Comment évaluer une startup IA : ce qu'il faut vraiment vérifier

Tous les decks disent « IA » maintenant, donc l'étiquette ne vous apprend presque rien. Bien évaluer une startup IA, c'est regarder au-delà du mot vers ce qui est réellement là : un vrai modèle ou un simple wrapper, une donnée qui est un moat ou un passif, une traction qui est de l'usage ou des démos, et si tout cela est défendable. Ce guide couvre les affirmations qui valent d'être vérifiées sur une boîte IA, et celles qui sonnent impressionnant sans l'être.

L'étiquette IA est devenue gratuite à apposer, donc elle a cessé de séparer les boîtes. Une startup qui a fine-tuné un modèle et une qui a collé une clé API dans un formulaire disent le même mot sur la même slide. Pour qui screene ou finance, ça fait s'effondrer les signaux habituels : la qualité du pitch, le vernis de la démo, les buzzwords, tout est décorrélé du fait que la boîte ait quoi que ce soit de durable. Ce qui les sépare encore, c'est ce que vous pouvez vérifier sous l'étiquette.

Ce guide déroule ce qu'il faut vraiment vérifier sur une startup IA : l'affirmation modèle, l'affirmation donnée, l'affirmation traction, le moat, et l'équipe, plus les façons précises dont les pitchs IA gonflent, et comment garder la vérification honnête sans prétendre détecter l'indétectable.

D'abord, regarder au-delà de l'étiquette

Commencez par refuser que « IA » fasse le moindre travail dans l'évaluation. Le mot décrit une catégorie, pas une capacité, et la question intéressante est toujours la question précise en dessous : que fait le modèle, sur quoi est-il entraîné ou ancré, que devrait reproduire un concurrent, et que se passe-t-il quand le fournisseur sous-jacent change ses conditions ou ses prix. Une boîte qui ne peut pas répondre nettement à ça vous dit que l'IA est une couche marketing, pas une fondation.

Ce n'est pas du scepticisme pour lui-même. C'est que l'étiquette IA est l'affirmation la plus gonflée d'un deck en ce moment, et la traiter comme une entrée neutre plutôt qu'une affirmation à vérifier, c'est ainsi qu'un wrapper se fait financer comme un modèle. Évaluez la substance, et laissez l'étiquette gagner sa place ou non.

L'affirmation modèle : vrai modèle ou simple wrapper ?

La première chose à vérifier, c'est ce que la boîte a réellement construit. Il y a un spectre, et l'endroit où une startup s'y situe change tout à son risque :

• Un simple wrapper appelle le modèle de quelqu'un d'autre via une API et ajoute un prompt et une UI. Ça peut être un bon business, mais son « IA » est louée, ses marges dépendent des prix d'un fournisseur, et un concurrent peut le refaire en un week-end. C'est bien si la boîte est honnête sur le fait que la valeur est ailleurs, dans la distribution, le workflow, ou la donnée, et un problème si le wrapper est vendu comme le moat.
• Un vrai modèle ou une adaptation substantielle veut dire que la boîte a entraîné, fine-tuné, ou vraiment ingénieré quelque chose qu'un concurrent ne peut pas copier trivialement. C'est plus dur à construire et plus défendable, et c'est aussi plus facile à surdéclarer.

La vérification, c'est de séparer ce que la boîte possède de ce qu'elle loue. Une affirmation de « notre modèle propriétaire » face à une preuve que le produit est un appel direct à une API publique est le genre d'écart qui réordonne un classement. Vous ne jugez pas que les wrappers sont mauvais. Vous vérifiez que la boîte est ce qu'elle dit être.

L'affirmation donnée : moat ou passif ?

Les boîtes IA adorent revendiquer la donnée comme moat, et la donnée est l'affirmation la plus digne d'être vérifiée, parce qu'elle coupe des deux côtés. Une vraie donnée propriétaire qu'un modèle améliore réellement est un avantage durable. Mais une affirmation de donnée peut aussi cacher deux problèmes : la donnée peut ne pas être vraiment propriétaire, ou être un passif plutôt qu'un actif.

Les questions à vérifier sont la propriété et le droit. La boîte a-t-elle les droits sur la donnée qu'elle entraîne, ou scrape-t-elle quelque chose qu'elle ne possède pas en l'appelant un moat ? La donnée sous licence a des conditions qui limitent ce qui peut être redistribué ou bâti dessus, ce qui contraint l'avantage supposé. La donnée collectée sans droits clairs n'est pas un moat, c'est une exposition. La version honnête d'une affirmation de data-moat survit à la question « et vous avez le droit d'utiliser tout ça, comment » ; la version gonflée non.

L'affirmation traction : usage ou démos ?

Chaque catégorie a un problème d'inflation de traction, et l'IA en a un spécifique : l'écart entre une démo qui éblouit et un usage qui persiste. Un modèle qui produit un résultat impressionnant dans une démo contrôlée n'est pas la même chose qu'un produit que les gens utilisent deux fois, et les démos IA sont anormalement douées pour ressembler à de la traction sans être ni retenues ni payées.

