Startups natives de AI : comment les investisseurs évaluent la couche applicative AI

Introduction

L'intelligence artificielle est devenue une catégorie vaste et concentrée de l'investissement en capital-risque. Stanford HAI indique que l'investissement mondial des entreprises dans AI a plus que doublé en 2025, avec AI générative captant près de la moitié du financement privé de AI [1]. La NVCA indique que l'investissement en capital-risque aux États-Unis a atteint des niveaux record au premier semestre 2026, tandis que la majeure partie du capital investi a afflué vers les entreprises de AI et les financements de USD 100 million ou plus [2]. Carta recense USD 119.5 billion levés par des entreprises sur sa plateforme en 2025 sur 4 859 tours, le nombre annuel de tours le plus faible depuis au moins six ans ; ses données de série A montrent une prime de valorisation médiane de 38 % pour les entreprises de AI [3]. L'OCDE indique que l'investissement lié à AI a dépassé la moitié de l'investissement global en capital-risque en 2025 [6].

Ces chiffres décrivent les marchés de capitaux, et non la qualité de l'investissement. Un label tel que natif de AI peut désigner un produit dont le résultat client dépend de l'inférence machine, un produit logiciel conventionnel auquel une interface de modèle a été ajoutée, une entreprise de services utilisant AI en interne, une société de workflows dotée d'une boucle propriétaire d'évaluation et de données, ou un récit de fondateur avec des preuves de production limitées. Chaque cas présente un profil de produit, de risque, de marge, de distribution et de capital différent.

Le problème de souscription est donc d'ordre probatoire. Un investisseur doit établir ce que fait l'application, quel résultat client change, quelle part du flux de travail est automatisée, quelles dépendances aux modèles et aux données importent, comment la qualité est évaluée, comment les défaillances sont maîtrisées, comment les clients achètent et conservent le produit, comment le chiffre d'affaires se transforme en trésorerie, comment le coût de service évolue avec l'usage et quels droits permettent à l'entreprise d'opérer. Un fondateur a besoin des mêmes preuves pour piloter l'entreprise et préparer un processus de financement crédible.

La proposition centrale de l'article est que le résultat client accepté ajusté de la qualité constitue la bonne unité opérationnelle. Un résultat accepté est une tâche ou une décision client menée à bien qui satisfait à des critères définis de qualité, d'autorité et de preuve. Citons par exemple une note de crédit revue, une demande client résolue, une classification de facture acceptée, une modification logicielle mise en production, un contrôle de conformité achevé ou une conception approuvée par le client. Les tokens, appels, générations, agents et scores de référence des modèles sont des intrants techniques. Ils deviennent pertinents sur le plan économique lorsqu'ils contribuent à des résultats acceptés, à la fidélisation des clients et à la marge brute encaissée.

Sept principes de souscription en découlent. Premièrement, le label natif AI doit être traduit en un flux de travail et une architecture observables. Deuxièmement, l'entreprise doit apporter des preuves de la performance du modèle sur des tâches client représentatives. Troisièmement, la qualité du chiffre d'affaires exige des preuves relatives aux contrats, aux factures, aux encaissements, aux cohortes, aux concessions et à la concentration. Quatrièmement, la marge brute exige un registre complet des coûts par résultat, incluant les coûts de revue humaine et de fiabilité. Cinquièmement, les fournisseurs de modèles et de cloud font partie de la chaîne d'approvisionnement du produit. Sixièmement, les droits sur les données, la confidentialité, la propriété intellectuelle, la sécurité et le rôle réglementaire déterminent où et comment le produit peut être vendu. Septièmement, le cas d'investissement doit résister à un choc de prix des modèles, à une régression de qualité, à l'arrêt d'un fournisseur, à la perte d'un client et à un cycle de vente plus lent.

La date d'arrêté des preuves est le 1er août 2026. L'analyse s'appuie sur les rapports de marché officiels actuels, les dépôts de titres, la documentation des fournisseurs, les documents des régulateurs, la législation, les normes et les ressources en matière de sécurité. Aucune entreprise, aucun fondateur, aucun fonds, aucun client, aucun produit, aucun contrat, aucune cohorte, aucune data room, aucune suite d'évaluation, aucun registre de coûts, aucune table de capitalisation ni aucune note d'investissement n'a été fourni. Tous les volumes, prix, coûts, taux de conversion, effets de productivité et données de valorisation utilisés sont des hypothèses de modélisation hypothétiques. Le chiffre d'affaires, la réduction des coûts et la réduction des pertes attribués à Matchpoint ou à un client restent USD 0.

Périmètre, définitions et limites des preuves

Couche applicative

La couche applicative transforme les modèles, les données, les logiciels et le travail humain en un produit utilisé pour un flux de travail client spécifique. Elle peut inclure des interfaces utilisateur, la logique applicative, la récupération d'informations, la mémoire, des outils, le routage des modèles, des prompts, le fine-tuning, l'évaluation, le contrôle d'accès, l'observabilité, la facturation et le support. L'entreprise applicative peut utiliser des modèles propriétaires, tiers ou à poids ouverts. Sa défensibilité peut découler de l'intégration au flux de travail, de droits de propriété sur les données, d'actifs d'évaluation, de la distribution, de coûts de changement, d'autorisations réglementées, de la confiance des clients ou de l'apprentissage opérationnel.

