Due diligence en capital-investissement de croissance native AI : vélocité des fonctionnalités, rétention et dépendance au modèle

1. Définir la décision d'investissement

La due diligence de capital-croissance doit commencer par la décision que le comité d’investissement doit prendre. Le mandat doit préciser le titre proposé, le produit de l’opération, la détention, les droits de gouvernance, la période de détention attendue, le cadre de rendement et les conditions importantes. Une instruction générale visant à évaluer une entreprise AI peut générer une activité considérable sans résoudre les questions de prix, de structure et de risque qui régissent le déploiement du capital.

Le cadre décisionnel doit identifier la thèse opérationnelle. La direction peut soutenir que des versions produit rapides augmentent l’adoption, que l’adoption produit des résultats clients récurrents, que ces résultats soutiennent la rétention et l’expansion, et que l’échelle améliore la marge sur coûts variables. Chaque maillon exige une définition, une source et une période d’observation. Un résultat solide sur un maillon ne prouve pas le reste de la chaîne.

Le comité doit approuver la norme de preuve avant que la due diligence ne s’accélère. La norme doit distinguer les documents vérifiés, les déclarations de la direction, les calculs testés, les preuves de tiers et les scénarios hypothétiques. Les informations manquantes importantes doivent rester visibles. L’investisseur doit également décider quelles conclusions peuvent modifier la valorisation, les conditions du titre, la gouvernance, le financement échelonné, les conditions ou la décision d’arrêter.

2. Construire l’architecture intégrée de due diligence

Les flux de travail commerciaux, produit, techniques, financiers et de gouvernance doivent utiliser un registre unique des déclarations. Des rapports séparés peuvent décrire le même fait différemment, appliquer des périodes incohérentes ou manquer une dépendance transversale aux fonctions. L’architecture intégrée attribue chaque assertion importante à un responsable, une source, un test, un réviseur et une conséquence d’investissement.

L’architecture doit couvrir la finalité du produit, les segments clients, l’historique des versions, la réussite des tâches, l’adoption, la rétention, la tarification, la reconnaissance des revenus, l’affectation des coûts, les dépendances aux modèles et au cloud, les droits sur les données, la sécurité, la réglementation, l’organisation, les prévisions, le besoin de capital et la table de capitalisation. Elle doit également préserver les relations entre ces éléments. Une nouvelle fonctionnalité peut améliorer l’adoption tout en augmentant le coût d’inférence, le travail de mise en œuvre ou la concentration des modèles.

Le cadre de gestion des risques AI du NIST relie les pratiques organisationnelles à la cartographie, à la mesure, à la gestion et à la gouvernance tout au long du cycle de vie AI [1]. Ses exigences centrales prévoient des tests, évaluations, vérifications et validations documentés, ainsi qu’une surveillance en production dans des conditions proches du déploiement [2]. Ces principes étayent un système de preuves d’investissement, mais l’investisseur doit les adapter à la transaction et à l’entreprise.

Chaque étape exige une population, une source, une période et une revue définies avant de pouvoir étayer la conclusion suivante.

3. Créer le registre des preuves

Le registre des preuves constitue le dossier de transaction des déclarations importantes. Chaque entrée doit indiquer l’affirmation, la définition de l’indicateur, la population, la période, le système source, la méthode d’extraction, le calcul, le responsable, le réviseur, la version, la limitation et la réponse d’investissement potentielle. Le registre doit renvoyer aux fichiers sources tout en conservant les contrôles d’accès et de confidentialité.

Les tableaux de bord de la direction sont des points de départ utiles. Ils peuvent modifier les définitions, exclure les activités ayant échoué, combiner le trafic de production et de test, ou présenter un instantané actuel à côté d’une prévision historique. L’équipe de due diligence doit rapprocher les indicateurs sélectionnés des systèmes sources, des contrats et des écritures comptables. La réexécution doit porter sur les allégations qui déterminent la valorisation, la protection à la baisse ou le besoin en capital.

Le registre doit conserver les preuves défavorables. Les évaluations échouées, les cohortes perdues, les dépassements de coûts, les réclamations clients et les droits non résolus peuvent expliquer l’éventail des résultats plus efficacement qu’une data room soignée. Une exception doit avoir un responsable, une pertinence financière, une action proposée et une date de décision. La supprimer après un contournement efface la piste d’audit.

Tableau 1. Champs principaux du registre des preuves

Un champ renseigné exige des éléments probants à la source et une revue proportionnée à son importance pour l'investissement.

4. Définir le périmètre du produit natif AI

L'équipe de due diligence doit établir ce qui rend l'entreprise native AI en termes opérationnels. Le produit peut entraîner des modèles propriétaires, affiner des modèles tiers, orchestrer plusieurs modèles, appliquer une logique de récupération et de workflow, fournir une infrastructure ou intégrer des services AI externes dans une application plus large. Ces architectures créent des expositions différentes en matière de propriété intellectuelle, de coût, de fiabilité et de basculement.

La cartographie produit doit identifier chaque workflow orienté client, le modèle et le chemin des données, l'intervention humaine, l'environnement de production et la promesse commerciale. Une même entreprise peut contenir plusieurs architectures. Un workflow peut utiliser un classifieur propriétaire, un autre peut être routé vers un fournisseur de modèle de fondation, et un troisième peut nécessiter une revue d'expert. La marge et la fiabilité agrégées peuvent masquer ces différences.

Le périmètre affecte aussi la comparabilité. Une entreprise dont l'économie dépend de l'inférence de tiers ne doit pas être évaluée uniquement comme un logiciel traditionnel. Un déploiement à forte composante de services ne doit pas être présenté comme un revenu récurrent en libre-service sans éléments probants. L'investisseur doit s'appuyer sur le modèle opérationnel réel, les droits contractuels et les facteurs de coût plutôt que sur une étiquette.

5. Définir une mise en production contrôlée

La vélocité des fonctionnalités exige une unité d’analyse stable. Une version doit représenter une modification de production qui atteint une population de clients éligible et peut être associée à des comportements ou résultats définis. Les commits de code, les expérimentations, les démonstrations internes et les annonces marketing sont des événements distincts. Les compter ensemble récompense l’activité sans tester la valeur pour le client.

La fiche de version doit inclure l’utilisateur visé, le problème, le responsable, l’approbation, la date de déploiement, la population éligible, la logique d’exposition, le plan de retour arrière, le résultat d’évaluation, l’historique des incidents et l’hypothèse commerciale. Les modifications importantes de modèle, de prompt, de récupération, de données et de politique doivent être incluses, car elles peuvent modifier le comportement du produit sans changement visible d’interface.

La vélocité doit être évaluée parallèlement à la qualité et à la réversibilité. Des versions fréquentes peuvent démontrer une capacité d’apprentissage lorsque la télémétrie, les tests et le retour arrière sont solides. Elles peuvent aussi créer de la fragmentation, une charge de support et un risque de fiabilité. L’investisseur doit mesurer la proportion de versions qui atteignent une production stable, atteignent leur seuil d’acceptation et restent maintenues après la fenêtre d’observation.

6. Mesurer la vélocité des fonctionnalités

Les mesures utiles de vélocité incluent le délai entre un problème approuvé et la production, la fréquence de déploiement, l’acceptation des versions, le taux de retour arrière, le taux de défauts échappés, la couverture d’évaluation et le temps de remédiation. Le dénominateur doit être explicite. Le délai médian pour les versions acceptées peut être plus parlant qu’une moyenne faussée par quelques initiatives abandonnées.

