Analyse de la gouvernance des coûts de l’adoption de l’IA dans le capital-investissement

La facture arrive toujours après la démonstration. Une équipe de capital-investissement peut déployer un assistant IA, célébrer des notes de due diligence rédigées plus vite, puis découvrir plus tard que personne ne sait quel flux de travail a permis d’économiser de l’argent, quel fournisseur faisait doublon avec un autre, ou quels résultats ont été discrètement réécrits par des humains au regard perdu. C’est le véritable avertissement au cœur du sprint de l’IA dans le capital-investissement : les factures de logiciels comptent, mais l’érosion de la confiance peut coûter plus cher. Si les commanditaires entendent de grandes promesses de rendement grâce à l’IA, puis reçoivent du remplissage synthétique, des affirmations vagues sur les économies réalisées, ou du contenu médiocre généré par IA présenté comme de la productivité, le problème n’est plus l’outillage. C’est la gouvernance, aussi connue comme la partie des réunions d’innovation que l’on programme après le départ des viennoiseries.

Ce qui a changé : l’adoption a dépassé la comptabilité Le guide

AI for Private Equity de Tommaso Maria Ricci, citant l’étude M&A 2025 de Deloitte, indique que 86 % des professionnels des fusions-acquisitions en entreprise et du capital-investissement utilisent déjà l’IA générative dans leurs flux de travail, et que 65 % d’entre eux ont commencé au cours de l’année écoulée. Le même guide indique que Deloitte a constaté que 88 % des sociétés de capital-investissement ont déjà investi plus de 1 million de dollars dans l’IA générative, tandis qu’EY rapporte que 84 % des sociétés de capital-investissement ont nommé un Chief AI Officer. Cela représente beaucoup de machinerie organisationnelle, de badges, de comités, et peut-être une personne très fatiguée nommée Craig qui maintient la bibliothèque de prompts. Le plus difficile, c’est que les dépenses et la structure ne sont pas la même chose que la valeur produite. Ricci, citant Bain, indique qu’environ 20 % seulement des sociétés en portefeuille ont mis en production un cas d’usage d’IA générative avec des résultats concrets. Le PE and VC Leader’s AI Playbook de Framework IT décrit le même écart sous un autre angle : 85 % des professionnels du capital privé utilisent l’IA quotidiennement, contre 76 % un an plus tôt, tandis que 41 % des sociétés de capital-investissement restent à des stades d’adoption naissants, sans gouvernance formelle, sans plateformes approuvées et sans visibilité sur ce que font les équipes. Traduction : les outils sont dans le bâtiment, mais le compteur est encore dans un placard à balais.

Pourquoi des modèles moins chers ne remplacent pas la gouvernance

Axios a rapporté qu’Anthropic lance Claude Opus 5, un modèle qui, selon l’entreprise, est conçu pour offrir des performances proches de Fable sur de nombreuses tâches, à moitié prix. Axios note également qu’Opus 5 est le quatrième modèle Claude 5 publié par Anthropic en moins de deux mois, ce qui montre que le déploiement des modèles s’est orienté vers des améliorations rapides en matière de capacité, de coût et de vitesse. C’est réellement utile pour les créateurs et les opérateurs, car une inférence moins chère peut rendre davantage de flux de travail financièrement plausibles. Mais un coût unitaire plus bas n’est pas une gouvernance des coûts. Si un flux de due diligence utilise un modèle, un système de recherche augmentée, l’analyse de documents, un connecteur de data room, des licences pour les analystes, le support fournisseur et une revue humaine, la facture des jetons du modèle n’est qu’un ingrédient dans la soupe. Traiter des modèles moins chers comme un ROI automatique, c’est comme acheter des grains d’espresso en promotion et déclarer tout le café rentable. Il faut encore du débit, des contrôles qualité, un impact sur les effectifs, une discipline fournisseur et une façon de savoir si le café a vraiment le goût du café.

Le risque coûteux, c’est la confiance

ION Analytics a signalé le démarrage lent du capital-investissement en matière de gouvernance de l’IA dans un rapport de juin 2026, et le playbook de Framework IT indique que certaines sociétés manquent encore de plateformes approuvées et de visibilité sur l’usage des équipes. C’est important, car l’IA non maîtrisée échoue rarement poliment. Elle s’infiltre dans les contournements, les outils fantômes, les résumés non relus, les notes de transaction incohérentes et une prose assurée qui semble correcte jusqu’à ce que quelqu’un demande la source. C’est là que le contenu médiocre généré par IA devient un problème de contrôle financier, et pas seulement un crime esthétique contre les paragraphes. Dans le capital-investissement, le résultat circule souvent vers la préparation des comités d’investissement, les opérations des sociétés en portefeuille, le reporting aux commanditaires ou les recommandations de fournisseurs. Si les utilisateurs ne peuvent pas savoir quelles affirmations ont été sourcées, relues, acceptées, corrigées ou écartées, la confiance se dégrade silencieusement. Le tableur peut encore avoir l’air impeccable, mais les hypothèses en dessous portent des lunettes fantaisie.

Ce que les opérateurs devraient mesurer avant de passer à l’échelle

Le guide de Ricci met en évidence un écart entre l’investissement dans l’IA et les résultats en production, tandis que Framework IT insiste sur une adoption gouvernée et sur la quantification du ROI opérationnel. La réponse pratique est ennuyeuse de la meilleure manière possible : mesurer l’IA au niveau du flux de travail. Suivez le coût par tâche terminée, le temps de revue humaine, le taux d’acceptation, le taux d’erreur, la couverture des sources, les doublons entre fournisseurs, et si le résultat change une décision ou se contente de l’embellir.

Les sociétés de capital-investissement devraient aussi créer des seuils clairs pour ce que l’IA peut toucher. Un résumé interne à faible risque peut avancer plus vite qu’un rapport destiné aux commanditaires, et une note d’investissement devrait exiger une traçabilité des sources plus forte qu’un ordre du jour de réunion. Les équipes ont besoin de bases de référence avant le déploiement, pas d’estimations héroïques après coup. Sinon, chaque projet d’IA devient un tour de magie où les économies apparaissent dans la présentation, mais jamais dans le modèle opérationnel.

La prochaine phase de l’IA dans le capital-investissement ne sera pas remportée par la société ayant le plus de pilotes ou le nom de chatbot interne le plus sonore. Elle sera remportée par les équipes capables de dire ce qu’elles ont dépensé, ce qui s’est amélioré, ce qui a échoué, qui l’a relu, et pourquoi quelqu’un devrait faire confiance au résultat. L’adoption de l’IA est facile à annoncer et plus difficile à comptabiliser, ce qui est gênant, car la comptabilité est justement l’essentiel.