1. L’intelligence artificielle comme technologie générale

L’intelligence artificielle est aujourd’hui largement analysée comme une technologie générale (General Purpose Technology), comparable à l’électricité ou à l’informatique. Ces technologies ont historiquement généré des gains de productivité significatifs, mais avec un décalage temporel important entre leur adoption et leurs effets économiques.

Les analyses académiques récentes soulignent que ces gains nécessitent une transformation profonde des organisations, des processus et du capital humain avant d’être pleinement visibles. Ce phénomène explique pourquoi, malgré une adoption rapide, les effets macroéconomiques restent encore limités à ce stade.

Dans ce contexte, la valorisation des entreprises intègre déjà des anticipations liées à l’IA, alors même que les gains économiques réels restent partiellement diffusés.

2. Les effets mesurés de l’IA sur la productivité

2.1 Des gains significatifs au niveau microéconomique

Les études empiriques menées par des institutions académiques de référence convergent sur l’existence de gains de productivité mesurables.

Une étude conjointe de Stanford et du MIT, portant sur plus de 5 000 salariés, montre une augmentation moyenne de la productivité de 14 % grâce à l’utilisation d’outils d’IA générative .

D’autres travaux expérimentaux montrent des effets encore plus marqués selon les tâches :

réduction du temps de production de 40 %,
amélioration de la qualité du travail de 18 %

Certaines analyses synthétiques indiquent que les gains de productivité peuvent atteindre 14 % à 55 % au niveau des tâches individuelles .

Des travaux académiques publiés dans le Quarterly Journal of Economics confirment ces résultats, avec une augmentation moyenne de productivité de 15 %, accompagnée d’une forte hétérogénéité entre les individus .

Ces résultats montrent que l’IA agit comme un accélérateur de diffusion des compétences, en particulier pour les profils les moins expérimentés.

2.2 Une diffusion très hétérogène selon les profils et les tâchesLes études montrent que les gains ne sont pas uniformes :

les travailleurs les moins expérimentés bénéficient des gains les plus importants
les profils les plus qualifiés voient des gains plus limités
certaines tâches restent peu impactées

Des travaux du MIT indiquent également que, dans certains cas, les gains peuvent atteindre près de 40 % pour des travailleurs qualifiés lorsque les tâches sont adaptées aux capacités de l’IA .

Cette hétérogénéité est un élément central pour la valorisation, car elle implique que l’impact de l’IA dépend fortement :

du secteur
du modèle économique
de l’organisation interne

2.3 Le paradoxe de productivité de l’IA

Malgré ces gains microéconomiques, les effets agrégés restent limités.

Plusieurs études montrent un décalage important entre adoption et performance économique :

78 % des entreprises utilisaient l’IA en 2024, contre 55 % en 2023
mais plus de 90 % des entreprises ne constatent pas d’impact significatif sur leur production ou leur emploi à court terme
certaines analyses indiquent que 95 % des projets IA ne génèrent pas d’impact mesurable sur le résultat opérationnel

Ce décalage est au cœur du “paradoxe de productivité” de l’IA :
les gains existent au niveau des tâches, mais leur transformation en performance économique globale reste incertaine.

3. Une phase d’investissement massive mais encore peu rentable

L’ampleur des investissements en IA est sans précédent.

Selon le rapport Stanford AI Index :

les investissements privés en IA aux États-Unis ont atteint 109,1 milliards de dollars en 2024
les investissements mondiaux en IA générative ont atteint 33,9 milliards de dollars la même année

Parallèlement, certaines analyses de marché estiment que l’IA pourrait générer jusqu’à 16 000 milliards de dollars de valeur à long terme à l’échelle mondiale .

Cependant, les travaux académiques et les études empiriques convergent pour souligner que :

les gains économiques sont encore largement anticipés
la transformation organisationnelle est incomplète
les effets sur la rentabilité sont différés

4. Une courbe d’adoption non linéaire : la phase de transition

Les recherches du MIT mettent en évidence un phénomène important :
l’adoption de l’IA peut entraîner une baisse temporaire de productivité.

Une étude sur les entreprises industrielles montre :

une baisse de productivité initiale mesurable
pouvant atteindre –1,33 point, voire davantage après correction des biais

Cette phase s’explique par :

les coûts d’intégration
les investissements technologiques
la formation des équipes
la transformation des processus

Ce phénomène est cohérent avec les cycles historiques d’adoption des technologies générales.