L’équipe doit segmenter la vélocité par domaine produit, type de client et classe de changement. Une adaptation de l’interface utilisateur, une migration de modèle et un flux de travail réglementé exigent des tests et des tolérances au risque différents. Les comparaisons entre périodes doivent expliquer les changements de taille d’équipe, d’architecture, de mix client et de politique de version.

La vélocité peut être comparée au plan d’investissement. Si la croissance exige une séquence définie de contrôles d’entreprise, d’intégrations ou de capacités de flux de travail, la due diligence doit vérifier si le débit historique soutient cette séquence. La prévision doit inclure les efforts de découverte, de revue de sécurité, d’acceptation client et de déploiement. Les estimations d’ingénierie seules ne permettent pas d’établir la disponibilité commerciale.

7. Relier les versions aux cohortes d’adoption

Chaque version importante doit avoir une cohorte éligible et une cohorte exposée. L’éligibilité répond à la question de savoir qui pourrait utiliser la fonctionnalité ; l’exposition répond à celle de savoir qui l’a réellement reçue ou découverte. L’adoption doit ensuite distinguer le premier usage, l’usage significatif, l’usage répété et l’usage réussi. Une population éligible importante avec une exposition limitée peut indiquer des frictions de distribution plutôt qu’un rejet du produit.

Les cohortes doivent conserver la date de début, les caractéristiques du compte, le contrat, le segment, la zone géographique et la base de référence pertinente. L’équipe doit comparer les utilisateurs exposés à une base de référence ou à un groupe témoin adapté avant la version, lorsque cela est réalisable. L’analytique produit peut montrer une association ; les affirmations de causalité exigent une conception plus robuste et des limites explicitées.

Les courbes d’adoption doivent être suivies assez longtemps pour distinguer la nouveauté d’un flux de travail récurrent. Une fonctionnalité utilisée une seule fois lors de l’intégration peut réduire le temps de mise en œuvre sans devenir un flux de travail quotidien. Ce résultat peut tout de même créer de la valeur, mais il doit entrer dans la thèse de revenus et de rétention par le bon mécanisme.

8. Définir la réussite de la tâche et l’acceptation client

Les produits AI exigent des définitions de réussite propres au flux de travail. Une réponse peut être fournie dans le délai cible de latence tout en étant inexacte, dangereuse ou inutilisable. La définition peut combiner l’achèvement, la qualité, la fiabilité, la latence, l’escalade, l’effort de revue et l’acceptation client. L’investisseur doit comprendre qui fixe le seuil et comment celui-ci se rapporte à la promesse contractuelle.

Les éléments probants d’évaluation doivent couvrir des conditions similaires à la production, conformément à l’accent mis par le NIST sur les tests documentés et la surveillance en production [2]. Les échantillons doivent représenter des populations de clients importantes et des modes de défaillance. Les résultats de démonstrations sélectionnées doivent être séparés des performances en conditions réelles. L’évaluation humaine doit documenter les instructions, les évaluateurs, les désaccords et l’escalade.

L’équipe doit relier les défaillances à leurs conséquences pour le client et sur le plan économique. Une erreur de faible gravité peut générer un coût limité ; une défaillance rare dans un flux de travail à enjeux élevés peut limiter l’accès au marché ou exiger une revue coûteuse. Une exactitude agrégée peut masquer cette distribution. Le modèle d’investissement doit refléter le cas d’usage réel et les contrôles résiduels.

9. Construire le pont des résultats clients

Le pont des résultats clients relie l'activité produit au résultat valorisé par l'acheteur. Il part du flux de travail contractuel ou prévu, suit les utilisateurs éligibles à travers l'exposition et l'utilisation réussie, puis évalue les résultats en matière de temps, de coût, de revenus, de risque ou de qualité. Le pont doit identifier les changements perturbateurs tels qu'une nouvelle tarification, un accompagnement à la mise en œuvre ou une modification des effectifs du client.

Les éléments probants peuvent inclure des données des systèmes du client, des livrables acceptés, des niveaux de service, des décisions de renouvellement et des études de cas documentées. Les témoignages sans base de référence apportent du contexte sans permettre d'établir l'ampleur. L'investisseur doit distinguer les calculs de l'entreprise, les résultats confirmés par le client et les éléments probants reproduits de manière indépendante.

La durabilité des résultats compte. Une économie obtenue grâce à un accompagnement intensif du fournisseur peut ne pas perdurer à grande échelle. Le pont doit indiquer les heures de support, l'effort de mise en œuvre et les exceptions. Un client peut renouveler en raison d'une offre groupée plus large même lorsque la fonctionnalité AI a une faible adoption directe. L'attribution doit rester proportionnée aux éléments probants.

La valeur client doit être étayée par une base de référence, une cohorte, des éléments probants d'acceptation, l'effort de livraison et une limitation déclarée.

10. Analyser la rétention par cohorte

La rétention doit être calculée à partir d'une population et d'une base économique définies. La rétention des logos, la rétention du chiffre d'affaires brut, la rétention du chiffre d'affaires net, la rétention produit et la rétention de la charge de travail répondent à des questions différentes. L'équipe doit rapprocher la mesure retenue des contrats et, selon le cas, du chiffre d'affaires comptabilisé ou facturé.

L'analyse du lancement à la rétention suit les cohortes exposées à des fonctionnalités importantes et compare le renouvellement, la contraction, l'expansion et l'attrition. La fenêtre d'observation doit correspondre aux cycles contractuels et d'utilisation. Les cohortes récentes peuvent sembler saines parce qu'elles n'ont pas encore atteint le renouvellement. Les cohortes matures peuvent refléter un produit et un profil client plus anciens. Les deux doivent être présentées.

Les documents publics déposés montrent que les entreprises définissent et discutent la rétention avec prudence. DigitalOcean a communiqué une rétention nette en dollars aux côtés de lancements de produits natifs AI dans ses résultats 2025 [15]. Atlassian identifie la satisfaction, les versions, le support, la tarification, le packaging et les offres AI parmi les facteurs susceptibles d'affecter la rétention et l'expansion [16]. Ces informations illustrent des variables pertinentes ; elles n'établissent pas de référence pour une autre entreprise.

Tableau 2. Structure des cohortes du lancement à la rétention

Les valeurs sont hypothétiques et n'illustrent que la structure du calcul de due diligence.

11. Diagnostiquer le churn et la contraction

L'analyse du churn doit s'appuyer sur des motifs au niveau des comptes, étayés par des preuves. Les catégories peuvent inclure l'adéquation produit, la qualité, la fiabilité, la sécurité, les achats, l'intégration, le support, la tarification, le budget, le concurrent, la défaillance du client ou un changement stratégique. Un motif principal unique peut être commode tout en masquant des causes en interaction.

L’équipe devrait comparer la raison déclarée, l’historique d’utilisation, l’historique d’assistance, l’exposition produit, la variation tarifaire et les notes de compte. Les comptes perdus devraient être segmentés par chiffre d’affaires, marge, secteur, produit et dépendance. Un petit nombre de pertes concentrées peut affecter la prévision davantage qu’un large ensemble d’expérimentations de faible valeur.