La couche modèle fournit l'inférence ou les poids du modèle. La couche infrastructure fournit la puissance de calcul, le stockage, l'orchestration et le déploiement. Ces frontières peuvent se chevaucher. Une entreprise qui effectue un fine-tuning ou héberge un modèle doit encore montrer comment le modèle modifie le résultat client et comment l'application capture de la valeur.

Classification native AI

Une classification native AI doit reposer sur des preuves. La classification n’exige pas une architecture technique unique. Elle exige une dépendance matérielle à l’inférence machine au sein de la chaîne de valeur client, un produit conçu autour de cette capacité et un mode de fonctionnement qui mesure sa qualité et son économie.

Le résultat peut être consigné comme un service natif AI, activé par AI, assisté par AI ou non vérifié. Le libellé constitue une conclusion de due diligence, et non une conclusion de valorisation.

Classes de preuves

Chaque allégation importante doit se voir attribuer une classe et un responsable. Les preuves observées proviennent d’un système de référence contrôlé. Les preuves reproduites indépendamment proviennent d’une réexécution de test par l’investisseur, le conseil ou un tiers qualifié. Les preuves attestées par le client proviennent d’un représentant client autorisé et nommément désigné et doivent être rapprochées des données système lorsque cela est possible. Les preuves estimées par la direction sont étiquetées et étayées par une méthode. Les allégations non étayées restent des points ouverts.

Comparables publics et rapports de marché

Les documents publics démontrent des méthodes analytiques et une possible variation économique. Palantir a déclaré un chiffre d'affaires de USD 4.475 billion pour 2025, une marge brute de 82 % et 954 clients [7]. UiPath a déclaré un chiffre d'affaires de USD 1.611 billion pour l'exercice 2026, un rythme annualisé des renouvellements de USD 1.853 billion et une marge brute de 83 % [8]. C3 AI a déclaré un chiffre d'affaires de USD 250.3 million pour l'exercice 2026 et une marge brute GAAP de 31 % [9]. Duolingo a indiqué que la hausse des coûts de AI générative et d'hébergement a réduit la marge brute en 2025 et a ensuite fait état de la poursuite des investissements dans l'infrastructure AI [10].

Ces entreprises diffèrent en taille, produit, déploiement, mix clients, services, comptabilité et maturité. Leurs indicateurs ne déterminent pas la marge brute ni la valorisation d'une startup privée. Ils montrent pourquoi un investisseur devrait éviter une hypothèse de marge générique pour un logiciel AI.

Les rapports de marché ont eux aussi des limites. Les données publiées par Carta sont agrégées à partir des entreprises et des détenteurs de titres présents sur sa plateforme et excluent les entreprises ayant demandé leur exclusion des études anonymisées [3-5]. Le rapport du NVCA couvre l'écosystème du capital-risque américain, PitchBook en étant le fournisseur de données [2]. L'OCDE utilise les données de Preqin dans son AI brief consacré au capital-risque [6]. Stanford HAI combine plusieurs sources publiques et propriétaires [1]. L'article conserve le périmètre de chaque source.

Limites juridiques, d'investissement et de l'auteur

Le présent article ne détermine pas si un produit est réglementé, si un traitement est licite, si des droits de propriété intellectuelle sont valides, si un titre est adapté, si une valorisation est équitable ou si un investissement devrait être réalisé. Ces décisions nécessitent le contrat applicable, les faits, la juridiction et une autorité qualifiée.

Matchpoint Partners est l'auteur organisationnel. Aucune performance de fondateur, opinion d'investisseur ou résultat client n'est attribuée à une personne nommée.

Carte de décision pour les investisseurs et les fondateurs

décisions des investisseurs

Les investisseurs ont besoin d'une réponse progressive à cinq questions. Le problème client est-il à forte valeur et récurrent ? Le produit crée-t-il un résultat accepté que les clients sont prêts à payer ? L'entreprise peut-elle maintenir la qualité et le contrôle face à l'évolution des modèles et du marché ? Les revenus conservés créent-ils des caractéristiques de marge brute et de trésorerie attractives ? Le prix du financement est-il étayé par les éléments probants et le scénario défavorable ?

décisions du fondateur

Les mêmes preuves étayent le contrôle du fondateur. Un fondateur doit savoir quel résultat client stimule la fidélisation, quelle défaillance nuit le plus aux clients, quelle dépendance à un fournisseur limite le passage à l’échelle, quelle cohorte génère de la marge brute et quel jalon mérite la prochaine unité de capital.

Espace de preuves partagé

L’investisseur et le fondateur doivent travailler à partir du même espace de preuves réconcilié. Des interprétations différentes sont légitimes. Des chiffres sous-jacents différents créent un risque évitable.

