Imaginez un instant que votre quotidien professionnel ne soit plus un patchwork de fichiers Excel ouverts dans un onglet, de diaporamas PowerPoint dans un autre, de notes Word éparpillées et de copier-coller interminables vers ChatGPT. Et si tout cela pouvait fusionner dans un seul espace fluide, transparent et propulsé par l’intelligence artificielle ? C’est exactement la vision que porte aujourd’hui Rohit Patel, l’ancien directeur de Meta Superintelligence Labs, qui vient de quitter le géant après huit années passées à développer des systèmes d’IA avancés. Son nouveau projet, Ndoc, se positionne comme une alternative native à l’intelligence artificielle face aux suites bureautiques traditionnelles de Microsoft Office et de Google Workspace. Dans un secteur où les géants multiplient les couches d’IA sur des outils existants, Patel choisit une autre voie : reconstruire le workspace de A à Z.

Un départ qui s’inscrit dans une vague de mouvements stratégiques

Le départ de Rohit Patel n’est pas un événement isolé. Ces derniers mois, Meta a vu plusieurs profils de haut niveau quitter ses rangs. Joel Kaplan, ancien Chief Global Affairs Officer, Andrew Tulloch, chercheur en IA reconnu, et Emily Dalton Smith, responsable produit pour l’IA appliquée au travail, ont également franchi le pas. Cette succession de départs illustre une dynamique plus large dans l’industrie : les talents formés au sein des grands laboratoires cherchent désormais à construire des solutions plus agiles, moins contraintes par les processus internes des géants technologiques.

Pendant ses huit années chez Meta, Patel s’est concentré sur le renforcement d’apprentissage, cette branche du machine learning où les agents apprennent par essais et erreurs afin de maximiser des récompenses. Il a également travaillé sur l’évaluation de la fiabilité des sorties générées par les modèles. Cette double expertise – capacité à faire progresser les agents et souci permanent de vérifier ce qu’ils produisent – se retrouve au cœur de la philosophie de Ndoc. Pour lui, si l’IA doit générer les tableaux, les analyses et les présentations qui orientent les décisions d’entreprise, il est indispensable de pouvoir contrôler son raisonnement.

Dans un entretien exclusif rapporté par TechCrunch, Patel explique qu’il a choisi de partir pour avancer plus vite. Chez un acteur de la taille de Meta, ouvrir un format de fichier et le rendre accessible à tous les développeurs nécessiterait l’accord de centaines de personnes. Lui préfère la vitesse : « Les humains ne peuvent avancer qu’à rythme humain, alors que je peux avancer au rythme de ce que l’IA permet. »

Ndoc : une architecture en trois onglets conçue pour l’unité

Contrairement aux outils qui se contentent d’ajouter une barre de chat latérale à un tableur ou à un traitement de texte, Ndoc a été imaginé comme un workspace unique. L’interface s’organise autour de trois composants principaux qui cohabitent dans la même vue.

Le premier, appelé Stage, accueille les présentations de résultats : diaporamas, tableaux de bord, simulations ou même mini-applications interactives. C’est l’espace où les insights deviennent visibles et partageables. Le deuxième, nommé Narrative, concentre les analyses, les citations numérotées, les figures générées automatiquement et surtout le « pourquoi » derrière les chiffres. Enfin, l’onglet Model regroupe les jeux de données sous-jacents et les scripts Python qui ont servi à produire les documents. Cette organisation n’est pas anodine : elle reflète la conviction de Patel selon laquelle la transparence doit être structurelle et non optionnelle.

Même si vous ne connaissez pas Python, vous pouvez demander au chat IA d’expliquer ce que fait ce script, quelle ligne contient ma formule. Vous pouvez vérifier cette formule. Il n’y a rien de caché derrière le rideau.

– Rohit Patel

Cette approche change radicalement la relation de confiance entre l’utilisateur et l’outil. Au lieu de recevoir un livrable opaque, le professionnel conserve un accès permanent à la logique qui a produit le résultat. Dans un contexte où les décisions stratégiques reposent de plus en plus sur des analyses générées par des modèles, cette capacité de vérification devient un argument concurrentiel majeur.

La mémoire contextuelle au service des équipes

Ndoc intègre une couche de mémoire qui fonctionne à plusieurs niveaux. L’outil se souvient non seulement des préférences de l’utilisateur individuel, mais aussi du contexte propre à un document, à une équipe et même à l’entreprise dans son ensemble. On peut préciser le ton souhaité, le public cible ou des contraintes spécifiques. Cette mémoire persistante permet d’éviter de répéter les mêmes instructions à chaque nouvelle session et crée une continuité rare dans les outils d’IA actuels.

