SciFin est sorti du stealth le 1er septembre avec 44 M$ et une thèse : le revenue stack a été bâti sur des données que les commerciaux n’ont jamais eu envie de saisir. Nous avons échangé avec Krishnan « Krish » Badrinarayanan, VP Marketing de l’entreprise, quelques jours avant Dreamforce, pour comprendre ce que recouvre vraiment la « context convergence », 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 », raconte Krishnan Badrinarayanan. « Des équipes d’ingénieurs construisent un data warehouse, puis des dashboards par-dessus. Le problème de toute cette approche, c’est que vous tirez toutes les données, mais sont-elles propres ? 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 une chose de plus. Sa réponse : il ne lui faut pas une chose de plus. Il lui faut une couche qui puise dans toutes les autres, et au-delà.
Le problème du Rolodex
Dans le récit qu’en fait SciFin, le revenue stack moderne s’est construit une couche à la fois, chacune résolvant le problème que la précédente avait révélé.
« Quand Salesforce est arrivé, c’était fantastique », explique Badrinarayanan. « Tous ces Rolodex remplis de cartes de visite, vous pouviez les numériser. C’est en gros ce qu’a fait Salesforce : il a numérisé votre Rolodex. Les contacts, les leads, puis l’activité par-dessus : les 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 implique une douzaine de personnes côté acheteur, et l’enregistrement de ce qui s’est passé n’équivaut pas à 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 des données 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 des données. 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. Du coup les données sont périmées, il en manque, parfois elles sont tout simplement fausses. 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 entend s’approprier.
L’infrastructure, puis les données, maintenant le contexte
Si le diagnostic semble familier, c’est que le fondateur de SciFin en a fait une carrière.
Mohit Aron était ingénieur principal sur Google File System, la couche qui a fait se comporter des milliers de disques dispersés comme un seul. Il a cofondé Nutanix en 2009 et inventé l’hyperconvergence, en faisant tenir calcul, stockage et réseau dans une seule brique logicielle. Il a fondé Cohesity en 2013 et construit SpanFS, qui a transformé une douzaine de silos de sauvegarde incompatibles en une plateforme unique dotée d’un moteur de recherche. Deux de ces entreprises sont devenues des décacornes.
« Il a commencé par converger l’infrastructure », explique Badrinarayanan. « Puis les données. Et qu’est-ce qui se trouve au-dessus des données ? Le contexte. Maintenant, il converge le contexte. »
L’origine de SciFin est, à l’en croire, personnelle. « La raison pour laquelle il a lancé SciFin, c’est que cela répond directement au problème qu’il a vécu chez Cohesity. Il se retrouvait en réunion des heures durant, à collecter des données, 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 toute la sophistication qui nous entoure, il paraît ridicule de devoir en passer par là. »
Aron a commencé à construire fin 2024. L’entreprise est restée en stealth près de deux ans, ce que Badrinarayanan attribue à une seule raison : « C’est un problème difficile à résoudre. »
Pas un CRM, et pas un remplaçant de CRM
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 », note Badrinarayanan. « Et c’est effrayant. Vous n’avez pas envie de perturber quelque chose comme les revenue operations. »
SciFin se pose donc au-dessus du stack existant plutôt que de l’arracher. Il lit le CRM, les e-mails, l’agenda, les fils Slack entre un commercial et un ingénieur avant-vente, 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 joue côté entrée. SciFin embarque sa propre conversational intelligence et sa propre prise de notes. Il 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 détecte que le décideur 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 à passer en phase contractuelle, propose une mise à jour de statut, et demande au commercial de la valider d’une seule pression. Le revenue model se met à jour. Aucun formulaire n’a été rempli.
« Ce n’est même plus du CRM », dit-il. « C’est un revenue operating system. C’est bien plus large que le CRM. »
Le principe de conception derrière cela, il l’appelle une expérience self-driving : le produit doit suivre la façon dont le business se fait déjà, plutôt que d’y insérer une étape. Un commercial peut passer par l’app mobile, l’app web, Slack, ou simplement lui parler. « Je suis sur le point d’entrer en rendez-vous 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. Du nom du chien d’Aron.
Le problème des tokens dont personne ne veut parler
Demandez pourquoi une entreprise ne pourrait pas simplement brancher un modèle frontier sur ses données pour 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 convergera 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 quelques mois — en quelques minutes. »
Le problème de la fenêtre de contexte est l’autre moitié. Vous ne pouvez pas faire entrer des milliards de tokens d’historique d’entreprise dans un prompt, et même si vous le pouviez, vous ne devriez pas le payer chaque fois que quelqu’un pose une question.
La réponse de SciFin est une couche qu’elle nomme 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 nous lui suggérons 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 qui répond aux questions peut tourner sur les modèles les moins chers du marché. 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 ». Que cela tienne à l’échelle est le genre d’affirmation qu’un client vérifie en pilote. Mais c’est la bonne affirmation à porter, l’année où les factures de tokens IA sont devenues une ligne que les directions financières lisent vraiment.
Refermer le Context Gap par la Context Convergence
Le 10 septembre, l’entreprise a annoncé la Context Convergence. La convergence, telle que la cadre Badrinarayanan, résout le Context Gap, lui-même composé de deux choses à la fois : ce qu’il appelle la reality divergence, où les données ne reflètent 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 continuerons 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 ont déjà.
Aron a gagné ce pari trois fois, mais auprès d’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 sonner un problème d’hygiène de données comme le risque stratégique qu’il est réellement.
Le contre-argument est que les acteurs installés promettent des données de revenus unifiées depuis dix ans, et que l’étendue des intégrations n’est pas la profondeur dans un workflow donné. La réponse de SciFin, en substance : personne n’a corrigé l’entrée. Tant que la capture n’est pas automatique, chaque couche au-dessus hérite des mêmes trous.
SciFin était à Dreamforce la semaine dernière, stand 308.
Reste à savoir si l’argument porte auprès des acheteurs grands comptes — une question qui a commencé à trouver sa réponse la semaine dernière, dans un stand du Moscone Center.