Contexte de marché et problème de concentration du capital AI

Prime et sélection

La croissance du capital AI élargit l'univers d'opportunités et accroît la pression de sélection. Les données 2025 de Carta montrent davantage de capital sur moins de tours et une prime de valorisation AI à partir de la série A [3]. Ses recherches sur l'amorçage font état d'équipes initiales plus réduites, de délais de levée de fonds plus longs et d'un écart croissant entre les valorisations typiques et les valorisations de premier rang, en particulier pour les entreprises AI [4]. Son rapport sur la rémunération au second semestre 2025 décrit les effets sur le capital et les talents induits par AI, tout en soulignant des équipes plus réduites aux stades précoces [5].

L'investisseur doit donc distinguer une prime de catégorie d'éléments probants propres à l'entreprise. Une valorisation peut refléter la rareté, la concurrence, la valeur d'option stratégique, la taille du marché, la croissance, la rétention, l'équipe, la technologie, les droits sur les données ou la dynamique. Chaque facteur nécessite ses propres éléments probants et un traitement du risque de baisse.

Discipline de dimensionnement du marché

Un marché de la couche applicative devrait commencer par les unités clients et les dépenses liées aux workflows. Les totaux AI issus d'une approche descendante peuvent contextualiser l'adoption. Ils ne permettent pas d'établir un revenu accessible.

Pour une entreprise verticale AI, le modèle de marché doit inclure le nombre d'entreprises cibles, les départements éligibles, la fréquence des flux de travail, le coût actuel, l'autorisation requise, la charge d'intégration, le responsable budgétaire et une adoption plausible. Pour un produit horizontal, une segmentation par cas d'usage et par acheteur évite un calcul superficiel du nombre total de sièges.

Probabilité de levée de fonds et autonomie de trésorerie

Les données de marché confirment un environnement de financement concentré. Elles n'établissent pas qu'une entreprise donnée puisse lever des fonds. Le plan de financement doit inclure un scénario sans levée, un scénario de levée retardée et un scénario à prix inférieur. Il doit présenter la trésorerie mensuelle, les coûts engagés, les coûts discrétionnaires, les seuils de déclenchement des recrutements, les engagements des prestataires, le besoin en fonds de roulement et l'autonomie opérationnelle minimale.

Ces cas sont des hypothèses de modélisation théoriques. Ils illustrent les mécanismes de planification. Ils ne préjugent pas de la disponibilité du financement, de la valorisation ni du rendement.

Le test natif de la couche applicative AI

Résultat client avant la capacité du modèle

La première séance de due diligence doit reconstituer un flux de travail client sans le produit. L’équipe consigne le déclencheur, les données d’entrée, l’opérateur, la décision, les données de sortie, la revue, l’exception, le temps écoulé, le coût de l’erreur et l’autorité. Elle reconstitue ensuite le même flux de travail avec le produit. La comparaison identifie les étapes qui disparaissent, changent, s’accélèrent ou nécessitent de nouveaux contrôles.

L’exercice met en évidence des erreurs de catégorie. Un brouillon plus rapide peut augmenter l’effort de revue. Un temps de traitement plus court peut augmenter les corrections ou les escalades. Un taux d’automatisation plus élevé peut masquer une acceptation client plus faible. Un produit qui génère davantage de sorties peut réduire la valeur si les utilisateurs ne peuvent pas les vérifier dans leur fenêtre de décision.

Résultat client accepté

Un résultat accepté comporte cinq éléments. La tâche est définie. Les preuves sources sont suffisantes. La sortie respecte les seuils de qualité et de politique. La personne ou le système autorisé l’accepte. Le résultat atteint le processus client. Une réponse générée écartée, un brouillon nécessitant une recréation complète et une décision automatisée annulée après examen sont des sorties produites, et non des résultats acceptés.

L’entreprise doit mesurer les résultats acceptés par client et par cohorte. Les mesures utiles incluent l’acceptation au premier passage, le nombre de résultats acceptés par utilisateur actif, les minutes de revue par résultat accepté, le taux d’exception, le taux de correction, le taux d’incident, l’escalade client et le délai d’acceptation. La définition doit être suffisamment stable pour l’analyse par cohorte et suffisamment précise pour éviter une inflation des volumes.

Registre des allégations

Les mesures répressives de la SEC concernant les déclarations AI montrent l’importance de déclarations exactes [12]. Un financement privé dépend aussi d’allégations fiables. Le registre des allégations consigne chaque affirmation importante utilisée dans le pitch, la data room, la proposition client et la note d’investissement.

Le registre des affirmations aide aussi les fondateurs. Les affirmations non étayées peuvent être corrigées avant un processus de financement. Les estimations de la direction peuvent être converties en preuves observées au moyen de tests structurés.

Cercle vertueux des preuves

Une application justifiable peut créer un cercle vertueux des preuves licite et utile. Les tâches des clients génèrent des données d’usage consenties ou autorisées contractuellement. Les signaux de revue et de résultat améliorent l’évaluation. Les évaluations améliorent le routage, les flux de travail et les décisions de mise en production. Des résultats mieux acceptés améliorent l’adoption et la rétention. L’usage durable produit des preuves plus représentatives. Chaque maillon nécessite des droits, de la qualité et une valeur économique.

L’investisseur doit rejeter l’affirmation circulaire d’un avantage concurrentiel fondé sur les données. Des données plus nombreuses n’ont de valeur que si elles sont autorisées, pertinentes, suffisamment étiquetées, intégrées à un processus d’amélioration maîtrisé et difficiles à reproduire pour un concurrent.