La contraction mérite une analyse distincte. Les clients peuvent conserver le contrat tout en réduisant les sièges, les charges de travail ou les fonctionnalités premium. Une fonctionnalité AI peut accroître l’engagement sans empêcher une réduction budgétaire ailleurs. Le pont de chiffre d’affaires devrait présenter la valeur initiale, l’attrition, la contraction, l’expansion, les effets de prix et de change en utilisant des périodes cohérentes.

12. Tester la qualité de l’expansion

L’expansion devrait être liée à un moteur récurrent. Elle peut résulter d’un plus grand nombre d’utilisateurs, d’une charge de travail plus élevée, de nouveaux produits, du prix, de la mise en œuvre, d’entités acquises ou d’une consommation temporaire. L’investisseur devrait distinguer les engagements contractuels de l’utilisation variable et déterminer si les mêmes versions qui soutiennent l’adoption soutiennent aussi l’expansion payante.

Les activités de consommation exigent une vigilance supplémentaire. L’optimisation produit peut réduire la consommation des clients tout en améliorant la valeur. Une baisse de l’utilisation n’est pas automatiquement défavorable, et une croissance tirée par une utilisation inefficace de jetons ou de capacité de calcul n’est pas automatiquement favorable. L’analyse devrait relier les unités d’utilisation aux résultats clients, au prix et au coût direct.

La concentration de l’expansion devrait être testée. Un petit nombre de grands clients peut générer une rétention nette attrayante tout en augmentant le pouvoir de négociation et la volatilité des prévisions. Le modèle devrait présenter l’expansion par cohorte, segment et client, ainsi que les hypothèses de pipeline et les éléments contractuels. Les hypothèses de vente croisée non étayées restent des paramètres de scénario.

13. Rapprocher la qualité du chiffre d’affaires

L’analyse de la qualité du chiffre d’affaires devrait rapprocher les contrats, la facturation, le chiffre d’affaires comptabilisé, les encaissements et les éléments probants relatifs aux produits. L’IFRS 15 établit des principes de comptabilisation du chiffre d’affaires provenant des contrats clients [5]. L’équipe de due diligence devrait obtenir un avis comptable spécifique à la transaction et comprendre les obligations de prestation, la contrepartie variable, les modifications de contrat, les questions relatives au rôle de principal ou de mandataire et les composantes de financement significatives, le cas échéant.

Les libellés récurrents doivent être examinés. Le chiffre d’affaires peut inclure la mise en œuvre, le développement sur mesure, la revue d’experts, la formation, l’assistance, la refacturation de places de marché ou la revente de services cloud. Ces flux peuvent être commercialement précieux tout en présentant des caractéristiques différentes de marge, de besoin en fonds de roulement et d’évolutivité. Le modèle devrait préserver la composition.

L’équipe devrait tester les prises de commandes, les valeurs annualisées et les déclarations relatives au pipeline par rapport aux conditions signées et aux dates de début. Le carnet de commandes contractuel peut contenir des droits de résiliation, une variabilité de consommation, des conditions d’acceptation ou un déploiement retardé. Les encaissements devraient être analysés parallèlement au chiffre d’affaires comptabilisé. Le résultat client peut être solide alors que des retards d’approvisionnement ou d’acceptation créent des tensions de liquidité.

14. Affecter le coût de prestation récurrent

L’analyse de la marge native de AI devrait inclure les ressources nécessaires pour fournir le résultat contractuel. Le coût direct peut inclure l’inférence de modèle, le calcul cloud, le stockage, l’acquisition de données, l’observabilité, l’orchestration, la revue humaine, la mise en œuvre, l’assistance, les crédits de service et les licences de tiers. La classification devrait être rapprochée des registres comptables tout en soutenant une vision économique.

Les crédits promotionnels, les engagements minimaux et la capacité réservée devraient être visibles. Le coût déclaré pendant une période de crédit peut ne pas représenter une économie durable. Un engagement peut réduire le prix unitaire tout en créant une exposition au take-or-pay ou à la sous-utilisation. Le modèle de due diligence devrait présenter le coût contractuel et le coût économique dans les scénarios d’utilisation pertinents.

Le document déposé par Microsoft pour 2025 mentionne des coûts de développement et d’exploitation significatifs associés aux modèles, services, plateformes et infrastructures AI [17]. Le document déposé par Alphabet pour 2025 décrit une hausse des investissements dans les infrastructures techniques et des coûts d’exploitation pour les offres AI [18]. Ces informations propres aux émetteurs confortent la nécessité de tester la structure des coûts ; elles ne constituent pas des preuves directes concernant la cible.

15. Calculer la marge sur coûts variables récurrente

La marge contributive récurrente doit reposer sur une base de revenus définie et un périmètre complet de coûts directs. L’équipe doit calculer des vues par compte, par flux de travail et par cohorte lorsque les données le permettent. La marge brute déclarée pour la société peut masquer un flux de travail AI non rentable soutenu par une gamme de produits ou de services héritée rentable.

Le pont doit isoler le prix, le volume, le mix, le tarif du fournisseur, le choix de modèle, l’intensité en tokens ou en charge de travail, la mise en cache, l’intervention humaine, le support et les crédits de service. Les améliorations doivent être rattachées aux changements déployés et à une observation continue. Une prévision qui suppose simultanément un coût de modèle plus faible et un effort de support réduit doit expliquer les éléments probants opérationnels pour les deux.

La qualité de la marge dépend aussi de la valeur pour le client. Réduire la qualité du modèle, le contexte ou la revue peut abaisser les coûts tout en dégradant les résultats et la rétention. L’investisseur doit tester la frontière efficiente entre le résultat, la latence, la fiabilité et le coût direct. Un seul indicateur d’optimisation ne peut représenter ces quatre dimensions.

16. Cartographier l’architecture des dépendances

L’architecture des dépendances identifie les systèmes, les droits et les contreparties nécessaires à la fourniture de chaque flux de travail important. Elle doit couvrir les modèles de fondation, les modèles propriétaires, les services cloud, les accélérateurs, les données, la récupération d’information, les bases vectorielles, l’observabilité, la sécurité, les outils d’évaluation, les intégrations, les spécialistes et les contenus sous licence. Chaque dépendance doit être reliée à la promesse client et au coût.

Pour chaque dépendance, la due diligence doit consigner le fournisseur, le contrat, la durée, le renouvellement, les mécanismes de prix, l’engagement de volume, le niveau de service, l’utilisation des données, l’attribution des droits de propriété intellectuelle, la responsabilité, la résiliation, la portabilité, l’alternative, l’effort de changement et la limitation résiduelle. La substituabilité technique et la portabilité contractuelle sont deux questions distinctes.

Le profil AI génératif du NIST met en évidence les risques tout au long du cycle de vie de AI générative et encourage des actions alignées sur les objectifs organisationnels et les tolérances au risque [3]. La cartographie des dépendances convertit ces préoccupations en éléments probants pour l’investissement. Elle doit être tenue à jour au niveau des flux de travail, car une société peut bénéficier d’une forte portabilité sur un produit et d’une concentration importante sur un autre.

Chaque couche doit être testée au regard des droits, de la concentration, de la substituabilité, du délai de basculement et de l’exposition économique.

