Contexte et objectifs
En mai 2025, Ahad Ali dirigeait une équipe de vingt comptables et traitait plus de deux mille déclarations fiscales annuelles. Frustré par les frictions imposées par les solutions SaaS comme QuickBooks, il a constaté que les petites entreprises recherchent moins de logiciels que d’automatisation complète. Son projet, Tabby, se présente comme une interface de tenue de livres en temps réel, destinée à remplacer la couche logicielle visible et à fournir directement des indicateurs de profit et perte. Quatorze mois après son lancement, la plateforme compte 5 500 PME et génère environ 100 000 $ de revenu récurrent annuel, tout en restant une équipe de sept personnes en phase de pré‑seed de 1 M $.
Architecture technique
Tabby s’appuie sur l’API Plaid pour extraire les flux bancaires en direct, ce qui élimine la saisie manuelle des relevés. Les données brutes sont acheminées vers un modèle d’intelligence artificielle propriétaire qui normalise, catégorise et agrège les transactions en temps réel. Le pipeline d’IA comprend un pré‑traitement des champs (montant, date, libellé), suivi d’un classificateur supervisé entraîné sur des jeux de données comptables publics et internes. Le résultat alimente un tableau de bord dynamique affichant le chiffre d’affaires, les dépenses et les marges, mis à jour dès la réception d’une nouvelle transaction. Une version « Tabby for firms » propose une API interne permettant aux cabinets de synchroniser plusieurs comptes clients tout en conservant la même logique de classification. Le produit prévoit également le lancement de « Tabby Talk », une interface en langage naturel qui traduit des requêtes textuelles (« Quel est mon cash‑flow ce mois‑ci ? ») en appels API au moteur d’analyse.
Analyse des impacts et limites
Sur le plan fonctionnel, l’intégration directe de Plaid réduit le temps de rapprochement de plusieurs heures à quelques minutes, ce qui justifie l’ambition d’« automatiser la comptabilité ». Cependant, la dépendance à Plaid introduit un point de défaillance externe : toute interruption de l’API ou modification des politiques d’accès peut suspendre la collecte de données. Du point de vue de la conformité, le traitement automatisé de données financières sensibles impose le respect du RGPD et des normes PCI‑DSS ; le texte source ne précise pas les mesures de chiffrement ou de stockage, ce qui constitue une zone d’incertitude. Le modèle d’IA, bien que performant sur les jeux de données d’entraînement, peut mal classer des transactions atypiques (ex. : frais de change ou remboursements partiels), générant des erreurs de reporting qui nécessitent une supervision humaine. En outre, la tarification prévue sous forme d’abonnement mensuel comparable à l’accès internet implique que les marges bénéficiaires des petites entreprises pourraient diminuer si le service ne délivre pas une précision quasi‑parfaite. Enfin, la concurrence est forte : QuickBooks reste le leader dominant, tandis que des startups comme Rillet, soutenues par Sequoia, développent des solutions similaires basées sur des grands modèles de langage. Tabby devra donc démontrer une supériorité en termes de rapidité d’intégration, de fiabilité des classifications et de conformité réglementaire pour gagner des parts de marché parmi les 30 millions de PME américaines estimées.