5. Des impacts sectoriels différenciés

Les effets de l’IA varient fortement selon les secteurs d’activité.

Activités informationnelles

Les gains sont les plus immédiats dans les activités reposant sur le traitement de l’information :

services financiers
conseil
marketing
relation client

Dans ces secteurs, l’IA permet :

automatisation des tâches
amélioration de la productivité
réduction des coûts marginaux

Activités industrielles

Dans les secteurs industriels, les effets sont plus progressifs :

optimisation des processus
maintenance prédictive
gestion de la supply chain

Les gains nécessitent des investissements lourds et une transformation structurelle, ce qui retarde leur impact économique.

Activités digitales

Les entreprises numériques bénéficient d’effets plus rapides.

Des études expérimentales dans le e-commerce montrent des gains de chiffre d’affaires allant jusqu’à +16,3 % grâce à l’IA .

Ces gains proviennent notamment :

de l’amélioration des taux de conversion
de la personnalisation
de l’optimisation des prix

6. Implications directes pour la valorisation

Les données académiques permettent d’identifier un point structurant :

Les valorisations intègrent aujourd’hui des anticipations de gains liés à l’IA qui ne sont pas encore pleinement réalisés.

Ce phénomène crée plusieurs effets :

une prime de valorisation pour les entreprises perçues comme “AI-ready”
un risque de survalorisation en l’absence de gains effectifs
une dispersion accrue des multiples entre entreprises

Les travaux économiques montrent que les gains liés à l’IA reposent sur trois leviers principaux :

réduction des coûts (environ 40 % de l’effet)
augmentation des revenus (environ 35 %)
accélération de l’innovation (environ 25 %)

Ces éléments sont directement liés aux déterminants fondamentaux de la valorisation :

cash-flows
croissance
risque

Conclusion de la partie 1

Les études académiques et les analyses empiriques convergent vers plusieurs constats structurants :

l’IA génère des gains de productivité réels mais très hétérogènes
ces gains sont encore partiellement diffusés dans l’économie
les investissements sont massifs mais les retours restent incertains
les marchés anticipent déjà une partie de ces effets

Ce décalage entre performance mesurée et anticipation constitue un enjeu central pour la valorisation des entreprises.

2. IA et valorisation financière : impacts sur les méthodes, les paramètres et les pratiques

L’intelligence artificielle ne constitue pas uniquement un levier d’amélioration opérationnelle pour les entreprises. Elle modifie en profondeur les fondements mêmes de la valorisation financière, en affectant simultanément les flux de trésorerie, les perspectives de croissance et le profil de risque. Les travaux académiques récents convergent pour montrer que ces trois déterminants de la valeur sont directement influencés par l’IA, mais de manière hétérogène, progressive et souvent incertaine.

Dans ce contexte, les méthodes traditionnelles de valorisation — en particulier les approches par actualisation des flux (DCF) et par les multiples — doivent être adaptées afin d’intégrer des dynamiques économiques plus complexes, moins linéaires et davantage dépendantes des conditions d’exécution.

2.1 Impact sur les flux de trésorerie : entre gains de productivité et recomposition des coûts

L’un des effets les plus commentés de l’intelligence artificielle concerne son impact sur la productivité et, par conséquent, sur les flux de trésorerie futurs. Les études empiriques menées notamment par Stanford et le MIT montrent des gains significatifs à l’échelle des tâches, avec des augmentations de productivité pouvant atteindre 14 % en moyenne, et jusqu’à 40 % dans certains cas spécifiques. Toutefois, ces gains ne se traduisent pas mécaniquement en amélioration proportionnelle des flux de trésorerie.

En pratique, l’introduction de l’IA entraîne une recomposition de la structure des coûts. Si certaines dépenses opérationnelles diminuent — notamment dans les fonctions administratives, le support client ou certaines activités analytiques — d’autres augmentent simultanément. Les entreprises doivent investir dans des infrastructures technologiques, dans la gestion et la sécurisation des données, ainsi que dans le recrutement de compétences spécifiques. À cela s’ajoutent des coûts d’intégration et de transformation organisationnelle qui peuvent peser significativement à court terme.