17. Évaluer la dépendance aux modèles de fondation

La dépendance aux modèles de fondation doit être évaluée par flux de travail, et non par le seul nombre de fournisseurs. Un produit peut appeler plusieurs modèles tout en dépendant d’un seul fournisseur pour la qualité, la latence, les conditions destinées aux entreprises ou une capacité critique. L’équipe doit identifier le routage par défaut, le comportement de repli, l’affinage, les actifs de prompts et d’évaluation, les fonctionnalités propres au fournisseur et les modes de défaillance.

La revue des contrats doit couvrir l’accès, la tarification, les limites de débit, les engagements de service, le traitement des données, les droits d’entraînement, les conditions relatives aux résultats, les indemnités, les restrictions territoriales, les droits de modification et la résiliation. Les tests techniques doivent mesurer le résultat et le coût dans le cadre d’alternatives réalisables. Un repli nominal qui n’atteint pas les seuils d’acceptation n’offre pas une résilience équivalente.

Le document déposé par Atlassian indique qu’elle dépend de certains modèles AI de tiers, ainsi que de certains produits et fournisseurs d’intégration, et identifie la disponibilité, la juridiction et le prix comme expositions possibles [16]. Cette communication publique illustre des questions pertinentes pour la due diligence des dépendances. Le risque de la cible doit être établi à partir de sa propre architecture, de ses contrats et de ses tests.

18. Tester la substituabilité des modèles

Les tests de substituabilité doivent utiliser des flux de travail de production représentatifs et des critères d’acceptation approuvés. L’équipe doit comparer la qualité des résultats, la latence, la fiabilité, la sécurité, la gestion du contexte, l’utilisation des outils, le coût, l’effort d’intégration et les contrôles opérationnels. Un score de benchmark peut étayer l’analyse tout en laissant la performance des flux de travail non résolue.

Le temps de basculement doit inclure les achats, la revue de sécurité, les conditions de traitement des données, la mise en œuvre, l’évaluation, la validation client, le déploiement et la surveillance. Il doit également inclure le temps nécessaire pour reconstruire les prompts, le fine-tuning, la récupération ou les garde-fous spécifiques au fournisseur. L’entreprise doit identifier les actifs qui restent utilisables après un basculement.

Le modèle d’investissement peut utiliser des scénarios de dépendance discrets. Un scénario de base peut supposer des conditions commerciales actuelles ; un scénario défavorable peut appliquer une augmentation de prix, une limite de capacité ou une dégradation de la qualité ; un scénario de migration peut inclure des coûts d’exploitation en double et des retards de mise en production. Les hypothèses doivent être traçables et éviter de suggérer que toutes les dépendances défaillent simultanément sans cause cohérente.

Tableau 3. Grille d’évaluation des dépendances et de la portabilité

Les scores doivent s'appuyer sur des preuves documentées et sur des seuils propres à chaque flux de travail.

19. Examiner les allégations relatives aux modèles propriétaires

Les allégations d'avantage lié à un modèle propriétaire doivent être décomposées. L'entreprise peut posséder le code d'entraînement, les poids, les modèles affinés, les données synthétiques, les ensembles d'évaluation, le routage, la récupération, les ontologies de domaine ou les retours des flux de travail. Chaque actif présente des droits, une reproductibilité et une pertinence commerciale différents. Une affirmation générale de propriété ne suffit pas.

L'équipe doit examiner les dossiers de développement, les licences, les cessions de droits par les salariés et les prestataires, la provenance des données, les autorisations d'entraînement, la sécurité et la documentation des modèles. Les performances doivent être testées par rapport à une référence pertinente dans des conditions de production. L'analyse doit inclure le coût et le temps nécessaires pour reproduire l'avantage revendiqué.

La pérennité dépend de la valeur pour le client et de la réaction de la concurrence. Une avance de performance mesurable peut s'éroder si les fournisseurs s'améliorent ou si les clients acceptent une solution moins chère. Les actifs propriétaires peuvent aussi réduire la dépendance tout en augmentant les besoins en entraînement, en talents et en puissance de calcul. Le modèle de valorisation doit intégrer à la fois le bénéfice et l'obligation.

20. Examiner les droits sur les données et leur provenance

La due diligence des données doit cartographier la source, la propriété, la licence, le consentement, la finalité autorisée, la géographie, la conservation, la transformation, le partage et la suppression. Cette cartographie doit couvrir l'entraînement, l'affinage, la récupération, l'évaluation, la surveillance et les retours générés par les clients. Des droits qui soutiennent une finalité peuvent ne pas en soutenir une autre.

L'équipe doit vérifier si l'entreprise peut reproduire les jeux de données critiques et si la traçabilité survit à la transformation. Les données synthétiques doivent conserver la méthode de génération et les contrôles qualité. Les données clients doivent être séparées conformément aux contrats et aux politiques. La disponibilité publique ne suffit pas, à elle seule, à établir un droit commercial non restreint.

Le cadre réglementaire AI de la Commission européenne décrit des obligations qui varient selon le risque et le rôle du système AI [6]. Les Principes AI de l’OCDE fournissent une référence internationale pour une gestion responsable [7]. Le droit applicable et le contrat exigent des conseils de professionnels qualifiés ; le dossier d’investissement doit indiquer quelles questions ont été examinées, par qui et avec quelles limites.

21. Gouvernance de l’évaluation des tests

La gouvernance de l’évaluation doit définir qui approuve les métriques, les jeux de données, les seuils, les versions publiées et les exceptions. Les équipes de développement peuvent préparer les éléments de preuve, tandis que les allégations produit importantes bénéficient d’un examen indépendant proportionné au risque. Le dossier doit conserver les tests échoués et expliquer toute modification de seuil.

L’équipe doit examiner l’évaluation hors ligne, les tests red team, la revue humaine, la surveillance en production et l’acceptation client. Les jeux de test doivent représenter des populations significatives et les modes de défaillance connus. Les fuites entre entraînement et évaluation doivent être évaluées. La gestion des versions doit relier le modèle, le prompt, les données, le code et le résultat.

Le cadre RMF Core AI du NIST indique que les jeux de test, les métriques et les outils utilisés pendant l’évaluation doivent être documentés et que les fonctionnalités et le comportement en production doivent être surveillés [2]. L’investisseur doit vérifier si les éléments de preuve de la société étayent ses promesses commerciales réelles plutôt qu’une liste de contrôle générique de conformité.

22. Examiner la sécurité et la résilience

La due diligence de sécurité doit couvrir le produit, le modèle, les données, l’infrastructure, l’identité, les accès, les secrets, la chaîne d’approvisionnement logicielle, l’intégration client, la surveillance, la réponse aux incidents et la continuité d’activité. L’équipe doit identifier quels contrôles sont gérés par la société et lesquels dépendent de prestataires. Les certifications peuvent étayer les éléments de preuve tout en laissant le périmètre et l’efficacité opérationnelle à tester.

Les scénarios spécifiques à AI peuvent inclure l’injection de prompt, la fuite de données, l’utilisation non sécurisée d’outils, l’extraction de modèle, des sources de connaissances empoisonnées, l’automatisation dangereuse et les abus. L’analyse doit porter sur l’architecture du produit et son modèle de menace. Un catalogue de risques possibles ne constitue pas une preuve d’exposition ou de contrôle.

Les incidents, quasi-incidents, vulnérabilités et exceptions doivent être reliés à la remédiation, à l’impact client, à la notification contractuelle et au coût. Les tests de résilience doivent inclure la panne d’une dépendance et la dégradation des performances du modèle. Des constats importants peuvent affecter les conditions, les indemnisations, les réserves, le calendrier d’investissement ou la décision d’arrêter.

