Valorisation augmentée par AI : de l'analyse des comparables à la modélisation de scénarios

Introduction

La valorisation est un processus fondé sur des éléments probants et sur le jugement. Les transactions comparables, les multiples de marché, les prévisions d'exploitation, les taux d'actualisation et les hypothèses de scénario ne deviennent utiles que lorsqu'ils sont rattachés à un actif défini, à une date de valorisation, à une unité de compte, à un objectif et à une perspective des participants au marché. L'intelligence artificielle peut accélérer la collecte d'éléments probants, la normalisation, le criblage des comparables, l'exécution des modèles, l'analyse de sensibilité et la production du récit. Elle ne peut pas décider du périmètre juridique de l'actif, rendre fiables des éléments probants faibles, éliminer l'incertitude de marché ni s'arroger l'autorité de l'évaluateur responsable.

Le présent article s'adresse Valorisation augmentée par AI : de l'analyse des comparables à la modélisation de scénarios à deux publics cibles Matchpoint Partners. Directeurs des investissements de family offices et responsables des investissements alternatifs comprennent des professionnels de l'investissement au sein de family offices mono-familiaux, de family offices multi-familiaux, de sociétés de gestion de patrimoine privé, de banques privées et de gestionnaires d'actifs externes à travers le GCC, le Royaume-Uni, la Suisse, Singapour et l'Union européenne. UAE/GCC Promoteurs immobiliers et sponsors financiers incluent des fondateurs, des directeurs généraux, des directeurs financiers et des équipes de marchés de capitaux levant de la dette, du financement mezzanine ou des actions de coentreprise et monétisant des actifs. Les équipes ont besoin de décisions cohérentes de portefeuille et de transaction fondées sur des éléments probants publics et privés. Les équipes ont besoin de valorisations défendables pour la levée de capitaux, les décisions de développement, le refinancement, les coentreprises et les cessions d'actifs.

La question déterminante est : comment une organisation peut-elle multiplier la productivité de la valorisation et la couverture décisionnelle tout en préservant la qualité des éléments probants, l'incertitude, le jugement professionnel et la responsabilité ? La réponse est un système de valorisation gouverné. Il sépare les éléments probants de source des transformations, le filtrage des comparables de l'ajustement, les estimations ponctuelles des distributions de scénarios, les résultats du modèle de l'autorité de décision et la productivité mesurée de la valeur commerciale attribuée.

IFRS 13 définit la juste valeur comme un prix de sortie dans une transaction ordonnée entre acteurs de marché à la date d'évaluation. Elle exige des techniques de valorisation adaptées aux circonstances, la maximisation des données d'entrée observables et la minimisation des données d'entrée non observables [1]. Les Normes internationales d'évaluation en vigueur à compter du 31 janvier 2025 comportent des normes dédiées aux données et aux données d'entrée, aux modèles de valorisation, à la documentation et au reporting [2]. Les lignes directrices de valorisation IPEV 2025 appliquent cette discipline de juste valeur au capital privé [3]. RICS décrit les modèles de valorisation automatisés comme un spectre pouvant soutenir ou faire partie d'un processus de valorisation, l'implication professionnelle dépendant de l'objectif, du marché, des données et du risque [4-5].

Ces exigences soutiennent l'augmentation, à condition que chaque transformation significative reste vérifiable. Un moteur de comparables peut identifier rapidement des candidats. L'évaluateur doit encore établir pourquoi chaque transaction est pertinente, quels ajustements sont défendables et si la fourchette obtenue reflète l'actif concerné. Un moteur de prévision peut calculer des centaines de cas. Le décideur doit encore approuver les états économiques, les dépendances, les actions de gestion et le traitement des probabilités. Un modèle de langage peut rédiger une note. Il a encore besoin d'un dossier d'éléments probants contrôlé et d'une approbation humaine.

Les éléments probants régionaux se développent. Le Dubai Land Department fournit des données immobilières ouvertes couvrant les transactions, les loyers, les projets et les valorisations [11]. Il a fait état de 60 303 transactions immobilières d'une valeur de AED 252 billion au premier trimestre 2026 [12]. Ces données améliorent l'observabilité du marché pour certaines questions. Elles ne rendent pas chaque actif homogène, n'éliminent pas les effets de parties liées, n'identifient pas chaque condition commerciale et n'établissent pas une valeur sans ajustement.

L'adoption de AI modifie également le périmètre de contrôle. Les normes de gestion des modèles de la Banque centrale des UAE exigent une gouvernance, des données traçables, un développement documenté, une approbation, une validation indépendante et une surveillance continue pour les modèles utilisés dans la prise de décision [6]. La DFSA a indiqué en 2025 que 52 % des 661 entreprises agréées ayant répondu à son enquête utilisaient activement AI ; la maturité de la gouvernance variait, 21 % étant signalées comme ne disposant pas d'une responsabilité clairement définie [9]. Le cadre de gestion des risques AI du NIST organise les contrôles autour de Gouverner, Cartographier, Mesurer et Gérer [7-8]. Les orientations révisées d'avril 2026 de la Réserve fédérale sur le risque de modèle et la déclaration de supervision d'avril 2026 de la PRA renforcent l'inventaire fondé sur les risques, la gouvernance, le développement, la validation, la surveillance et les mesures d'atténuation dans leurs périmètres bancaires [14-15].

La contribution est un système pratique qui fournit :

• un périmètre de valorisation défini pour les décisions ;
• un registre de preuves et une traçabilité de la source au résultat ;
• un protocole de sélection et d'ajustement des comparables ;
• une architecture de modélisation hybride qui combine des méthodes transparentes et l'apprentissage automatique ;
• un moteur de scénarios gouverné ;
• des barrières de validation, d'incertitude et d'abstention ;
• deux exemples illustratifs hypothétiques ;
• un pont de productivité et de revenus conditionné par des preuves ; et
• une feuille de route d'adoption sur quatre-vingt-dix jours.

L'analyse passe en revue des études académiques primaires, des normes officielles, des publications de régulateurs et des sources officielles de données de marché disponibles jusqu'au 1er août 2026. L'applicabilité réglementaire et comptable dépend de l'entité, de la juridiction, de l'objectif, du client, de l'actif et de la base de reporting. Les études empiriques sont présentées dans le cadre de leurs échantillons étudiés. Aucune donnée observée approuvée Matchpoint ni preuve client n'a été fournie pour les revenus, la réduction des coûts de trésorerie, la réduction des pertes ou l'alpha. Ces valeurs attribuées restent USD 0.

Le périmètre de valorisation

L'objectif précède la méthode

Un processus de valorisation devrait commencer par une lettre de mission signée, et non par un choix de modèle. La lettre de mission devrait préciser l'intérêt objet de l'évaluation, les droits juridiques et économiques, l'unité de compte, la date de valorisation, la devise, l'objectif, la base de valeur, les utilisateurs prévus, les restrictions, les hypothèses significatives et le référentiel de reporting. Une participation, un bien immobilier, un projet de développement, un instrument de dette, une participation dans un fonds et une entreprise en exploitation peuvent nécessiter des preuves différentes, même lorsqu'un tableau de bord les présente dans un seul portefeuille.