Les travaux académiques montrent également que les gains de productivité sont partiellement captés par le marché sous forme de baisse des prix ou d’amélioration des services, ce qui limite leur impact sur les marges. Cette diffusion des gains est un phénomène classique dans les phases d’adoption technologique, déjà observé lors de la généralisation de l’informatique ou du cloud.

Dans un modèle DCF, cela implique que l’amélioration des flux de trésorerie doit être analysée de manière prudente. L’évaluateur doit distinguer les gains bruts liés à la productivité des gains économiques réellement conservés par l’entreprise, en tenant compte des effets concurrentiels et des investissements nécessaires.

Par ailleurs, l’IA modifie la nature même des investissements. Une part croissante des dépenses liées à la technologie est comptabilisée en charges, alors qu’elle correspond en réalité à la constitution d’actifs immatériels (données, modèles, systèmes). Cette situation crée un décalage entre les états financiers et la réalité économique, pouvant conduire à une surestimation apparente des marges à court terme et à une sous-estimation du capital investi.

2.2 Impact sur la croissance : entre effet d’accélération et normalisation concurrentielle

L’intelligence artificielle est également susceptible d’influencer les trajectoires de croissance des entreprises. Dans certains secteurs, notamment les activités digitales ou fortement orientées data, les études montrent des effets mesurables sur le chiffre d’affaires, avec des hausses pouvant atteindre 10 % à 16 % dans des contextes expérimentaux.

Ces gains s’expliquent par plusieurs mécanismes : amélioration des taux de conversion, personnalisation accrue de l’offre, optimisation des prix ou encore accélération du développement de nouveaux produits. Dans ces situations, l’IA agit comme un levier d’augmentation de la productivité commerciale et d’extension des marchés.

Cependant, ces effets ne sont ni systématiques ni durables dans tous les cas. Les travaux académiques soulignent que les avantages liés à l’IA peuvent être rapidement diffusés au sein d’un secteur, réduisant ainsi leur caractère différenciant. Une technologie accessible et standardisée tend à devenir un facteur d’hygiène plutôt qu’un avantage compétitif durable.

Dès lors, l’évaluateur doit s’interroger sur la nature des gains de croissance : relèvent-ils d’un avantage temporaire lié à une adoption précoce, ou d’un avantage structurel fondé sur des capacités spécifiques (données propriétaires, organisation, effet de réseau) ? Cette distinction est essentielle pour déterminer la soutenabilité des taux de croissance retenus dans un modèle de valorisation.

2.3 Impact sur le coût du capital : entre réduction de l’incertitude et émergence de nouveaux risques

L’intelligence artificielle influence également le profil de risque des entreprises, et donc leur coût du capital. D’un côté, elle peut contribuer à réduire certaines incertitudes opérationnelles en améliorant la prévisibilité des flux, en optimisant les processus et en limitant les erreurs. Ces effets peuvent théoriquement justifier une diminution de la prime de risque dans certains cas.

Cependant, les études montrent que l’IA introduit simultanément de nouveaux risques, souvent sous-estimés dans les modèles traditionnels. Le risque technologique est particulièrement marqué, avec une dépendance croissante à des fournisseurs externes (cloud, modèles propriétaires) et une obsolescence rapide des solutions. À cela s’ajoutent des risques réglementaires, notamment en Europe avec le développement de cadres comme l’AI Act, ainsi que des risques liés à la cybersécurité et à la gestion des données.

Ces éléments créent une situation paradoxale : l’IA peut à la fois stabiliser certains processus et accroître l’incertitude globale. Dans la pratique, cela conduit à une hétérogénéité accrue des profils de risque entre entreprises, en fonction de leur capacité à maîtriser ces enjeux.

Dans un modèle de valorisation, ces risques doivent être intégrés de manière explicite, soit à travers un ajustement du taux d’actualisation, soit via des scénarios différenciés. Les standards internationaux recommandent une approche prudente et documentée, afin d’éviter toute sous-estimation des incertitudes.

2.4 Impact sur les multiples : entre anticipation et volatilité

Les marchés financiers ont déjà commencé à intégrer l’impact de l’IA dans les valorisations. Certaines entreprises, en particulier dans les secteurs technologiques, bénéficient de multiples élevés reflétant des anticipations de croissance et de rentabilité liées à l’IA. Des niveaux de multiples EV/EBITDA supérieurs à 15x, voire 20x, sont observés dans certains segments.