23. Évaluer la concentration du cloud et de la puissance de calcul

La concentration de la puissance de calcul doit être évaluée selon le fournisseur, la région, l’accélérateur, l’engagement de capacité et la charge de travail. Une société peut utiliser plusieurs services cloud tout en dépendant d’une seule région ou d’une seule classe de matériel pour un produit critique. La cartographie doit inclure les charges de travail de déploiement, d’évaluation, d’entraînement, de données et de continuité d’activité.

L’examen du contrat doit couvrir le prix, les remises, les crédits, les engagements, la capacité, les niveaux de service, la localisation des données, la sécurité, la résiliation et l’assistance à la migration. L’examen technique doit tester l’observabilité, la portabilité des charges de travail et la reprise. Le modèle financier doit présenter séparément le coût utilisé et le coût engagé.

Le document déposé par CoreWeave en 2025 traite de l’adoption par les clients, des performances, de l’efficacité, des obligations de performance restantes et du financement de l’infrastructure AI [19]. Le document déposé par Oracle en 2026 décrit l’alimentation électrique, la capacité et les dépendances à l’égard de centres de données tiers [20]. Ces informations relatives à l’infrastructure illustrent des conditions en amont qui peuvent atteindre une société éditrice d’applications par le biais du prix, de la disponibilité ou des conditions des fournisseurs.

24. Construire l’analyse de sensibilité de la puissance de calcul

L’analyse de sensibilité de la puissance de calcul doit relier le volume de charges de travail, le taux de réussite des tâches, la combinaison de modèles, l’intensité des entrées et des sorties, la mise en cache, le traitement par lots, le niveau de latence, le tarif du fournisseur, les crédits et les engagements minimaux. Le modèle doit être rapproché des factures et de la télémétrie pour une période sélectionnée. Il doit ensuite établir le lien avec la marge sur coûts variables récurrente et la trésorerie.

L'équipe doit éviter une mesure unique du coût par requête lorsque les requêtes varient sensiblement. Le coût par workflow accepté réussi peut constituer une unité économique plus pertinente, à condition que la réussite soit bien définie. Le modèle doit également montrer les tentatives échouées, les nouvelles tentatives, la revue humaine et la capacité inutilisée.

La conception de scénarios peut tester un volume plus élevé, des tarifs fournisseurs plus bas, une migration de modèle, des seuils de qualité, une composition de clientèle différente et une utilisation des engagements. Chaque scénario doit préserver la faisabilité opérationnelle. Un coût plus bas peut nécessiter un compromis sur la qualité ; un engagement plus important peut améliorer le prix unitaire tout en augmentant le risque de trésorerie.

Les valeurs sont hypothétiques et illustrent la structure du modèle ; elles ne constituent ni une prévision ni une conclusion de valorisation.

25. Évaluer la fiabilité du produit

La fiabilité doit être définie à partir de la promesse faite au client. Les mesures peuvent inclure la disponibilité, la latence, le taux d'erreur, l'achèvement réussi, l'escalade, le rétablissement, la fraîcheur des données et les crédits de service. La disponibilité agrégée peut masquer un workflow AI défaillant au sein d'une application disponible.

L'équipe doit examiner les objectifs de service, les performances réelles, les incidents, les causes racines, les mesures correctives et la communication client. Une analyse au niveau des versions peut montrer si la vélocité augmente la fréquence des incidents ou réduit le temps de rétablissement. Les segments de clientèle importants et les périodes de pointe doivent être visibles.

L'économie de la fiabilité comprend les revenus perdus, les crédits, le support, les reprises de travail, la capacité dupliquée et l'attrition client. La prévision doit inclure l'investissement nécessaire pour soutenir la croissance. Un solide historique à échelle limitée ne permet pas d'établir la performance au volume projeté ; le plan de capacité et de résilience doit expliquer la transition.

26. Évaluer l'organisation produit

La due diligence organisationnelle doit cartographier les droits de décision, le leadership, la gestion produit, l'ingénierie, le machine learning, les données, la sécurité, la fiabilité, le succès client et la finance. L'équipe doit vérifier si les responsables peuvent définir les résultats, instrumenter le produit, examiner les preuves et répondre aux incidents. Le seul effectif ne permet pas d'établir la capacité.

Le débit de versions doit être normalisé selon la taille de l'équipe, l'architecture et la classe de changement. La dépendance à des personnes clés doit couvrir les connaissances techniques, les relations clients et les droits d'approbation. L'investisseur doit examiner la succession, la rétention, les incitations, le plan d'embauche et l'exposition aux prestataires tout en respectant les exigences applicables en matière d'emploi et de vie privée.

Le plan opérationnel doit relier les embauches à des contraintes spécifiques. L'ajout de développeurs peut ne pas résoudre une mauvaise découverte produit, des droits sur les données insuffisants ou un processus d'approbation d'entreprise trop lent. Un poste de spécialiste prévu doit inclure le calendrier, le coût et le contrôle intérimaire. Le dossier d'investissement doit refléter la capacité d'exécution disponible après la clôture.

27. Examiner la concentration client et la capacité à fournir des références

La concentration client doit être mesurée au regard des revenus, de la marge brute, des encaissements, de la charge de travail et des preuves produit. Un client peut représenter une part modérée des revenus tout en contribuant à une part importante des données d'utilisation réussie ou de l'orientation produit. L'investisseur doit appréhender ensemble la concentration commerciale et technique.

Les contrats doivent être examinés au regard de leur durée, de leur résiliation, de leur renouvellement, de leur tarification, des minimums, de l'acceptation, du niveau de service, de la responsabilité, des droits sur les données, de la publicité et du changement de contrôle. Les appels de référence exigent le consentement du client et un ensemble de questions encadré. Le dossier doit distinguer les défenseurs sélectionnés par la direction d'un échantillon représentatif.

Les éléments de référence doivent tester l'importance du problème, la mise en œuvre, le résultat, la fiabilité, le support, les alternatives, l'intention de renouvellement et l'expansion. Ils doivent également saisir les limites et les facteurs propres au client. Une référence enthousiaste ne peut pas établir une rétention à l'échelle du portefeuille. Les conclusions doivent être rapprochées des données d'utilisation, de support et commerciales lorsque cela est permis.

28. Analyser le marché et la position concurrentielle

La due diligence de marché doit définir le problème du client, l'acheteur économique, l'utilisateur, le budget, le processus d'achat et les alternatives crédibles. Les entreprises natives de AI peuvent concurrencer les éditeurs de logiciels, le développement interne, les services externalisés, les fournisseurs de modèles ou la poursuite d'un travail manuel. La taille du marché doit suivre les flux de travail adressables et la disposition à payer.

Les éléments de preuve concurrentiels doivent comparer le résultat pour le client, la qualité, l'intégration, la sécurité, le déploiement, le prix, le coût direct et le changement de fournisseur. Le nombre de fonctionnalités peut induire en erreur, car les capacités diffèrent en termes de maturité de production et d'acceptation par le client. L'équipe doit examiner les dossiers de gains et de pertes, les références des concurrents et les décisions de renouvellement tout en préservant les limites de l'échantillon.

