Pourquoi l'IA analyse bien le passé mais le capital-risque parie sur l'avenir
Les trois quarts des sociétés de capital-risque utilisent déjà l'intelligence artificielle pour évaluer les opportunités d'investissement. Ce chiffre, à lui seul, semble indiquer une modernisation inévitable. Mais il existe une tension structurelle que ce pourcentage ne capture pas : les modèles de langage sont extraordinairement efficaces pour faire exactement ce que le capital-risque ne peut pas se permettre de faire trop fréquemment, c'est-à-dire regarder en arrière.
Le capital-risque est, dans sa mécanique la plus fondamentale, un pari sur des discontinuités. Non pas sur des marchés qui s'élargissent de manière prévisible, mais sur des moments où une technologie ou un comportement rompt avec ce que les données précédentes suggéraient comme probable. Introduire des outils entraînés sur des patterns historiques dans ce processus est utile jusqu'à un certain point, et la frontière entre les deux états est plus étroite que la plupart des sociétés ne veulent bien le reconnaître à voix haute.
Le biais de confirmation le plus sophistiqué qui ait jamais existé
Les grands modèles de langage génèrent des réponses en identifiant des patterns dans des corpus massifs de texte. Cela les rend extraordinairement capables pour des tâches analytiques aux contours bien définis : cartographier les concurrents, identifier les obstacles réglementaires, résumer la littérature technique, signaler les risques dans un marché connu. Ce qu'ils ne peuvent pas faire, par construction, c'est reconnaître le moment où ces contours sont sur le point de redessiner la carte dans son ensemble.
L'histoire du capital-risque regorge d'exemples où l'analyse correcte du présent a été la raison pour laquelle on a manqué l'avenir. Lorsqu'Airbnb a levé ses premières rondes en 2008, la thèse selon laquelle des inconnus paieraient pour dormir chez des étrangers n'était pas seulement contre-intuitive ; elle était directement incompatible avec les données disponibles sur le comportement des consommateurs à cette époque. L'analyse de sentiment de cette période pointait dans la direction opposée. La même chose s'est produite avec les premières étapes du web social : les enquêtes dominantes du début des années 2000 montraient que le principal frein à l'utilisation d'internet était la peur pour la vie privée. Facebook a été construit, en partie, en ignorant cette lecture.
Un système bien calibré aurait signalé les deux propositions comme à haut risque. Et il aurait eu raison, du point de vue du passé. Le problème n'est pas que l'analyse était incorrecte ; c'est qu'il s'agissait de la mauvaise analyse pour cette décision spécifique.
C'est là que le biais devient difficile à détecter au sein des sociétés qui ont adopté l'IA comme partie intégrante du processus de diligence raisonnable. Il ne se manifeste pas comme une erreur évidente. Il se manifeste comme une série d'analyses très bien documentées qui favorisent systématiquement les paris ayant un précédent et défavorisent ceux qui n'en ont pas. À court terme, cela produit des portefeuilles plus ordonnés. À long terme, cela produit des portefeuilles qui ne génèrent pas les rendements qui justifient cette classe d'actifs.
Ce que révèle le flux de capital vers l'IA en 2025
La concentration du capital-risque mondial en 2025 illustre ce pattern avec précision. Le financement mondial par capital-risque a atteint environ 141 milliards de dollars au quatrième trimestre, soit une augmentation de 12 % par rapport au trimestre précédent, faisant de 2025 l'année la plus active depuis 2021. L'intelligence artificielle a représenté plus de 25 % du capital-risque mondial cette année-là, en hausse par rapport à 15 % en 2024 et 7 % en 2023. Dans le segment entreprise, les dépenses en IA générative sont passées de 11,5 milliards de dollars en 2024 à 37 milliards en 2025, selon les données de Menlo Ventures.
Ces chiffres décrivent une industrie qui, en partie, parie sur l'avenir avec une conviction authentique. Mais ils décrivent aussi une industrie qui, en partie, suit le pattern le plus lisible disponible. L'IA est aujourd'hui le secteur bénéficiant de la plus grande validation historique récente, avec le plus grand nombre de citations dans les articles de recherche, avec le plus grand flux d'informations. C'est, en termes pratiques, le marché sur lequel un outil d'IA peut le plus facilement produire des analyses. Il en résulte une rétroaction qui concentre le capital là où le signal est le plus clair, ce qui est exactement le type de concentration qui produit les rendements médians les plus élevés, mais pas nécessairement les rendements dans la queue supérieure droite.
