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

Les sociétés de private equity ne manquent pas de pilotes IA. Ce qui leur manque, c’est un chemin plus clair entre ces pilotes et une valeur mesurable et reproductible.

Un décalage grandissant apparaît entre l’orientation des investissements IA en private equity et l’endroit où la valeur de l’IA est réellement captée. Début mars, Reuters a rapporté qu’Anthropic était en discussion avec Blackstone et Hellman & ; Friedman au sujet d’une JV axée sur l’IA, conçue pour un déploiement à l’échelle de l’ensemble du portefeuille, tandis qu’OpenAI aurait exploré un accord enterprise de plusieurs milliards de dollars avec un consortium de sponsors de private equity.

En apparence, ces deals ressemblent à une course à l’accès aux modèles, à l’effet de levier sur les prix et à l’avantage concurrentiel. En dessous, les Operating Partners se posent une question plus fondamentale : où l’IA impacte-t-elle le P& ;L, et que faut-il standardiser à l’échelle du portefeuille pour rendre cela reproductible ?

Alors que les firmes cherchent à améliorer les résultats des participations existantes, à soutenir les plans de création de valeur et à renforcer la préparation à la sortie, le choix est le suivant : ancrer la stratégie IA dans une relation unique avec un modèle et hériter de la roadmap, de l’économie et des contraintes de ce fournisseur, ou standardiser sur une Work AI platform 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 firmes qui créeront le plus de valeur seront celles qui construiront une base durable pour le déploiement, la gouvernance et la réutilisation à l’échelle du portefeuille, tout en préservant la valeur d’option autour des modèles et des applications IA.

Pourquoi tant de firmes restent bloquées entre pilotes et passage à l’échelle

En private equity, le débat ne porte pas sur l’importance de l’IA. Il porte sur la raison pour laquelle, malgré une telle activité IA, si peu se traduit en valeur mesurable.

Une partie de la réponse tient au timing. L’IA est passée très vite de l’expérimentation à l’attente. Le Global Private Equity Report 2026 de McKinsey indique que 70% des GPs s’attendent à ce que l’IA ait un impact élevé sur leurs propres opérations d’ici 3 à 5 ans, alors que seulement 6% estiment que c’est le cas aujourd’hui. Les LPs surveillent de près : 53% classent désormais la stratégie de création de valeur via l’IA d’un GP parmi leurs cinq principaux critères de sélection d’un gestionnaire. La patience pour l’IA en tant que promesse tournée vers l’avenir s’épuise.

Pourtant, la plupart des portefeuilles sont loin de délivrer. Le Global Private Equity Report 2025 de Bain, qui suit environ 3,2 trillions de dollars d’AUM, a constaté que seulement 20% des sociétés en portefeuille ont opérationnalisé des cas d’usage générant des retours mesurables. Une grande partie des 80% restants est piégée dans un « purgatoire des pilotes » — des expérimentations en silos et des coûts dupliqués, sans playbook partagé ni économies d’échelle.

Ce fossé se heurte à une crise de liquidité. McKinsey souligne une pression connexe : 16 000 entreprises soutenues par des buyouts ont déjà dépassé le seuil de détention de quatre ans (52% de l’inventaire total des entreprises soutenues par des buyouts), un record. Les durées de détention moyennes s’étirent vers 6,6 ans. Pour les sponsors qui gèrent des actifs vieillissants, cela relève la barre en matière d’expansion des marges et de 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 pas rester une initiative périphérique. Elle doit apparaître dans le plan de création de valeur, portée par l’équipe dirigeante et les Operating Partners, avec un chemin clair entre les premiers proof points et une valeur reproductible à l’échelle du fonds.