Le cadre de juste valeur de l’IFRS 13 est spécifique aux évaluations exigées ou autorisées par d’autres normes IFRS [1]. Il ne crée pas d’exigence générale d’évaluer chaque décision à la juste valeur. La règle 2a-5 de la SEC porte sur les évaluations à la juste valeur effectuées de bonne foi par les sociétés d’investissement enregistrées et les sociétés de développement d’entreprises aux États-Unis [13]. Son cadre constitue un élément de comparaison utile pour l’évaluation des risques, le choix des méthodologies, les tests, les services de valorisation, la supervision et les registres. Son applicabilité juridique est limitée à son champ d’application énoncé.

Le prix, la valeur et la décision sont des sorties distinctes

Un prix observé enregistre une transaction selon ses conditions réelles. Une valorisation estime une base définie à une date. Une décision d’investissement compare la distribution estimée des résultats avec le mandat, la liquidité, le risque, les alternatives et le rendement requis. Un prix peut être un point de données valide et un comparable inadapté. Une estimation de juste valeur peut être défendable et peu attractive pour un family office particulier. La valeur foncière d’un promoteur peut différer selon une hypothèse de transaction ordonnée entre participants du marché et un plan stratégique propre au sponsor financier.

Le système devrait donc conserver trois sorties :

1. Sortie d’éléments probants : transactions, cotations, loyers, coûts, taux et observations d’exploitation vérifiés.
2. Résultat de valorisation : indications propres à la méthode, fourchettes, pondérations, ajustements et conclusion.
3. Résultat de décision : action approuvée, limites, conditions, calendrier et responsable désigné.

Cette séparation empêche le modèle de convertir silencieusement une prédiction en recommandation d'investissement ou en engagement de financement.

et droits de décision

Le conseiller peut structurer les éléments probants, les modèles et les options. L'organe habilité du client est responsable de la décision. Les conditions de mission doivent préciser l'objet de la valorisation, l'accès aux données, le droit de reliance, les limites, les conflits et le circuit d'approbation.

Ce que les normes actuelles exigent

Éléments probants de marché et technique calibrée

IFRS 13 reconnaît les approches par le marché, par les revenus et par les coûts et autorise une ou plusieurs techniques [1]. La technique doit être adaptée aux circonstances et étayée par des données suffisantes. Les données d'entrée doivent maximiser les éléments probants observables pertinents. Un modèle utilisé pour valoriser une donnée d'entrée non observable lors de la comptabilisation initiale doit être calibré de manière à être cohérent avec le prix de la transaction lorsque ce prix représente la juste valeur. Les techniques doivent être appliquées de manière cohérente, un changement pouvant toutefois être approprié lorsqu'il produit une mesure tout aussi représentative, voire plus représentative, de la juste valeur.

Cela constitue un test pour l'utilisation de AI. Un plus grand nombre de variables, un calcul plus rapide ou une erreur intra-échantillon plus faible n'établissent pas une valorisation plus représentative. L'équipe doit disposer d'éléments probants démontrant que la technique convient à l'objet, au marché, à la date et à l'utilisation prévue.

Données, modèle, documentation et reporting

Les IVS entrées en vigueur le 31 janvier 2025 ont introduit une structure révisée des normes générales, comprenant IVS 104 Données et données d'entrée, IVS 105 Modèles de valorisation et IVS 106 Documentation et reporting [2]. Cette structure favorise une approche par cycle de vie :

• définir le périmètre et la base ;
• identifier et évaluer les données ;
• sélectionner et appliquer les modèles ;
• exercer son jugement professionnel ;
• conserver la documentation importante ; et
• Présenter une conclusion avec ses hypothèses et limites.

Les lignes directrices IPEV 2025 présentent les bonnes pratiques actuelles du capital-investissement [3]. Les marchés privés exigent fréquemment des données d’entrée non observables, une calibration, la prise en compte de la performance de l’entreprise, des éléments de marché et du jugement. AI peut améliorer la cohérence et la couverture. L’opacité d’un modèle ou l’étiquette d’un fournisseur ne peut supprimer l’obligation de comprendre les facteurs déterminants de la conclusion.

Modèles d’évaluation automatisés

RICS considère les modèles d’évaluation automatisés (AVM) comme un spectre plutôt que comme un produit unique [4]. À un extrême, un modèle peut produire une estimation automatisée sans intervention professionnelle spécifique au cas. À l’autre, des outils analytiques soutiennent une évaluation professionnelle. Les orientations de RICS sur les prêts bancaires indiquent qu’un AVM peut être approprié lorsque le bien est suffisamment homogène, que les marchés sont actifs et que les données sont adéquates, sous réserve de validation et de l’instruction convenue [5]. Les biens uniques, en développement, spécialisés ou peu échangés nécessitent un examen plus approfondi spécifique au cas.

L’implication en matière de contrôle est une taxonomie à trois niveaux :

Le marketing doit décrire le niveau réel. Un mémorandum assisté par AI ne doit pas être présenté comme une valorisation professionnelle indépendante, sauf si le mandat, la norme, la compétence et l'approbation étayent cette description.

Le registre des preuves de valorisation

Objets de preuve

Un processus gouverné stocke les preuves sous forme d'objets structurés et datés. Un chiffre dans une feuille de calcul doit conserver sa source, sa date d'observation, sa date d'effet, sa devise, son unité, sa zone géographique, les attributs de l'actif, le statut de la transaction, le statut de la relation, le niveau de confiance, les transformations et le réviseur.

Le service de données ouvertes du Dubai Land Department est une source officielle pour certains champs relatifs aux transactions, aux loyers, aux projets et à la valorisation [11]. Le jeu de données doit faire l’objet d’un profilage avant utilisation : les champs manquants, les doublons, les changements de codage, le type de transaction, les conventions d’unités, la géographie et les décalages temporels peuvent affecter les résultats. La présence d’un champ ne garantit pas qu’il soit complet ou économiquement comparable.

Traçabilité de la source à la sortie

Tout résultat significatif doit être reproductible via cinq maillons :

1. fichier source, enregistrement ou point de terminaison ;
2. instantané d’ingestion immuable ;
3. code de transformation et version ;
4. version du modèle et des paramètres ; et
5. cellule de rapport, graphique ou paragraphe.

Le registre des preuves doit consigner les modifications manuelles séparément des valeurs sources. Si un analyste exclut une transaction, modifie un taux de capitalisation ou applique un ajustement de qualité, le système doit conserver la valeur antérieure, la nouvelle valeur, l'auteur et le motif. Cette conception facilite la revue et permet à un réviseur futur de reconstituer l'ensemble d'informations disponible à la date de valorisation.

AI limite d'extraction

Les modèles de langage et de documents peuvent extraire les dates de bail, les révisions de loyer, les covenants, les tables de capitalisation, les conditions de transaction et les indicateurs opérationnels. L'extraction doit être traitée comme un enregistrement structuré proposé jusqu'à sa vérification par rapport au passage source. L'enregistrement doit inclure l'identifiant du document, la page ou la cellule, le texte extrait, la valeur normalisée, la version du modèle, le niveau de confiance et la décision du réviseur.