La distribution au sein du segment IA mérite également attention. Menlo Ventures décompose les dépenses de 2025 entre 19 milliards dans la couche applicative et 18 milliards dans l'infrastructure. Au sein des applications, les outils horizontaux ont capté 8,4 milliards, les solutions départementales 7,3 milliards et les verticales spécialisées 3,5 milliards. Cette granularité suggère que le pari ne porte plus sur la question de savoir si l'IA est importante en tant que catégorie, mais sur la couche de la chaîne de valeur qui capturera des marges durables. C'est une question beaucoup plus fine, et c'est précisément le type de question où une analyse bien exécutée, avec ou sans IA, peut apporter une valeur différentielle.
Ce que l'analyse historique ne peut pas résoudre, c'est identifier quelles catégories qui ne figurent aujourd'hui dans aucun jeu de données vont capter la prochaine vague. L'énergie nucléaire modulaire est l'exemple le plus clair en ce moment.
Quand l'histoire des échecs dissimule une discontinuité réelle
Les archives sur l'énergie nucléaire sont remplies d'avertissements. Three Mile Island, Tchernobyl, Fukushima. Des décennies de tentatives de commercialisation avortées. Des délais de construction qui se sont étirés d'années en décennies. Des dépassements de coûts structurels. Un système d'analyse entraîné sur ce corpus produirait, de manière tout à fait raisonnable, une évaluation à haut risque pour toute startup proposant des petits réacteurs modulaires comme solution énergétique.
Le problème, c'est que les petits réacteurs modulaires sont techniquement et économiquement distincts des centrales nucléaires à grande échelle qui ont généré cet historique. Ils sont conçus pour la fabrication en série et la standardisation, et non pour une construction sur mesure sur chaque site. Et le contexte de la demande a changé de manière structurelle : les centres de données d'IA nécessitent des volumes d'énergie continue et prévisible que les sources intermittentes ne peuvent pas satisfaire de manière économiquement efficiente à grande échelle. Des entreprises comme Microsoft, Google et Amazon ont déjà commencé à signer des accords et à réaliser des investissements liés à la production nucléaire, ce qui indique que le signal de demande existe et est formalisé dans des contrats, pas seulement dans des déclarations d'intention.
Un modèle entraîné sur le passé nucléaire verra probablement un risque accumulé. Un analyste qui comprend ce qui a changé dans l'économie de la demande énergétique peut y voir une technologie qui arrive sur le marché au moment précis où le marché en a enfin besoin. La différence entre ces deux lectures n'est pas optimisme contre pessimisme. C'est la capacité d'identifier quand une variable externe a reconfiguré l'espace des possibles d'une technologie qui était auparavant non viable.
Cette capacité ne peut pas être déléguée à un système qui n'a pas accès à l'information sur ce qui ne s'est pas encore produit.
L'imagination n'est pas un luxe analytique, c'est la variable que le modèle ne peut pas importer
Ce que le capital-risque a historiquement acheté n'est pas une analyse du marché existant. Il a acheté la capacité d'imaginer des marchés qui n'existent pas encore et d'identifier les équipes capables de les créer. Cette capacité comporte des éléments qui ne sont pas délégables à des systèmes d'analyse de patterns historiques : la lecture des signaux faibles, la capacité à reconnaître quand un comportement émergent est sur le point de devenir massif, la distinction entre un marché qui a échoué par une mauvaise exécution et un marché qui a échoué parce que le moment était inapproprié.
Rien de tout cela ne signifie que les sociétés devraient réduire leur utilisation de l'IA dans le processus d'investissement. Les outils actuels sont véritablement précieux pour accélérer la diligence raisonnable sur les marchés connus, mettre à l'épreuve les hypothèses du modèle économique et structurer l'analyse concurrentielle. Bien utilisés, ils rendent plus rigoureux le travail que les analystes effectuaient déjà.
Le risque ne réside pas dans l'utilisation de l'IA. Il réside dans la construction de processus où l'absence de précédent historique devient automatiquement un signal d'élimination. Cette conception institutionnelle expulse du portefeuille exactement les opportunités que le capital-risque devrait être le mieux positionné pour saisir.
Le capital qui afflue là où les modèles savent déjà bien mesurer est en concurrence avec chaque société qui utilise les mêmes modèles. Le capital qui afflue là où les modèles ne savent pas encore bien mesurer est en concurrence avec bien moins d'acteurs. Cette asymétrie ne disparaît pas parce que l'outil est plus sophistiqué. Elle s'approfondit.
