VivaTech : le parcours inspirant de Photoroom dévoilé par son cofondateur

Le 19 juin 2026, sur une scène de VivaTech à Paris, Eliot Andres a livré une version très opérationnelle du parcours inspirant de Photoroom, sans s’abriter derrière des slogans. Le fil rouge est simple à vérifier sur le terrain : une application de création visuelle ne gagne pas par la seule démonstration technologique, elle gagne quand la contrainte d’usage est maîtrisée, du temps de traitement au rendu final, en passant par les moments où l’utilisateur abandonne. Le cofondateur a replacé la naissance de la start-up dans une frustration partagée par beaucoup d’équipes marketing et e-commerce : obtenir des visuels propres, cohérents et exploitables sans passer des heures sur des outils réputés puissants mais exigeants.

À mesure que l’IA générative s’est imposée, la société a dû arbitrer entre expérimentation et fiabilité, entre ambition et discipline d’exécution. Les chiffres avancés donnent l’échelle : 300 millions d’utilisateurs, une présence dans 180 pays, et plus de 7 milliards d’images traitées par an. L’enjeu devient alors industriel : optimiser les modèles, standardiser des workflows de production d’images, et tenir une promesse de rapidité qui change l’adoption. Dans ce récit, l’innovation n’est jamais décorative ; elle est jugée à l’aune du commerce en ligne, de la conversion et de la répétition d’usage, avec un sous-texte constant de transformation digitale des petits et grands acteurs.

VivaTech : les enseignements concrets du cofondateur de Photoroom sur un parcours inspirant

Sur la scène de VivaTech, l’intérêt du témoignage tient à sa précision sur les décisions qui font souvent défaut dans les récits de succès. Le cofondateur ne s’est pas contenté de dire que “l’IA change tout” ; il a détaillé ce qui change, quand, et à quel prix en complexité produit. La création de Photoroom en 2019 est présentée comme une réponse à un besoin simple : réduire l’écart entre une idée marketing (mettre un produit en valeur) et sa matérialisation (un visuel prêt à publier). Le point de départ, très terrain, concerne le détourage, étape chronophage qui mobilise des compétences et un temps de production difficilement compatibles avec les cadences du commerce en ligne.

Le récit met aussi en avant un élément rarement explicité : la contrainte d’attention sur mobile. Un outil peut être brillant en laboratoire et décevoir en usage réel si l’utilisateur doit interrompre son flux de travail. Dans la séquence racontée, un prototype de génération d’images demandait de prendre une photo, de lancer le traitement, puis d’attendre une notification après une à deux minutes. Le retour d’expérience est limpide : sur smartphone, cette latence casse l’élan, donc la valeur perçue. De cette expérience, la société tire une règle d’arbitrage produit : au-delà de 5 à 10 secondes, l’attente devient une friction qui doit être compensée par un saut qualitatif évident, sinon la fonctionnalité ne s’installe pas.

Dans une logique de transformation digitale, cette contrainte de temps est une métrique aussi structurante que la qualité d’image. L’équipe a donc investi dans l’optimisation, avec une discipline d’itération : réduire le temps de calcul, stabiliser les rendus, et maintenir l’expérience d’édition dans un flux continu. L’idée n’est pas abstraite : un marchand qui met à jour un catalogue, un community manager qui prépare une série de visuels, ou une marketplace qui standardise ses fiches produit, ont besoin d’un outil qui suit le rythme. Les détails partagés sur scène renvoient à une mécanique très concrète : cycles d’essais, ajustements, et recherche de compromis pour industrialiser une promesse de simplicité.

La dimension “parcours” se lit enfin dans l’articulation entre vision et exécution. Le cofondateur insiste sur l’importance d’essayer vite, puis de trancher. Cela se traduit par des décisions de roadmap qui s’attachent à ce qui fait vendre l’outil : une fonctionnalité claire, un bénéfice immédiat, un rendu exploitable. La narration s’inscrit dans une culture de l’entrepreneuriat où l’ambition est encouragée, mais où l’adoption se gagne au millimètre, notamment quand la technologie est exposée à des usages massifs.

