OMTM et KPI que les startups et nouvelles entreprises doivent atteindre à chaque étape

Introduction

Quand on crée une startup ou lance une nouvelle activité, vers quels objectifs faut-il se diriger ?

Cet article organise les questions « qu'est-ce qu'il faut mesurer et quel niveau faut-il viser » à chaque étape de croissance d'une startup ou d'une nouvelle activité, en nous appuyant sur des références mondialement reconnues, des articles d'experts du secteur et les dernières études comparative.

Une startup ou une nouvelle activité est un ensemble d'hypothèses non validées. On avance dans la vérification, une par une, d'hypothèses à haut niveau d'incertitude et de risque. En validant successivement les hypothèses et en atteint tous les niveaux d'objectifs, on complète une activité / un modèle commercial.

Dans ce qui suit, pour chaque étape nous présentons : l'hypothèse (la question pour que le modèle commercial fonctionne), le KPI (l'indicateur pour évaluer quantitativement la question), et l'OMTM (le KPI le plus important pour cette étape).

En pratique, la direction générale porte la responsabilité de l'OMTM, tandis que chaque fonction se partage les KPI et vise chacun leur réalisation.

Étape 1 : Découverte client et découverte produit (pré-création / Pré-seed)

C'est l'étape où on identifie les vrais problèmes que le client rencontre et où on envisage la possibilité d'un ajustement problème-solution (Problem-Solution Fit). À ce stade, il n'existe pratiquement pas de données quantitatives ; les apprentissages provenant d'entretiens qualitatifs sont la principale source de données (Croll & Yoskovitz, 2013).

Hypothèse de problème : le client cible a-t-il vraiment des problèmes assez graves pour justifier une dépense ?

• Taux de validation du problème (*OMTM) : nombre d'entretiens où le problème a été confirmé ÷ nombre total d'entretiens. Avec 30 entretiens cumulés ou plus, un seuil de 60% est visé. Il s'agit d'un indicateur clé mesurant le noyau de l'hypothèse, « le problème existe-t-il vraiment », et s'il est faible, c'est un signal de pivot (changement de direction).

• Dépense / temps consacrés aux solutions de remplacement existantes : l'argent et les ressources que le client dépense déjà pour résoudre ce problème. Fitzpatrick (2013) affirme « écoutez le comportement passé et les dépenses, pas les opinions ». Si on confirme des dépenses existantes qui dépassent le prix supposé ou un volume horaire mensuel supérieur à 10 heures, c'est un signal avancé fort de volonté de payer.

• Existence de solutions bricolées maison : la proportion de clients qui modifient ou assemblent eux-mêmes des moyens existants pour résoudre le problème. Blank & Dorf (2012) identifient comme l'une des conditions des premiers clients enthousiastes le fait que « le client crée lui-même une solution provisoire bricolée ». Si on l'observe chez environ 30% des clients cibles, c'est un signal clair d'un besoin fort.

Hypothèse client : peut-on identifier les premiers clients avec le besoin le plus fort (évangélistes) ?

• Nombre de prospects (LOI / intention de commande) : le nombre de prospects concrets qui ont une forte probabilité de commander au prix fort (LOI = Lettre d'intention de commande). Pour le B2B, un minimum de 5 entreprises est le seuil (Blank & Dorf, 2012).

• Nombre de clients évangélistes découverts : le nombre de premiers clients enthousiastes qui achètent en partageant la vision même si le produit n'est pas fini. Découvrir et établir des relations avec 3 à 5 entreprises est l'objectif visé.

Hypothèse de valeur : le concept de son entreprise résout-il le problème et suscite-t-il l'intérêt ?

• NPS (Net Promoter Score) : un indicateur d'intention de recommandation calculé à partir des réponses à « Quelle est la probabilité que vous recommandiez ce produit à quelqu'un ? » (pourcentage de promoteurs − pourcentage de détracteurs). Comme indicateur substitut du degré d'intérêt pour le problème, 50 ou plus est le seuil visé (Blank & Dorf, 2012).

