Synthèse — mai 2026
Deux entretiens, un sujet travaillé en profondeur. Ce document en est la synthèse — pas un exercice de style, pas une relance. Une base de travail.
Quatre angles pour lire pyannoteAI au moment où elle en est.
pyannote.audio est devenu standard de marché sur la diarisation. pyannoteAI commercialise cette expertise : modèles premium, API, on-prem, SLA. 40M dl/mois côté OSS, ~4M ARR côté commercial, seed 8.1M EUR bouclé en 2025.
AssemblyAI, Deepgram, Speechmatics sur le STT ; Whisper comme baseline open source. Aucun ne se spécialise sur la couche speaker avec ce niveau de recherche. La prochaine levée se profile fin 2026 / début 2027 — les métriques enterprise qui se construisent maintenant en seront le socle.
Le signal existe déjà — utilisateurs en production, inbound structuré, communauté Hugging Face active. Le travail est de le qualifier et de le convertir, pas de le créer. Motion PLG-to-enterprise, pas cold outbound générique.
Écrire le playbook qui n'existe pas. Coordonner RevOps, product, pre-sales. Convertir les premières opportunités enterprise tout en rendant la machine transmissible. Pas gérer un CRM déjà instrumenté.
Entretien #1 — 27 avril 2026
Lecture GTM après l'échange. Fit, rôle, culture, inbound/outbound, Applied AI, signaux OSS, organisation.
Six points qui structurent la lecture du poste.
Une large partie des "prospects" sont déjà utilisateurs. L'outbound ne convainc pas — il identifie le moment de bascule : SLA, accuracy, souveraineté, support.
Écrire le playbook qui n'existe pas. Coordonner RevOps, product, pre-sales. Rendre la machine transmissible avant de recruter. Pas gérer un CRM déjà instrumenté.
Hugging Face, GitHub, inbound, usage API, job posts, funding. La compétence clé : qualifier ces signaux — pas générer du volume téléphonique.
DER, latence end-to-end, on-prem vs cloud, STT orchestration. Assez pour tenir face à un interlocuteur technique. Pas assez pour remplacer le pre-sales.
Les projets custom mobilisent l'équipe tech. Données, labels, droits, GPU, budget, timeline : cadrer strictement avant d'ouvrir la porte. Sinon c'est de la R&D gratuite.
RevOps, PMM, pre-sales, Applied AI : recrutés ou à recruter. Le premier commercial arrive dans un environnement technique fort — sans infrastructure GTM stabilisée.
Entretien #2 — 29 avril 2026
Vision du moment de marché. Enterprise, open source funnel, temps réel, orchestration, US.
Ce que l'échange a produit comme lecture du GTM.
La souveraineté data européenne est un levier commercial réel. Structurer une motion enterprise en Europe est complémentaire de la traction US, pas antagoniste.
Ne pas remplacer le STT du client — s'intégrer dans ce qu'il a déjà. La valeur est dans la couche speaker, pas dans la substitution de stack.
L'OSS a fait le travail de conviction. Le job commercial : identifier le moment où un utilisateur OSS a besoin de quality, SLA, support ou on-prem.
L'inflexion PLG → enterprise et ce qu'elle implique commercialement.
pyannoteAI est au moment où l'adoption technique se transforme en machine commerciale. Ce qui se construit maintenant détermine la capacité à signer des deals à six chiffres dans 12 mois.
Partner-safe avec les STT providers. Le message commercial gagne à ne pas positionner pyannote comme un remplaçant — mais comme un renfort qui fiabilise l'attribution speaker sans toucher au reste de la stack.
DAY 1 — Plan
Pas un document de 80 pages. Un système d'apprentissage organisé — avec une architecture modulaire, des plays testables, et des hypothèses à valider ou tuer rapidement.
Ce qui conditionne toute l'architecture du playbook.
Le signal existe. RevOps + données usage = premier avantage outbound. Identifier le moment de bascule — SLA, accuracy, souveraineté, on-prem — avant toute séquence.
Un message qui ne peut pas parler DER, latence, on-prem ou fine-tuning se fait éjecter. Ça conditionne le profil, les séquences et la façon d'entrer dans un compte.
Ce qui se construit aujourd'hui détermine la capacité à signer des deals à six chiffres dans 12 mois. Apprendre vite — pas documenter parfaitement.
Dans l'ordre où chaque module débloque du revenu.
Cycle court, douleur speaker aiguë, interlocuteur technique mature. Speaker attribution visible par l'utilisateur final. Terrain d'apprentissage idéal pour les 60 premiers jours.
Volume important, ACV élevés, buyers multiples — CCaaS, BPO, analytics interne. Patterns agent/client très reproductibles sur QA et compliance.
Souveraineté, on-prem, route via intégrateurs (Thales, Airbus DS, Atos). Pas d'outbound standard — approche warm, cadrage strict. ACV fort, cycle 3-6 mois.
Vertical en forte croissance, sensibilité HIPAA/HDS, attribution médecin/patient critique. Route via plateformes verticales — pas directement les hôpitaux.
RevOps + données OSS/Hugging Face. CRM, inbound, 10 utilisateurs interrogés.
Top 100 comptes scorés et tiérés.
Messages ICP × persona à partir du Tier 1. 3 séquences testables par ICP.
Séquences prêtes à tester — pas à perfectionner.
Reply rate, meeting rate, qualified opp rate. Vraies objections documentées.
Premières métriques honnêtes.
Couper sans attendre. Doubler sur ce qui répond. Draft v1 + roadmap 6 mois.
Ce qu'on tue, ce qu'on scale, les inconnues restantes.
Ce qu'on ne peut pas savoir avant d'être dedans.
Hypothèse : les note-takers — techniquement matures, douleur diarisation aiguë. À invalider vite si la donnée terrain dit autre chose.
Probablement la comparaison de DER sur datasets spécifiques face à Whisper fine-tuné. À valider en POC — pas en slide.
La frontière PLG / sales-assisted / enterprise se dessine après les 20 premiers deals. Toute hypothèse préalable est une approximation.
Comptes identifiés
Note-takers, conversation intelligence, un dossier défense. Pas une liste exhaustive — un premier signal de ce que l'outbound aurait pu produire.
Ce qui rend un compte prioritaire dans la logique pyannoteAI.
Corrections manuelles, mauvais speaker dans les summaries, confusion agent/client, analytics peu fiables, compliance fragilisée. Le pain doit être visible — pas supposé.
Pas un prospect qui "pourrait utiliser de la diarisation un jour". Un compte qui a déjà du volume, un STT en place, et un besoin de fiabiliser la couche speaker.
Buyer technique clair, economic buyer accessible, trigger récent (funding, product launch, job post, compliance). Pas un logo sans chemin d'entrée.
Dataset représentatif disponible, baseline existante, critères de succès définissables avant le test. Sinon c'est une expérimentation gratuite, pas une opportunité commerciale.