Ce que nous apprenons en construisant

Les questions qui font le tri avant d’investir dans une startup IA, groupées par thème, avec ce qu’une bonne réponse donne à entendre et ce qui doit alerter.

Quatre critères pour choisir le premier processus à automatiser avec l’IA, et pourquoi le cas d’usage spectaculaire est rarement le bon point de départ.

Coût complet d’une requête LLM, sensibilité aux prix des modèles, marge à l’échelle : ce qu’un investisseur doit exiger dans la data room d’une cible IA.

Lecture ciblée en 3 à 4 jours, audit complet en 2 à 3 semaines : la durée réelle d’une due diligence technique, ce qui l’allonge et comment tenir un deal.

Comment nous menons l’entretien CTO en due diligence : les questions qui ouvrent, les signaux dans les récits de panne, la rigueur sans l’interrogatoire.

Un POC IA prouve la démo, pas le workflow. Ce que la mise en production exige vraiment : gestion des erreurs, évaluation, monitoring, permissions, coûts.

Les fourchettes de prix d’une due diligence technique en 2026, ce qui fait varier le montant, et pourquoi l’audit au rabais finit par coûter le plus cher.

Coût de correction, coût de portage, impact sur la roadmap : comment chiffrer la dette technique d’une cible en acquisition et la porter en négociation.

Les signaux d’alerte sérieux d’une due diligence technique, ceux qui font peur pour rien, et comment décider entre corriger, renégocier et renoncer.

Fourchettes de prix par type de système IA, ce qui fait varier le budget, et les coûts de fonctionnement réels qui suivent la mise en production.

Wrapper IA ou vraie technologie : comment nous tranchons en due diligence, pourquoi une surcouche peut être un bon business, et ce qui la valorise autrement.

La checklist que nous utilisons en due diligence IA : réalité de la production, gestion des erreurs, évaluation, économie unitaire, données, équipe.

Ce que l’équipe d’audit va regarder, ce qui se corrige vraiment dans les 90 jours avant le deal, et pourquoi la dette assumée vaut mieux que le vernis.

95 % des pilotes IA sans retour mesurable selon le MIT : ce que disent les chiffres, les vraies causes des échecs et le schéma des projets qui survivent.

Comment cartographier le risque homme-clé d’une cible avant d’investir : qui peut reconstruire le système, et les clauses de rétention qui en découlent.

Ce que couvre une due diligence technique, quand un fonds en commande une, ce que contient le rapport et comment elle s’insère dans le calendrier du deal.

Pratique d’évaluation, boucles de données, marges d’inférence, vraie défensibilité : ce qu’un auditeur qui construit voit et qu’une grille générique manque.

Acheter le générique, développer le différenciant : la grille de décision, les coûts cachés des deux voies et l’approche hybride qui convient aux ETI.

Mesurer le ROI d’un projet IA : la baseline avant tout, les métriques qui tiennent, et les coûts oubliés, de la relecture à la facture des modèles.