Le système doit s'abstenir ou exiger une revue manuelle lorsque :

• la source est numérisée, incomplète ou incohérente en interne ;
• un montant ne comporte pas de devise ou d'unité ;
• une clause dépend de définitions figurant ailleurs ;
• un tableau regroupe des périodes réalisées, budgétées et prévisionnelles ;
• la valeur d'une transaction dépend de la dette, de compléments de prix ou d'une contrepartie conditionnelle ;
• un attribut de bien est incompatible avec un justificatif officiel ; ou
• le niveau de confiance du modèle ou la validation fondée sur des règles tombe sous le seuil approuvé.

L'abstention est un résultat de contrôle. Elle oriente le temps limité des experts vers les cas où l'automatisation est la moins fiable.

Analyse comparative en tant que pipeline contrôlé

La question des comparables

Un comparable est une observation qui aide à estimer comment les acteurs du marché valoriseraient l'élément évalué après prise en compte des différences pertinentes. Des noms, secteurs ou codes postaux similaires ne suffisent pas. Le pipeline doit définir la relation économique entre l'élément évalué et le candidat.

Pour une entreprise, les dimensions peuvent inclure le modèle économique, la géographie, la qualité du chiffre d'affaires, la croissance, la marge, l'intensité capitalistique, le levier, la taille et la date de transaction. Pour un bien immobilier, les dimensions peuvent inclure le sous-marché, l'usage autorisé, le régime de détention, la taille, l'âge, les spécifications, le taux d'occupation, la qualité des revenus, la durée du bail, l'état de développement et les conditions de vente. Pour une participation dans un fonds, les dimensions peuvent inclure la stratégie, le millésime, la durée de vie restante, l'engagement non appelé, la concentration, la date de valeur nette d'inventaire et les restrictions de transfert.

Génération de candidats et éligibilité

La première étape maximise la couverture dans les limites définies par écrit. La recherche peut s'appuyer sur des bases de données, des registres, la recherche sémantique dans les documents et des filtres structurés. La deuxième étape applique des règles d'éligibilité strictes. La troisième étape classe la pertinence. La quatrième étape exige une revue par un analyste.

L'univers initial doit rester visible. Un rapport final qui ne présente que les transactions sélectionnées peut masquer un biais de sélection. Les réviseurs ont besoin des candidats exclus et de raisons codées telles que : instrument inapproprié, marché différent, détresse, partie liée, conditions incomplètes, date périmée ou droits incompatibles.

De l'appariement direct à l'ajustement des caractéristiques

L'analyse hédonique modélise le prix en fonction des caractéristiques. Le cadre de Rosen de 1974 a établi la base économique des prix implicites pour les produits différenciés [17]. Les systèmes de comparables modernes peuvent étendre cette idée au moyen d'une régression régularisée, d'ensembles d'arbres et d'autres méthodes non linéaires. Les forêts aléatoires combinent des arbres décorrélés et fournissent des outils flexibles de prédiction et d'importance des variables [18]. Le gradient boosting construit une fonction additive par optimisation séquentielle d'une fonction de perte [19].

Ces méthodes peuvent identifier des relations non linéaires et des interactions. Leur utilisation exige toujours des contrôles :

• la variable cible doit correspondre à la question de valorisation ;
• les observations d'entraînement doivent précéder la date de valorisation ou être valables à cette date ;
• les fuites provenant de champs de résultats futurs ou dérivés doivent être supprimées ;
• l'ingénierie des variables doit refléter les informations économiquement disponibles ;
• la validation croisée doit respecter le temps, l'entité et la géographie ;
• l'erreur doit être présentée par segment pertinent, et non uniquement de manière agrégée ;
• les sujets hors distribution doivent être signalés ; et
• le modèle doit permettre l'examen des facteurs déterminants.

Le cadre SHAP de Lundberg et Lee attribue des contributions de variables aux prédictions individuelles au sein d'une classe d'explication additive [20]. Une explication montre comment un modèle a produit une sortie. Elle ne prouve ni l'effet causal, ni la qualité des données, ni l'équité, ni la pertinence de la valorisation. Une contribution positive élevée d'une variable peut révéler une dépendance à l'égard d'une variable qui aurait dû être exclue.

Ajustements et fourchettes

Un ajustement doit indiquer sa direction, sa base, son ampleur et son incertitude. Une transaction immobilière conclue six mois plus tôt peut nécessiter un ajustement temporel étayé par un indice ou par des données appariées. Une société plus petite peut nécessiter une prise en compte de la taille ou de la liquidité. Une transaction portant sur un terrain à aménager peut nécessiter des ajustements liés à l'urbanisme, aux infrastructures et aux conditions de paiement. Une transaction portant sur une société non cotée peut nécessiter une analyse des droits attachés aux titres et de la structure du capital.

Le résultat devrait être une distribution ou une fourchette, et non une précision artificielle. La fourchette peut combiner l'incertitude du modèle, l'incertitude des données d'entrée et l'incertitude des scénarios. Des fourchettes plus larges devraient entraîner un examen plus poussé, une confiance réduite ou une décision explicite de s'abstenir.

Le cadre hybride de valorisation

Noyau transparent, support automatisé et ajustements approuvés

L'architecture doit maintenir la méthode économique visible. L'apprentissage automatique peut faciliter la découverte d'éléments probants, le classement des comparables, l'ajustement non linéaire et la détection d'erreurs. Un noyau transparent conserve la logique de marché, de revenus et de coûts nécessaire à la revue.

L'architecture minimale comprend :

• couche source : éléments probants officiels, de fournisseurs, de clients et de marché, avec contrôles d'accès ;
• couche des éléments probants : observations versionnées, normalisation et indicateurs de qualité ;
• couche de modèles : modèle de comparables directs, régression, modèle arborescent, DCF, modèles de terrain résiduel et de coûts ;
• couche de scénarios : états, dépendances, actions de gestion et traitement des probabilités ;
• couche de contrôle : inventaire, approbation, validation, seuils, dérogations et suivi ;
• couche de décision : rapport, note au comité, conditions et validation engageant la responsabilité ; et
• couche d'apprentissage : résultats réalisés, erreurs, exceptions et mesures correctives.

Inventaire des modèles et utilisation prévue

Les normes de gestion des modèles de la CBUAE définissent les attentes en matière de gouvernance, de données, de développement, de validation, de mise en œuvre et d'utilisation [6]. La SR 26-2 de la Réserve fédérale a remplacé la SR 11-7 en avril 2026 et met l'accent sur une approche fondée sur les risques, adaptée au profil, à la taille et à la complexité des modèles de l'organisation [14]. La SS1/23 actuelle de la PRA établit cinq principes couvrant l'identification et la classification, la gouvernance, le développement et l'utilisation, la validation indépendante et les mesures d'atténuation dans le périmètre bancaire qu'elle définit [15].