Toutefois, les travaux académiques montrent que ces valorisations reposent largement sur des anticipations. Historiquement, ce type de situation peut conduire à des phases de correction lorsque les gains attendus ne se matérialisent pas au rythme prévu.

Ce phénomène crée une tension entre valorisation fondamentale et valorisation de marché. L’évaluateur doit donc exercer un jugement critique sur les comparables utilisés, en distinguant les effets réels des effets d’anticipation.

2.5 Limites des modèles traditionnels et nécessité d’approches adaptées

Les modèles classiques de valorisation présentent des limites croissantes dans un environnement marqué par l’incertitude technologique. Leur construction repose souvent sur des hypothèses linéaires et déterministes, qui ne permettent pas de capturer pleinement les effets non linéaires et les ruptures potentielles induites par l’IA.

Les travaux académiques recommandent de compléter ces approches par des méthodes intégrant l’incertitude, telles que l’analyse par scénarios ou les simulations probabilistes. Ces outils permettent de mieux refléter la dispersion des résultats possibles et d’encadrer les hypothèses.

2.6 Implications pour la pratique professionnelle

Dans un cadre opérationnel, l’intégration de l’IA dans une mission de valorisation impose une évolution des pratiques. L’évaluateur doit être en mesure de comprendre les transformations technologiques, d’en mesurer les impacts économiques et de les traduire en paramètres financiers cohérents.

Cela suppose une approche fondée sur :

une analyse approfondie du modèle économique
une identification précise des leviers de création de valeur
une documentation rigoureuse des hypothèses

Dans ce contexte, la valeur ajoutée du professionnel réside moins dans l’application mécanique de méthodes que dans sa capacité à interpréter des dynamiques complexes et à intégrer des incertitudes de manière structurée.

Conclusion de la partie 2

L’intelligence artificielle modifie en profondeur les déterminants de la valorisation financière. Elle agit simultanément sur les flux, la croissance et le risque, mais de manière hétérogène et progressive. Les modèles traditionnels restent pertinents, mais nécessitent des ajustements méthodologiques pour intégrer ces nouvelles dynamiques.

Dans ce contexte, la qualité de la valorisation repose sur la capacité à distinguer les effets réels des anticipations, à mesurer la soutenabilité des gains et à intégrer les incertitudes de manière rigoureuse.

Demander un devis pour une valorisation par un consultant XVAL :

3. Impact sectoriel de l’intelligence artificielle : une transformation différenciée des modèles économiques et des valorisations

L’un des enseignements les plus robustes des travaux académiques récents est que l’intelligence artificielle ne produit pas un effet homogène sur l’économie. Son impact dépend étroitement de la nature des activités, du degré d’intensité informationnelle, de la structure des coûts et de la capacité des entreprises à intégrer ces technologies dans leurs processus.

Les analyses issues notamment du Stanford AI Index, du MIT et du McKinsey Global Institute convergent pour montrer que l’IA agit comme un facteur de redistribution de la valeur entre secteurs, plutôt que comme un levier uniforme de création de richesse. Cette différenciation est centrale pour l’évaluateur, car elle conditionne directement les perspectives de marges, de croissance et, in fine, les niveaux de valorisation.

3.1 Les activités à forte intensité informationnelle : des gains rapides mais potentiellement transitoires

Les secteurs dont la production repose principalement sur le traitement de l’information figurent parmi les premiers bénéficiaires de l’intelligence artificielle. Il s’agit notamment des services financiers, du conseil, du marketing, des fonctions juridiques ou encore des activités de relation client.

Dans ces domaines, les études empiriques montrent que l’IA permet d’automatiser une part significative des tâches, tout en améliorant la qualité des livrables. Les gains de productivité observés peuvent être substantiels, avec des augmentations comprises entre 14 % et 40 % selon les travaux académiques, et des réductions de temps de production pouvant atteindre 30 % à 50 % pour certaines fonctions.

Ces gains ont des implications directes sur les marges, en permettant une meilleure absorption des coûts fixes et une augmentation de la capacité de production à effectif constant. Ils peuvent également favoriser la scalabilité des modèles économiques, en particulier pour les entreprises capables d’industrialiser leurs processus.