La thèse d'investissement doit indiquer où réside l'avantage et comment il peut évoluer. Les améliorations des fournisseurs peuvent renforcer le produit ou comprimer la différenciation. Les modèles ouverts peuvent réduire les coûts ou accroître la concurrence. La réglementation peut élever les barrières et les coûts de conformité. Les scénarios doivent relier ces forces aux résultats clients, à la rétention et à la marge.

29. Tester la tarification et le packaging

La due diligence de tarification doit faire correspondre l'unité de facturation à la valeur pour le client et au coût pour l'entreprise. Les structures par siège, par flux de travail, par résultat, par abonnement, à la consommation et hybrides répartissent le risque différemment. L'équipe doit examiner le prix catalogue, le prix réalisé, les remises, les crédits, les minimums, les dépassements, les services et les mécanismes de renouvellement par cohorte.

Le packaging doit montrer quelles fonctionnalités stimulent l'acquisition, l'adoption, l'expansion et la rétention. Les fonctionnalités de AI proposées à un prix faible ou sans surcoût peuvent soutenir une plateforme plus large tout en augmentant les coûts d'hébergement, comme Atlassian le décrit comme un risque dans son document déposé [16]. Cette déclaration propre à l'émetteur illustre la nécessité de tester l'économie du package de la cible.

Les expérimentations de prix doivent être séparées des résultats contractuels. L'investisseur doit tester la disposition à payer, la réaction des achats, l'élasticité de l'usage et le churn. Une prévision qui suppose un prix plus élevé et une adoption plus forte doit expliquer la valeur pour le client et le plan de transition. Les changements de prix peuvent également modifier les exigences en matière de support, de canal et de reconnaissance du chiffre d'affaires.

30. Évaluer la répétabilité de la mise sur le marché

L'analyse de la mise sur le marché doit retracer le compte cible, l'opportunité qualifiée, la validation technique, la revue de sécurité, l'approbation commerciale, la mise en œuvre, l'adoption et le renouvellement. Le temps de cycle doit être segmenté par client et par cas d'usage. Les produits AI peuvent faire face à de longues phases d'évaluation et de gouvernance même lorsque les démonstrations sont rapides.

L'équipe doit rapprocher les dossiers de relations clients, les contrats, la télémétrie produit, les dossiers de mise en œuvre et le chiffre d'affaires. Les étapes du pipeline doivent avoir des critères de sortie fondés sur des preuves. Les parcours issus de partenaires, pilotés par les fondateurs et en libre-service doivent être présentés séparément, car la capacité et la conversion peuvent différer.

La répétabilité exige plus qu'une croissance historique. L'entreprise doit démontrer un problème défini, un résultat référençable, un déploiement viable, une capacité de support et une économie unitaire sur des cohortes successives. La prévision doit inclure les ressources de vente, d'ingénierie de solutions, de sécurité, de mise en œuvre et de réussite client nécessaires pour reproduire cette dynamique commerciale.

31. Construire la prévision à partir des leviers opérationnels

La prévision doit commencer par les cohortes de clients et les moteurs opérationnels. Les clients de départ, les nouvelles acquisitions, l’activation, l’utilisation récurrente réussie, le renouvellement, la contraction, l’expansion, le prix et le calendrier des revenus constituent le pont commercial. La charge de travail, la composition des modèles, les tarifs des fournisseurs, le support et la mise en œuvre constituent le pont des coûts.

Chaque hypothèse doit avoir une source, une période de référence et un responsable. Les données historiques peuvent étayer une fourchette plutôt qu’un point unique. Les changements récents de produit peuvent manquer de données matures sur les renouvellements. Le modèle doit indiquer où le jugement de la direction va au-delà des données observées et doit conserver les scénarios alternatifs.

Le bilan et le tableau des flux de trésorerie doivent suivre le modèle opérationnel. Les revenus différés, les créances, les engagements auprès des fournisseurs, les développements capitalisés, les contrats de location, la dette, les impôts et les coûts de transaction peuvent affecter la liquidité. La prévision doit être rapprochée des politiques comptables et faire l’objet d’un examen par des professionnels qualifiés lorsque cela est requis.

Tableau 4. Cartographie des éléments probants des hypothèses de prévision

Chaque hypothèse doit conserver une source, une période d'observation et une plage de scénarios approuvée.

32. Élaborer des scénarios cohérents

Les scénarios doivent décrire des états d'exploitation cohérents en interne. Un scénario de référence peut supposer l'acceptation actuelle du produit, une rétention mesurée et des recrutements planifiés. Un scénario favorable peut combiner une adoption plus forte avec un effet de levier du support éprouvé. Un scénario défavorable peut combiner un déploiement entreprise plus lent, un renouvellement plus faible et un coût du modèle plus élevé. Chaque cas doit préciser le mécanisme.

L'équipe doit éviter de réunir toutes les hypothèses favorables dans un même cas sans dépendances opérationnelles. Des versions plus fréquentes peuvent exiger davantage de capacité d'évaluation et de fiabilité. Un volume de clients plus élevé peut accroître le support et le besoin en fonds de roulement avant que l'efficacité n'apparaisse. Des prix fournisseurs plus bas peuvent attirer des concurrents tout en améliorant la marge.

Les probabilités associées aux scénarios doivent être utilisées avec prudence. Lorsque les éléments probants sont limités, des fourchettes et des seuils de décision peuvent être plus transparents. Le comité d'investissement doit voir quelles hypothèses déterminent la valeur du titre, le besoin de capital et le rendement. L'analyse de sensibilité ne doit pas remplacer un récit cohérent sur le fonctionnement de l'entreprise.

33. Déterminer le besoin de capital et l'autonomie de trésorerie

Le besoin de capital doit couvrir la période allant de la signature jusqu'à un prochain financement crédible, un point d'autofinancement ou une décision stratégique. Il doit inclure la trésorerie d'exploitation, les engagements auprès des fournisseurs, le besoin en fonds de roulement, les coûts de transaction, le service de la dette, les paiements conditionnels et une réserve de liquidité. Le modèle doit utiliser les conditions réelles du titre et les conditions de clôture.

Le plan de due diligence doit identifier des jalons probants qui exigent du temps et de la trésorerie. Les renouvellements entreprise, les migrations de modèles, les certifications et l'expansion de marché peuvent dépasser l'autonomie de trésorerie proposée. Un titre émis par tranches peut aligner le financement sur les éléments probants tout en introduisant des considérations d'exécution et de contrôle qui nécessitent des conseils juridiques et fiscaux.

L'autonomie de trésorerie doit être testée en cas de retard de revenus, de hausse des coûts et de risque de clôture. Un term sheet signé ne procure pas de trésorerie. La société peut avoir besoin de capacité pour fonctionner pendant la documentation, les approbations et la réception des fonds. L'investisseur doit également comprendre si la confiance des clients ou des fournisseurs dépend de la solidité du bilan.

34. Traduire les constats en valorisation

La valorisation doit suivre l'objectif, la base, les méthodes, les éléments probants et les droits attachés au titre. IFRS 13 définit la juste valeur comme une mesure fondée sur le marché et établit un cadre pour l'évaluation et la communication d'informations [4]. Les Normes internationales d'évaluation fournissent des normes pertinentes pour les missions de valorisation [8]. Des conseils qualifiés spécifiques à la transaction peuvent être nécessaires.