Photoroom : d’une frustration Photoshop à une start-up IA structurée pour le e-commerce

L’histoire racontée part d’un irritant que beaucoup connaissent : la puissance de Photoshop s’accompagne d’une courbe d’apprentissage et d’une complexité qui freinent des équipes sous pression. Dans ce contexte, Photoroom choisit une entrée par une tâche ciblée : la suppression d’arrière-plan. Le raisonnement est rationnel : si l’on retire l’étape la plus lente, on libère du temps, on augmente la fréquence de production et on améliore la cohérence visuelle. La première proposition de valeur est donc orientée “résultat”, avec un détourage automatique exécuté en quelques secondes, d’abord appliqué à des photos de portrait.

Cette focalisation sur un cas d’usage explique une partie du succès : le bénéfice est immédiatement observable. Une photo détourée proprement devient un actif réutilisable : sur une fiche produit, une annonce, une campagne social ads, ou une page marketplace. Le cofondateur replace cette orientation dans le réel des organisations : la retouche n’est pas une fin, c’est un maillon d’une chaîne. Dans une entreprise, chaque minute économisée se transforme en capacité à tester plus de formats, à décliner des visuels pour plusieurs canaux, et à maintenir un niveau de qualité homogène malgré la montée en volume.

La trajectoire se lit aussi dans l’industrialisation. La société revendique 300 millions d’utilisateurs dans 180 pays, ainsi qu’un traitement de plus de 7 milliards d’images par an. Ces ordres de grandeur impliquent des enjeux de performance, de coûts de calcul, de monitoring et de gestion des pics. La question n’est plus seulement “l’IA fonctionne-t-elle ?”, mais “fonctionne-t-elle vite, partout, et de manière stable ?”. Les usages e-commerce sont exigeants : un fond qui bave, une ombre incohérente, une découpe imprécise, et le visuel devient inutilisable pour une marque qui veut protéger son image.

Un autre point saillant concerne les clients cités : Decathlon, Warner Bros., Sorare et GoodBuy Gear apparaissent comme des références qui structurent une crédibilité. Ces noms illustrent des besoins différents : volume de catalogues, exigences de marque, opérations marketing, ou contenus orientés communauté. Cette diversité aide à comprendre la logique produit : bâtir un outil capable de servir à la fois des acteurs qui publient à l’échelle industrielle et des structures plus petites qui veulent des visuels compétitifs sans équipe créa dédiée.

Sur le plan de la transformation digitale, le cas Photoroom donne un exemple concret d’outillage : rendre une tâche experte accessible, puis élargir les usages sans diluer la promesse initiale. Le parcours exposé n’est pas celui d’une simple app de retouche ; il s’inscrit dans une tendance lourde où l’IA devient un accélérateur de production de contenus, avec des contraintes de qualité qui restent non négociables pour les marques.

Les démonstrations de suppression d’arrière-plan sont un bon indicateur de maturité : le rendu sur des cheveux, des objets transparents ou des contours irréguliers révèle vite si le modèle est exploitable en production. Dans un contexte e-commerce, ces détails font la différence entre une image publiée et une image rejetée par un workflow de validation.

Stable Diffusion et l’effet d’accélération : comment l’innovation IA a reconfiguré la roadmap

La séquence de 2022 est présentée comme un basculement, avec l’arrivée de Stable Diffusion, modèle capable de générer des images à partir de texte. Le cofondateur décrit un réflexe d’équipe typique des périodes d’accélération : stopper des chantiers en cours pour explorer immédiatement la nouvelle possibilité. Ce choix est révélateur d’une culture produit qui accepte l’interruption quand une rupture technologique rend possible une nouvelle catégorie d’usages. La promesse est séduisante : passer du simple “retoucher” à “créer” des environnements, des styles et des variantes sans shooter de nouvelles photos.