• Taux de réussite en convivialité du prototype : la proportion d'utilisateurs qui ont complété les tâches principales lors du test utilisateur. 80% ou plus est le seuil. Parmi les quatre risques évoqués par Cagan (2018) - valeur, convivialité, faisabilité technique et faisabilité commerciale - on valide les deux premiers avec le prototype.

• (B2C) Comportements d'engagement initial : données comportementales comme le taux de révisit ou le taux de parrainage. Un taux de révisit en moins d'une semaine de 20% ou plus, une génération d'inscriptions par parrainage, etc., sont des seuils visés (Blank & Dorf, 2012).

Hypothèse de marché : existe-t-il une taille de marché à l'échelle venture ?

• TAM / SAM / SOM : une estimation de la taille du marché en trois niveaux - « limite théorique / la portée accessible pour son entreprise / la portée réellement acquérable en quelques années ». Si on envisage une levée auprès de VC, un TAM de plusieurs centaines de milliards de yens est le seuil.

Hypothèse de vitesse d'apprentissage : valide-t-on les hypothèses à un rythme suffisant ?

• Nombre d'itérations / nombre d'entretiens : le nombre de validations et dialogues par période de temps. Dans un contexte d'incertitude, « apprendre vite » est en soi une compétitivité. Au minimum 5 entretiens par semaine, mise à jour des hypothèses chaque semaine est le seuil visé (Ries, 2011).

Étape 2 : Validation client (Seed)

C'est l'étape où on vend le produit initial aux vrais clients et où on démontre le PMF (Product-Market Fit : l'état où le produit est accepté par le marché) et la viabilité du modèle commercial. Avant d'investir dans la croissance, on doit d'abord prouver que les utilisateurs s'installent (Croll & Yoskovitz, 2013).

Hypothèse PMF : le client ressent-il assez de valeur au produit pour être en difficulté sans lui ?

• Taux de rétention / churn (*OMTM) : le taux de continuité et le taux de désabonnement par cohorte de clients acquis au même moment. C'est un signe de PMF quand la courbe de continuité s'aplatit au lieu de continuer à décliner. Investir dans l'acquisition avant de prouver l'installation revient à verser de l'eau dans un seau percé.

• Score PMF (test de Sean Ellis) : le pourcentage d'utilisateurs qui répondent « très déçu » à la question « Comment vous sentirez-vous si vous ne pouviez plus utiliser ce produit ? ». Le seuil est supérieur à 40%. Ellis a découvert à partir d'une enquête auprès d'environ 100 entreprises que 40% est le niveau qui sépare les entreprises en croissance des autres (Ellis, 2017). Superhuman, un client email, a publié le processus d'augmentation de ce score de 22% à 58%, démontrant l'importance de réduire le segment et d'ignorer délibérément la voix des utilisateurs avec un score faible (Vohra, 2018).

• Adhésion (DAU/MAU) : la proportion d'utilisateurs mensuels qui utilisent le produit chaque jour. Pour un produit utilisé au quotidien, 40% ou plus est un signal fort.

Hypothèse de monétisation : paie-t-on au prix fort ?

• Nombre de commandes au prix fort : le nombre de commandes acquises sans remise au prix fort. 3 à 5 utilisateurs évangélistes est le seuil (Blank & Dorf, 2012).

• Nombre de clients de référence : le nombre de clients qui peuvent être présentés à d'autres comme cas de succès. Si on en acquiert 6, on peut déclarer avoir atteint le PMF sur ce marché (Blank & Dorf, 2012).

• LTV/CAC (économie unitaire) : le ratio entre le profit obtenu au cours de la vie d'un client (LTV) et le coût d'acquisition de ce client (CAC). 3 ou plus est le seuil de santé. Selon les mesures récentes, la médiane parmi les entreprises étudiées est rapportée à environ 3,6 (Benchmarkit, 2025).