L'inventaire des valorisations doit inclure des composantes statistiques, financières, fondées sur des règles et génératives. Un algorithme de classement par comparables peut influencer matériellement la valeur même s'il ne calcule pas le chiffre final. Un tableur comportant des macros fondées sur le jugement peut constituer un modèle. Un fournisseur API reste dans le périmètre de gouvernance de l'utilisateur.

La AI générative comme couche d'interface

La AI générative peut interroger le registre des preuves, rédiger des synthèses comparables, expliquer les différences entre scénarios et créer des sections de note pour le comité. Elle doit récupérer des informations à partir de sources contrôlées et citer l'enregistrement sous-jacent. Les calculs déterministes doivent s'exécuter dans du code contrôlé ou des modèles financiers. Le modèle de langage ne doit pas être le seul calculateur des valeurs significatives, des probabilités ou des covenants.

Le profil AI générative du NIST identifie des risques tels que la confabulation, la confidentialité des données, l'intégrité de l'information et la configuration humain-AI [8]. Une conception sûre limite les outils, les domaines de données, le schéma de sortie et les autorisations du modèle. Elle journalise les prompts, les preuves récupérées et les sorties lorsque cela est approprié sur les plans juridique et opérationnel. Les déclarations importantes nécessitent des vérifications des sources.

Modélisation de scénarios

Les scénarios sont des états cohérents

Une sensibilité modifie une variable d’entrée tandis que les autres restent constantes. Un scénario décrit un état cohérent dans lequel plusieurs facteurs évoluent ensemble et peuvent déclencher des actions de la direction. Une distribution de probabilité décrit un ensemble plus large de résultats selon une structure stochastique définie. Ces outils répondent à des questions différentes.

Pour un promoteur, une absorption plus lente peut coïncider avec des incitations plus importantes, des encaissements plus faibles, un financement de construction plus long et une sortie plus tardive. Pour un family office, des multiples de sortie plus faibles peuvent coïncider avec des résultats plus faibles, une liquidité retardée et un environnement de change ou de taux d’intérêt modifié. Des sensibilités indépendantes à une seule variable peuvent sous-estimer ces dépendances.

Cartographie des facteurs

Le moteur de scénarios devrait commencer par les liens causaux et contractuels que la direction peut examiner.

Le modèle doit empêcher les combinaisons incohérentes en interne, sauf si l'objectif est de tester une dislocation extrême. Un scénario de ventes rapides avec de fortes baisses de prix peut être valide. Il nécessite une hypothèse d'élasticité explicite. Un scénario de taux bas avec un taux d'actualisation plus élevé peut être valide si les primes de risque s'élargissent. Il nécessite la décomposition.

Protocole de construction de scénarios

1. Définir la décision, l'horizon et la date de valorisation.
2. Sélectionner les facteurs économiques et contractuels significatifs.
3. Établir un scénario central à partir d'éléments probants approuvés.
4. Définir des états alternatifs avec des évolutions cohérentes des facteurs.
5. Ajouter des actions de gestion avec autorité, coût et délai.
6. Calculer les flux de trésorerie, le financement, les covenants et les valeurs terminales.
7. Rapprocher les résultats des éléments probants de marché et de coût.
8. Attribuer des probabilités uniquement lorsque la gouvernance et les éléments probants le justifient.
9. Présenter les cas non pondérés lorsque les probabilités créeraient une fausse précision.
10. Consigner les seuils d'action déclenchés par chaque état.

Génération de scénarios prise en charge par AI

AI peut analyser les communiqués officiels, les données de marché, les rapports d’exploitation et les contrats afin de proposer des facteurs de risque. Il peut regrouper des états historiques et rechercher des dépendances omises. Il peut générer des narratifs candidats et remettre en question les hypothèses. Les scénarios candidats restent des propositions tant qu’un responsable désigné ne les a pas approuvés.

Le système doit distinguer :

• état observé : étayé par des preuves datées ;
• scénario de la direction : plan ou budget approuvé ;
• scénario des acteurs de marché : hypothèses cohérentes avec la base définie ;
• scénario de stress : délibérément sévère mais cohérent ;
• stress inverse : état qui franchit un seuil de valeur, de liquidité ou de covenant ; et
• scénario exploratoire : possibilité faiblement étayée conservée aux fins de discussion stratégique.

Les probabilités ne doivent pas être générées à partir de la fluidité d’un modèle de langage. Elles exigent une base statistique, de marché ou de gouvernance énoncée.

Validation, incertitude et abstention

La validation est une remise en question indépendante

La validation doit couvrir le concept, les données, la mise en œuvre, la performance, l’utilisation et le reporting. L’indépendance doit être proportionnée à l’importance relative. L’évaluateur doit disposer de l’autorité, des compétences et de l’accès suffisants pour remettre en question le modèle et en restreindre l’utilisation.

Mesures d'erreur

L'erreur absolue moyenne est interprétable en unités monétaires. L'erreur absolue médiane en pourcentage réduit l'influence des erreurs en pourcentage extrêmes. L'erreur quadratique moyenne pénalise les écarts importants. La corrélation des rangs peut tester la performance de sélection. La calibration vérifie si les intervalles déclarés contiennent les résultats réalisés à la fréquence attendue. Aucune mesure unique n'est suffisante.

Kok, Koponen et Martinez-Barbosa ont rapporté une erreur absolue de 9 pour cent pour leur modèle automatisé sur un échantillon défini d'actifs multifamiliaux américains [22]. Ce résultat constitue une preuve pertinente qu'un AVM peut surclasser certains référentiels d'évaluation retenus dans un contexte donné. Il ne doit pas être transposé aux projets de développement GCC, aux sociétés privées ou à chaque segment immobilier sans nouvelle validation.

Intervalles de prédiction

Les estimations ponctuelles masquent l'incertitude. La prédiction conforme peut créer des intervalles de prédiction sans distribution avec une couverture marginale à échantillon fini sous ses hypothèses, en utilisant un ensemble de calibration autour d'un modèle prédictif choisi [21]. La couverture peut se dégrader en cas de dérive de distribution, et une couverture marginale ne garantit pas une couverture tout aussi forte pour chaque sous-groupe ou actif.

Un rapport institutionnel devrait présenter :

• indication centrale ;
• fourchette de valorisation approuvée ;
• intervalle de prédiction statistique, le cas échéant ;
• fourchette de scénarios ;
• données d'entrée non observables significatives ;
• dispersion des comparables ;
• statut hors distribution ; et
• seuil de décision.

Matrice d'abstention

Le moteur devrait renvoyer valorisation manuelle requise lorsque les éléments probants ou l'adéquation du modèle sortent de son périmètre d'approbation.

Le modèle opérationnel avant-après

Flux de travail fragmenté actuel

De nombreux processus de valorisation répartissent le travail entre les e-mails, les dossiers, les feuilles de calcul, les rapports PDF et les bases de données de marché. Les analystes ressaisissent les informations, reconstruisent les tableaux de comparables, modifient manuellement les dates et retracent les chiffres après qu'un réviseur a posé une question. Le même travail est répété pour le suivi, les documents du comité et les supports destinés aux prêteurs. Le contrôle dépend de la discipline individuelle de chaque fichier.

