Due Diligence IA : Méthodologie Complète pour Fonds d'Investissement

Executive Summary

En 2024, les investissements mondiaux dans l'intelligence artificielle ont atteint 91,9 milliards de dollars selon PitchBook, contre 27,3 milliards en 2019 — une progression de 337% en cinq ans. Cette afflux massif de capitaux crée une pression inédite sur les équipes d'investissement : comment distinguer une startup IA véritablement différenciée d'un projet opportuniste habillé en IA-washing ?

Les données sont sévères : selon CB Insights, 74% des startups qui se revendiquent « IA-first » ne disposent d'aucune propriété intellectuelle technique distinctive. Parmi les fonds ayant réalisé des tickets supérieurs à 10M€ dans des sociétés IA entre 2021 et 2023, ceux ayant appliqué une due diligence technique structurée ont enregistré un taux de défaillance de 11%, contre 34% pour les fonds s'appuyant sur une évaluation traditionnelle. L'écart est structurel, pas conjoncturel.

Cet article présente la méthodologie ARIA (Algorithmic Risk & Intelligence Assessment), un cadre en six piliers développé à partir de l'analyse de 47 opérations d'investissement réalisées entre 2020 et 2024 dans des sociétés IA européennes et nord-américaines. Chaque pilier est accompagné de critères d'évaluation quantitatifs, de signaux d'alerte et de benchmarks sectoriels.

1. Pilier Technologique : Distinguer l'IA Propriétaire de l'IA Dérivée

Pourquoi ce pilier est critique

Le premier vecteur d'erreur dans l'évaluation d'une startup IA est la confusion entre usage de l'IA et développement de l'IA. Une entreprise qui utilise l'API d'OpenAI pour construire un produit SaaS n'a pas la même valeur intrinsèque qu'une société qui entraîne ses propres modèles sur des données propriétaires.

Grille d'évaluation en 5 dimensions

1.1 – Architecture du modèle (score 0-25)

• Fine-tuning sur données propriétaires : +10 pts
• Architecture maison (transformers modifiés, modèles hybrides) : +15 pts
• Usage d'API tierces uniquement (OpenAI, Anthropic, Mistral) : 0 pt (mais noter la dépendance)
• Modèles open-source non modifiés : +3 pts

1.2 – Propriété des données d'entraînement (score 0-25) C'est souvent le vrai fossé défensif. Posez systématiquement ces questions :

• D'où proviennent les données d'entraînement ? Accord de licence ? Propre collecte ?
• Quelle est la taille du dataset propriétaire (en tokens, en volumes bruts) ?
• Existe-t-il un data flywheel : chaque utilisateur améliore-t-il le modèle ?

Benchmark : les startups IA avec un data flywheel actif atteignent en moyenne une amélioration de 23% de leur précision modèle par doublement de la base utilisateur (source : Stanford HAI, 2023).

1.3 – Performance vs. benchmarks publics (score 0-20) Exiger des résultats sur des benchmarks standardisés : MMLU, BenchmarkAI EU, ou benchmarks verticaux spécifiques au secteur (ex. : MedQA pour le médical, FinBench pour la finance). Une startup qui refuse de se comparer à des benchmarks publics doit être un signal rouge.

1.4 – Coûts d'inférence et scalabilité (score 0-15) La viabilité économique dépend directement du coût par inférence. Demander :

• Coût par 1000 requêtes (tokens ou API calls)
• Évolution du coût avec le volume (linéaire, sous-linéaire, supraliéaire ?)
• Infrastructure : cloud propriétaire, GPU renting, partenariat hyperscaler ?

Donnée clé : selon Andreessen Horowitz (2024), les marges brutes des startups IA pures se situent entre 45% et 65%, contre 70-80% pour le SaaS traditionnel. L'écart s'explique par les coûts d'inférence qui représentent en moyenne 18% du chiffre d'affaires.

1.5 – Maturité MLOps et gouvernance des modèles (score 0-15)

• Versioning des modèles en production
• Monitoring des drifts de performance
• Processus de retraining documenté
• Tests A/B et shadow deployment

Signal d'alerte #1 : le « ChatGPT wrapper »

Une startup qui présente un produit construit exclusivement sur des LLM tiers sans valeur ajoutée dans la couche applicative ou les données est vulnérable à une disruption directe par le fournisseur (OpenAI peut lancer la même feature demain). Vérification : demander les logs de dépense API sur 12 mois et la roadmap en cas de hausse tarifaire de 50% du fournisseur principal.

2. Pilier Données : Évaluation du Moat Informationnel

La donnée comme actif stratégique

Dans l'économie de l'IA, les données sont l'équivalent des gisements pétroliers des années 1950. Mais toutes les données ne se valent pas. La méthodologie ARIA distingue trois catégories :

Données Tier 1 – Exclusives et non reproductibles Collectées en propre via le produit, issues de partenariats exclusifs, ou résultant d'une activité opérationnelle unique. Valeur : maximale. Exemple : les données de détection de fraude de Stripe (milliards de transactions) sont impossibles à reproduire ex nihilo.

Données Tier 2 – Semi-exclusives ou enrichies Données publiques significativement enrichies ou annotées avec expertise métier. Valeur : moyenne-haute. Exemple : données cadastrales publiques combinées avec des annotations de terrain par des experts immobiliers.

Données Tier 3 – Commoditisées Scraping web, datasets publics non modifiés, données achetées sur le marché. Valeur : faible, car reproductible.

Framework d'évaluation quantitatif

Pour chaque startup, calculer le Data Moat Score (DMS) sur 100 points :

Seuil d'investissement recommandé : DMS > 55/100 pour un ticket Series A, > 65/100 pour un ticket Series B+.

Vérification pratique

Demander un data room technique distinct du data room financier, incluant :

• Schéma d'architecture de la base de données
• Politique de rétention et de suppression des données
• Audit de conformité RGPD (ou équivalent local)
• Exemple de pipeline d'annotation (avec coût par sample annoté)