Concrètement, un analyste peut importer un jeu de données, demander une analyse complète et obtenir simultanément un récit structuré des conclusions. Les collègues qui n’ont pas de compte Ndoc peuvent malgré tout consulter le livrable, ce qui facilite la collaboration inter-équipes. Cette ouverture relative constitue un point différenciant face aux plateformes purement fermées.

Des modèles open source pour un coût maîtrisé

Patel a fait le choix de s’appuyer sur un mélange de modèles open source fine-tunés spécifiquement pour Ndoc. En construisant la plateforme depuis zéro plutôt qu’en s’appuyant sur des API de modèles frontière, l’équipe affirme pouvoir proposer des coûts d’exécution nettement plus bas. Pourtant, l’entrepreneur constate avec amusement que ce n’est pas cet argument qui séduit le plus les premiers utilisateurs. Ce qui les enthousiasme, c’est de voir l’ensemble du parcours – données, analyse, narration et présentation – réuni dans un seul endroit.

Ce retour terrain est révélateur. Les entreprises sont de plus en plus sensibles à la fragmentation des outils. Chaque bascule entre un tableur, un outil de visualisation et un assistant conversationnel génère des frictions, des pertes de contexte et des risques d’erreur. Ndoc tente de supprimer ces points de rupture.

Réinventer le fichier lui-même

L’une des ambitions les plus radicales de Patel concerne le format de fichier. Les documents Ndoc peuvent être exportés sous la forme d’un unique fichier .ndoc.html ouvrable dans n’importe quel navigateur. Le fondateur prévoit d’ouvrir ce format afin que d’autres développeurs puissent créer des applications compatibles sans être verrouillés dans un écosystème propriétaire, comme c’est le cas depuis des décennies avec les formats Microsoft ou Google.

Cette volonté d’ouverture a pesé dans la décision de quitter Meta. Dans une grande organisation, faire converger les avis sur la spécification d’un format ouvert prendrait des mois, voire des années. En partant seul avec une équipe de trois personnes et sans financement externe pour l’instant, Patel conserve la liberté de décider et d’itérer rapidement.

Face aux géants : une critique claire de l’approche dominante

OpenAI, Anthropic, Meta, Google et d’autres acteurs ont tous lancé des solutions d’entreprise qui connectent leurs modèles aux outils existants – Google Workspace, Microsoft 365 et autres. OpenAI a même dévoilé récemment Space, un espace de travail partagé à l’intérieur de ChatGPT. Patel reconnaît que ces initiatives constituent une concurrence sérieuse, mais il estime que la philosophie sous-jacente est erronée.

Les entreprises collent de l’IA sur des tableurs et elle remplit les cellules à votre place. Cela me brise le cœur. C’est comme si l’on venait de découvrir l’électricité et que l’on décidait que la meilleure utilisation était de mettre des lampes sur mes bœufs qui labourent. Non. Prenez un tracteur.

– Rohit Patel

Cette métaphore illustre bien la différence de posture. Là où la plupart des laboratoires cherchent à injecter de l’intelligence dans les outils que les gens utilisent déjà, Patel veut transformer radicalement la façon de travailler. Il n’ignore pas pour autant la difficulté de faire évoluer les habitudes. C’est pourquoi Ndoc intègre des connecteurs permettant d’importer des données depuis les outils déjà en place. L’objectif n’est pas de forcer une rupture brutale, mais d’offrir une alternative suffisamment convaincante pour que le basculement se fasse naturellement.

Une exigence personnelle comme critère de qualité

Patel applique à son produit le même niveau d’exigence qu’à ses propres workflows. Il explique qu’il dispose déjà d’optimisations IA très poussées pour chacune de ses tâches. Si, en utilisant Ndoc, il se retrouve à revenir à ses anciens outils, c’est que le produit n’est pas encore assez bon. Il évoque d’ailleurs un « cimetière d’outils » qui n’ont pas franchi cette barre personnelle. Cette discipline interne guide les priorités de développement et évite de sortir des fonctionnalités purement marketing.

La même rigueur s’applique à la levée de fonds. Patel refuse de lever de l’argent tant qu’il n’a pas la preuve concrète que des utilisateurs aiment réellement le produit. À ce stade, Ndoc mène un pilote entreprise et ouvre une version alpha à un nombre limité de clients inscrits sur liste d’attente. L’inscription est gratuite, mais l’usage et les tokens sont facturés. Une version bêta est attendue dans les semaines à venir, avec un lancement plus large prévu l’année prochaine.