Flux de travail cible maîtrisé

Le processus cible déplace le temps des experts de la recherche et de la remise en forme vers les décisions de périmètre, la contestation des éléments probants, l’ajustement, la conception de scénarios et la conclusion. Ce déplacement devrait être mesuré à l’aune des livrables acceptés, et non des brouillons bruts.

Deux exemples illustratifs hypothétiques

Scénario A : décision de développement

Exemple illustratif Un promoteur UAE/GCC évalue un projet à usage mixte. Tous les chiffres, dates et résultats de cette sous-section sont des hypothèses de la direction non vérifiées, créées pour illustrer le cadre. Ils ne constituent ni une valorisation, ni une prévision, ni une recommandation de transaction.

Le produit brut de développement central est AED 1.125 billion avant incitations, annulations, taxes, frais et autres ajustements. Le scénario défavorable combine un prix plus bas, une absorption plus lente, une escalade des coûts et une durée de financement plus longue. Le scénario favorable combine un prix plus élevé, une absorption plus rapide et une durée de financement plus courte. Les dépendances empêchent le modèle de traiter chaque moteur comme une sensibilité isolée.

Le module des comparables recherche des données officielles et de fournisseurs agréés pour les transactions foncières, de logements et d'actifs achevés. Il conserve l'univers complet des candidats, puis filtre par emplacement, usage, statut, date et type de transaction. L'évaluateur approuve les ajustements relatifs au plan de paiement, à la vue, aux spécifications, au stade d'achèvement, au titre de propriété et aux conditions de vente en bloc. Le module de scénarios traduit ensuite le prix et l'absorption en encaissements, financement de la construction, recours à la dette et besoins en fonds propres.

Les seuils de décision peuvent inclure le pic maximal de fonds propres, la couverture minimale des intérêts, la marge de manœuvre au titre des covenants et le rendement minimal dans le scénario défavorable. Le modèle doit indiquer quelle hypothèse provoque en premier un dépassement. AI peut rédiger l'explication des écarts. Les instances financières et d'investissement approuvent le scénario, le traitement du financement et la décision.

Scénario B : décision sur les actifs privés

Exemple illustratif Un family office évalue un investissement minoritaire dans une société d'exploitation non cotée. Tous les chiffres, dates et résultats de cette sous-section sont des hypothèses de la direction non vérifiées. Ils ne constituent ni une valorisation, ni une recommandation d'allocation, ni un rendement attendu.

Le moteur de comparables filtre les transactions cotées et privées selon le modèle économique, la zone géographique, la croissance, la qualité du chiffre d'affaires, la marge, la taille, les droits de sûreté et la date. Il montre l'effet de chaque exclusion et ajustement. L'approche par les revenus utilise une prévision fondée sur les inducteurs. Le moteur de scénarios combine la performance opérationnelle, les besoins en capital, la dilution, le calendrier de sortie et le multiple de marché.

Le résultat décisionnel du family office intègre l'adéquation au mandat, la réserve de liquidité, la concentration, les droits de gouvernance, les droits d'information et la capacité de suivi. Une valorisation de société défendable ne suffit pas à établir l'adéquation au portefeuille. Le comité d'investissement approuve l'allocation et les conditions.

Périmètre de preuve du scénario

Les données d'entrée des scénarios ne font l'objet d'aucune validation observée. Leurs valeurs ne doivent pas apparaître dans le marketing, les allégations marketing, les études de cas ou l'attribution de performance. Les revenus attribués Matchpoint ou les revenus clients, la réduction des coûts de trésorerie, la réduction des pertes et l'alpha issus de ces scénarios restent USD 0.

Productivité et revenus

Unité de productivité

L'unité de productivité doit être un livrable accepté et prêt à la décision. Les textes préliminaires, les documents récupérés, les comparables générés et les exécutions de modèle sont des travaux intermédiaires. Un texte préliminaire plus rapide qui crée des coûts supplémentaires de revue ou d'erreur ne constitue pas un gain de productivité.

Preuves externes de productivité

Brynjolfsson, Li et Raymond ont étudié un déploiement échelonné auprès de 5 172 agents de support client et ont rapporté une augmentation moyenne de 15 % des problèmes résolus par heure, avec des effets hétérogènes [23]. L'étude expérimentale de Noy et Zhang sur des tâches de rédaction professionnelle a révélé des délais d'achèvement plus courts et une meilleure qualité des résultats dans le cadre de son protocole [24]. Dell'Acqua et ses coauteurs ont étudié 758 consultants et ont rapporté des gains pour les tâches situées à l'intérieur de la frontière de capacités AI testée, avec des performances plus faibles sur une tâche hors de cette frontière [25].

Ces études fournissent des preuves crédibles que AI générative peut améliorer certaines tâches de travail intellectuel. Elles n'établissent pas de taux de productivité de la valorisation. La valorisation implique des preuves différentes, des normes professionnelles, des modèles, des conséquences et une revue. La productivité de Matchpoint et celle des clients doivent être mesurées dans un pilote contrôlé.

Passerelle illustrative non vérifiée du business case

Exemple illustratif Supposons qu'une équipe produise 20 dossiers de valorisation ou de suivi acceptés par mois. Supposons qu'un pilote contrôlé réduise le temps humain médian de 24 heures à 18 heures, tout en maintenant les mesures d'acceptation, de correction significative et d'erreur dans les seuils approuvés. La capacité dégagée illustrative est de 120 heures par mois. Il s'agit d'un calcul de planification, et non d'un résultat observé de Matchpoint ou d'un résultat client.

La capacité dégagée peut être utilisée pour une couverture plus large, des décisions plus rapides, une remise en question de meilleure qualité ou des travaux clients. Le chiffre d'affaires n'apparaît que si la capacité permet une mission signée, un livrable accepté et des honoraires encaissés. Une formule de chiffre d'affaires peut s'écrire comme suit :

Chiffre d'affaires encaissé = livrables payés acceptés x prix approuvé x taux d'encaissement - remboursements et avoirs

Chaque terme exige des preuves observées. Tant que ces preuves ne sont pas approuvées, le chiffre d'affaires encaissé attribué reste USD 0.

Structuration des revenus par audience

Pour les promoteurs, un service peut comprendre un diagnostic des éléments probants et de la valorisation, un pack de scénarios de structure de capital, un dossier à destination des prêteurs ou investisseurs, une remédiation de modèle et une mise à jour surveillée des scénarios. Pour les family offices, il peut comprendre une revue de valorisation des actifs privés, une contestation des valorisations de portefeuille, un pack de scénarios de liquidité, une souscription de transaction et un suivi continu. Les conditions commerciales nécessitent une approbation distincte et une documentation de mission.

Le site web et l'article de recherche doivent décrire les capacités et les contrôles. Les allégations de résultats propres à un client nécessitent des éléments probants observés, une approbation et une communication appropriée.