Toutefois, les recherches montrent que ces avantages sont rarement durables dans leur intégralité. La diffusion rapide des technologies d’IA au sein d’un secteur tend à homogénéiser les pratiques, réduisant progressivement l’avantage concurrentiel initial. Ce phénomène de diffusion conduit à une normalisation des marges à moyen terme et limite l’impact structurel sur les valorisations.

Dans ce contexte, l’évaluateur doit distinguer les gains liés à une adoption précoce de ceux qui peuvent être considérés comme pérennes. Cette distinction est déterminante pour apprécier la soutenabilité des niveaux de rentabilité et de croissance retenus dans une valorisation.

3.2 Le secteur technologique : un effet amplificateur de valorisation sous contrainte d’exécution

Le secteur technologique, et en particulier les entreprises de software et les plateformes numériques, bénéficie d’un effet amplificateur de l’intelligence artificielle. Ces entreprises disposent déjà de caractéristiques structurelles favorables — faible coût marginal, forte scalabilité, effets de réseau — que l’IA vient renforcer.

Les études empiriques montrent que l’intégration de l’IA peut entraîner des augmentations de chiffre d’affaires significatives, notamment grâce à l’amélioration des taux de conversion, à la personnalisation des offres et à l’optimisation des stratégies de pricing. Des hausses de revenus pouvant atteindre 10 % à 16 % ont été observées dans certains contextes, notamment dans le commerce en ligne.

Ces dynamiques se traduisent par des niveaux de valorisation élevés, souvent caractérisés par des multiples importants, reflétant des anticipations de croissance et de rentabilité. Les marchés financiers intègrent déjà ces perspectives, ce qui explique les primes de valorisation observées pour les entreprises perçues comme étant en pointe sur l’IA.

Néanmoins, les travaux académiques soulignent que ces valorisations reposent en grande partie sur des anticipations. L’histoire récente des cycles technologiques montre que ces phases peuvent être suivies de corrections lorsque les performances ne sont pas au rendez-vous. Le secteur technologique reste donc caractérisé par une forte sensibilité aux attentes du marché et par une volatilité accrue.

Pour l’évaluateur, cela implique une vigilance particulière dans l’utilisation des comparables, afin de ne pas intégrer de manière excessive des effets d’anticipation dans une valorisation fondamentale.

3.3 Les secteurs industriels : une transformation progressive et capitalistique

Dans les secteurs industriels et capitalistiques, l’impact de l’intelligence artificielle est plus indirect et plus progressif. L’IA y est principalement utilisée pour optimiser les processus de production, améliorer la maintenance des équipements ou encore renforcer la gestion des chaînes d’approvisionnement.

Les études menées notamment par le MIT montrent que l’adoption de l’IA dans ces secteurs peut s’accompagner d’une phase initiale de baisse de productivité, liée aux coûts d’intégration, aux investissements nécessaires et à la transformation des organisations. Cette phase transitoire peut durer plusieurs années avant que les gains ne se matérialisent pleinement.

Les effets positifs existent néanmoins, avec une amélioration progressive de l’efficacité opérationnelle et une réduction des coûts à moyen terme. Toutefois, ces gains restent généralement plus limités que dans les activités informationnelles, en raison de la nature capitalistique des processus et des contraintes physiques.

Du point de vue de la valorisation, cela se traduit par une relative stabilité des multiples à court terme, les marchés intégrant ces transformations de manière prudente. La création de valeur dépend fortement de la capacité des entreprises à exécuter leur transformation, ce qui introduit une dispersion accrue des valorisations au sein d’un même secteur.

3.4 Distribution et retail : une amélioration de l’efficacité sans rupture structurelle

Dans les secteurs de la distribution et du retail, l’intelligence artificielle est principalement utilisée comme un outil d’optimisation. Elle permet d’améliorer la gestion des stocks, d’optimiser les prix et de personnaliser l’expérience client.

Les études montrent que ces applications peuvent générer des gains mesurables en termes de chiffre d’affaires et d’efficacité opérationnelle. Cependant, ces gains sont rapidement diffusés au sein du secteur, ce qui limite leur impact sur les marges à long terme.

