Due diligence du modèle opérationnel de l'IA : passer à l'échelle au-delà des pilotes

IA · Cet article a été créé avec l'aide de l'IA.

By Saachi Baghel

Maîtrisez la due diligence du modèle opérationnel de l'IA pour distinguer le théâtre des pilotes d'un vrai passage à l'échelle, mesurer l'impact sur le compte

Le défi du passage à l'échelle de l'IA pour les investisseurs

Distinguer le théâtre des pilotes d'une véritable capacité

Évaluer la stratégie, le leadership et les talents

Auditer les données, la technologie et les flux de travail

Analyser la gouvernance, l'économie et les résultats

La grille d'évaluation de la due diligence du modèle opérationnel de l'IA

Mener une due diligence de l'IA fondée sur les preuves

Questions fréquentes

Sources

Comment les investisseurs évaluent-ils la capacité d'une entreprise à passer l'IA à l'échelle? En regardant au-delà de la technologie pour examiner le modèle opérationnel qui l'entoure: les initiatives d'IA sont-elles portées par des dirigeants d'activité responsables, intégrées dans des flux de travail repensés, gouvernées selon un rythme de revue défini et mesurées à l'aune de lignes du compte de résultat plutôt que d'anecdotes de journées de démonstration? Une cible qui a acheté des outils sans reconfigurer sa façon de travailler affichera des pilotes impressionnants et une économie plate. Celle qui peut passer l'IA à l'échelle montre le schéma inverse: un petit nombre de cas d'usage prêts pour la production, des droits de décision clairs et une valeur validée par la finance.

L'enjeu est asymétrique. L'AI Performance Study de PwC révèle que 74 % de la valeur économique de l'IA est captée par seulement 20 % des organisations, et que les leaders se distinguent non pas par le nombre d'outils mais par leurs fondations : ils sont environ deux fois plus susceptibles de repenser leurs flux de travail pour y intégrer l'IA plutôt que de simplement y ajouter des outils d'IA, et ils construisent des mécanismes de données, de gouvernance et de confiance plus solides autour de la technologie.[1] En d'autres termes, l'écart entre les leaders de l'IA et les autres est un écart de modèle opérationnel, et c'est précisément l'écart qu'un plan de création de valeur sur la période de détention doit combler.

Pour les équipes de transaction, la question de due diligence n'est donc pas « la cible utilise-t-elle l'IA? » mais « la direction peut-elle transformer des expériences isolées en un avantage opérationnel répétable pendant la période de détention? » Cette question englobe la stratégie, le leadership, les données, la technologie, les flux de travail, la gouvernance, les talents, l'adoption, l'économie et les résultats. Chaque couche peut être évaluée, étayée par des preuves et notée, et les sections ci-dessous fournissent le cadre pour ce faire. L'alternative — se fier à la vitrine des pilotes de la direction — est coûteuse: l'enquête de recherche sectorielle auprès des PDG a révélé que près des deux tiers des entreprises mènent des pilotes d'IA, mais que seules 26 % ont intégré l'IA dans une transformation d'entreprise plus large.[2]

Ce qu'il faut évaluer : l'IA est-elle une thèse de croissance portée au niveau du conseil d'administration avec un dirigeant clairement désigné comme responsable, ou un ensemble d'expériences départementales.

Les preuves à demander : le document de stratégie IA, les procès-verbaux du comité d'investissement relatifs aux dépenses IA, et la feuille de route reliant les initiatives aux jalons de création de valeur.

À quoi ressemble une bonne pratique : un petit portefeuille d'initiatives liées aux priorités stratégiques, financé sur un horizon pluriannuel.

À quoi ressemble une mauvaise pratique : une longue liste de preuves de concept sans critères de passage en production, sans responsable au-dessus de la fonction IT, et sans lien défini avec le compte de résultat.

Les déclarations à vérifier : les affirmations du type « nous sommes une entreprise pilotée par l'IA » qui se réduisent à une présentation sans lignes budgétaires, sans droits de décision et sans dirigeants nommés responsables.

Le théâtre des pilotes est la version qui sonne disciplinée de l'inaction en matière d'IA : un flux ininterrompu de démonstrations, de lauréats de hackathons et d'expériences propres pour la presse, dont aucune ne traite jamais de trafic de production ni ne touche une ligne du compte de résultat. Une véritable capacité est plus discrète. Elle se manifeste par une poignée de cas d'usage passés en production, utilisés quotidiennement par la population pour laquelle ils ont été conçus, et suivis par rapport à des références financières. La distinction est mesurable, et un processus de due diligence devrait la mesurer plutôt que de se contenter de la visite des démonstrations.