Modes de défaillance et réponses de contrôle

Défaillance des données

Des éléments probants obsolètes, dupliqués, rapportés de manière sélective ou mal normalisés peuvent dominer la qualité du modèle. Un modèle de plus grande capacité peut reproduire les défauts de données de manière plus cohérente. Les contrôles comprennent la priorité des sources, les dates d'effet, les contrôles d'exhaustivité, la validation des unités, les indicateurs de relation, la détection des doublons, le rapprochement et l'échantillonnage par les réviseurs.

Défaillance de sélection des comparables

Les algorithmes de similarité peuvent apprendre des variables proxy qui semblent statistiquement utiles mais sont économiquement inappropriées. Les analystes peuvent également sélectionner des comparables de manière opportuniste. Les contrôles comprennent un univers écrit, des critères d'éligibilité stricts, un journal complet des exclusions, une revue des caractéristiques, des méthodes de classement alternatives et une performance hors échantillon.

Défaillance des prévisions et des scénarios

Les scénarios peuvent masquer des dépendances incohérentes, compter deux fois les risques, appliquer des probabilités sans preuve ou ignorer les contraintes de financement. Les contrôles comprennent un graphe de facteurs, un rapprochement comptable et de trésorerie, une logique d'action de la direction, des tests de résistance inversés et une remise en question indépendante.

Biais d'automatisation

Un récit soigné et des chiffres précis peuvent accroître la confiance des utilisateurs. Le rapport devrait distinguer visiblement les éléments de preuve observés, les estimations du modèle, les hypothèses de la direction, les ajustements discrétionnaires et les scénarios non vérifiés. Les réviseurs devraient voir les divergences entre modèles et les preuves manquantes avant la conclusion.

Dérive du modèle

Les régimes de marché, la couverture des données, les incitations et l'allocation d'actifs changent. La surveillance devrait tester la distribution des entrées, l'erreur, la couverture des intervalles, le taux de dérogation, les données manquantes et la performance par segment. Le franchissement d'un seuil devrait déclencher une restriction, un recalibrage, un redéveloppement ou un retrait.

Cybersécurité, confidentialité et défaillance de fournisseur

Les systèmes de valorisation peuvent contenir des données confidentielles financières, de propriété, immobilières et transactionnelles. Les contrôles comprennent un accès minimal, le chiffrement, l'analyse de la localisation et de la conservation, la diligence raisonnable des fournisseurs, la réponse aux incidents, les permissions des prompts et des outils, le filtrage des sorties, ainsi que la capacité de sauvegarde et d'exportation. Un service de fournisseur ne devrait pas devenir le seul référentiel de preuves.

Gouvernance et points de contrôle de mise en production

Gouverner, cartographier, mesurer et gérer

Le RMF AI du NIST organise les travaux de gestion des risques AI en quatre fonctions [7]. Appliqué à la valorisation :

• Gouverner : définir les responsabilités, la politique, l'inventaire, l'appétit pour le risque et l'escalade.
• Cartographier : définir la décision, les utilisateurs, le sujet, le contexte, les préjudices et les dépendances.
• Mesurer : données de test, modèle, incertitude, sécurité, explicabilité et usage humain.
• Gérer : approuver, restreindre, surveiller, remédier, communiquer et retirer.

L’ISO/IEC 42001 spécifie les exigences relatives à un système de management AI et soutient un cadre organisationnel plus large pour le développement et l’utilisation responsables [16]. L’adoption ou la certification ne doit pas être présentée comme la preuve qu’une valorisation spécifique est correcte.

Jalons de mise en production

L’approbation peut restreindre le modèle à un marché, un type d’actif, une période, une plage de valeurs ou un usage. Un pilote réussi ne couvre que le périmètre testé.

Feuille de route d’adoption à 90 jours

Jours 0-15 : périmètre et inventaire

• sélectionner un périmètre borné ou un cas d'usage ;
• documenter l'objectif, le fondement, la date, les utilisateurs et les droits de décision ;
• inventorier les données, modèles, tableurs et fournisseurs existants ;
• cartographier les données confidentielles et les accès ;
• définir les mesures d'acceptation, d'erreur et de productivité ; et
• consigner la situation de référence actuelle.

Jalon : instruction approuvée, responsable, situation de référence et plan d'accès aux données.

Jours 16-30 : registre des preuves

• créer la hiérarchie des sources et le dictionnaire de données ;
• ingérer un instantané daté des éléments probants ;
• créer les champs de provenance, de transformation et d'exclusion ;
• tester la complétude, les unités, les doublons et les fuites ;
• définir la revue d'extraction AI ; et
• préparer un ensemble de cas représentatif.

Jalon : les éléments probants peuvent être retracés depuis la source jusqu'au champ normalisé.

Jours 31-45 : prototype de comparables et de scénarios

• mettre en œuvre les règles d’éligibilité et de classement ;
• élaborer des méthodes de référence transparentes ;
• ajouter des variantes ajustées selon les caractéristiques ;
• créer le graphe des facteurs de scénario ;
• définir la logique d’abstention et de dérogation ; et
• produire des résultats préliminaires liés aux sources.

Jalon : chaque conclusion peut être reproduite et contestée.

Jours 46-60 : validation indépendante

• tester le concept, les données, le code et les résultats ;
• exécuter des tests de performance tenant compte du temps et par segment ;
• tester les intervalles de prédiction et les alertes hors distribution ;
• examiner les explications et les cas défavorables ;
• tester la sécurité, les accès et les solutions de repli fournisseur ; et
• remédier aux constats.

Jalon : aucun constat critique ouvert ; restrictions approuvées consignées.

Jours 61-75 : exploitation en mode ombre

• exécuter en parallèle les nouveaux processus et les processus existants ;
• collecter les données relatives au temps, à l'acceptation, aux corrections et aux exceptions ;
• comparer les décisions du modèle et celles des évaluateurs ;
• consigner le motif et le résultat de la dérogation ;
• tester le reporting au comité ; et
• affiner les seuils.

Jalon : les éléments de preuve étayent une utilisation contrôlée dans le périmètre défini.

Jours 76-90 : mise en production contrôlée

• approuver les autorisations relatives au modèle, aux données et aux utilisateurs ;
• former les utilisateurs et les évaluateurs ;
• activer la surveillance et le processus de gestion des incidents ;
• définir les processus de modification et de retrait ;
• ne mettre en production que le cas d'usage approuvé ; et
• planifier une revue après mise en œuvre.

Jalon : l'autorité responsable signe la mise en production et les limitations.

Registre des allégations et limitations

Allégations autorisées

Les éléments de preuve étayent les allégations circonscrites suivantes :

• AI et l'apprentissage automatique peuvent faciliter l'extraction d'éléments de preuve, l'analyse comparative, la modélisation et la production de scénarios.
• Les normes officielles de valorisation exigent un périmètre défini, des données appropriées, une méthode, un jugement, une documentation et un reporting [1-5].
• Les cadres de gestion du risque de modèle mettent l'accent sur l'inventaire, la gouvernance, la validation, la surveillance et le contrôle [6-8,14-16].
• Des études primaires démontrent une amélioration de la productivité dans certaines tâches de support client, de rédaction et de conseil [23-25].
• Une étude AVM sur l'immobilier commercial a fait état de performances d'erreur favorables au sein de son échantillon multifamilial américain spécifique [22].
• Les données officielles de Dubaï améliorent l'accès à certaines observations de marché [11-12].

