Comment le capital-investissement peut transformer les pilotes d’IA en valeur de portefeuille

Les fonds de private equity ne manquent pas de projets pilotes en IA. Ce qui leur manque, c'est une trajectoire plus claire pour transformer ces pilotes en valeur mesurable et reproductible.

Un décalage grandissant se creuse entre les domaines où le private equity oriente ses capitaux en IA et ceux où la valeur de l'IA se concrétise. Début mars, Reuters a rapporté qu'Anthropic était en pourparlers avec Blackstone et Hellman & Friedman autour d'une coentreprise axée sur l'IA et conçue pour un déploiement à l'échelle du portefeuille, tandis qu'OpenAI aurait, selon certaines sources, exploré un accord d'entreprise de plusieurs milliards de dollars avec un consortium de sponsors de private equity.

En surface, ces accords ressemblent à une course à l'accès aux modèles, au pouvoir de négociation tarifaire et à l'avantage concurrentiel. En profondeur, les Operating Partners se posent une question plus fondamentale : où l'IA touche-t-elle le compte de résultat, et que faut-il standardiser à l'échelle du portefeuille pour rendre cela reproductible ?

Alors que les fonds s'efforcent d'améliorer les résultats de leurs participations existantes, de soutenir leurs plans de création de valeur et de renforcer leur préparation à la sortie, le choix est le suivant : ancrer la stratégie IA à une relation avec un modèle unique et hériter de la feuille de route, de l'économie et des contraintes de ce fournisseur, ou se standardiser sur une plateforme Work AI ouverte qui se connecte nativement aux systèmes des sociétés du portefeuille, préserve la flexibilité des modèles et rend la capture de valeur plus reproductible à l'échelle du fonds. 

Les fonds qui créeront le plus de valeur seront ceux qui bâtiront une base durable pour le déploiement, la gouvernance et la réutilisation à l'échelle du portefeuille, tout en préservant une valeur d'option autour des modèles et des applications d'IA.

Pourquoi tant de fonds restent bloqués entre pilotes et mise à l'échelle

Dans le private equity, le débat ne porte pas sur l'importance de l'IA. Il porte sur la raison pour laquelle, malgré une activité IA si intense, si peu de résultats se traduisent en valeur mesurable.

Une partie de la réponse tient au timing. L'IA est rapidement passée de l'expérimentation à l'attente. Le Global Private Equity Report 2026 de McKinsey a révélé que 70 % des GP s'attendent à ce que l'IA ait un impact élevé sur leurs propres opérations d'ici 3 à 5 ans, alors que seuls 6 % constatent déjà ce résultat. Les LP observent de près : 53 % placent désormais la stratégie de création de valeur par l'IA d'un GP parmi leurs cinq principaux critères de sélection d'un gestionnaire. La patience envers l'IA en tant que promesse tournée vers l'avenir s'épuise.

Pourtant, la plupart des portefeuilles sont loin de tenir leurs promesses. Le Global Private Equity Report 2025 de Bain, qui suit environ 3 200 milliards de dollars d'actifs sous gestion, a révélé que seuls 20 % des sociétés du portefeuille ont opérationnalisé des cas d'usage générant des retours mesurables. Une grande partie des 80 % restants sont piégées dans un « purgatoire des pilotes » — expérimentant en silos et dupliquant les coûts sans playbook partagé ni économies d'échelle.

Cet écart entre en collision avec une crise de liquidité. McKinsey pointe une pression connexe : 16 000 sociétés détenues via des opérations de buyout ont déjà dépassé le seuil de détention de quatre ans (52 % de l'inventaire total détenu via des buyouts), le niveau le plus élevé jamais enregistré. Les durées de détention moyennes s'allongent vers 6,6 ans. Pour les sponsors gérant des actifs vieillissants, cela relève la barre de l'expansion des marges et de la préparation à la sortie. L'IA commence à compter différemment dans cet environnement, moins comme une expérimentation tournée vers l'avenir et davantage comme un levier d'amélioration opérationnelle au sein du portefeuille actuel.