• Marge brute : pourcentage du bénéfice obtenu en soustrayant le coût des marchandises vendues du chiffre d'affaires. Pour les SaaS, un repère de 70 % ou plus est recommandé (pour les produits natifs IA, veuillez consulter le chapitre décrit ci-après).

Hypothèse d'activation : les nouveaux clients arrivent-ils à découvrir la valeur centrale (expérience aha) ?

• Taux d'activation : la proportion de clients qui se sont inscrits et ont réussi à expérimenter la valeur centrale du produit pour la première fois.

• Time to Value : le temps écoulé entre l'inscription et l'expérience de la valeur centrale. Plus c'est court, plus cela impacte la rétention (Croll & Yoskovitz, 2013).

Hypothèse de discipline financière : brûle-t-on les fonds avant d'atteindre le PMF ?

• Burn rate / Runway : le burn rate est le flux de trésorerie nécessaire par mois, et le runway est le nombre de mois restants où les fonds en main permettent de survivre. Il ne faut pas faire de gros investissements en ventes et marketing avant d'atteindre le PMF (Blank & Dorf, 2012). Graham (2015) affirme que les fondateurs doivent être en mesure de répondre immédiatement à la question « compte tenu des dépenses actuelles et du taux de croissance, pourra-t-on atteindre l'équilibre avant que les fonds ne s'épuisent (Default Alive ou Default Dead) ? ».

Étape 3 : Acquisition client (Série A)

C'est l'étape où on franchit le gouffre (chasm - le fossé entre le marché initial et le marché grand public) pour s'étendre vers le marché grand public (Moore, 1991). On teste la mise en place d'un moteur d'acquisition client reproductible et la viabilité économique par client.

Hypothèse d'acquisition à l'échelle : peut-on capturer le marché grand public avec un moteur d'acquisition reproductible ?

• Taux de croissance ARR / MRR (*OMTM) : la croissance des revenus récurrents d'une période à la suivante. Le T2D3 proposé par Agrawal de Battery Ventures (après avoir atteint 100-200 millions de yens d'ARR, croître de 3x, 3x, 2x, 2x, 2x, en visant 10 milliards de yens d'ARR en 5-6 ans) est le benchmark de croissance des meilleurs SaaS (Agrawal, 2015). Un taux de YoY 2-3x et MoM 10% ou plus est le seuil. Cependant, sans voir cet indicateur avec des métriques auxiliaires mesurant la « qualité de croissance » (burn multiple, NRR), on ne peut pas distinguer entre une véritable croissance et simplement acheter la croissance en brûlant des ressources.

• Période de remboursement CAC : le nombre de mois pour récupérer le coût d'acquisition client via la marge brute de ce client. 12 mois ou moins est considéré comme bon, mais selon les enquêtes récentes, la médiane s'est détériorée à environ 20 mois (Benchmarkit, 2025), et 12 mois est désormais un niveau parmi les meilleurs.

• Magic Number : mesure de l'efficacité des ventes : nouvel ARR du trimestre actuel ÷ dépenses de ventes et marketing du trimestre précédent. Indicateur proposé par Scale Venture Partners, où 0,75 ou plus est considéré comme un signal pour augmenter l'investissement en ventes.

• Prévisibilité du pipeline commercial : taux de conversion par étape de pipeline, taux de gain, montant moyen des contrats et stabilité du cycle de vente. Pouvoir prédire le chiffre d'affaires trimestriel avec une précision de ±10% est l'objectif (Blank & Dorf, 2012).

• Coefficient viral (k) : le nombre de nouveaux utilisateurs qu'un utilisateur existant apporte. Pour PLG/B2C, k≥1,0 marque l'entrée en croissance autonome (Croll & Yoskovitz, 2013).

Hypothèse de rétention et d'expansion : au-delà de l'annulation, le revenu par client augmente-t-il ?