Allégations non étayées

Les éléments de preuve ne permettent pas d'établir que :

• un résultat AI constitue une valorisation ou une décision d'investissement ;
• un seul modèle est précis pour tous les actifs et régimes GCC ;
• davantage de données éliminent le besoin de jugement ;
• l'explication prouve la causalité ou l'équité ;
• une estimation ponctuelle est plus utile à la décision qu'une fourchette ;
• des pourcentages de productivité externes s'appliquent à la valorisation ;
• une production plus rapide génère des revenus encaissés ; ou
• a généré Matchpoint ou des revenus clients, des économies de trésorerie, une réduction des pertes ou de l'alpha.

Limites empiriques

Aucun jeu de données pilote Matchpoint ou client, résultat de valorisation réalisé, étude des temps, série d'erreurs, enregistrement d'acceptation ou preuve de revenus n'a été fourni. Les exemples illustratifs et les scénarios ne sont pas des cas observés. L'article propose donc un système et un protocole de test. Il ne rend pas compte des performances d'un modèle déployé.

Limites réglementaires et professionnelles

Les exigences comptables, de valorisation, de valeurs mobilières, de prêt, de données, AI et professionnelles varient selon l'entité, l'actif, la juridiction, l'instruction et la date. Les documents de la SEC, de la Réserve fédérale et de la PRA cités ont des périmètres institutionnels définis. Ils sont utilisés comme éléments de preuve comparatifs de contrôle en dehors de ces périmètres, et non comme des déclarations d'une obligation juridique universelle.

Limites techniques

Les performances du modèle dépendent de la couverture des sources, du codage, de la conception des variables, du régime, du sujet et de l'usage prévu. Les intervalles de prédiction dépendent de leur méthode et de leurs hypothèses. Les modèles génératifs peuvent produire du contenu non étayé. Les modèles de fournisseurs peuvent changer. Le système de production nécessite un contrôle des versions, une validation, une surveillance, des contrôles d'accès et une solution de repli.

Limites commerciales

Aucune prévision de la demande, des prix, de la conversion ou du recouvrement n'a été approuvée. La structuration de l'offre de services et les honoraires nécessitent l'approbation de CK ainsi que des conditions d'engagement client. Les revenus attribués, la réduction des coûts décaissés, la réduction des pertes et l'alpha restent USD 0.

Conclusion

La valorisation augmentée par AI doit être conçue comme un système allant de la preuve à la décision. Le système commence par l'objectif, les droits, la base, la date et l'autorité. Il stocke les preuves de marché et d'exploitation avec leur provenance. Il maintient visibles l'univers des comparables, l'éligibilité, le classement, les ajustements et les exclusions. Il combine des méthodes de valorisation transparentes avec un appui machine encadré. Il modélise des scénarios cohérents et des actions de la direction. Il signale l'incertitude et s'abstient en dehors du périmètre approuvé. Il confère l'autorité finale à des personnes responsables.

Pour les directeurs des investissements de family offices et les responsables des investissements alternatifs, le système peut accroître la cohérence et la couverture des décisions sur les actifs privés tout en préservant l'examen du mandat, de la liquidité et de la concentration. Pour les promoteurs immobiliers et les sponsors financiers UAE/GCC, il peut relier les preuves de marché, les hypothèses de développement, la structure de capital et les seuils de décision dans un processus gouverné unique. Dans les deux cas, la productivité doit être mesurée au moyen de résultats acceptés et la valeur attribuée au moyen de preuves commerciales observées et approuvées.

La discipline centrale de mise en œuvre est la traçabilité. Un examinateur doit pouvoir passer de la conclusion à la méthode, à l'hypothèse, à la transformation et à la source datée. Un comité doit pouvoir voir l'incertitude, la dépendance aux scénarios et les divergences entre modèles avant d'approuver une action. Un résultat futur doit mettre à jour le modèle et le registre de contrôle. C'est ainsi que AI peut multiplier la couverture analytique sans obscurcir le jugement de valorisation.

Références

[1] Fondation IFRS. IFRS 13 Évaluation de la juste valeur. Normes publiées, édition 2024. https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/

[2] Conseil international des normes d'évaluation. Nouvelle édition des Normes internationales d'évaluation publiée. 31 janvier 2024 ; entrée en vigueur le 31 janvier 2025. https://ivsc.org/new-edition-of-the-international-valuation-standards-ivs-published/

[3] Conseil international de valorisation du capital-investissement et du capital-risque. Directives internationales de valorisation du capital-investissement et du capital-risque. 2025. https://www.privateequityvaluation.com/Valuation-Guidelines

[4] Royal Institution of Chartered Surveyors. Modèles de valorisation automatisés. Note d'analyse, 2022. https://www.rics.org/profession-standards/rics-standards-and-guidance/sector-standards/valuation-standards/automated-valuation-models

[5] Royal Institution of Chartered Surveyors. Valorisations pour prêts bancaires et valeur de prêt hypothécaire, 2e édition. Décembre 2025. https://www.rics.org/content/dam/ricsglobal/documents/standards/Bank-lending-valuations-and-MLV_2nd-edition_Dec2025.pdf

[6] Banque centrale des UAE. Normes de gestion des modèles. Avis 5052/2022. https://www.centralbank.ae/en/rulebook/banking/risk-management/risk-management/model-management-standards/

[7] National Institute of Standards and Technology. Cadre de gestion des risques liés à l'intelligence artificielle (AI RMF 1.0). NIST AI 100-1, janvier 2023. https://www.nist.gov/itl/ai-risk-management-framework

[8] National Institute of Standards and Technology. Cadre de gestion des risques liés à l'intelligence artificielle : Profil d'intelligence artificielle générative. NIST AI 600-1, juillet 2024. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

[9] Dubai Financial Services Authority. Nouvelle enquête du DFSA sur AI : l'adoption de AI générative a presque triplé au sein du DIFC ; la gouvernance continue de se développer. 2025. https://www.dfsa.ae/news/new-dfsa-ai-survey-generative-ai-adoption-has-nearly-tripled-within-difc-last-12-months-governance-continues-develop

[10] Organisation internationale des commissions de valeurs. Intelligence artificielle sur les marchés de capitaux : cas d'usage, risques et défis. 2025. https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf

[11] Département foncier de Dubaï. Données immobilières : données ouvertes. Consulté le 1er août 2026. https://dubailand.gov.ae/en/open-data/real-estate-data/

[12] Département foncier de Dubaï. Les transactions immobilières de Dubaï bondissent de 31 % pour atteindre AED 252 billion au premier trimestre 2026. 2026. https://dubailand.gov.ae/en/news-media/dubai-s-real-estate-transactions-surge-31-to-reach-aed-252-billion-in-q1-2026/