Valeur produit, parcours client et preuves d’adéquation produit-marché

Référence de base et contrefactuel

La valeur d’un produit nécessite une base de référence. Cette base peut être le travail humain actuel, des règles, un logiciel en place, un service externalisé ou l’absence d’action. Le contrefactuel doit refléter ce que le client ferait réellement sans le produit. Comparer un produit à un processus manuel irréaliste surestime sa valeur.

La meilleure preuve précoce est une comparaison représentative intra-client. Elle utilise la même famille de tâches, les mêmes exigences de service et la même fenêtre de décision. Elle consigne les écarts d’intrants, les effets de sélection et la revue. Les tests randomisés peuvent convenir à certaines fonctionnalités produit. Les flux de travail opérationnels et réglementés peuvent nécessiter des périodes appariées, un déploiement échelonné ou une utilisation en miroir contrôlée.

Pont entre productivité et revenus

La productivité devient une proposition de valeur pour le client lorsque celui-ci peut redéployer des capacités, réduire son coût réel, répondre à une demande plus importante, améliorer son délai de génération de revenus ou réduire une perte mesurée. Le chiffre d'affaires devient de la valeur pour l'entreprise lorsque l'utilisation contractuelle se transforme en marge brute encaissée et conservée.

Échelle des preuves client

Les lettres d'intention, les mémorandums d'entente, les pilotes non rémunérés, les pilotes rémunérés, les contrats de production et les renouvellements encaissés doivent être déclarés séparément. Les logos ne remplacent pas cette classification.

Protocole de référence client

Une référence client doit être autorisée et structurée. L'enquêteur confirme le problème, le flux de travail antérieur, le processus d'achat, le déploiement, le délai de création de valeur, la qualité, les exceptions, le support, la fréquence d'utilisation, l'étendue des utilisateurs, le prix, l'intention de renouvellement et les alternatives. L'investisseur consigne le lien entre la personne interrogée et l'achat ainsi que l'utilisation quotidienne.

La référence est une preuve attestée par le client. Elle est plus solide lorsqu'elle est rapprochée des contrats, des données produit et des données financières. Un champion sélectionné par le fondateur peut fournir des détails précieux et peut ne pas représenter les points de vue des achats, de la sécurité, de la finance ou des utilisateurs finaux.

Distribution et démarche commerciale

Les applications AI peuvent recourir à la vente menée par le fondateur, à l'adoption pilotée par le produit, à la vente directe aux entreprises, aux places de marché, aux partenaires cloud, aux intégrateurs de systèmes, aux partenaires de canal et à la distribution intégrée. Chaque approche présente des coûts, un contrôle, des délais et une concentration distincts.

Architecture technique, chaîne d'approvisionnement des modèles et portabilité

Éléments probants d'architecture

L'architecture doit montrer le parcours complet, de l'utilisateur et du système source jusqu'au résultat accepté. Elle couvre l'identité, les autorisations, les flux de données, la récupération, les prompts, les routes de modèles, les outils, l'exécution de code, les garde-fous, la revue humaine, le stockage, l'observabilité et la facturation. Le diagramme doit distinguer les environnements clients, les systèmes de l'entreprise et les tiers.

Registre des fournisseurs

OpenAI, Anthropic, Google et AWS publient des structures tarifaires différentes pour les modèles, la mise en cache, le traitement par lots, les outils, le contexte et le déploiement [13-16]. Google publie également des informations sur le cycle de vie des modèles et des points de terminaison, y compris les mises hors service [17]. Le registre consigne le service exact utilisé, et non la seule marque du fournisseur.

Les prix catalogue peuvent changer et les dépenses réalisées dépendent des entrées, des sorties, des nouvelles tentatives, de la mise en cache, de l'utilisation d'outils, du contexte, de la modalité et du volume. La due diligence devrait rapprocher les lignes de facture de la télémétrie produit sur une période représentative.

Concentration et changement de fournisseur

L'étude de la FTC sur des partenariats sélectionnés entre fournisseurs de cloud et développeurs AI documente les engagements de dépenses cloud, les fonctionnalités d'exclusivité, l'accès à des informations sensibles et les coûts de changement potentiels [11]. Le rapport porte sur ces partenariats et n'établit pas les conditions d'une société privée d'applications. Il fournit un prisme utile pour la due diligence.

La concentration est mesurée sur les dépenses, les résultats acceptés, les fonctionnalités critiques, les régions et les clients. Une entreprise peut sembler multi-modèles alors qu'un seul fournisseur traite chaque tâche essentielle au chiffre d'affaires. Un repli qui réussit un prompt synthétique peut encore échouer sur les outils clients, un contexte long, le comportement en matière de sécurité, la sortie structurée ou la latence.

Test de portabilité

Un test de portabilité exécute une suite d'évaluation représentative sur un modèle ou un déploiement alternatif. Il consigne les modifications de code, les modifications de prompt, les différences de schéma de sortie, la qualité, la charge de revue, la latence, le coût, la sécurité, les conditions relatives aux données et le temps de migration. Le résultat peut être portable, partiellement portable ou concentré.