• NRR (Net Revenue Retention) : pourcentage indiquant comment les revenus des clients existants ont évolué sur un an après déduction des ventes supplémentaires et des résiliations. Un taux supérieur à 100% est essentiel, 110% ou plus est considéré comme bon, 120% comme excellent. La médiane récente a baissé à environ 101% (Benchmarkit, 2025), et dépasser 110% place désormais une entreprise dans le groupe des meilleurs.

• Churn (logo / revenu) : le taux de résiliation en termes de nombre de clients et de revenu. Un churn mensuel au niveau logo inférieur à 1%, un churn annuel au niveau revenu inférieur à 10% est l'objectif.

• Taux de revenu étendu : pourcentage des revenus supplémentaires provenant des clients existants (vente additionnelle et vente croisée). L'objectif est d'atteindre un « churn net négatif » où la revenu étendue dépasse les pertes dues aux résiliations.

Hypothèse d'efficacité du capital : croît-on de manière efficace ?

• Burn Multiple : pour chaque euro de cash brûlé, combien de nouvel ARR a-t-on acquis (burn de trésorerie nette ÷ nouvel ARR net pur). C'est un indicateur de « qualité de croissance » proposé par Sacks. Les repères sont : moins de 1 c'est excellent, 1–1,5 c'est bon, 2–3 c'est questionnable, plus de 3 c'est dangereux (Sacks, 2020).

• Runway : nombre de mois restants pendant lesquels l'entreprise peut survivre avec ses fonds actuels. L'expérience montre qu'il faut viser 18–24 mois.

Hypothèse de discipline en capital : peut-on atteindre la rentabilité sans lever de fonds supplémentaires ?

• Jugement Default Alive / Dead : sans levée supplémentaire et au taux de croissance actuel, peut-on atteindre la rentabilité avant d'épuiser les fonds ? Graham (2015) avertit que « les fondateurs ont tendance à se considérer à tort comme Default Alive, et ils prennent conscience du danger trop tard ».

Stade 4 : Construction organisationnelle (Série B et au-delà)

C'est le stade où l'on fait croître l'entreprise vers une échelle durable et où l'on rend l'ensemble de la société rentable.

Hypothèse de croissance efficace durable : peut-on concilier croissance et rentabilité ?

• Rule of 40 (*OMTM) : taux de croissance du chiffre d'affaires + taux de profit. L'objectif est 40% ou plus. Cette règle exprime l'équilibre entre croissance et rentabilité en un seul chiffre, ce qui la rend adaptée comme OMTM pour les phases de maturité. Les derniers benchmarks montrent que la médiane pour les SaaS B2B est autour de 25%, tandis que les 25% des meilleures entreprises atteignent environ 43% (Benchmarkit, 2025 et autres), ce qui signifie que dépasser 40% indique clairement un positionnement dans le groupe de tête.

• Marge opérationnelle / EBITDA / Résultat net : ensemble d'indicateurs mesurant le bénéfice final de l'activité. Le critère de succès est de passer au positif sur le résultat net final de l'entreprise (Blank & Dorf, 2012).

• Free Cash Flow (FCF) : trésorerie générée par l'activité opérationnelle moins les investissements, soit le cash qui reste en main. Quand le FCF devient positif, l'entreprise peut financer sa croissance avec ses propres ressources, indépendamment des conditions du marché.

Hypothèse du moteur d'expansion : peut-on générer une croissance continue à partir de la base existante ?

• NRR (expansion) : capacité à élargir les revenus des clients existants. L'objectif est 120% ou plus. À la phase de maturité, la source principale de croissance n'est pas l'acquisition de nouveaux clients, mais l'expansion des clients existants.

• LTV et marge brute par cohorte : rentabilité à long terme mesurée par date d'acquisition des clients. Le critère de santé est que les cohortes plus récentes s'améliorent (Croll & Yoskovitz, 2013).

Hypothèse de portefeuille d'affaires : existe-t-il des segments gagnants ?