Commencez par l'entonnoir de passage en production. Demandez le nombre total d'initiatives IA lancées au cours des 24 derniers mois et le nombre de celles qui ont atteint la production avec de vrais utilisateurs. Une cible menant trente pilotes avec deux en production a un problème de portefeuille, pas un problème de technologie. Les recherches du recherche sectorielle soulignent à quel point la conversion réelle est rare : plus de la moitié des PDG citent la nécessité de relier les initiatives IA au compte de résultat comme un obstacle majeur, mais seuls 14 % ont clairement défini l'impact sur le compte de résultat pour l'ensemble des initiatives IA.[2]

Du théâtre des pilotes à la capacité opérationnelle : l'entonnoir de passage en production qu'une équipe de due diligence devrait demander à la direction de reproduire. · Généré par IA

Testez ensuite l'adoption et la répétabilité. Les indicateurs d'adoption, tels que les utilisateurs actifs quotidiens et hebdomadaires au sein de la population visée, révèlent si un outil déployé fait partie du travail ou s'il s'agit d'une expérience annexe ; une licence déployée auprès de 400 souscripteurs avec 30 utilisateurs hebdomadaires est un pilote en habits de production. Les playbooks réutilisables comptent tout autant : demandez si les deuxième et troisième déploiements ont réutilisé les schémas du premier déploiement pour l'accès aux données, l'évaluation, la revue humaine et le déploiement, ou si chaque succès était un cas unique. Les enquêtes de recherche sectorielle montrent qu'un pilotage solide de la performance est étroitement lié à l'effet sur le résultat net, alors que de nombreuses organisations ne suivent pas d'indicateurs clés bien définis, ce qui fait de la présence d'un véritable tableau de bord d'indicateurs un signal fort.[3]

Pilotes lancés vs. passés en production : le rapport entre les initiatives et les déploiements en production avec de vrais utilisateurs.

Adoption : utilisateurs actifs quotidiens et hebdomadaires au sein de la population visée, et non nombre de licences.

Impact : indicateurs liés à de véritables lignes du compte de résultat, validés par la finance, avec des références convenues à l'avance.

Cadence de gouvernance : un rythme régulier de revue de la sécurité et des modèles que les systèmes de production traversent réellement.

Répétabilité : playbooks et composants réutilisables, par opposition à un portefeuille de succès ponctuels.

Les premières couches du cadre sont organisationnelles, et ce sont elles qui décident du succès ou de l'échec de la plupart des plans de création de valeur. La stratégie demande si l'IA vise les deux ou trois endroits où elle peut changer l'économie de l'entreprise. Le leadership demande qui est responsable. Les talents demandent si les personnes qui devront vivre avec les systèmes peuvent les construire, les exploiter et les remettre en question. Une cible peut échouer sur l'un de ces points, et les couches technologiques ne la sauveront pas.

Stratégie et gouvernance au niveau de la direction

Les éléments probants à demander comprennent le document de stratégie IA, l'organigramme des rôles IA et données, l'allocation budgétaire par initiative et les comptes rendus du comité de direction qui gouverne l'investissement en IA. Interrogez le directeur financier et au moins deux responsables d'unités opérationnelles, pas seulement le directeur technique : si le côté métier ne peut pas décrire quelles initiatives IA comptent pour son impact sur le compte de résultat, la gouvernance est purement nominale. L'analyse de recherche sectorielle sur ce qui détermine l'impact sur l'EBIT de l'IA générative a montré que la supervision de la gouvernance de l'IA par le PDG est l'un des attributs les plus corrélés aux résultats nets, c'est pourquoi la due diligence doit retracer la responsabilité de l'IA jusqu'au sommet de l'organigramme.[4]

Talents et préparation des compétences

Côté talents, demandez l'inventaire des compétences, le plan de reconversion et les données d'attrition des rôles critiques pour l'IA. Le Global AI Jobs Barometer de PwC révèle que les emplois exigeant des compétences spécifiques en IA croissent presque huit fois plus vite que le marché global de l'emploi et bénéficient d'une prime salariale de 62 %, ce qui signifie que les talents IA d'une cible sont à la fois rares et convoités ; les plans de rétention et de développement relèvent donc de la due diligence, pas des anecdotes RH.[5]

Ce qui est bon : une structure de pilotage transversale dans laquelle les responsables d'unités opérationnelles co-parrainent les initiatives IA, un dirigeant nommé responsable de l'adoption et une formation par rôle liée aux jalons de déploiement.