L'investisseur devrait modéliser au moins trois chocs : une hausse de 50 % du coût unitaire du modèle, le retrait du modèle principal sous 90 jours et une limitation de capacité pendant les pics d'utilisation. Ces pourcentages et périodes sont des données d'entrée hypothétiques et illustratives. La direction devrait les remplacer par ses éléments de preuve contractuels et opérationnels.

Dépendance aux modèles à poids ouverts et aux licences

La licence communautaire Llama 4 de Meta accorde des droits spécifiés et inclut des conditions de redistribution, d'attribution, d'usage acceptable et liées à l'échelle [22]. D'autres modèles à poids ouverts ont des licences différentes. « À poids ouverts » ne signifie pas « sans restrictions ». La société devrait conserver la version exacte de la licence, la fiche du modèle, la source de téléchargement, les modifications, les mentions, l'examen de l'usage acceptable et l'analyse de la redistribution.

Évaluation, fiabilité, sécurité et contrôles opérationnels

Contrat d'évaluation

Le RMF AI du NIST utilise les fonctions gouverner, cartographier, mesurer et gérer [23]. Son profil Generative AI identifie les risques liés à l'IA générative AI et les actions recommandées [24]. Les recommandations actuelles d'OpenAI en matière de modèles préconisent une évaluation sur des tâches représentatives avant migration ou optimisation [29]. Les recommandations d'Anthropic en matière d'évaluation commencent par des critères de réussite spécifiques, mesurables et pertinents [30]. Ces sources étayent une discipline de publication pratique.

Un contrat d'évaluation définit la population de tâches, l'échantillon, la vérité terrain, l'évaluateur, les dimensions, le seuil, la gravité, le sous-groupe, le modèle/la version, l'invite, l'environnement d'outils et la décision de publication. Le jeu de test doit inclure des cas normaux, difficiles, adversariaux, incomplets et hors périmètre.

Mise en production et surveillance

Un seul benchmark ne suffit pas. Les mises en production peuvent modifier la version du modèle, le prompt, les outils, la récupération, les politiques, le code, les données et la configuration client. L’entreprise doit conserver un manifeste de mise en production et réexécuter la suite requise. La surveillance en production compare ensuite l’acceptation, l’échec, la latence et le coût aux attentes de mise en production.

Preuves de fiabilité et d'incident

La fiabilité est mesurée à la frontière du résultat accepté. La disponibilité peut être élevée alors qu'un outil critique échoue silencieusement. Un modèle peut répondre tout en fournissant un schéma non valide. Un flux de travail peut se terminer après la fenêtre de décision du client. Le registre des incidents doit inclure les défaillances de fournisseurs, une qualité dégradée, des erreurs de récupération, l'obsolescence des données, des erreurs d'outils, des événements de sécurité, des anomalies de dépenses et des arriérés de revue humaine.

Sûretés

Le profil communautaire SSDF du NIST ajoute des pratiques de AI générative au développement sécurisé de logiciels [25]. La CISA et le NCSC traitent de la conception, du développement, du déploiement et de l’exploitation sécurisés pour les systèmes AI [26]. OWASP identifie des risques, notamment l’injection de prompt, la divulgation d’informations sensibles, les vulnérabilités de la chaîne d’approvisionnement et la consommation non bornée [27]. MITRE ATLAS fournit une base de connaissances évolutive sur les menaces pour les systèmes AI prédictifs, génératifs et agentiques [28].

Les certifications de sécurité et les tests d’intrusion constituent des preuves dans leur périmètre et à leur date. Ils ne remplacent pas la revue d’architecture, l’historique des incidents ou les contrôles spécifiques au client.

Droits sur les données, confidentialité, réglementation et propriété intellectuelle

Conditions de service précises

OpenAI déclare que les entrées et sorties des services professionnels et de API sont exclues de l’entraînement par défaut [18]. Son accord de services définit la relation commerciale et les droits pertinents sur le contenu [19]. Anthropic publie des informations sur l’utilisation des données des produits commerciaux [20]. Les conditions de Gemini API de Google distinguent les services gratuits et payants, notamment l’utilisation du contenu soumis et l’examen humain pour les services gratuits, ainsi qu’un traitement différent pour les services payants [21]. Les recommandations de Google en matière de conservation zéro des données identifient les paramètres et fonctionnalités du produit pertinents pour la conservation [40].

Ces conditions peuvent changer. La société doit conserver des documents contractuels datés, les paramètres de compte et des preuves des flux de données. Une réponse en matière de confidentialité fondée uniquement sur une déclaration publique de niveau marque d’un fournisseur est incomplète.

Registre des droits sur les données

Le registre doit consigner la qualité et l'utilité des données séparément des droits juridiques. Des données licites peuvent être sans pertinence. Des données utiles peuvent être inexploitables parce que le droit requis est absent.