Dans ce contexte, l'IA ne peut rester une initiative secondaire. Elle doit figurer dans le plan de création de valeur, portée par l'équipe de direction et les Operating Partners, avec une trajectoire claire des premiers résultats probants vers une valeur reproductible à l'échelle du fonds.

Exemples concrets de valeur IA reproductible

Deux déploiements récents de Glean illustrent à quoi peut ressembler une valeur IA mesurable dans la pratique.

Connaissances en environnement réglementé 

Une société du portefeuille spécialisée dans les technologies de santé a déployé une plateforme IA centralisée auprès de 1 800 employés, dans un environnement complexe et fortement réglementé. En six mois, l'adoption a atteint 95 %, les équipes avaient créé plus de 1 100 agents, et la société du portefeuille enregistrait un ROI de 2,4x grâce aux seules améliorations de ses processus métier et de son architecture IT, ainsi qu'un ROI d'environ 20x à partir de seulement huit cas d'usage — avec un modèle reproductible désormais appliqué à d'autres actifs réglementés du fonds.

Accélérer la vélocité de la R&D 

Dans une entreprise de logiciels ERP soutenue par le private equity et comptant environ 1 600 employés, une plateforme similaire a relié Slack, Teams et les dépôts de code en une couche de contexte unique et tenant compte des permissions. Les résultats en six mois : l'adoption a atteint 100 %, les délais d'intégration des nouveaux arrivants ont chuté de 50 %, la productivité des développeurs a augmenté jusqu'à 18 %, et le sponsor a attribué plus de 1,65 million de dollars de gains de productivité annualisés réalisés, avec une marge de progression supplémentaire.

Le fil conducteur de ces deux déploiements est la couche plateforme : un système agnostique vis-à-vis des modèles et tenant compte des permissions, qui connecte les données propriétaires au sein des outils que les employés utilisent déjà. Cette infrastructure reste avec la société du portefeuille au moment de la sortie. Et parce que le LLM sous-jacent est un composant flexible, ces gains perdureront même lorsque le modèle sous-jacent évoluera.

Qu'ont en commun ces déploiements, et que doivent standardiser les sponsors pour rendre ce type de valeur reproductible à l'échelle du portefeuille ?

Ce que les sponsors doivent standardiser

À mesure que les sponsors passent de l'expérimentation à l'exécution, la question stratégique se précise : qu'est-ce qui, exactement, doit être standardisé à l'échelle du portefeuille ?

La réponse n'est pas chaque workflow, cas d'usage ou décision de modèle. C'est la couche opérationnelle qui détermine comment l'IA est déployée, gouvernée et réutilisée entre les entreprises. C'est là que les sponsors peuvent créer de la cohérence sans s'enfermer trop tôt dans une mauvaise contrainte.

Le pari centré sur le modèle

Une stratégie centrée sur le modèle sécurise l'accès à un modèle de premier plan, négocie des conditions économiques favorables et utilise cette relation pour accélérer l'adoption à l'échelle du portefeuille. La même logique s'étend souvent à des trajectoires d'IA d'entreprise plus larges, où des outils comme Copilot ou Gemini Enterprise sont attrayants parce que les entreprises disposent déjà de relations fournisseurs, d'accords tarifaires et de cadres de sécurité en place.

Cette approche a une certaine logique. Un fournisseur unique peut offrir un accès privilégié, une tarification basée sur le volume, un discours de sécurité plus simple et une voie plus rapide vers un déploiement précoce. Mais les risques sont tout aussi réels. Les modèles évoluent rapidement, et leur adéquation en entreprise varie encore selon les cas d'usage. Ce qui crée de la simplicité au départ peut créer de la rigidité par la suite, surtout dans un portefeuille d'entreprises très différentes.

