En 2015, j’ai cofondé CompanyHouse, une tentative LegalTech de numériser l’immatriculation des sociétés et les formalités de modification en Iran. Le postulat était simple et, je le pense toujours, juste. Immatriculer une société ici exige un expert, parce que la procédure est délibérément opaque. L’expertise est le produit — et le goulot d’étranglement.
Nous avons construit ce que ce postulat implique. Nous avons modélisé le savoir tacite des spécialistes de l’immatriculation sous la forme d’un parcours numérique guidé, fondé sur des questions, qui générait les dossiers. Choix de la forme de société, saisie des données, génération des documents. Nous avons travaillé avec des juristes pour convertir règles, points de décision et exceptions en logique produit. Sur le papier, c’était une conception produit propre.
Le service a fonctionné pendant un an et a fermé. Ce fut ma première expérience sérieuse de transformation d’un savoir spécialisé en produit, et la leçon qu’elle m’a laissée est celle dont je me suis le plus servi depuis : transformer un savoir d’expert en produit est un problème d’extraction de connaissance bien avant d’être un problème de logiciel.
Pourquoi l’extraction est la partie difficile
Un expert sait décrire le chemin. Ce qu’il décrit difficilement, c’est l’exception — le moment où il regarde un dossier, où quelque chose cloche, et où il le contourne sans même remarquer qu’il a pris une décision. C’est là que se trouve la valeur. C’est aussi la partie invisible pour celui qui la pratique, parce que pour lui ce n’est pas une décision, c’est juste un mardi comme un autre.
Le test pour savoir si vous avez transformé quoi que ce soit en produit n’est donc pas de savoir si le chemin décrit fonctionne. C’est de savoir si le chemin non décrit fonctionne. Tant que vous ne savez pas modéliser les questions que pose le spécialiste et les exceptions qu’il connaît, vous n’avez pas de produit. Vous avez un service avec un écran de connexion, et le spécialiste reste le goulot d’étranglement — avec désormais une interface moins bonne.
Le même problème, cinq fois de plus
Une fois qu’on a nommé un schéma, on commence à le voir partout, et l’essentiel de mon travail depuis en a été une variante.
Chez Bamana, cofondée en 2020, l’écart séparait le savoir d’expert d’une décision à 23 heures un mardi soir. Les parents se noient dans les conseils parentaux et manquent cruellement d’orientation. L’intervention n’a pas été du contenu — ce fut de la structure : des taxonomies, des classifications de besoins et des parcours de contenu qui transforment le savoir spécialisé en quelque chose sur quoi un parent fatigué peut agir. L’étape d’extraction a consisté à organiser ce que savent les spécialistes autour de ce qu’un parent doit décider, plutôt qu’autour de la façon dont les spécialistes le classent. Le produit a été lancé et a évolué pendant quatre ans.
Chez Mehrabani et Soha, le savoir tacite appartenait aux travailleurs sociaux. Le don caritatif échoue aux deux bouts : les donateurs ne peuvent pas vérifier le besoin, et les travailleurs sociaux ne peuvent pas prouver le résultat. La confiance s’effondre au milieu. Le jugement selon lequel un besoin est réel se trouve dans la tête d’une personne, et il ne voyage pas. Nous avons donc construit la Carte Mehrabani — un seul objet portant le besoin vérifié, l’histoire du bénéficiaire, le don et le résultat — avec Soha en dessous comme couche de données des besoins vérifiés. La partie dont je suis le plus sûr est la moins glorieuse : nous avons conçu le processus opérationnel que les travailleurs sociaux utilisent réellement. Si la couche d’extraction est un fardeau, elle n’est pas remplie, et il n’y a alors plus rien à transformer en produit.