La forte intensité concurrentielle caractéristique de ces activités conduit à une captation partielle des gains par les consommateurs, sous forme de baisse des prix ou d’amélioration du service. L’IA agit ainsi davantage comme un facteur de maintien de la compétitivité que comme un levier de transformation structurelle des valorisations.

3.5 Les services intensifs en main-d’œuvre : une transformation des modèles économiques

Les secteurs reposant fortement sur le capital humain, tels que les services B2B, l’ingénierie, la comptabilité ou l’audit, sont confrontés à une transformation plus profonde de leurs modèles économiques.

L’intelligence artificielle permet d’automatiser certaines tâches, d’améliorer la productivité et de réduire les coûts. Toutefois, elle remet également en cause les modes de facturation traditionnels, souvent basés sur le temps passé ou sur des structures de coûts fixes.

Cette transformation introduit une incertitude importante sur la structure future des revenus et des marges. Les études montrent que les effets peuvent être très différenciés selon les entreprises, en fonction de leur capacité à adapter leur offre et à redéfinir leur proposition de valeur.

En valorisation, cela se traduit par une dispersion accrue des multiples et par une importance renforcée de l’analyse stratégique. La valeur dépend moins du positionnement actuel que de la capacité d’adaptation à ces transformations.

3.6 Les secteurs exposés à un risque de dévalorisation

Certains segments d’activité apparaissent particulièrement exposés aux effets négatifs de l’intelligence artificielle. Il s’agit notamment des activités caractérisées par des tâches répétitives, standardisées et facilement automatisables.

Dans ces secteurs, l’IA entraîne une baisse des barrières à l’entrée, une intensification de la concurrence et une pression accrue sur les prix. Les études montrent que ces dynamiques peuvent conduire à une compression des marges et à une dégradation des perspectives de croissance.

Ces évolutions peuvent se traduire par une baisse des multiples de valorisation, reflétant une détérioration des fondamentaux économiques. L’évaluateur doit être particulièrement attentif à ces effets dans les secteurs les plus exposés à l’automatisation.

Conclusion de la partie 3

L’intelligence artificielle agit comme un facteur de différenciation sectorielle majeur. Elle ne crée pas une augmentation uniforme de la valeur, mais une redistribution entre les entreprises en fonction de leur capacité à en tirer parti.

Les travaux académiques convergent vers l’idée d’une polarisation croissante des valorisations, avec des écarts significatifs entre les entreprises capables de capter les gains liés à l’IA et celles qui subissent les effets de la concurrence ou de l’automatisation.

Dans ce contexte, l’analyse sectorielle devient un élément central de toute démarche de valorisation. Elle permet d’identifier les dynamiques structurelles à l’œuvre et d’apprécier la soutenabilité des performances observées.

Pour l’évaluateur, l’enjeu consiste à dépasser une approche homogène et à intégrer pleinement les spécificités sectorielles dans l’analyse de la valeur.

4. Intégrer l’intelligence artificielle dans une mission de valorisation : méthodologie et pratiques professionnelles

L’intégration de l’intelligence artificielle dans une mission de valorisation ne relève pas d’un simple ajustement technique. Elle implique une évolution des pratiques professionnelles, dans la mesure où les effets économiques de l’IA sont à la fois diffus, incertains et fortement dépendants du contexte d’application. Les travaux académiques montrent que la principale difficulté réside dans la traduction d’éléments technologiques — souvent qualitatifs — en variables financières objectivables.

Dans ce contexte, l’évaluateur doit adopter une démarche structurée, reposant sur une analyse rigoureuse du modèle économique, une identification précise des leviers de création de valeur et une intégration prudente des incertitudes. Cette approche est particulièrement déterminante dans les missions sensibles, qu’elles soient transactionnelles, fiscales ou judiciaires.

4.1 Qualifier le positionnement réel de l’entreprise face à l’IA

La première étape consiste à analyser le positionnement réel de l’entreprise vis-à-vis de l’intelligence artificielle. Les études montrent qu’il existe souvent un décalage significatif entre les discours stratégiques et les effets économiques observés. De nombreuses entreprises revendiquent une utilisation de l’IA sans que celle-ci produise encore d’impact mesurable sur leur performance.