• Unit economics par segment / produit : rentabilité pour chaque partie de l'activité. L'objectif est un ratio LTV/CAC de 3 ou plus pour tous les segments majeurs ; les segments déficitaires doivent être considérés pour un retrait (Benchmarkit, 2025).

• Part de marché / Concentration clientèle : part du marché capturée et dépendance envers les gros clients. La gestion du risque de concentration vise à ce que les 10 plus gros clients ne représentent pas plus de 30% du chiffre d'affaires.

Hypothèse de scalabilité organisationnelle : peut-on préserver l'efficacité organisationnelle et la densité de talents ?

• Chiffre d'affaires par employé : chiffre d'affaires ÷ nombre d'employés. Cet indicateur surveille la productivité lors du passage à l'échelle.

• eNPS / Taux de départ : l'eNPS mesure « recommanderiez-vous cette entreprise comme lieu de travail » (version NPS pour les employés). Il mesure la densité de talent et la pérennité organisationnelle (Cagan & Jones, 2021).

KPIs spécifiques aux agents IA spécialisés par secteur

Jusqu'à présent, nous avons présenté des indicateurs génériques de startups et SaaS, mais pour les agents IA spécialisés par secteur, les seuls indicateurs SaaS traditionnels ne suffisent pas à saisir la réalité de l'activité. Les agents IA ne « vendent pas du logiciel » mais « remplacent les processus métier eux-mêmes » ; il faut donc ajouter des indicateurs mesurant combien de main-d'œuvre peut être remplacée et les structures de coûts propres à l'IA. Sur la base de notre pratique, voici les principaux indicateurs à considérer.

• Taux d'automatisation : parmi les tâches ciblées, pourcentage où l'IA traite le processus de bout en bout sans intervention humaine. C'est l'indicateur clé de la proposition de valeur (remplacement de travail) ; viser d'abord 50% et améliorer progressivement. Si la proportion de révisions et corrections par des humains reste élevée, le service n'est en réalité qu'un « service humain prétendant être de l'IA », avec une marge brute et une scalabilité qui ne correspondent pas aux standards SaaS.

• Précision (taux sans retouches) : pourcentage des résultats de l'IA utilisables directement sans correction humaine. L'objectif est 90% ou plus. La précision est la condition préalable au taux d'automatisation et elle conditionne directement la confiance et le taux de résiliation des clients. Pour un agent spécialisé, la source de différenciation est « la précision dans son domaine propre comparée à un modèle généraliste ».

• KPI de valeur (taux de réduction des heures) : pourcentage de réduction des heures pour les tâches ciblées du client, comparé à l'avant-déploiement. L'objectif est 50% ou plus. Puisque la tarification des agents IA passe de modèles « par siège » à des modèles fondés sur la valeur (« heures réduites ou tâches remplacées »), cet indicateur devient le fondement de la stratégie de prix.

• Ratio de coût IA : pourcentage du chiffre d'affaires consacré aux coûts liés à l'IA (frais d'utilisation d'API LLM, coûts d'inférence, etc.). Gérer pour atteindre 30% ou moins. D'après ICONIQ Capital, les entreprises IA en phase de scalabilité supportent environ 23% du chiffre d'affaires rien qu'en coûts d'inférence ; Bessemer Venture Partners rapporte que les marges brutes des entreprises IA sont autour de 50–60% (contre 70–90% pour les SaaS matures). En revanche, a16z note la « LLMflation » : le coût d'inférence pour la même performance baisse d'environ 90% par an. Le ratio de coût IA doit donc être évalué non pas sur « la faiblesse actuelle » mais sur « si la conception nous permet de suivre cette tendance de baisse ».