UAE, DIFC, ADGM, protection des données en Arabie saoudite et au Royaume-Uni

Le décret-loi fédéral UAE n° 45 de 2021 établit un cadre fédéral en matière de données personnelles dans son champ d'application [33]. Le Règlement 10 du DIFC traite du traitement des données personnelles par des systèmes autonomes et semi-autonomes [34]. Les orientations de l'ADGM portent sur la prise de décision individuelle automatisée, y compris la nécessité d'un examen humain significatif dans les cas pertinents [35]. La PDPL de l'Arabie saoudite et son cadre de mise en œuvre établissent des obligations pour les responsables du traitement dans leur champ d'application [36]. L'Information Commissioner's Office du Royaume-Uni publie des orientations AI couvrant la licéité, l'équité, la transparence, la limitation des finalités, la minimisation, l'exactitude, la conservation, la sécurité et la responsabilité [37].

Ce tableau est un index de due diligence. Il ne constitue pas une conclusion juridique.

Rôles et transparence au titre du règlement AI de l'UE

Le règlement AI de l'UE distingue les fournisseurs de modèles, les fournisseurs de systèmes, les déployeurs et les autres opérateurs, et applique des obligations selon le rôle et le risque [31]. La Commission européenne indique que les obligations de transparence de l'article 50 s'appliquent à compter du 2 août 2026, avec un régime transitoire spécifique pour certains systèmes mis sur le marché antérieurement [32]. Une société GCC peut entrer dans le champ d'application du fait de la mise sur le marché d'un produit, de son déploiement ou de personnes affectées dans l'Union, selon les faits.

La matrice produit-rôle doit être renseignée pour chaque cas d'usage et chaque juridiction. Une entreprise peut être fournisseur pour une fonctionnalité, déployeur pour une autre et intégrateur en aval d'un modèle à usage général fourni par un tiers. La formulation contractuelle doit être alignée sur l'architecture et les contrôles effectifs.

Provenance des droits d'auteur, des brevets et du code

Le Bureau du droit d'auteur des États-Unis a publié des rapports traitant des répliques numériques, de l'aptitude à la protection par le droit d'auteur des résultats génératifs de AI et de l'entraînement de AI [38]. Les orientations révisées de l'USPTO de novembre 2025 indiquent que les critères ordinaires de qualité d'inventeur s'appliquent aux inventions assistées par AI et que seules des personnes physiques peuvent être inventeurs [39]. Les contrats de fournisseurs et les licences de modèles ouverts attribuent et réservent des droits différents [19,21,22].

Le code généré doit être soumis aux mêmes contrôles de revue, de test, de sécurité, de provenance et de licence que le code écrit par des humains. La due diligence doit procéder par échantillonnage des commits et des dépendances plutôt que de s'appuyer uniquement sur un document de politique.

Qualité, rétention et distribution du chiffre d'affaires

Du contrat à l'encaissement

L'analyse de souscription des revenus commence par un pont au niveau client. Le pont relie l'opportunité, le contrat signé, l'obligation de prestation, l'accès au produit, l'usage, les résultats acceptés, la facture, l'encaissement, le crédit, la concession, le renouvellement et l'expansion. Il identifie également les relations avec les revendeurs, les parties liées, le réseau des fondateurs et les partenaires stratégiques.

Le revenu récurrent annuel devrait faire l'objet d'une politique écrite. L'investisseur devrait vérifier si les pilotes, les engagements de consommation, la mise en œuvre, les services professionnels, les contrats non résiliables, les minimums d'utilisation, les frais ponctuels et les factures en retard sont inclus. L'ARR déclaré devrait se rapprocher d'un échéancier client et du grand livre conformément à la politique.

Cohortes

Une cohorte regroupe des clients comparables par période de début, segment, produit, contrat ou source d'acquisition. La rétention des revenus doit être présentée sur une base brute et sur une base nette. La rétention des logos doit figurer à côté de la rétention des revenus, car un client en expansion peut masquer une perte de clients généralisée.

La société doit communiquer la taille et l'ancienneté de la cohorte. Une cohorte récente peut afficher une forte rétention nette avant le premier renouvellement significatif. Un client ayant bénéficié d'un déploiement initial important peut générer une contraction sans insatisfaction. Les éléments probants doivent expliquer cette évolution.

Concentration

La concentration est mesurée par le chiffre d'affaires, la marge brute, les encaissements, les résultats acceptés, le pipeline et les droits sur les données critiques. Un client à fort chiffre d'affaires peut présenter une faible marge en raison d'une infrastructure dédiée, de services, de support ou de consommation de modèles. Un partenaire de conception à faible chiffre d'affaires peut être opérationnellement critique car le produit dépend de ses données ou de son expertise métier.

Efficacité commerciale

Le coût d'acquisition client doit inclure la rémunération commerciale, le marketing, les événements, le temps des fondateurs, les frais de canal, l'ingénierie de solutions, la due diligence de sécurité, les pilotes et la mise en œuvre lorsqu'ils sont nécessaires pour remporter la cohorte. Le délai de récupération utilise la marge brute de la cohorte plutôt que le chiffre d'affaires.

Une société en phase de démarrage peut présenter l'activité sous-jacente même lorsqu'un CAC stable n'est pas disponible. Les éléments probants utiles incluent les heures des fondateurs par étape, le nombre de revues de sécurité, la durée des pilotes, l'effort de mise en œuvre, les motifs de gain/perte et le délai entre la signature et l'acceptation en production.