La voie axée sur la plateforme

Une stratégie axée sur la plateforme part d'un postulat différent. Au lieu de se demander à quel modèle s'ancrer, elle se demande quelles capacités le fonds souhaite rendre reproductibles à l'échelle du portefeuille.

En pratique, cela signifie standardiser la couche opérationnelle — la manière dont l'IA se connecte aux systèmes centraux, applique les permissions et exécute des workflows gouvernés, le tout sur une architecture capable de prendre en charge différents modèles au fil du temps. Le modèle compte toujours, mais ce n'est plus la stratégie. C'est une pièce remplaçable au sein d'une couche opérationnelle réutilisable.

C'est là toute la valeur d'une approche agnostique vis-à-vis du modèle. Elle donne aux sponsors la flexibilité de remplacer le modèle sous-jacent au fil du temps tout en conservant les workflows, le contexte et la capacité opérationnelle en place. À la sortie, cette capacité reste intégrée au modèle opérationnel de l'entreprise du portefeuille en tant que propriété intellectuelle portable, plutôt que liée à un fournisseur tiers unique.

Cette logique rejoint les recherches plus larges. La règle 10-20-70 du BCG soutient que seuls 10 % de l'effort (et de la valeur) résident dans l'algorithme lui-même. 20 % concernent les données et l'infrastructure, et un impressionnant 70 % correspond à la transformation des processus et de la gouvernance nécessaire pour que la technologie s'enracine. 

Ce à quoi cela ressemble en pratique

Pour le private equity, une approche axée sur la plateforme doit être concrète. Elle implique de standardiser sur une infrastructure capable de fonctionner entre différentes entreprises, équipes et stacks technologiques :

• Des intégrations approfondies dans les outils que les entreprises du portefeuille utilisent déjà
• Un graphe de contexte sensible aux permissions qui cartographie les connaissances de l'entreprise à travers les documents, tickets, code et autres systèmes centraux.
• Une orchestration capable d'acheminer le travail vers le LLM le mieux adapté à la tâche selon la complexité, le coût et le risque
• Une flexibilité des modèles, afin que les sponsors ne soient pas liés à la feuille de route d'un seul fournisseur
• Un déploiement rapide, pour que les équipes puissent prouver rapidement la valeur et faire évoluer ce qui fonctionne

C'est là que Glean s'inscrit. Glean est conçu pour aider les entreprises à standardiser sur une couche d'IA gouvernée à l'échelle du fonds et du portefeuille. Il se connecte nativement à plus de 120 sources de données, prend en charge des connecteurs personnalisés et construit un graphe de connaissances personnalisé au-dessus des données et workflows de l'entreprise. Il applique également les permissions héritées, prend en charge plusieurs LLM de premier plan et des modèles d'hébergement flexibles, et peut être déployé en seulement deux à quatre semaines avec un délai de rentabilité mesurable.

Cette combinaison est importante parce qu'elle correspond à la manière dont les sponsors créent réellement de la valeur : à travers des démarches de création de valeur reproductibles, liées à la réduction des coûts, à l'efficacité opérationnelle, à la croissance du chiffre d'affaires et à l'expansion des multiples.

Du déploiement phare au playbook de portefeuille

Pris ensemble, ce ne sont pas des vitrines IA ; ce sont des schémas opérationnels. Dans chaque cas, le sponsor a commencé par une entreprise du portefeuille, a lié l'IA à un levier de création de valeur spécifique, puis a transformé cette démarche en quelque chose de réutilisable.

La séquence devrait être la suivante : 

1. Prouver la valeur dans une entreprise. Commencez avec un sponsor solide, une priorité métier claire et un résultat mesurable lié à un levier de création de valeur.
2. Codifier ce qui a fonctionné. Définissez la démarche de déploiement, le modèle de gouvernance et l'approche de déploiement dans des termes que l'entreprise suivante pourra réutiliser.
3. Déployer à l'échelle des participations similaires. Appliquez le même schéma aux entreprises, fonctions ou problèmes où les conditions sont similaires.