Pourquoi cette approche peut séduire les équipes marketing et data

Pour les professionnels du marketing digital, de l’analyse de données et de la stratégie startup, Ndoc touche plusieurs points sensibles. La fragmentation des outils de reporting est une réalité quotidienne. Les équipes passent un temps considérable à assembler manuellement des données provenant de sources multiples, à reformater des graphiques et à rédiger des récits cohérents pour les parties prenantes. Un workspace qui unifie ces étapes tout en conservant la traçabilité des calculs répond à un besoin concret.

La transparence des scripts Python sous-jacents offre également un avantage pédagogique. Les membres d’équipe moins techniques peuvent interroger le système pour comprendre une formule ou une transformation de données. Cela réduit la dépendance aux data analysts et accélère la prise de décision collective.

Enfin, le format exportable et potentiellement ouvert pourrait simplifier le partage avec des clients ou des partenaires qui n’utilisent pas la même stack. Dans un écosystème où les freins à la collaboration sont souvent techniques, cette portabilité constitue un atout non négligeable.

Les défis d’une startup de trois personnes face aux laboratoires géants

Construire une plateforme capable de remplacer des outils aussi ancrés que Microsoft Office ou Google Workspace représente un pari audacieux. Patel le reconnaît lui-même. Les laboratoires d’IA disposent de ressources colossales, de bases d’utilisateurs déjà massives et de la capacité à itérer très rapidement. Pourtant, l’histoire de la tech regorge d’exemples où des équipes réduites ont réussi à créer des ruptures en se concentrant sur une expérience radicalement meilleure.

Le fondateur mise sur la vitesse d’exécution. Selon lui, l’exécution est devenue extrêmement peu coûteuse grâce aux outils d’IA. Mieux vaut donc avancer sur un plan imparfait plutôt que d’attendre d’avoir la stratégie parfaite : « Au moment où vous aurez peaufiné le meilleur plan, l’exécution aura déjà été réalisée par quelqu’un d’autre. »

Ce que révèle cette initiative sur l’évolution du marché de l’IA d’entreprise

Le projet Ndoc s’inscrit dans une tendance plus large. Après une première vague d’outils qui se contentaient d’ajouter une couche conversationnelle aux logiciels existants, une seconde génération d’entrepreneurs cherche à reconstruire les workflows de fond en comble. Cette approche « AI-native » suppose de repenser non seulement l’interface, mais aussi la nature même des documents et des collaborations.

La question de la confiance reste centrale. Les entreprises hésitent encore à confier des analyses critiques à des systèmes dont le raisonnement demeure opaque. En exposant les scripts et en permettant de les interroger en langage naturel, Ndoc tente de répondre à cette inquiétude. Si cette philosophie se généralise, elle pourrait influencer la façon dont les prochaines générations d’outils d’IA d’entreprise seront conçues.

Par ailleurs, le choix de s’appuyer sur des modèles open source fine-tunés plutôt que sur des API propriétaires soulève des enjeux de coûts et de souveraineté. Pour de nombreuses organisations, particulièrement en Europe, la maîtrise des coûts d’inférence et la possibilité d’héberger ou d’auditer les modèles deviennent des critères de décision importants.

Les prochaines étapes et ce qu’il faut surveiller

Ndoc se trouve actuellement dans une phase critique. Le pilote entreprise et l’ouverture de l’alpha permettront de tester en conditions réelles la proposition de valeur. Les retours des premiers utilisateurs seront déterminants pour ajuster l’interface, les connecteurs et la tarification basée sur l’usage et les tokens.

Plusieurs indicateurs mériteront d’être suivis dans les mois à venir :

• La capacité de l’équipe à maintenir une expérience unifiée tout en élargissant les cas d’usage
• L’adoption réelle du format .ndoc.html par des développeurs tiers
• La robustesse des connecteurs vers les outils existants
• La perception de la transparence des scripts par des utilisateurs non techniques
• La trajectoire de coûts par rapport aux solutions basées sur des modèles frontière

Si Ndoc parvient à démontrer qu’un workspace réellement natif IA peut remplacer des suites bureautiques installées depuis des décennies, l’impact pourrait dépasser largement le cercle des early adopters. Cela enverrait un signal fort à l’ensemble de l’industrie : les utilisateurs sont prêts à changer d’outils dès lors que le gain en clarté, en rapidité et en confiance est suffisamment tangible.