Exemples concrets de valeur IA reproductible

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

Connaissance réglementée  ;

Une PortCo de technologie de santé a déployé une plateforme IA centralisée auprès de 1 800 employés dans un environnement complexe et fortement contraint par la conformité. En six mois, l’adoption a atteint 95%, les équipes avaient créé plus de 1 100 agents, et la PortCo suivait un ROI de 2,4x uniquement grâce à des améliorations des processus métier et de l’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 R& ;D  ;

Dans une entreprise de logiciels ERP soutenue par un fonds, comptant environ 1 600 employés, une plateforme similaire a relié Slack, Teams et les dépôts de code au sein d’une couche de contexte unique, respectant les permissions. Résultats en six mois : l’adoption a atteint 100%, les délais d’onboarding des nouvelles recrues ont baissé 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 point commun entre les deux déploiements est la couche plateforme : un système agnostique du modèle et respectueux des permissions, qui connecte les données propriétaires à travers les outils que les employés utilisent déjà. Cette infrastructure reste au sein de la PortCo lors de la sortie. Et comme le LLM sous-jacent est un composant flexible, ces gains perdureront même si le modèle sous-jacent change.

Quels sont les points communs de 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 : que faut-il exactement standardiser à l’échelle du portefeuille ?

La réponse n’est pas chaque workflow, chaque cas d’usage ou chaque 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 la 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 plus larges d’IA d’entreprise, où des outils comme Copilot ou Gemini Enterprise sont attractifs parce que les entreprises ont déjà des relations fournisseurs, des accords tarifaires et des cadres de sécurité en place.

Cette approche a une certaine logique. Un fournisseur unique peut offrir un accès privilégié, une tarification basée sur les volumes, un récit de sécurité plus simple et une voie plus rapide vers un premier déploiement. Mais les risques sont tout aussi réels. Les modèles évoluent rapidement, et l’adéquation à l’entreprise varie encore selon les cas d’usage. Ce qui crée de la simplicité au début peut créer de la rigidité ensuite, surtout à l’échelle d’un portefeuille d’entreprises très différentes.

La voie « platform-first »

Une stratégie « platform-first » part d’un postulat différent. Au lieu de se demander quel modèle utiliser comme ancrage, elle se demande quelles capacités le fonds veut rendre répétables à l’échelle du portefeuille.

En pratique, cela signifie standardiser la couche opérationnelle — la manière dont l’IA se connecte aux systèmes cœur, applique les permissions et exécute des workflows gouvernés — le tout sur une architecture capable de prendre en charge différents modèles dans le temps. Le modèle reste important, mais ce n’est plus la stratégie. C’est un composant remplaçable au sein d’une couche opérationnelle réutilisable.

C’est la valeur d’une approche agnostique au 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. Au moment de la sortie, cette capacité reste intégrée au modèle opérationnel de l’entreprise du portefeuille comme une PI portable, plutôt que d’être dépendante d’un seul fournisseur tiers.

Cette logique s’aligne sur la recherche plus large. La règle 10-20-70 de BCG avance que seuls 10% de l’effort (et de la valeur) se situent dans l’algorithme lui-même. 20% relèvent des données et de l’infrastructure, et un impressionnant 70% correspond à la transformation des processus et de la gouvernance nécessaire pour ancrer durablement la technologie.  ;

À quoi cela ressemble en pratique

Pour le private equity, une approche « platform-first » doit être concrète. Elle consiste à standardiser sur une infrastructure capable de fonctionner à travers différentes entreprises, équipes et stacks technologiques :

• Des intégrations profondes dans les outils que les entreprises du portefeuille utilisent déjà
• Un graph de contexte conscient des permissions qui cartographie la connaissance de l’entreprise à travers les documents, tickets, code et autres systèmes cœur.
• Une orchestration capable d’orienter le travail vers le LLM le mieux adapté à la tâche selon la complexité, le coût et le risque
• La flexibilité des modèles, pour que les sponsors ne soient pas liés à la roadmap d’un seul fournisseur
• Un déploiement rapide, pour que les équipes puissent prouver la valeur rapidement et industrialiser ce qui fonctionne

C’est là que Glean s’inscrit. Glean est conçu pour aider les entreprises à standardiser 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 des workflows de l’entreprise. Il applique également les permissions héritées, prend en charge plusieurs LLM de premier plan ainsi que des modèles d’hébergement flexibles, et peut être déployé en seulement deux à quatre semaines avec un time-to-value mesurable.