Les approches de marché peuvent utiliser des sociétés et des transactions comparables, avec des ajustements justifiés par des différences de croissance, de rétention, de marge, de concentration, d'intensité capitalistique, de droits et de risque. Les approches par les revenus peuvent traduire les éléments probants relatifs aux cohortes et aux coûts en flux de trésorerie. Un financement récent peut fournir un contexte tout en nécessitant un examen des droits et des conditions de marché.

Les constats de due diligence doivent entrer dans le modèle par des facteurs explicites. Une cohorte mature et fidélisée peut affecter la durabilité des revenus ; une concentration du modèle peut affecter la marge, le besoin de capital ou la fourchette de scénarios ; les constats relatifs au titre peuvent affecter les conditions de clôture et l'investissement. Des décotes arbitraires peuvent compter deux fois des effets déjà intégrés dans la prévision.

35. Modéliser le waterfall de distribution du titre

La valeur d'entreprise ne détermine pas la valeur actuelle pour les actionnaires sans la structure de capital. Le modèle doit inclure la trésorerie, la dette, les instruments convertibles, les préférences, la participation, l'anti-dilution, les bons de souscription, les options, les évolutions du pool, les tranches et les coûts de transaction. Les définitions doivent suivre les documents réels et un examen juridique qualifié.

Le waterfall de distribution doit présenter les produits pour différents scénarios de valeur d'entreprise et les convertir en participation de l'investisseur, rendement et potentiel de baisse. Un nouveau financement peut améliorer la valeur opérationnelle tout en modifiant la répartition entre les titres. Les tranches liées à des jalons, les préférences de liquidation et les droits de gouvernance peuvent affecter à la fois la protection et les incitations.

Le comité doit évaluer le prix et les conditions conjointement. Une valorisation affichée plus élevée assortie de droits économiques prioritaires peut produire un résultat différent d'un prix plus bas avec des conditions plus simples. Le dossier de décision doit conserver la source de la table de capitalisation, les hypothèses et la sensibilité afin que le résultat puisse être reproduit.

36. Concevoir les protections de l’investissement

Les protections doivent répondre à des risques significatifs et étayés. Elles peuvent inclure des conditions préalables, un financement échelonné, des droits à l’information, des droits de représentation au conseil, des matières réservées, des covenants, des contrôles de l’utilisation des fonds, des clauses relatives aux personnes clés, des déclarations, des clauses d’indemnisation ou des plans de remédiation spécifiques. Leur faisabilité et leurs effets nécessitent un avis juridique, réglementaire et fiscal.

L’équipe doit éviter d’utiliser des clauses comme substitut à la compréhension de l’entreprise. Un covenant ne peut pas créer de valeur client ni de portabilité du modèle. Il peut conférer des droits à l’information, de consentement ou d’intervention, tout en restreignant potentiellement l’exploitation et le financement futur. Chaque protection doit avoir un risque défini, un déclencheur, une mesure corrective et une source de suivi.

Les conditions de clôture doivent pouvoir être vérifiées objectivement. Des exigences vagues d’amélioration technologique ou de performance satisfaisante peuvent créer des litiges. Les preuves issues du registre de due diligence peuvent étayer des livrables spécifiques, des tests de recette et une validation autorisée. Les risques résiduels doivent rester dans la recommandation d’investissement.

37. Construire la grille d’évaluation de l’investissement

La grille d’évaluation de l’investissement doit combiner la solidité des preuves, le résultat opérationnel, la conséquence financière et la réponse proposée. Elle doit éviter un total opaque unique qui masque un problème rédhibitoire. Les catégories peuvent inclure la valeur client, la rétention, l’économie du modèle, la dépendance, les droits sur les données, la sécurité, l’équipe, le marché, les prévisions, la liquidité et les conditions de sûreté.

Chaque score doit suivre une grille approuvée et être lié aux preuves sous-jacentes. Le comité doit voir la confiance et la limitation séparément du résultat. Un résultat observé solide appuyé par un petit échantillon diffère d’un résultat faible appuyé par une population complète. Les deux dimensions comptent.

La grille d’évaluation doit éclairer le jugement, et non l’automatiser. Les décideurs doivent consigner les motifs, les opinions dissidentes, les conditions et les points non résolus. Les modifications intervenues entre l’examen initial, l’approbation finale et la clôture doivent être versionnées. Le dossier peut alors soutenir la gouvernance post-investissement.

Le comité doit examiner le résultat opérationnel, la confiance dans les preuves, la limitation, l’effet sur la valeur et l’action proposée.

Tableau 5. Champs de la grille d’évaluation de l’investissement

Un score ne prime pas sur une condition d’arrêt significative ni sur un avis d’expert.

38. Préparer le dossier du comité d’investissement

Le dossier du comité doit indiquer la décision demandée, le titre, la fourchette de prix, les produits, l’actionnariat, la gouvernance, les scénarios de rendement et les conditions. Il doit ensuite présenter la thèse opérationnelle, la chaîne de preuves, les constats significatifs, le modèle de scénarios, le besoin en capital, le waterfall de distribution, les protections, les limites et la recommandation. Les annexes doivent conserver le registre détaillé et les rapports d’experts.

Le dossier doit distinguer les faits, les calculs testés, les déclarations de la direction et les scénarios. Les dates et versions des sources comptent, car les éléments probants produit et financiers peuvent changer pendant un processus. Les changements significatifs après diffusion doivent être signalés plutôt qu’intégrés en silence.

Le comité doit disposer de suffisamment de temps pour contester les hypothèses. Les questions et les réponses doivent figurer dans le dossier de décision. L’approbation doit identifier l’autorité déléguée pour la négociation finale et définir les changements qui exigent une nouvelle approbation. Une fourchette de valorisation sans limites de conditions ni conditions de closing rend le mandat incomplet.

Le dossier doit inclure une passerelle claire entre la thèse initiale et la recommandation finale. Tout changement significatif doit identifier l’élément probant qui l’a provoqué, la donnée d’entrée du modèle concernée et la réponse proposée au comité. Cette discipline aide les relecteurs à distinguer un apprentissage réel d’un mouvement inexpliqué de la fourchette de valorisation. Elle réduit aussi le risque que des éléments probants opérationnels favorables soient intégrés rapidement tandis que les constats défavorables restent isolés dans les annexes d’experts.

Les conclusions des experts doivent conserver leur périmètre. Un évaluateur technique peut confirmer qu’un modèle alternatif satisfait à un test défini tout en laissant la portabilité contractuelle, le consentement des clients et le coût de migration à d’autres conseils. Le dossier intégré doit relier ces périmètres sans laisser entendre une assurance plus large. Les avis juridiques, fiscaux, comptables, de cybersécurité et de valorisation doivent être attribués au prestataire qualifié et utilisés dans le cadre de leurs hypothèses déclarées.

39. Mettre en place le suivi post-investissement

Le suivi post-investissement doit prolonger l’architecture des éléments probants de la due diligence. La société peut communiquer, selon une cadence maîtrisée, l’acceptation des versions, l’utilisation récurrente réussie, la rétention, le coût direct, l’exposition aux dépendances, les incidents, la trésorerie, les prévisions et le statut des covenants. Les définitions doivent rester stables ou présenter une passerelle documentée.