[13] Commission des valeurs mobilières et des changes des États-Unis. Déterminations de bonne foi de la juste valeur : guide de conformité pour les petites entités. 2020. https://www.sec.gov/resources-small-businesses/small-business-compliance-guides/good-faith-determinations-fair-value-small-entity-compliance-guide

[14] Conseil des gouverneurs du Système de réserve fédérale. SR 26-2 : orientations révisées sur la gestion du risque de modèle. 17 avril 2026. https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm

[15] Banque d’Angleterre, Autorité de régulation prudentielle. SS1/23 : principes de gestion du risque de modèle pour les banques. Version actuelle, avril 2026. https://www.bankofengland.co.uk/prudential-regulation/publication/2023/may/model-risk-management-principles-for-banks-ss

[16] Organisation internationale de normalisation. ISO/IEC 42001:2023, Technologies de l’information - Intelligence artificielle - Système de management. 2023. https://www.iso.org/standard/42001

[17] Rosen, S. Prix hédoniques et marchés implicites : différenciation des produits en concurrence pure. Journal of Political Economy, 82(1), 34-55, 1974. https://doi.org/10.1086/260169

[18] Breiman, L. Forêts aléatoires. Machine Learning, 45, 5-32, 2001. https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf

[19] Friedman, J. H. Approximation gloutonne de fonctions : une machine de gradient boosting. Annals of Statistics, 29(5), 1189-1232, 2001. https://doi.org/10.1214/aos/1013203451

[20] Lundberg, S. M., et Lee, S.-I. Une approche unifiée pour l'interprétation des prédictions de modèles. Advances in Neural Information Processing Systems 30, 2017. https://arxiv.org/abs/1705.07874

[21] Angelopoulos, A. N., et Bates, S. Une introduction en douceur à la prédiction conforme et à la quantification de l'incertitude sans distribution. 2021. https://arxiv.org/abs/2107.07511

[22] Kok, N., Koponen, E.-L., et Martinez-Barbosa, C. A. Big Data dans l'immobilier ? De l'évaluation manuelle à la valorisation automatisée. Journal of Portfolio Management, 43(6), 202-211, 2017. https://doi.org/10.3905/jpm.2017.43.6.202

[23] Brynjolfsson, E., Li, D., et Raymond, L. AI générative au travail. Quarterly Journal of Economics, 140(2), 889-942, 2025. https://doi.org/10.1093/qje/qjae044

[24] Noy, S., et Zhang, W. Preuves expérimentales des effets de l'intelligence artificielle générative sur la productivité. Science, 381(6654), 187-192, 2023. https://doi.org/10.1126/science.adh2586

[25] Dell'Acqua, F., McFowland, E. III, Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., et Lakhani, K. R. Naviguer la frontière technologique en dents de scie : données expérimentales de terrain sur les effets de AI sur la productivité et la qualité des travailleurs du savoir. Organization Science, 2026. https://doi.org/10.1287/orsc.2025.21838

Annexe A. Registre de preuves de valorisation minimale

Annexe B. Liste de contrôle d'examen des comparables

• L'intérêt valorisé et l'unité de compte sont-ils définis ?
• La date de valorisation est-elle imposée dans la requête de preuves ?
• L'univers complet des candidats est-il conservé ?
• Les règles d'éligibilité strictes sont-elles écrites avant le classement ?
• Chaque comparable exclu dispose-t-il d'un motif codé ?
• Les conditions de transaction et les droits de sûreté sont-ils normalisés ?
• Les ajustements temporels, de taille, de qualité, de droits et de financement sont-ils étayés ?
• Le modèle évite-t-il l'information future et la fuite de la variable cible ?
• Les erreurs sont-elles déclarées par segment significatif et par période ?
• Le sujet se situe-t-il dans la distribution de données validée ?
• Les indications méthodologiques sont-elles rapprochées plutôt que moyennées mécaniquement ?
• Les ajustements du réviseur, les motifs et les valeurs antérieures sont-ils conservés ?
• Le rapport présente-t-il la dispersion, l'incertitude et les limites ?

Annexe C. Liste de contrôle des scénarios et de la mise en production

• La décision et l'horizon sont-ils définis ?
• Les scénarios central, défavorable, favorable et de stress inversé sont-ils cohérents ?
• Les dépendances entre facteurs sont-elles documentées ?
• Les actions de gestion sont-elles assorties d'une autorité, d'un coût et d'un délai ?
• Les flux de trésorerie, de financement, fiscaux et comptables sont-ils rapprochés ?
• Les probabilités sont-elles justifiées ou omises ?
• Les seuils de décision et les facteurs à l'origine du premier franchissement sont-ils visibles ?
• La validation indépendante a-t-elle couvert les données, la méthode, le code et l'usage ?
• Les accès, la confidentialité, la journalisation et le dispositif de repli fournisseur sont-ils approuvés ?
• Les règles d'abstention et de restriction sont-elles actives ?
• Les utilisateurs sont-ils formés aux limites des modèles et au biais d'automatisation ?
• La surveillance est-elle active pour les dérives, les erreurs, les dérogations et les incidents ?
• La décision finale incombe-t-elle à une personne habilitée ?

Annexe D. Glossaire

Abstention : un résultat maîtrisé qui ne formule pas de conclusion automatisée et oriente le dossier vers une revue manuelle.

Modèle de valorisation automatisé : un système mathématique ou statistique qui estime la valeur à partir de données immobilières ou de marché, avec un degré d'automatisation défini.

Base de valeur : les hypothèses de mesure fondamentales retenues pour estimer une valeur.

Calibrage : ajustement d'un modèle afin que ses résultats soient cohérents avec les éléments observés pertinents, y compris le prix de transaction le cas échéant.

Comparable : une transaction, un instrument ou un actif observé utilisé pour étayer la valeur après analyse de sa pertinence et des différences.

Prédiction conforme : une famille de méthodes qui construit des ensembles ou intervalles de prédiction à partir de données de calibration et de propriétés de couverture définies.

Registre de preuves : un registre versionné reliant chaque entrée significative à sa source, sa date, sa transformation, son réviseur et son utilisation en sortie.

Explicabilité : informations décrivant comment les entrées ont influencé la sortie d’un modèle ; elles n’établissent pas en soi l’exactitude ni la causalité.

Risque de modèle : conséquence négative potentielle de décisions fondées sur des modèles incorrects, mal utilisés ou mal contrôlés.

Hors distribution : un sujet ou une entrée sensiblement en dehors de la population représentée dans le développement et la validation du modèle.

Intervalle de prédiction : un intervalle conçu pour contenir un résultat futur ou non observé à un niveau de couverture déclaré, selon les hypothèses de la méthode.

Scénario : un ensemble cohérent d’hypothèses économiques, opérationnelles et de financement liées, utilisé pour évaluer un résultat ou une décision.

Sensibilité : l’effet de la modification d’une ou plusieurs hypothèses, souvent sans affirmer un état complet du monde.

Ajustement de valorisation : un ajustement humain documenté appliqué à une indication issue d'un modèle ou d'une méthode, pour des éléments probants ou des risques insuffisamment pris en compte.