Vraie IA ou surcouche : comment trancher pendant la due diligence

La question arrive dans presque tous nos audits de startup IA : est-ce une vraie technologie ou un wrapper, une surcouche sur le modèle d’un autre. Notre réponse dérange parfois des deux côtés de la table. Un wrapper IA n’est pas automatiquement un mauvais investissement. Mais il doit se valoriser comme ce qu’il est : un produit et une distribution, pas une percée technologique. Le problème n’est jamais la surcouche, c’est la surcouche vendue au multiple d’un laboratoire de recherche.

La due diligence ne sert donc pas à coller une étiquette. Elle sert à établir où loge la valeur, pour que le prix la reflète.

Ce qu’on appelle un wrapper IA

Au sens strict, un wrapper est un produit dont l’intelligence vient entièrement d’un modèle tiers, appelé par API : l’équipe a construit une interface, des prompts et un peu d’orchestration autour de GPT, Claude ou Gemini. Au sens strict toujours, cela décrit une écrasante majorité des startups IA que nous auditons, et ce n’est pas une anomalie : entraîner un modèle de frontière coûte des centaines de millions, l’utiliser coûte quelques centimes.

La distinction utile n’est donc pas "modèle propriétaire ou pas". C’est l’épaisseur de ce qui a été construit autour du modèle. D’un côté, un prompt et une interface qu’un concurrent motivé réplique en un trimestre. De l’autre, un système : données de contexte que les concurrents n’ont pas, évaluation continue, intégrations profondes dans le workflow du client, mécanique de reprise quand le modèle se trompe. Les deux appellent des APIs. Ils ne valent pas le même prix.

Une surcouche n’est pas un mauvais business

Certains des meilleurs dossiers que nous avons vus passer étaient des surcouches assumées : marges brutes correctes, croissance rapide, clients qui restent parce que le produit résout un problème précis mieux que l’outil généraliste. La valeur venait de la distribution, de la connaissance d’un métier vertical et d’une exécution produit soignée. Rien de tout cela ne s’achète avec des GPU.

Ce qui change, c’est la grille de lecture. Un business de surcouche s’évalue comme un logiciel : rétention, coût d’acquisition, dépendance au fournisseur de modèles, sensibilité de la marge au prix de l’inférence. Ce dernier point mérite une attention particulière, car la marge d’un wrapper est en partie la politique tarifaire d’un tiers ; nous détaillons cette mécanique dans notre note sur les marges des produits IA. Ce qu’un business de surcouche ne justifie pas, c’est une prime de défensibilité technologique qui n’existe pas.

Ce qui fait une vraie défensibilité

Quand nous cherchons de la défensibilité au-delà du modèle, nous trouvons presque toujours la même liste courte. Des boucles de données : le produit s’améliore avec l’usage parce que les corrections des utilisateurs nourrissent l’évaluation et le contexte, et un nouvel entrant partirait de zéro. La profondeur de workflow : le produit est branché sur les systèmes du client, ses permissions, ses règles métier, et le remplacer coûte des mois de projet. Les coûts de changement contractuels et humains. La distribution, enfin, qui reste la défensibilité la plus sous-estimée du secteur.

Et ce qui ne protège pas, malgré sa place dans les pitchs : une bibliothèque de prompts, un score sur un benchmark public, six mois d’avance sur une fonctionnalité que le prochain modèle de frontière intégrera nativement. Nous avons vu des roadmaps entières rendues obsolètes par une sortie de modèle. Si la thèse d’investissement repose sur une avance technique, la due diligence doit vérifier que cette avance survivrait à la prochaine génération de modèles.

Comment nous tranchons pendant la due diligence

Concrètement, trois vérifications suffisent à situer un produit sur ce spectre. D’abord la lecture du code et de l’architecture : la part du système qui est du prompt contre la part qui est de l’ingénierie (données, évaluation, intégrations, gestion des erreurs). Ensuite le test de substitution : nous remplaçons mentalement le modèle par son concurrent direct, et nous demandons ce que le produit perd. S’il ne perd rien, la dépendance est saine ; si personne ne sait répondre, elle ne l’est pas. Enfin les données : ce que la cible accumule que d’autres n’ont pas, et ce que ses contrats l’autorisent à en faire.

Ces vérifications s’insèrent dans notre checklist de due diligence IA et demandent des auditeurs qui construisent eux-mêmes ces systèmes, car la frontière entre orchestration triviale et ingénierie réelle ne se voit qu’en lisant le code. C’est ce qu’un cabinet généraliste manque le plus souvent.

La conclusion à retenir : ne demandez pas si la cible est un wrapper, demandez ce que vous achetez au juste, et à quel multiple. Si vous voulez cette réponse sur un dossier réel, avec un avis engagé plutôt qu’une étiquette, c’est le travail de notre due diligence technique et IA.