Le choix de la plateforme est ce qui permet de passer à l'échelle. Avec une couche d'IA commune et gouvernée, chaque réussite phare devient un playbook de portefeuille ; sans elle, elle reste enfermée dans une seule entreprise du portefeuille.

Où la valeur apparaît en premier

La première vague de valeur de l'IA dans le private equity ne provient pas d'expérimentations marginales. Elle provient de priorités métier existantes assorties d'un levier de création de valeur clair.

Au niveau des sociétés du portefeuille, cela se traduit souvent par un ensemble ciblé de priorités opérationnelles :

• Productivité commerciale et exécution des ventes.
• Vélocité d'ingénierie et intégration.
• Efficacité financière, reporting et accélération des clôtures.
• Service client, automatisation et triage.
• Flux de travail d'assistance et de back-office, où la dispersion des connaissances et les tâches manuelles ralentissent les équipes.

Ce sont des points de départ concrets, car le dossier commercial est plus facile à définir et le chemin vers la preuve est plus court. Les sponsors peuvent relier le déploiement à des résultats tels qu'une montée en compétences plus rapide des collaborateurs, une réduction des dépenses logicielles, une diminution du travail manuel et une utilisation plus productive de l'expertise interne.

Au niveau du fonds, la même approche peut soutenir les activités portant sur :

• La due diligence
• La gestion du portefeuille
• Les relations investisseurs
• La collaboration interne
• L'analyse de marché

Lorsque les sponsors standardisent cela efficacement, les bénéfices se cumulent :

• Un meilleur levier en matière d'achats et de gouvernance
• Une plus grande confiance dans la gestion des risques liés à l'IA
• Un délai de rentabilisation plus court
• Des schémas de déploiement plus cohérents entre les sociétés du portefeuille
• Un récit de sortie plus solide, bâti sur une utilisation de l'IA mesurable et opérationnalisée

L'objectif est de commencer là où la valeur est déjà visible, de la prouver en termes commerciaux, puis de construire à partir de là.

Le nouveau mandat des sponsors

La prochaine phase d'adoption de l'IA dans le private equity sera différente de la précédente. Les entreprises gagnantes seront celles qui standardisent un petit ensemble de playbooks reproductibles au-dessus d'une couche de plateforme gouvernée, capable de s'étendre à l'ensemble du portefeuille.

Réussir ce virage nécessite trois changements :

1. Considérer le choix du modèle comme flexible.

Le choix du modèle doit rester réversible. Le choix de la plateforme doit être plus durable. Les sponsors ont besoin de marge de manœuvre pour s'adapter aux évolutions du marché sans reconstruire la couche opérationnelle à chaque changement du paysage des modèles.

2. Passer de pilotes par société à des playbooks par fonds.

L'objectif n'est pas de prouver l'IA séparément dans chaque société du portefeuille. Il s'agit d'identifier des cas d'usage reproductibles, de regrouper les participations similaires par fonction ou besoin opérationnel, et de déployer le même playbook dans l'ensemble du portefeuille.

3. Mesurer comme un investisseur.

Cessez de suivre le nombre de licences comme principal indicateur de progrès. Suivez le délai de rentabilisation, l'impact sur l'EBITDA attribuable à l'IA par rapport au plan de création de valeur initial, et la rapidité avec laquelle un déploiement réussi peut être reproduit dans tout le portefeuille.

À la sortie, les acheteurs paient pour une infrastructure qui génère déjà de la marge, et non pour une relation fournisseur qu'ils devront renégocier. Les sponsors qui le comprennent cesseront d'optimiser l'accès aux modèles et commenceront à bâtir des systèmes qui transforment l'IA en un levier opérationnel durable et transférable.

Demander une démo pour découvrir comment Glean aide les entreprises de private equity à transformer leurs pilotes d'IA en valeur reproductible à l'échelle du portefeuille.