Économie unitaire, marge brute et plan de capital

Registre des coûts par résultat

La tarification des tokens du fournisseur n’est qu’une ligne de coût [13-16]. Le coût complet d’un résultat validé peut inclure l’accès aux systèmes sources, le traitement documentaire, les embeddings, la récupération, le stockage de contexte, les entrées et sorties du modèle, la mise en cache, l’ancrage, les outils, l’exécution de code, les nouvelles tentatives, les appels échoués, l’orchestration, l’observabilité, la sécurité, la revue humaine, le support et l’infrastructure spécifique au client.

Passage illustratif du bénéfice brut

Supposons, à titre purement illustratif, qu'un client achète 10 000 résultats acceptés par mois à USD 1.20 chacun. Le chiffre d'affaires mensuel est de USD 12,000. ; le coût de modèle et de récupération est de USD 1,650 ; les coûts des outils et de l'infrastructure s'élèvent à USD 900 ; les coûts de revue humaine s'élèvent à USD 1,800 ; les coûts d'allocation de support et de fiabilité s'élèvent à USD 750.. Le bénéfice brut illustratif est de USD 6,900 et la marge brute est de 57,5 %.

Chaque élément d’entrée de cet exemple est une hypothèse de modélisation hypothétique. Elle ne prouve aucun résultat d’entreprise ou de client. Les revenus attribués, la réduction des coûts et la réduction des pertes restent USD 0.

Décomposition de la marge

La variation de la marge doit être décomposée selon le prix, le volume, le mix, le routage de modèle, la taille du prompt/contexte, la mise en cache, l’utilisation par lots, le taux de révision, le taux d’échec, le service spécifique au client et la classification comptable. Les informations publiées par Duolingo en 2025, qui relient les coûts d’AI générative et d’hébergement à la variation de la marge brute, illustrent pourquoi le coût direct d’AI doit figurer dans le pont de marge [10]. Les différentes marges brutes déclarées par Palantir, UiPath et C3 AI illustrent la variation des produits et des modèles économiques [7-9].

Une baisse des prix des fournisseurs peut améliorer la marge. Elle peut aussi attiser la concurrence sur les prix, permettre l’arrivée de nouveaux entrants ou favoriser un routage de modèle de meilleure qualité qui préserve le coût unitaire. L’analyse de souscription doit modéliser la réaction de l’entreprise plutôt que de supposer que toutes les économies réalisées auprès des fournisseurs restent acquises aux actionnaires.

Intensité capitalistique

Les entreprises d’applications peuvent être à faible intensité capitalistique ou à forte intensité capitalistique. Les besoins en capital augmentent avec les longs cycles de vente aux entreprises, les déploiements dédiés, l’acquisition de données, l’entraînement de modèles, la capacité garantie, les autorisations réglementaires, les exigences de sécurité, les opérations humaines et le besoin en fonds de roulement. Les dépenses cloud engagées peuvent créer une obligation fixe avant l’arrivée du volume client.

Pont d'autonomie de trésorerie

Le modèle d'autonomie de trésorerie doit partir d'une trésorerie vérifiée par la banque et rapprocher les encaissements et décaissements mensuels. La direction applique ensuite des filtres de décision liés aux recrutements, aux fournisseurs, aux ventes et à la réglementation. Le conseil d'administration doit voir les scénarios de base, de retard, de baisse du chiffre d'affaires, de choc de coûts et d'absence de levée de fonds.

Le plan doit distinguer les dépenses engagées, contractées, approuvées, discrétionnaires et non approuvées. L'utilisation des fonds devient une liste de jalons de preuve : acceptation de la production, évaluation représentative, cohorte de renouvellement, seuil de marge brute, migration de prestataire, exigence de sécurité ou étape de licence.

Grille d'évaluation de souscription, note d'investissement et scénario défavorable

Conception de la grille d'évaluation

La grille d'évaluation consigne la suffisance des preuves, non le charisme du fondateur ou l'engouement pour la catégorie. Chaque domaine reçoit un statut : vérifié, partiellement vérifié, estimé par la direction, non étayé ou défavorable. Une note numérique peut favoriser la cohérence mais ne doit pas masquer un problème critique.

Les pondérations sont des hypothèses de modélisation hypothétiques. Le comité d'investissement doit approuver ses propres pondérations et points de blocage critiques.

Dossier de preuves pour la note d'investissement

Scénarios défavorables

Tous les chocs sont des données d'entrée illustratives et hypothétiques. L'équipe de due diligence doit les remplacer par des éléments probants propres à l'entreprise et des niveaux de gravité approuvés par le comité.

Valorisation et structure

L'analyse de valorisation doit distinguer les éléments probants actuels de la valeur d'option. La valeur actuelle peut s'appuyer sur les caractéristiques observées de chiffre d'affaires, de rétention, de marge brute, de croissance et de trésorerie. La valeur d'option peut refléter de nouveaux produits, zones géographiques, jeux de données ou capacités de modèle et doit intégrer une probabilité, un capital et un horizon temporel.