Vérifiez donc la traction comme pour n'importe quelle boîte, avec un soin supplémentaire pour le mirage propre à l'IA. Un usage réel, une rétention réelle, un revenu réel sont des signaux vérifiables. Un lancement viral, une waitlist, une vidéo de démo non. C'est la même discipline qui vaut dans toute la Méthode Deckwise : traitez les chiffres de traction comme des affirmations à recouper contre la preuve, pas comme des faits parce qu'ils étaient sur une slide, et soyez prudent avec les métriques qui bougent dans le temps plutôt que de scorer un chiffre périmé comme un mensonge.

Le moat et l'équipe

Deux autres affirmations méritent vérification. Le moat : si l'IA est louée et la donnée pas possédée, « IA » n'est pas le moat, et la boîte a besoin d'un vrai ailleurs, dans la distribution, un verrou de workflow, ou un vrai avantage de donnée ou de modèle. Nommer le moat honnêtement est en soi un signal ; une boîte qui insiste que le moat est « notre IA » tout en louant le modèle n'y a pas réfléchi, ou espère que vous ne le ferez pas.

L'équipe : pour une boîte qui construit quelque chose de techniquement réel, savoir si les gens peuvent réellement le construire est central, et c'est vérifiable, par les parcours, les travaux passés, et le registre public, plus que par la confiance du pitch. Une affirmation technique forte d'une équipe sans preuve de pouvoir la livrer est une affirmation, pas un fait.

Gardez la vérification honnête

Une mise en garde qui compte particulièrement ici. Vérifier une startup IA, c'est recouper les affirmations contre la preuve publique, existence légale, historique de levée, partenariats nommés, propriété de la donnée, réalité du modèle, et étiqueter honnêtement ce qui ne peut pas être confirmé. Ce n'est pas prétendre détecter si un deck a été écrit par une IA, ni scorer une boîte à la baisse parce qu'elle utilise des outils IA. Ce n'est pas un signal vérifiable, et le traiter comme tel serait exactement le genre de fausse certitude que toute cette approche existe pour éviter. La vérification crédite ce que la preuve soutient, nuance ce qu'elle ne peut pas, et laisse le reste honnêtement marqué à confirmer.

Foire aux questions

Que vérifier en premier sur une startup IA ? L'affirmation modèle : si la boîte a construit ou adapté quelque chose de défendable, ou appelle le modèle de quelqu'un d'autre via une API. Cette distinction change tout le profil de risque, et elle est vérifiable en séparant ce que la boîte possède de ce qu'elle loue.

Une startup « wrapper » est-elle forcément un mauvais investissement ? Non. Un wrapper peut être un business solide quand la valeur est dans la distribution, le workflow, ou la donnée, et que la boîte est honnête là-dessus. C'est un problème seulement quand le modèle loué est vendu comme le moat. Évaluez où siège vraiment l'avantage durable.

Comment vérifier un data-moat IA ? Vérifiez la propriété et les droits, pas juste l'existence. Demandez si la boîte possède la donnée ou l'a sous licence, et à quelles conditions, parce que la donnée sous licence limite ce qui peut être bâti ou redistribué, et la donnée collectée sans droits clairs est un passif plutôt qu'un moat.

En quoi la traction IA est-elle différente à vérifier ? Les démos IA sont anormalement douées pour ressembler à de la traction. Séparez l'usage et le revenu réels et persistants d'un lancement viral, d'une waitlist, ou d'une vidéo de démo. Vérifiez les chiffres d'usage et de rétention comme des affirmations contre la preuve, avec soin pour les métriques qui changent légitimement dans le temps.

Peut-on détecter si une startup « fake » son IA ? Vous pouvez vérifier des affirmations concrètes, si un modèle est propriétaire, si la donnée est possédée, si la traction est réelle, contre la preuve publique. Vous ne pouvez pas détecter de façon fiable l'usage d'IA lui-même, et une évaluation responsable ne le prétend pas. Elle vérifie ce qui est vérifiable et marque honnêtement ce qui ne l'est pas.

En résumé

Évaluer une startup IA, c'est évaluer une boîte dont l'affirmation la plus gonflée se trouve être son étiquette de catégorie. Regardez au-delà du mot, et vérifiez la substance : le modèle est-il construit ou loué, la donnée possédée ou exposée, la traction de l'usage ou une démo, et où siège le vrai moat. Vérifiez ce qui est vérifiable, nuancez ce qui ne l'est pas, et ne confondez jamais l'étiquette IA avec la réponse à l'une de ces questions.

Comment ça se traduit dans Deckwise

Deckwise évalue une startup IA comme il évalue tout candidat, sur tout le pipeline : il source au regard de votre thèse, score sur une base, vérifie chaque affirmation matérielle contre la preuve publique, et creuse les finalistes. Pour une boîte IA, ça veut dire vérifier les affirmations concrètes, existence légale, levées, signaux de propriété de la donnée, partenariats nommés, et marquer honnêtement ce qui ne peut pas être confirmé, plutôt que de scorer le buzzword. La vérification est l'un de quatre atouts, pas un détecteur de mensonge : elle crédite ce que la preuve soutient et nuance le reste, et l'humain décide.

Voir aussi : Le guide complet de la due diligence · La couche de vérification du deal flow · La Méthode Deckwise