Cette combinaison est importante, car elle correspond à la manière dont les sponsors créent réellement de la valeur : via des motions de création de valeur répétables, liées à la réduction des coûts, à l’efficacité opérationnelle, à la croissance du chiffre d’affaires et à l’expansion des multiples.

D’un déploiement « lighthouse » à un playbook de portefeuille

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

La séquence devrait être :  ;

1. Prouver la valeur dans une entreprise. Commencer avec un sponsor solide, une priorité business claire et un résultat mesurable lié à un levier de création de valeur.
2. Formaliser ce qui a fonctionné. Définir la démarche de déploiement, le modèle de gouvernance et l’approche de rollout en des termes réutilisables par la prochaine entreprise.
3. Déployer à l’échelle des participations similaires. Appliquer le même schéma à travers des entreprises, des fonctions ou des problèmes lorsque les conditions sont similaires.

Le choix de la plateforme est ce qui permet ce passage à l’échelle. Avec une couche d’IA commune et gouvernée, chaque victoire « lighthouse » devient un playbook de portefeuille  sans cela, 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 vient pas d’expériences sur des cas extrêmes. Elle vient de priorités business existantes, avec un levier clair de création de valeur.

Au niveau des entreprises du portefeuille, cela signifie souvent un ensemble ciblé de priorités opérationnelles :

• Productivité go-to-market et exécution commerciale.
• Vélocité d’ingénierie et onboarding.
• Efficacité finance, reporting et accélération du closing.
• Support client, automatisation et triage.
• Support et workflows back-office, où la connaissance dispersée et le travail manuel ralentissent les équipes.

Ce sont des points de départ pragmatiques, car le business case est plus facile à définir et le chemin vers la preuve est plus court. Les sponsors peuvent relier le déploiement à des résultats comme un ramp-up plus rapide des employés, une baisse des dépenses logicielles, une réduction du travail manuel et une utilisation plus productive de l’expertise interne.

Au niveau du fonds, la même approche peut soutenir des activités telles que :

• Due diligence
• Gestion de portefeuille
• Relations investisseurs
• Collaboration interne
• Analyse de marché

Lorsque les sponsors standardisent cela correctement, l’effet positif se cumule :

• Meilleur levier sur les achats et la gouvernance
• Confiance accrue dans la gestion des risques liés à l’IA
• Time-to-value plus rapide
• Schémas de déploiement plus cohérents entre les entreprises du portefeuille
• Un récit de sortie plus solide, fondé sur un usage de l’IA mesurable et opérationnalisé

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

Le nouveau mandat pour les sponsors

La prochaine phase d’adoption de l’IA dans le private equity sera différente de la précédente. Les fonds qui gagneront seront ceux qui standardisent un petit ensemble de playbooks reproductibles, bâtis sur une couche plateforme gouvernée capable de se déployer à l’échelle de l’ensemble du portefeuille.

Pour opérer ce changement, trois évolutions sont nécessaires :

1. Considérer le choix de modèle comme flexible.

Le choix de modèle doit rester réversible. Le choix de plateforme, lui, doit être plus durable. Les sponsors ont besoin de marge de manœuvre pour s’adapter à l’évolution du marché sans reconstruire la couche opérationnelle à chaque fois que le paysage des modèles change.

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

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

3. Mesurer comme un investisseur.

Cessez de suivre le nombre de licences comme principal indicateur de progression. Suivez le délai de création de valeur, l’impact sur l’EBITDA attribuable à l’IA par rapport au plan initial de création  ;de valeur, et la vitesse à laquelle un déploiement réussi peut être reproduit à l’échelle du portefeuille.

Au moment de la cession, les acquéreurs paient pour une infrastructure qui génère déjà de la marge, pas pour une relation fournisseur qu’ils devront renégocier. Les sponsors qui l’ont compris cesseront d’optimiser l’accès aux modèles et commenceront à construire des systèmes qui transforment l’IA en levier opérationnel durable et transférable.

Demander une démo pour voir comment Glean aide les fonds de private equity à transformer des pilotes IA en valeur de portefeuille reproductible.