M&A
Due diligence de l’IA : les nouvelles questions à poser avant d’investir
Lors d’une acquisition, une promesse de valeur liée à l’IA doit être confrontée à la réalité des usages, des données et des résultats.
Lors d’une acquisition, une promesse de valeur liée à l’intelligence artificielle doit être confrontée à la réalité des usages, des données et des résultats. Pour l’investisseur comme pour le management, cette analyse doit permettre de comprendre ce que l’entreprise maîtrise déjà, les ressources nécessaires à son développement et les conditions de sa pérennité.
Une entreprise présente un outil capable de préparer une proposition commerciale en quelques minutes. La démonstration est convaincante. Le dirigeant évoque un gain de productivité et un déploiement possible dans toutes les filiales du futur groupe.
Avant de retenir cette hypothèse dans le projet d’acquisition, plusieurs questions se posent. Combien de collaborateurs utilisent réellement cet outil ? Sur quels dossiers ? Avec quel temps de relecture ? Que se passe-t-il lorsqu’une information manque ou qu’une réponse est erronée ?
La due diligence de l’IA consiste à relier chaque promesse à des preuves, à des coûts et à des responsabilités. Elle contribue ainsi à préparer les décisions d’investissement et le travail qui suivra l’acquisition.
Examiner les usages sur des dossiers réels
Le premier travail consiste à établir une cartographie des usages. Elle doit couvrir les solutions développées en interne, les outils souscrits auprès de fournisseurs et les fonctions d’IA intégrées dans les logiciels métiers.
Pour chaque usage significatif, l’équipe d’acquisition peut demander à suivre quelques dossiers, depuis les données d’entrée jusqu’au résultat livré. Ce parcours révèle souvent des interventions humaines qui restent peu visibles dans une démonstration.
Qui prépare les données ? Qui vérifie la réponse ? Qui traite les exceptions ? Quelle proportion des dossiers nécessite une reprise ?
L’observation doit aussi couvrir la régularité de l’utilisation. Un outil adopté par quelques collaborateurs expérimentés peut demander un accompagnement important avant de produire des résultats comparables à l’échelle de l’entreprise.
Reconstituer le chemin entre productivité et résultat économique
Une réduction du temps consacré à une tâche ouvre plusieurs possibilités. Elle peut permettre de traiter davantage de dossiers, de raccourcir les délais ou de réduire certaines dépenses. Chacune suppose des décisions d’organisation.
Prenons un exemple fictif. Une société estime que son outil de préparation des offres économise une heure par proposition. La vérification montre que les utilisateurs consacrent encore vingt minutes à corriger et valider chaque document. Le gain disponible dépend donc du temps total consacré au processus, de son volume et du taux d’utilisation effectif.
Il faut ensuite comprendre comment l’entreprise utilise cette capacité. Les commerciaux répondent-ils à davantage de consultations ? Les équipes absorbent-elles une hausse d’activité ? Une prestation externe a-t-elle été réduite ?
Le modèle économique doit intégrer les abonnements, les consommations, la maintenance, la formation et la supervision. Les dépenses initiales de déploiement doivent également apparaître dans le calendrier de financement.
Un gain de temps devient une hypothèse économique crédible lorsqu’on peut expliquer son utilisation et en suivre les effets.
Vérifier la maîtrise des données et des dépendances
La valeur d’un usage dépend des informations qu’il mobilise et des conditions dans lesquelles il peut continuer à fonctionner.
Une base documentaire peut contenir des versions contradictoires. Un outil peut reposer sur une connexion fragile avec le logiciel de gestion. Une solution peut dépendre d’un fournisseur dont les tarifs ou les conditions d’utilisation pèsent fortement sur son coût futur.
L’examen gagne à réunir les équipes métiers, informatiques et juridiques autour de questions concrètes.
| Question à poser | Éléments à examiner |
|---|---|
| Les données sont-elles suffisamment fiables ? | Échantillons, provenance, actualisation, erreurs connues et corrections |
| Dans quelles conditions peuvent-elles être utilisées ? | Contrats, licences, engagements envers les clients et règles applicables |
| Quelles dépendances conditionnent le fonctionnement ? | Fournisseurs, modèles, interfaces et compétences nécessaires |
| Comment poursuivre l’activité en cas d’indisponibilité ? | Procédure de continuité, export des données et solution de remplacement |
| Qui sait maintenir la solution ? | Documentation, responsabilités, disponibilité des équipes et prestataires |
Le cadre volontaire du NIST fournit un point d’appui pour examiner les composants tiers, documenter les contrôles et suivre les risques liés aux fournisseurs dans la durée. nvlpubs.nist.gov
Identifier les pouvoirs déjà confiés aux agents
Lorsque l’IA peut agir dans les outils de l’entreprise, l’acquéreur doit comprendre les pouvoirs effectivement délégués.
Un agent peut-il écrire à un client, modifier une donnée, déclencher une commande ou transmettre un document ? Qui a validé son mandat ? Qui peut suspendre son activité ?
Le registre des agents IA devient alors une pièce de la due diligence. Il permet de rapprocher les missions déclarées, les accès techniques et les actions réalisées.
Sur un échantillon d’opérations, l’équipe peut examiner la trace des actions, la validation humaine prévue et le traitement des incidents. Elle peut également demander une démonstration de la suspension d’un agent.
Cette analyse aide à préparer la reprise des responsabilités au moment de l’acquisition, notamment lorsque les personnes qui ont conçu les solutions changent de fonction ou quittent l’entreprise.
Tester les conditions de réplication dans un Buy & Build
Dans une stratégie de croissance par acquisitions successives, la possibilité de diffuser un usage dans plusieurs sociétés mérite un examen spécifique.
Une solution efficace dans la société acquise peut s’appuyer sur des données homogènes, un processus stable et une équipe très impliquée. Les autres filiales peuvent utiliser des logiciels différents ou servir des clients aux exigences particulières.
Pour chaque déploiement envisagé, il faut donc préciser les adaptations nécessaires, le budget, le responsable et les critères de réussite.
Une hypothèse de synergie devient plus solide lorsqu’elle décrit un chemin réalisable. Par exemple, harmoniser un référentiel documentaire, connecter une première filiale, mesurer les résultats sur des dossiers représentatifs, puis décider de l’extension.
Les gains déjà observés dans la cible et ceux attendus du déploiement dans le groupe doivent être identifiés dans le modèle pour éviter de compter deux fois le même bénéfice.
Faire déboucher l’analyse sur des décisions
La restitution au comité d’investissement doit permettre d’arbitrer. Pour chaque usage significatif, elle peut présenter le résultat observé, les limites des preuves disponibles, les coûts à engager et les conditions d’extension.
Ces constats alimentent ensuite le plan des cent premiers jours. Certaines actions sécuriseront la continuité d’un outil existant. D’autres permettront de fiabiliser la mesure des gains, de documenter les solutions ou de préparer un premier déploiement dans une filiale.
La gouvernance doit accompagner ces étapes. Un responsable métier porte le résultat attendu. La direction financière suit sa traduction économique. Les fonctions techniques et de contrôle vérifient les conditions de fonctionnement et les risques associés.
Chez Alkorys, nous proposons d’articuler cette analyse avec le plan de création de valeur et l’intégration après acquisition. Dès la phase d’investissement, chaque ambition liée à l’IA doit pouvoir être reliée à une preuve, à un responsable et à une prochaine décision.
Gouvernance · Transformation · Exécution