Ce qui est mauvais : une équipe informatique ou data science cloisonnée qui pilote l'IA sans responsabilité métier, une stratégie qui n'existe que comme récit d'acquisition et un plan d'adoption qui se résume à un déploiement de licences plutôt qu'à une transformation des flux de travail.

Déclarations trompeuses à tester : un « centre d'excellence IA » qui n'est qu'une diapositive, sans équipe financée ; un directeur de l'IA sans pouvoir de décision ; des budgets de formation annoncés mais jamais dépensés.

Les couches intermédiaires du cadre déterminent si l'IA de la cible peut passer d'un environnement de démonstration au cœur de l'entreprise. Les données demandent si les intrants existent, sont accessibles et sont gouvernés. La technologie demande si l'infrastructure peut supporter des charges de production, l'évaluation et la maîtrise des coûts. Les flux de travail posent la question décisive : l'IA est-elle intégrée à la manière dont le travail est réellement accompli, ou simplement ajoutée à côté ?

Fondations de données et de technologie

Les éléments probants à demander comprennent les schémas d'architecture des données, l'inventaire des modèles avec versions et responsables, l'accès aux systèmes pour une démonstration guidée, l'approche d'évaluation et de surveillance des modèles déployés, et la feuille de route des douze prochains mois. Dans la data room, cherchez la documentation de la traçabilité des données, des contrôles d'accès et de la mesure de qualité. Demandez comment les modèles sont évalués avant leur mise en production et comment la dérive est détectée après ; une cible qui ne peut pas décrire son processus d'évaluation assume un risque non maîtrisé, quoi qu'en montrent ses démonstrations.

Intégration aux flux de travail

L'intégration aux flux de travail est là où la due diligence justifie ses honoraires. Les enquêtes de recherche sectorielle ont montré que, parmi les 25 attributs testés, la refonte des flux de travail a le plus grand effet sur la capacité d'une organisation à constater un impact sur l'EBIT grâce à l'IA générative, alors que seule une minorité d'adoptants ont fondamentalement repensé leurs flux de travail.[3] Le test pratique en entretien : choisissez un cas d'usage en production et demandez à l'équipe de terrain de décrire sa journée avant et après. Si l'outil d'IA se trouve à côté du processus et que quelqu'un doit penser à l'ouvrir, l'adoption déclinerà. Si le processus lui-même a été repensé pour que l'étape IA soit le chemin de moindre résistance, le cas d'usage est réel. L'étude de Deloitte sur le leadership technologique formule clairement ce constat structurel : la plupart des dirigeants (81 %) affirment pouvoir déployer et gouverner l'IA à grande échelle dès aujourd'hui, mais près de 75 % reconnaissent que leur modèle opérationnel devra évoluer dans les 12 à 18 prochains mois pour soutenir les progrès.[6]

Ce qui est bon : un inventaire de modèles tenu à jour avec responsables et versions, une traçabilité des données documentée, des points de contrôle d'évaluation avant la mise en production, une surveillance après, et au moins un flux de travail véritablement repensé de bout en bout autour de l'IA.

Ce qui est mauvais : des outils autonomes achetés par des services individuels, aucun inventaire de modèles, une évaluation à l'intuition, et une « intégration » qui se résume à une interface de conversation que personne n'est obligé d'utiliser.

Déclarations trompeuses à tester : un environnement de démonstration présenté comme la production ; une « plateforme de données » qui n'est qu'un disque partagé ; des chiffres d'adoption cités en licences vendues plutôt qu'en utilisateurs actifs.

Ce qui est bon : une utilisation active soutenue au sein du groupe cible, avec des schémas d'utilisation suggérant que l'outil est essentiel à leur flux de travail quotidien.

Ce qui est mauvais : un pic de connexions pendant la semaine de lancement suivi d'un déclin rapide, ne laissant qu'une fraction des utilisateurs visés.

Déclarations trompeuses courantes à tester : citer le nombre total de sièges sous licence plutôt que les utilisateurs actifs, ou présenter l'enthousiasme du groupe pilote comme une adoption généralisée.