Une leçon pour les fondateurs et les équipes produit

L’histoire de Rohit Patel offre plusieurs enseignements. Premièrement, l’expertise développée au sein des grands laboratoires peut devenir un accélérateur lorsqu’elle est libérée des contraintes organisationnelles. Deuxièmement, la transparence n’est plus seulement un argument éthique : elle devient un critère de différenciation produit. Troisièmement, refuser de lever trop tôt peut forcer une discipline utile autour de la validation réelle par les utilisateurs.

Pour les professionnels du marketing, de la communication digitale et de la stratégie startup, ce type d’initiative rappelle que l’IA d’entreprise n’en est qu’à ses débuts. Les outils d’aujourd’hui, aussi impressionnants soient-ils, restent souvent des greffes sur des architectures héritées. Les projets qui réussiront à reconstruire les fondations auront potentiellement un avantage structurel durable.

Enfin, la métaphore du tracteur versus les lampes sur les bœufs mérite d’être méditée. Dans de nombreux domaines – analyse marketing, reporting financier, préparation de présentations stratégiques – nous continuons à optimiser des processus anciens avec de l’intelligence artificielle. La vraie rupture viendra peut-être de ceux qui oseront proposer un nouveau paradigme plutôt qu’une amélioration incrémentale.

Perspectives pour l’écosystème français et européen

Bien que Ndoc soit pour l’instant une initiative américaine, les enjeux qu’elle soulève résonnent particulièrement en Europe. Les questions de transparence algorithmique, de coûts d’inférence et de formats ouverts sont au cœur des discussions réglementaires et stratégiques. Les entreprises européennes cherchent des solutions qui allient performance et maîtrise. Un format de fichier ouvert et interopérable pourrait faciliter l’émergence d’un écosystème d’outils complémentaires sans dépendance exclusive à un fournisseur unique.

Les startups françaises spécialisées dans l’IA d’entreprise, l’analyse de données ou les outils de productivité ont tout intérêt à observer de près l’évolution de Ndoc. Non pas pour copier, mais pour comprendre quelles frictions utilisateurs restent encore non résolues par les solutions actuelles et comment une approche radicale de l’architecture produit peut créer de nouvelles opportunités.

Conclusion : un pari audacieux sur la reconstruction des workflows

Rohit Patel quitte Meta avec une conviction claire : coller de l’IA sur des outils du siècle dernier ne suffira pas. Il faut reconstruire. Ndoc incarne cette ambition avec une architecture en trois onglets, une mémoire contextuelle multi-niveaux, des modèles open source et un format de fichier pensé pour l’ouverture. L’équipe est petite, le financement externe absent pour l’instant, et la concurrence des laboratoires géants est réelle. Pourtant, le projet part d’un diagnostic précis des frictions quotidiennes et d’une exigence personnelle élevée.

Dans les mois qui viennent, la phase alpha et le pilote entreprise diront si cette vision trouve un écho suffisant auprès des utilisateurs. Si c’est le cas, Ndoc pourrait devenir l’un des exemples les plus concrets de ce que signifie vraiment un workspace IA-native. Et au-delà du produit lui-même, il pourrait influencer la façon dont toute une génération d’entrepreneurs aborde la conception d’outils de productivité à l’ère de l’intelligence artificielle.

Pour les décideurs marketing, les responsables data et les fondateurs de startups, l’histoire de Ndoc est une invitation à regarder au-delà des fonctionnalités additionnelles. La question n’est plus seulement « comment ajouter de l’IA à mon outil actuel ? », mais « quel serait le workflow idéal si je pouvais le reconstruire entièrement aujourd’hui ? ». C’est précisément cette question que Rohit Patel a choisi de poser, et d’y répondre par la construction plutôt que par la critique.

Le marché des outils de productivité d’entreprise n’a pas connu de véritable rupture depuis l’apparition des suites collaboratives en ligne. L’arrivée de l’IA générative a ouvert une fenêtre. Certains tentent de l’utiliser pour moderniser l’existant. D’autres, comme Patel, préfèrent saisir l’opportunité pour redessiner les fondations. L’issue de cette confrontation entre approche incrémentale et reconstruction radicale façonnera probablement le paysage des logiciels professionnels pour la décennie à venir.

En attendant, Ndoc ouvre sa liste d’attente et commence à collecter les premiers retours. Pour ceux qui cherchent à anticiper les évolutions de l’IA appliquée au travail collaboratif, suivre de près cette expérimentation s’impose comme une évidence. Car derrière un simple départ de Meta se dessine potentiellement une nouvelle manière de concevoir, vérifier et partager le travail intellectuel en entreprise.