Là encore, le témoignage est intéressant par ce qu’il reconnaît : l’expérimentation peut échouer. Pendant un mois, l’équipe travaille sur une fonction où l’utilisateur photographie un objet, lance une génération et voit l’objet replacé dans un décor jugé plus qualitatif. La proposition semble logique sur le papier. Le retour est négatif sur mobile à cause de l’attente de une à deux minutes et du contexte d’usage. Le cofondateur formule alors une règle qui structure la suite : la patience existe, mais elle est rare, et elle doit être achetée par un gain très visible.

Ce type de leçon touche au cœur de l’entrepreneuriat technologique : la nouveauté ne suffit pas à créer une adoption. Les entreprises qui transforment un prototype en produit passent du “possible” au “répétable”. Dans une app, la répétition d’usage dépend de micro-conditions : temps de réponse, clarté de l’interface, prévisibilité des résultats. Le récit fait donc ressortir une tension productive : intégrer l’IA générative sans perdre le bénéfice initial de simplicité et de vitesse.

La suite décrite repose sur une réarchitecture et un investissement en optimisation. Le cofondateur évoque des cas où un traitement prenait dix secondes avant optimisation, puis atteint une exécution plus rapide sans perte de qualité perçue. Ce point est central dans la technologie appliquée : la course n’est pas uniquement à la qualité du modèle, elle est aussi à l’ingénierie d’inférence, à la réduction de latence, et à la capacité à livrer une expérience fluide sur des appareils et réseaux variés.

Dans le contexte de VivaTech, cette séquence parle aussi au-delà de Photoroom. Elle illustre la manière dont une innovation open source ou largement diffusée peut redistribuer les cartes : chaque équipe doit décider si elle surfe la vague, si elle la stabilise, et comment elle évite l’éparpillement. L’enseignement est net : une roadmap se reconfigure quand la valeur utilisateur devient soudain atteignable, mais l’exécution doit ensuite ramener cette valeur au niveau d’un usage quotidien.

Modèles PRX, optimisation et open source : la technologie derrière le succès à grande échelle

Le discours met en avant une idée opérationnelle : à grande échelle, la valeur se gagne dans l’optimisation. Quand une application traite plus de 7 milliards d’images par an, chaque milliseconde économisée se cumule. Le cofondateur insiste sur les allers-retours nécessaires pour obtenir un rendu final qui semble instantané à l’utilisateur. Cette impression de “ça marche tout de suite” est le produit d’une chaîne d’ingénierie : choix d’architecture, optimisation d’inférence, gestion des ressources, et itérations sur la qualité des sorties. Le point n’est pas théorique ; c’est ce qui rend une app utilisable pour des utilisateurs qui produisent des dizaines de visuels en série.

Le modèle PRX est mentionné comme le plus avancé de la société, présenté comme open source et publié sur GitHub. Dans l’écosystème IA, l’ouverture est un signal à double effet : elle nourrit la crédibilité technique et elle expose aussi une partie du savoir-faire à l’analyse externe. Pour une start-up qui revendique une place parmi les références françaises de l’IA générative, ce choix s’interprète comme un moyen d’attirer des contributions, de favoriser l’audit, et de s’insérer dans des workflows existants. Ce type de publication facilite aussi l’évaluation : développeurs et équipes produit peuvent tester, comparer, et juger sur pièces.

Le cofondateur évoque une équipe “d’une douzaine” de professionnels sur le sujet des modèles. Ce chiffre permet de cadrer un point clé en entrepreneuriat : la productivité d’une petite équipe dépend d’un périmètre clair et d’une exécution disciplinée. Pour tenir la promesse e-commerce, il faut des modèles adaptés à des objets, des matières, des reflets, des contraintes de perspective et des attentes de conformité visuelle. Un outil qui marche pour des portraits peut échouer sur un packshot, et inversement. L’enjeu devient donc la spécialisation : entraîner et calibrer pour les cas qui comptent le plus dans la conversion.