La structure peut combler les lacunes probantes au moyen d'un financement par étapes, de jalons, de réserves, de droits à l'information, de droits de consentement, de droits au conseil d'administration, de l'acquisition progressive des actions des fondateurs, de pools d'options et de garanties. Le conseil juridique doit rédiger et évaluer la transaction. Les jalons doivent relever de l'influence du management et être définis par des éléments probants vérifiables.

Guides pratiques du fondateur et de l'investisseur

Index de l'espace de due diligence du fondateur

Le fondateur doit conserver les documents originaux et fournir des rapprochements plutôt qu’une sélection organisée de captures d’écran favorables. Les données permettant d’identifier les clients et les données personnelles ne doivent être partagées que dans le cadre d’une autorisation et de contrôles appropriés.

Travaux de terrain de l’investisseur

L’investisseur commence par une liste de demandes et une cartographie des éléments probants. Il échantillonne des clients parmi les groupes de clients conservés, développés, en phase pilote, perdus et d’opportunités manquées. Il reproduit une évaluation circonscrite. Il trace des contrats sélectionnés jusqu’à l’utilisation, les factures et les encaissements. Il rapproche les factures du prestataire de la télémétrie. Il vérifie par échantillonnage la propriété du code source et les droits sur les données. Il teste une migration de fournisseur. Il examine les incidents et le reporting au conseil d’administration.

Questions à la direction

1. Quel résultat client exact est accepté, par qui et selon quel seuil de qualité ?
2. Quelle tâche de production échoue le plus souvent, et quelle en est la conséquence pour le client ?
3. Quel résultat de productivité déclaré dispose d'une base de référence observée et d'un contrefactuel ?
4. Quel fournisseur, modèle ou outil est critique pour les revenus conservés ?
5. Combien de temps prendrait une migration représentative, et quand a-t-elle été testée pour la dernière fois ?
6. Quelle affirmation relative aux données repose sur les preuves de droits les plus faibles ?
7. Quelle cohorte de clients génère la marge brute encaissée la plus élevée ?
8. Quel client nécessite le plus de revue humaine ou d'assistance ?
9. Quelle affirmation significative dans le pitch deck reste une estimation de la direction ?
10. Quel résultat amènerait la direction à restreindre, reconcevoir ou arrêter le produit ?
11. Quel plan de trésorerie s'applique si le prochain financement est retardé de six mois ?
12. Quel jalon transforme la plus grande incertitude restante en preuve ?

Feuille de route à jalons de validation sur 12 à 18 mois

La feuille de route commence par la définition et la réconciliation. Elle progresse à travers l’évaluation représentative, les preuves de production, les économies retenues et la préparation au financement. Le calendrier dépend de l’état de la société, du processus client et des exigences réglementaires.

La feuille de route est une séquence de jalons de preuve. Une entreprise peut avancer plus vite lorsque des preuves fiables existent déjà. Elle peut rester à une phase lorsqu’un jalon échoue. La suite donnée peut être d’avancer, de restreindre, de reconcevoir, de conserver à titre de recherche ou d’arrêter.

Limites, programme de recherche et conclusion

Cet article présente un cadre de due diligence fondé sur des preuves publiques. Il ne présente pas d’investissement, de cohorte de clients, d’évaluation de production ni de rendement financier. Les données de marché décrivent des ensembles de données et des périodes différents. Les dépôts réglementaires de sociétés cotées décrivent des entreprises matures dont les profils économiques peuvent ne pas ressembler à ceux d’une start-up privée d’applications. La tarification et les conditions des fournisseurs peuvent changer après la date de clôture des preuves.

Le cadre exige des éléments probants de l’entreprise pour la mise en œuvre. Les recherches futures devraient analyser les cohortes anonymisées du contrat à l’encaissement, l’économie des résultats acceptés, les événements de migration de modèle, les coûts d’incident et les résultats de valorisation par catégorie d’applications. Les études comparatives devraient documenter l’ensemble des périmètres de charge de travail, de modèle, de prompt, d’outil, de revue, de latence, de défaillance et de coût. La recherche GCC devrait distinguer les contextes juridiques fédéral, du DIFC, d’ADGM et saoudien et recourir à une analyse juridique qualifiée.

La conclusion d’investissement est rigoureuse. L’évaluation de souscription d’applications natives AI commence par un flux de travail client à forte valeur et un résultat accepté ajusté à la qualité. Elle suit ensuite les preuves à travers l’architecture, la chaîne d’approvisionnement des modèles, l’évaluation, les droits sur les données, l’usage en production, le contrat, l’encaissement, la cohorte, le coût et le contrôle. L’entreprise obtient une classification native AI lorsque cette chaîne est significative et reproductible. Elle justifie un dossier d’investissement lorsque la valeur client retenue, le bénéfice brut, la gouvernance et le prix de financement restent crédibles en scénario défavorable.

Pour les investisseurs, le cadre transforme l’engouement pour une catégorie en registre des allégations, plan de terrain, grille d’évaluation et note fondée sur des preuves. Pour les fondateurs, il crée un système de gestion de la qualité produit, de la valeur client, de la dépendance aux fournisseurs, des droits sur les données, de la marge brute et de la préparation à la levée de fonds. Les deux parties bénéficient d’un espace de preuves réconcilié unique et d’un traitement explicite de l’incertitude.