• Accumulation de données d'apprentissage : volume de données et savoir-faire spécifiques au secteur accumulés par le traitement métier (en nombre de cas ou couverture). C'est un indicateur de progrès en imitabilité (moats). À mesure que les modèles généralistes se renforcent, la source de défense se déplace du « modèle » vers « les données sectorielles uniques et l'intégration dans les workflows que seule l'entreprise possède ». Vérifier que la boucle d'amélioration continue de la précision grâce à cette accumulation fonctionne bien.

• Croissance de l'utilisation et expansion bilatérale : croissance mensuelle du nombre de cas traités et extension vers les deux côtés du métier (ex. : s'élargir aux demandeurs et aux approbateurs). Contrairement au modèle par siège, la revenu étendue des agents IA naît de « l'augmentation du volume de traitement », ce qui en fait un indicateur avancé du NRR.

Conclusion

Résumé en une phrase des OMTM par stade : taux de validation du problème → rétention → taux de croissance ARR → Rule of 40.

Il est essentiel de déterminer à quel stade se trouve l'activité actuelle et de concentrer l'équipe sur l'OMTM de ce stade.

Références

• Agrawal, N. (2015). The SaaS adventure. Battery Ventures／TechCrunch.（Colonne d'investisseur qui a proposé le chemin de croissance « T2D3 » par lequel une SaaS atteint 100 millions d'euros d'ARR）

• Benchmarkit. (2025). 2025 B2B SaaS performance metrics.（Étude comparative annuelle couvrant plus de 900 SaaS B2B, publiant les médianes du NRR, CAC payback et autres métriques）

• Blank, S. G. (2006). The four steps to the epiphany. Steven G. Blank.（Document fondateur du « modèle de développement client », qui compte 4 stades de la découverte client à la construction organisationnelle）

• Blank, S., & Dorf, B. (2012). The startup owner's manual. K&S Ranch.（Manuel pratique pour les startups qui traduit le modèle de développement client en procédures et listes de contrôle）

• Cagan, M. (2018). Inspired (2nd ed.). John Wiley & Sons.（Manuel de référence en gestion de produit, couvrant les 4 risques : valeur, utilisabilité, faisabilité et viabilité commerciale）

• Cagan, M., & Jones, C. (2021). Empowered. John Wiley & Sons.（Guide pratique sur la construction d'organisations produit solides et la densité de talent）

• Croll, A., & Yoskovitz, B. (2013). Lean analytics. O'Reilly Media.（Ouvrage de référence sur l'utilisation des données, présentant le concept d'OMTM et les cadres d'indicateurs par stade et modèle commercial）

• Ellis, S. (2017). Using product/market fit to drive sustainable growth. Growth Hackers.（Colonne expliquant le test de Sean Ellis, qui définit le PMF comme 40% de déception si le produit disparaissait）

• Fitzpatrick, R. (2013). The mom test. CreateSpace.（Guide des entretiens clients qui souligne l'importance de poser des questions sur le comportement et les dépenses passés plutôt que sur les opinions）

• Graham, P. (2015). Default alive or default dead?（Essai du fondateur de Y Combinator questionnant si l'on peut atteindre la rentabilité sans levée supplémentaire）

• Moore, G. A. (1991). Crossing the chasm. HarperBusiness.（Classique qui examine le « gouffre » entre le marché initial et le marché principal, et comment le franchir）

• Ries, E. (2011). The lean startup. Crown Business.（Ouvrage fondateur du lean startup, connu pour la boucle build-measure-learn et la critique des indicateurs de vanité）

• Sacks, D. (2020). The burn multiple. Craft Ventures.（Colonne d'investisseur proposant le burn multiple pour mesurer la « qualité de croissance » par nouvel ARR par euro brûlé）

• Scale Venture Partners. (n.d.). A primer on SaaS sales efficiency.（Article explicatif d'un VC proposant le « magic number » pour mesurer l'efficacité des investissements commerciaux et marketing）

• Vohra, R. (2018). How Superhuman built an engine to find product/market fit. First Round Review.（Colonne publiant le processus pratique de Superhuman pour améliorer le test de Sean Ellis de 22% à 58%）