Une liste de briques techniques aide à comprendre ce qui se cache derrière une expérience “simple” :

• Suppression d’arrière-plan : segmentation précise, y compris sur des contours fins (cheveux, tissus, objets ajourés).
• Génération de décors : cohérence de lumière, d’ombres portées et d’échelle pour rendre l’objet crédible.
• Optimisation de latence : réduction du temps de traitement pour rester dans une fenêtre d’usage acceptée sur mobile.
• Contrôle qualité : détection de sorties inutilisables et réduction de la variance des rendus.
• Intégration produit : interface qui guide l’utilisateur vers un résultat publiable en quelques gestes.

Ce découpage évite de résumer l’IA à un bloc opaque. Chaque brique a des compromis et des coûts. Pour une entreprise qui vise un usage massif, les compromis se jouent sur la stabilité, la répétabilité et le temps total pour obtenir un visuel acceptable. Ce cadrage explique aussi pourquoi des clients comme DoorDash ou Amazon sont cités : ces environnements valorisent les solutions capables de soutenir des volumes et des exigences de marque, sans imposer une chaîne de production lourde.

Les démonstrations de génération texte-image donnent un point de comparaison utile : elles montrent ce qui relève de la qualité du modèle et ce qui dépend ensuite de l’intégration, de la vitesse et des garde-fous qui rendent les sorties compatibles avec un usage commercial.

Ambition européenne, protections françaises et méthode d’exécution : la leçon entrepreneuriat entendue à VivaTech

Le volet “conseils” adressé aux porteurs de projets IA en France et en Europe tranche par son pragmatisme. Le cofondateur met d’abord l’accent sur l’acte d’essayer, en rappelant l’existence de protections et de dispositifs d’accompagnement qui réduisent une partie du risque individuel. Le propos reste ancré dans l’expérience : lancer un produit, mesurer l’usage réel, corriger, puis décider de continuer ou d’arrêter. Ce cadre correspond à une lecture méthodique de l’entrepreneuriat : le risque majeur n’est pas de se tromper, c’est de rester trop longtemps sans signal terrain.

Le second axe touche à la culture d’ambition en Europe. Le cofondateur dit percevoir une ambition réelle, mais freinée par la peur et par des référentiels moins expansifs que ceux observés dans certains incubateurs américains. Dans le contexte de VivaTech, ce message est cohérent avec le positionnement de l’événement : exposer des trajectoires européennes capables de jouer mondialement, et pas uniquement sur des niches locales. L’exemple Photoroom sert ici de preuve par les faits : une société parisienne peut revendiquer 180 pays et des centaines de millions d’utilisateurs, à condition d’avoir un produit qui se diffuse sans friction.

La méthode derrière ce discours se lit dans les choix produit. Le récit insiste sur une discipline : se concentrer sur le cœur de métier, refuser certaines distractions, et évaluer chaque fonctionnalité à l’aune de son adoption. Dans les outils créatifs, l’empilement de features peut diluer la clarté. La trajectoire racontée valorise l’inverse : une promesse forte, une exécution rapide, puis une extension progressive des usages quand les bases sont solides. Cette approche sert directement la transformation digitale des entreprises utilisatrices : elles n’achètent pas une collection de boutons, elles achètent un gain de temps et une standardisation des visuels à grande échelle.

Le cas Photoroom illustre aussi la relation entre innovation et industrialisation. Sur le marché de l’IA générative, la nouveauté se diffuse vite, mais la fiabilité et la vitesse restent difficiles à maintenir quand les volumes explosent. Les chiffres cités — 7 milliards d’images par an — donnent une idée de la contrainte. Une équipe doit gérer la performance, les régressions, les coûts et la cohérence de rendu. Cette réalité explique pourquoi les discours inspirants qui comptent sont ceux qui exposent les arbitrages, pas uniquement les annonces.

Dans la lecture la plus utile pour le grand public, cette prise de parole met un projecteur sur un angle concret de la tech : une technologie devient un produit quand elle s’insère dans un geste quotidien. À VivaTech, la force du témoignage est d’avoir ramené l’IA à des critères mesurables — temps d’attente, taux d’usage, répétition — et d’avoir montré comment ces critères structurent un parcours inspirant sans mythifier le chemin.