Le reporting au conseil d'administration devrait se concentrer sur des seuils liés à la thèse d'investissement. Une forte augmentation des mises en production peut être favorable si le succès client et la fiabilité se maintiennent. Elle peut nécessiter une intervention si le support, les incidents ou le taux d'attrition augmentent. Les tests de dépendance et les renouvellements de contrats devraient être planifiés avant que les options de changement ne deviennent contraintes.

L'investisseur devrait suivre les engagements de remédiation, l'utilisation des fonds et les jalons de financement. Les exceptions devraient avoir des responsables et des dates. Le suivi devrait rester proportionné et respecter l'autorité de la direction, la confidentialité et le droit applicable. L'objectif est de disposer en temps utile de preuves pour la décision, et non de dupliquer les opérations.

La conception du suivi devrait traiter la dérive des indicateurs. À mesure que les produits, la tarification et les segments de clientèle évoluent, la direction peut devoir réviser les définitions. Le dossier du conseil devrait conserver la mesure précédente, la mesure révisée, la raison du changement et un pont pour les périodes comparables lorsque cela est réalisable. Un indicateur qui s'améliore après un changement de dénominateur ne devrait pas être présenté comme un progrès opérationnel sans le rapprochement.

L'investisseur devrait également planifier les décisions relatives aux dépendances avant l'expiration des contrats ou le renouvellement de capacité. Un test de migration a une valeur limitée lorsque la durée restante est trop courte pour l'exécuter. Des contrôles calendaires peuvent relier le renouvellement fournisseur, les engagements clients, les seuils de liquidité et les feuilles de route produit. Cela rend l'optionalité observable et donne au conseil le temps d'approuver un changement, de négocier une protection, de financer une duplication ou d'accepter l'exposition avec une justification documentée.

40. Conclusion

La due diligence de capital-investissement de croissance AI-native devrait suivre la chaîne complète, de la mise en production à la valeur client, à la rétention, à l'économie récurrente et au résultat en matière de sécurité. La vélocité produit fournit des preuves utiles lorsque les mises en production sont définies, testées, adoptées et associées à des flux de travail durables. Les données clients et financières doivent compléter le rapprochement.

Les dépendances aux modèles, aux données, au cloud et à la puissance de calcul façonnent la qualité, la continuité, la marge et les besoins en capital. Elles devraient être cartographiées au niveau des flux de travail et testées au moyen de contrats, d'évaluations proches de la production et de plans de migration réalisables. Les affirmations non étayées de portabilité ou d'avantage propriétaire devraient rester des limites.

Le comité d'investissement a besoin d'un dossier de décision reproductible. Le registre des preuves, des scénarios cohérents, un pont de valorisation, un waterfall de sécurité et une scorecard relient la due diligence au prix, aux conditions, à la gouvernance, à l'action ou à l'arrêt. Ils créent également une base de référence contrôlée pour le suivi post-investissement. La décision finale reste spécifique aux faits et nécessite un jugement professionnel et des conseils spécialisés.

Un processus discipliné devrait rester utilisable sous pression temporelle. Des responsables désignés, des sources datées, des calculs contrôlés et des droits de décision explicites permettent à l'équipe de mettre à jour les preuves sans reconstruire l'ensemble du dossier. Cette discipline opérationnelle peut améliorer la préparation à la négociation, le contrôle de la clôture et la qualité des premières décisions du conseil après l'investissement.

Références

1. National Institute of Standards and Technology, Cadre de gestion des risques liés à l'intelligence artificielle 1.0, https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10
2. National Institute of Standards and Technology, noyau du RMF AI, https://airc.nist.gov/airmf-resources/airmf/5-sec-core/
3. National Institute of Standards and Technology, cadre de gestion des risques liés à l'intelligence artificielle : profil pour l'intelligence artificielle générative, https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
4. Fondation IFRS, IFRS 13 Évaluation de la juste valeur, https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/
5. Fondation IFRS, IFRS 15 Produits des contrats avec les clients, https://www.ifrs.org/issued-standards/list-of-standards/ifrs-15-revenue-from-contracts-with-customers/
6. Commission européenne, cadre réglementaire pour l'intelligence artificielle, https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
7. Organisation de coopération et de développement économiques, Principes AI de l'OCDE, https://oecd.ai/en/ai-principles
8. Conseil des normes internationales d'évaluation, Normes internationales d'évaluation, https://www.ivsc.org/standards/
9. Organisation internationale de normalisation, systèmes de management de l'intelligence artificielle ISO/IEC 42001, https://www.iso.org/standard/81230.html
10. U.S. Securities and Exchange Commission, Base de données EDGAR des dépôts de sociétés, https://www.sec.gov/edgar/search/
11. U.S. Securities and Exchange Commission, allocution à la table ronde sur l'intelligence artificielle dans le secteur financier, 27 mars 2025, https://www.sec.gov/newsroom/speeches-statements/crenshaw-remarks-ai-roundtable-032725
12. Financial Accounting Standards Board, codification des normes comptables, sujet 606, https://asc.fasb.org/topic&trid=2129938
13. Banque des règlements internationaux, publications thématiques sur l'intelligence artificielle, https://www.bis.org/topic/artificial_intelligence.htm
14. Amplitude Inc., rapports annuels et documents déposés auprès de la SEC, https://investors.amplitude.com/financial-information/sec-filings
15. DigitalOcean Holdings Inc., résultats du quatrième trimestre et annuels 2025 déposés auprès de la SEC, https://www.sec.gov/Archives/edgar/data/1582961/000158296126000015/a2025-q4dopressrelease.htm
16. Atlassian Corporation, rapport annuel 2025, https://www.sec.gov/Archives/edgar/data/1650372/000165037225000060/team2025annualreport.pdf
17. Microsoft Corporation, rapport annuel 2025 déposé auprès de la SEC, https://www.sec.gov/Archives/edgar/data/789019/000095017025100235/msft-20250630.htm
18. Alphabet Inc., rapport annuel 2025 déposé auprès de la SEC, https://www.sec.gov/Archives/edgar/data/1652044/000165204426000018/goog-20251231.htm
19. CoreWeave Inc., rapport annuel 2025 déposé auprès de la SEC, https://www.sec.gov/Archives/edgar/data/1769628/000176962826000104/crwv-20251231.htm
20. Oracle Corporation, rapport annuel 2026 déposé auprès de la SEC, https://www.sec.gov/Archives/edgar/data/1341439/000119312526277521/orcl-20260531.htm
21. Snowflake Inc., rapports annuels et dépôts auprès de la SEC, https://investors.snowflake.com/financials/sec-filings/default.aspx
22. C3.AI Inc., rapports annuels et dépôts auprès de la SEC, https://ir.c3.ai/financials/sec-filings/default.aspx
23. NVIDIA Corporation, rapports financiers et dépôts auprès de la SEC, https://investor.nvidia.com/financial-info/financial-reports-and-sec-filings/default.aspx
24. National Institute of Standards and Technology, AI RMF Playbook, https://airc.nist.gov/airmf-resources/playbook/
25. National Institute of Standards and Technology, cadre TEVV-Athlon pour l’évaluation des systèmes AI, https://www.nist.gov/artificial-intelligence/ai-research/tevv-athlon-framework-evaluating-ai-systems
26. IFRS Foundation, document pédagogique sur la mesure de la juste valeur des instruments de capitaux propres non cotés, https://www.ifrs.org/content/dam/ifrs/supporting-implementation/ifrs-13/education-ifrs-13-eng.pdf