, plutôt que d’y insérer une étape supplémentaire. Un commercial peut passer par l’app mobile, l’app web, Slack, ou simplement lui parler. « Je suis sur le point d’entrer en réunion avec ce client. Dis-moi ce que je dois savoir et ce que je dois faire pour que ça se passe bien. Et il vous donne tout le brief, à la voix. »
L’assistant s’appelle Pixie. Il porte le nom du chien d’Aron.
Le problème des tokens dont personne ne veut parler
Demandez pourquoi une entreprise ne peut pas simplement pointer un modèle frontière sur ses données et obtenir le même résultat, et vous obtenez la partie la plus intéressante techniquement de la conversation.
« Vous allez voir beaucoup de gens dans l’industrie dire : c’est pour ça que j’ai Claude, c’est pour ça que j’ai ChatGPT. Je vais prendre toutes mes sources de données, les lui balancer, et il va converger le contexte pour moi. » Il marque une pause. « Quand vous stockez autant de données de revenus, vous parlez de téraoctets. Imaginez lui balancer Claude. Vous allez brûler des tokens, pas en mois, en minutes. »
Le problème de la fenêtre de contexte est l’autre moitié. Vous ne pouvez pas injecter des milliards de tokens d’historique d’entreprise dans un prompt, et même si vous le pouviez, vous ne devriez pas payer pour ça à chaque fois que quelqu’un pose une question.
La réponse de SciFin est une couche qu’elle appelle context cognition : du machine learning qui maintient en continu une compréhension compressée de ce qui se trouve en dessous. Quinze e-mails entre un commercial et un acheteur deviennent une conclusion extraite. Les agrégats de forecast sont maintenus sous forme de nombres plutôt que recalculés depuis l’activité brute. Des centaines de ces scénarios, précalculés et tenus à jour.
Quand je lui suggère que cela ressemble à un compilateur, il pousse l’analogie plus loin. « Exactement. Nous créons le bytecode. Si c’est du Java, nous créons déjà le bytecode. C’est compréhensible par la machine. Ce n’est plus du code, ce sont des uns et des zéros. »
La conséquence commerciale est subtile mais réelle : parce que le raisonnement coûteux a déjà été fait, la couche de question-réponse peut tourner sur les modèles les moins chers disponibles. Pixie peut utiliser Claude, GPT ou Gemini, ou un modèle ouvert à bas coût, et renvoyer malgré tout, selon ses mots, « des réponses très précises, puissantes, profondes et cohérentes ». Est-ce que cela tient à l’échelle ? C’est le genre d’affirmation qu’un client vérifie en pilote. Mais c’est la bonne affirmation à porter dans une année où la facture de tokens est devenue une ligne que les directions financières lisent vraiment.
Combler le Context Gap par la Context Convergence
Le 10 septembre, l’entreprise a annoncé la Context Convergence. La convergence, telle que Badrinarayanan la présente, résout le Context Gap, lequel se compose de deux choses à la fois : ce qu’il appelle la divergence de réalité, où la donnée ne reflète plus l’activité réelle, et la fragmentation, où le contexte qui existe est éparpillé entre les outils. « C’est le récit fondateur de catégorie que nous allons continuer à nourrir sur le marché. »
Retirez le vocabulaire, et le pari est le suivant : les acheteurs de logiciels de revenus ont toujours acheté des applications. Un forecast. Un enregistreur d’appels. Un dashboard. SciFin leur demande d’acheter une couche, et de faire confiance au fait que les applications posées dessus seront assez bonnes pour retirer celles qu’ils possèdent déjà.
Aron a gagné ce pari trois fois, mais avec des acheteurs IT, qui pensent en architecture. Cette fois, l’acheteur est un CRO ou un responsable RevOps, qui pense en trimestres. C’est le vrai problème de go-to-market que SciFin doit résoudre, et c’est pourquoi les premiers mouvements de l’entreprise sont aussi disciplinés : une catégorie, un acheteur, quelques centaines de comptes, et un récit construit pour faire d’un problème d’hygiène de données le risque stratégique qu’il est réellement.
Le contre-argument, c’est que les acteurs installés promettent une donnée de revenus unifiée depuis dix ans, et que l’étendue des intégrations n’est pas la même chose que la profondeur sur un workflow donné. La réponse de SciFin, en substance : personne n’a réparé l’entrée. Tant que la capture n’est pas automatique, chaque couche au-dessus hérite des mêmes trous.
SciFin sera à Dreamforce cette semaine, stand 308. Savoir si l’argument porte auprès des acheteurs grands comptes est une question qui commence à trouver sa réponse cette semaine, dans un stand du Moscone Center.
Trois enseignements pour les équipes growth
Réparez l’entrée avant d’empiler une couche de plus dessus. Chaque outil de forecast, de coaching et de reporting de la revenue stack hérite de ce que le commercial a tapé dans un formulaire, ou n’a pas tapé. Tout l’argument de SciFin tient dans le fait qu’aucune couche d’analytics ne peut dépasser sa couche de capture. Avant d’acheter le prochain produit d’insight, auditez ce qui arrive réellement dans le CRM, et comment.
Se poser au-dessus de la stack est une position commerciale, pas seulement une architecture. Les concurrents AI-native demandent à un CRO de remplacer ses revenue operations en plein trimestre. SciFin laisse le client vivre dans les deux mondes pendant la transition. Quand le risque de votre acheteur est la continuité opérationnelle, être additif bat être meilleur.
Précalculez le raisonnement coûteux, puis laissez des modèles bon marché répondre. SciFin fait le gros du machine learning une fois, en continu, et maintient à jour une représentation compressée, pour que la couche de question-réponse tourne sur le modèle le moins cher. Si la marge de votre produit dépend de la dépense en tokens, le levier est dans ce que vous calculez avant la question, pas dans le modèle que vous choisissez.