Chez WritingChex, l’expert était un examinateur IELTS. Un candidat vivant hors d’une grande ville n’a ni examinateur, ni retour, ni moyen de savoir pourquoi son écrit obtient la note qu’il obtient. Nous avons construit un moteur de retour par IA qui simule l’examen, analyse la réponse et renvoie un retour précis, exploitable et calqué sur celui d’un examinateur, puis nous avons conçu la boucle de progression autour de lui. Il a atteint un MVP validé, avec de vraies soumissions et les premiers clients payants — la première preuve que des gens paieraient pour un retour produit par une machine. Il s’est arrêté en 2025. J’ai été honnête avec l’équipe sur les points où l’on ne pouvait pas faire confiance au modèle, ce qui revient à appliquer plus tôt la leçon de CompanyHouse : les exceptions sont là où se trouve la valeur, et un système sûr de lui sur les exceptions est pire que pas de système du tout.
Ketabno a inversé le problème. Le savoir à transformer en produit n’était pas celui d’un expert — c’était ce qui fait qu’un adolescent continue à lire. Les adolescents n’arrêtent pas de lire parce que les livres sont mauvais. Ils arrêtent parce que la lecture est solitaire, non récompensée et invisible pour leurs amis. Le produit portait donc la couche sociale : parcours narratifs, points, médailles, personnages narrateurs, quiz. Il a été lancé en environ trois mois.
Là où cela a enfin vraiment fonctionné
Shalize est le cas le plus clair, parce que le savoir tacite y était opérationnel plutôt que professionnel. Une entreprise d’or et d’argent physiques fonctionnait sur des messages WhatsApp, la mémoire et la confiance, et le volume augmentait plus vite que le processus ne pouvait l’absorber. La mémoire ne se transmet pas.
Nous avons reconstruit le système d’exploitation de bout en bout — demande, commande, facturation, vérification du paiement, exécution, suivi et rachat — et placé un CRM en dessous. Le vrai lancement n’était pas le site web. C’était l’obligation pour les ventes de cesser de travailler de mémoire ; l’adoption du CRM a été le lancement. Le volume physique quotidien est passé de 0,5 à 10 kg/jour, et l’entreprise déclare plus de 4 000 clients acheteurs vérifiés et plus de 1 000 milliards de tomans de volume brut de transactions. Ces chiffres sont déclarés par l’entreprise, issus du portefeuille Tamin Tejarat Espahbod Khorshid, non audités, et ne constituent ni un chiffre d’affaires ni une marge nette. Je préfère le dire plutôt que de les laisser faire un travail qu’ils n’ont pas mérité.
Mokaab en est la note complémentaire. J’ai conçu l’architecture d’une plateforme d’investissement complète — parcours d’achat, de vente, de détention, de rachat, de tarification, de facturation, de livraison et de compte — avec l’obligation de rachat intégrée dès le premier jour plutôt qu’ajoutée après coup. Elle n’a jamais été lancée : les priorités du groupe parent se sont tournées vers les opérations physiques avant la mise en service de la plateforme. Mais l’architecture et le modèle de marché ont survécu et ont été intégrés au système d’exploitation de Shalize. Le savoir extrait survit au produit pour lequel il a été extrait. C’est l’argument pour mener l’extraction même quand vous n’êtes pas sûr que la chose sera lancée, et c’est pourquoi je liste les échecs — un portfolio qui n’en comporte pas est un portfolio sur lequel on ne peut pas s’étalonner.
Chez Emkan, le même geste s’applique à la politique publique. Le développement territorial se discute dans une langue sur laquelle aucune équipe produit, aucun investisseur et aucun citoyen ne peut agir. Le travail a donc consisté à le traduire en structures qu’une équipe produit peut réellement construire : missions de développement, zones économiques, secteurs, bibliothèque, galerie. Pour Invest Iran, la plateforme de l’agence de promotion des investissements, le savoir tacite portait sur la manière dont un investisseur sérieux est réellement accompagné — traduit en architecture d’un parcours investisseur complet, de la découverte des opportunités et de l’évaluation des avantages concurrentiels jusqu’à la manifestation d’intérêt et à l’engagement institutionnel, puis à la gestion des demandes et à l’accompagnement après investissement.
Le test est simple et sans pitié. Si l’expert part en vacances, la chose fonctionne-t-elle encore ? Si la réponse est non, vous n’avez encore rien transformé en produit. Vous avez documenté un goulot d’étranglement.