L'adoption demande si l'entreprise utilise réellement les outils déployés. Ce qu'il faut évaluer, c'est le nombre d'utilisateurs actifs quotidiens et hebdomadaires (DAU/WAU) au sein de la population visée. Les preuves à demander comprennent les tableaux de bord d'utilisation, les tickets de support utilisateur et les taux d'abandon dans le temps.

Adoption et passage à l'échelle

Les dernières couches testent si le modèle opérationnel de l'IA est sûr et s'il est rentable. La gouvernance demande qui examine les modèles, à quelle fréquence, et avec quel pouvoir d'arrêter une mise en production. L'économie demande si la valeur créée justifie les coûts de calcul, de licences et de gestion. Les résultats demandent si quelqu'un en dehors de l'équipe IA peut vérifier les résultats. C'est là que les récits des dirigeants rencontrent la comptabilité générale, et qu'un processus discipliné permet de les distinguer.

Cadence de revue de la gouvernance et de la sécurité

Les preuves à demander comprennent la politique de gouvernance de l'IA, le registre des risques des systèmes d'IA, les procès-verbaux du comité de gouvernance ou de revue, le journal des incidents et la matrice d'approbation par niveau de risque. Demandez les trois dernières revues de modèles ou de cas d'usage et tracez ce qui en a résulté ; un comité de gouvernance qui n'a jamais bloqué ni modifié quoi que ce soit n'est qu'un papier à en-tête. L'AI Performance Study de PwC a révélé que les entreprises les plus avancées sont plus susceptibles d'exploiter un cadre d'IA responsable et un comité de gouvernance de l'IA transversal, et que leurs employés sont deux fois plus susceptibles de faire confiance aux résultats de l'IA, ce qui relie directement la gouvernance à l'adoption plutôt que de la considérer comme une charge.[1]

Ce qui est bon : une matrice d'approbation par niveau de risque, une cadence de revue régulière avec des décisions documentées, et un journal des incidents avec analyses post-mortem.

Ce qui est mauvais : une gouvernance réduite à un document de politique sans réunions, et aucune mise en production bloquée.

Fausses représentations courantes à tester : un comité de revue qui n'existe que sur le papier et n'a jamais modifié ni interrompu un déploiement.

Économie et valeur financière

Sur le plan économique, ce qu'il faut évaluer, c'est si la valeur créée justifie les coûts de calcul, de licences et de gestion. Les preuves à demander comprennent les cas de valeur avec références de départ, le modèle de coûts complets (y compris le temps de revue humaine) et la validation financière. La dernière enquête State of AI de recherche sectorielle a révélé qu'environ 20 % des répondants déclarent que les coûts opérationnels liés à l'IA limitent leur usage de l'IA, et que seuls 37 % attribuent un impact sur l'EBIT à l'IA ; une cible revendiquant un large impact financier doit donc démontrer ses calculs.[7]

Ce qui est bon : des références de départ validées par la finance, avec les coûts d'inférence et les retours suivis sur un registre unique.

Ce qui est mauvais : des affirmations d'économies sans références contrefactuelles, et des coûts de calcul non budgétés.

Fausses représentations courantes à tester : citer des gains de productivité issus d'études de cas de fournisseurs plutôt que de mesures internes, ou ignorer les coûts de l'humain dans la boucle.

Ce qui est bon : un impact sur le compte de résultat vérifié pour des cas d'usage en production, et un guide répétable pour l'accès aux données et l'évaluation sur le projet suivant.

Ce qui est mauvais : des succès ponctuels isolés qui ne partagent ni infrastructure ni enseignements, et des tableaux de bord que personne en dehors de l'équipe IA n'audite.

Fausses représentations courantes à tester : revendiquer un impact commercial transformateur pour des expériences isolées que la finance n'a pas validées.

Les résultats demandent si le programme d'IA global délivre un impact vérifié sur le compte de résultat et construit une base pour les déploiements futurs. Ce qu'il faut évaluer, c'est la traçabilité des initiatives d'IA jusqu'aux résultats financiers et la réutilisation des composants. Les preuves à demander comprennent des tableaux de bord d'indicateurs reliés à la comptabilité générale et des revues post-implémentation des modèles déployés.

Résultats et guides répétables

Le cadre se condense en une grille d'évaluation qui peut être notée pendant la due diligence, puis renotée à 100 jours et à chaque revue de création de valeur. Pour chaque couche, demandez les preuves listées, notez la capacité sur une échelle simple allant du purgatoire des pilotes au niveau production, et consignez l'artefact spécifique derrière la note. La valeur de la grille réside moins dans une ligne donnée que dans le schéma d'ensemble: une technologie solide avec une adoption et une économie faibles est la signature classique du théâtre des pilotes, et elle doit orienter le plan post-acquisition.

Dérouler manuellement un cadre de diligence diligence d'impact IA sur une transaction en cours est un problème de données avant d'être un problème de jugement: inventaires des modèles, comptes rendus de gouvernance, tableaux de bord d'adoption et cas de valeur sont dispersés dans des centaines de documents de la data room, et la fenêtre de diligence est courte. C'est là que la plateforme de Plausity intervient. Data Room Ingestion se connecte au VDR et traite PDF, tableurs, contrats et modèles financiers en quelques minutes, si bien que la base de preuves de la grille d'évaluation existe dès la première semaine plutôt qu'à la dernière.

Le moteur d'analyse IA lit ensuite ce matériau, le recoupe et raisonne dessus pour confronter les affirmations de la direction aux documents : l'inventaire des modèles correspond-il à la feuille de route, les cas de valeur portent-ils une validation financière, les comptes rendus de gouvernance montrent-ils une véritable cadence de revue. Risk Radar évalue les constats selon leur matérialité, leur impact financier et leur pertinence pour la transaction, de sorte que les signaux du théâtre des pilotes remontent sous forme de risques classés plutôt que d'anecdotes. Report Builder rédige le livrable avec une traçabilité complète des sources, et Collaboration Hub aligne l'équipe de transaction, les conseillers et les chantiers sur une vision unique et fondée sur les preuves du modèle opérationnel IA de la cible. Voir le moteur analyser une data room d'exemple est le moyen le plus rapide de juger la part de ce cadre qu'il peut automatiser sur une transaction réelle, et Plausity organise des démonstrations sur demande pour les équipes de transaction.

Plausity est un workspace IA-native de due diligence et de deal intelligence qui aide les cabinets de conseil M&A, les fonds de VC et PE, les équipes de corporate development et les équipes deal en banque d'investissement à structurer preuves, conclusions et questions au sein d'une data room. Plausity soutient l'extraction de preuves, l'ancrage aux sources, la gestion des conclusions et la préparation de l'IC — Plausity ne remplace pas les analystes humains, conseils ou professionnels de l'investissement, ne fournit pas de conseil juridique, fiscal, d'audit, réglementaire ou d'investissement, et ne prend pas de décisions d'investissement autonomes. Toutes les conclusions requièrent un examen humain. Conçu pour les équipes deal et investissement d'aujourd'hui. Utilisé par >200 sociétés.

Pour explorer les capacités sous-jacentes, voir Plausity AI Analysis Engine, Findings & Risk Intelligence et Evidence Gap Detection, ainsi que la page produit IC memo. Pour les workflows d'équipe, voir comment les fonds VC et PE et les cabinets de conseil M&A utilisent Plausity sur leurs deals actifs, et comment la due diligence AI Impact et le workstream création de valeur soutiennent l'analyse.

1. [1] pwc.com — https://www.pwc.com/gx/en/news-room/press-releases/2026/pwc-2026-ai-performance-study.html
2. [2] recherche sectorielle.com — https://www.recherche sectorielle.com/press/22july2026-ceos-cost-revenue-benefits-ai-struggling-scale
3. [3] recherche sectorielle.com — https://www.recherche sectorielle.com/~/media/recherche sectorielle/business%20functions/quantumblack/our%20insights/the%20state%20of%20ai/2025/the-state-of-ai-how-organizations-are-rewiring-to-capture-value_final.pdf
4. [4] recherche sectorielle.com — https://www.recherche sectorielle.com/capabilities/quantumblack/our-insights/the-state-of-ai-how-organizations-are-rewiring-to-capture-value
5. [5] pwc.com — https://www.pwc.com/gx/en/news-room/press-releases/2026/pwc-2026-ai-jobs-barometer.html
6. [6] deloitte.com — https://www.deloitte.com/us/en/insights/topics/technology-management/rewiring-ai-operating-model.html
7. [7] recherche sectorielle.com — https://www.recherche sectorielle.com/capabilities/quantumblack/our-insights/the-state-of-ai