L’évaluateur doit donc s’attacher à distinguer les effets déclaratifs des effets réels. Cette analyse repose sur l’examen du degré d’intégration de l’IA dans les processus opérationnels, de la maturité des infrastructures de données et de la capacité des équipes à exploiter ces technologies. La qualité des données, en particulier, constitue un facteur déterminant, largement mis en avant par les travaux académiques comme condition préalable à toute création de valeur.

Au-delà de l’usage interne, il convient également d’apprécier le positionnement concurrentiel de l’entreprise. L’IA constitue-t-elle un facteur différenciant ou un simple standard sectoriel ? Cette distinction est essentielle pour évaluer la durabilité des avantages potentiels.

4.2 Traduire les effets de l’IA en variables financières

Une fois le positionnement établi, l’enjeu consiste à traduire les effets de l’IA en paramètres financiers utilisables dans les modèles de valorisation. Cette étape constitue le cœur de la démarche, car elle implique de passer d’une analyse qualitative à une quantification économique.

L’impact sur les marges doit être appréhendé avec nuance. Les gains de productivité observés dans certaines études — parfois supérieurs à 30 % sur des tâches spécifiques — ne se traduisent pas nécessairement par une amélioration équivalente de la rentabilité. Une partie de ces gains est absorbée par les investissements nécessaires à l’intégration de l’IA, ainsi que par la pression concurrentielle qui tend à redistribuer la valeur au bénéfice des clients.

Par ailleurs, l’IA modifie la structure des investissements. Une part croissante des dépenses liées à la technologie est comptabilisée en charges, alors qu’elle correspond à la constitution d’actifs immatériels. Cette situation crée un décalage entre la lecture comptable et la réalité économique, nécessitant une reconstitution des investissements pour analyser correctement le retour sur capital.

L’impact sur la croissance doit également être analysé de manière différenciée. Si certaines entreprises bénéficient d’un effet d’accélération, les études montrent que ces gains sont souvent hétérogènes et dépendants de la capacité d’exécution. L’évaluateur doit donc apprécier la soutenabilité des hypothèses retenues, en distinguant les effets transitoires des effets structurels.

4.3 Adapter les modèles de valorisation à un environnement incertain

Les modèles traditionnels de valorisation, en particulier les approches par actualisation des flux, reposent sur des hypothèses relativement stables et linéaires. Or, l’intelligence artificielle introduit des dynamiques plus complexes, caractérisées par des effets non linéaires et une incertitude accrue.

Les travaux académiques recommandent dans ce contexte de recourir à des approches intégrant explicitement cette incertitude. L’analyse par scénarios constitue un outil particulièrement adapté, permettant de modéliser différentes trajectoires possibles en fonction du degré de réussite de l’intégration de l’IA. Cette approche permet de mieux encadrer les hypothèses et de rendre explicite la dispersion des résultats.

L’intégration de l’IA dans les multiples de valorisation pose également des défis spécifiques. Les marchés tendent à intégrer des primes pour les entreprises perçues comme innovantes, mais ces primes reposent souvent sur des anticipations. L’évaluateur doit donc s’assurer que les comparables utilisés reflètent des situations économiques comparables, et non des effets de marché transitoires.

4.4 Intégrer les risques spécifiques liés à l’intelligence artificielle

L’IA ne se limite pas à un facteur de création de valeur ; elle introduit également de nouveaux risques qui doivent être pris en compte dans la valorisation. Les travaux académiques identifient plusieurs catégories de risques, dont l’importance varie selon les secteurs et les modèles économiques.

Le risque technologique est particulièrement marqué, en raison de la dépendance croissante à des solutions externes et de la rapidité des cycles d’innovation. À cela s’ajoutent des risques réglementaires, notamment dans le contexte européen, où les exigences en matière d’IA sont en cours de structuration.

Les risques liés à la cybersécurité et à la gestion des données constituent également des enjeux majeurs, susceptibles d’affecter la performance et la réputation des entreprises. Enfin, le risque stratégique ne doit pas être sous-estimé : de nombreuses études montrent que les projets d’IA peuvent échouer à générer de la valeur en raison d’une mauvaise allocation des ressources ou d’une intégration insuffisante.

Ces différents risques doivent être intégrés dans les modèles de valorisation, soit à travers des ajustements du coût du capital, soit via des scénarios différenciés.

4.5 Exigences de documentation et cadre professionnel

Dans un cadre professionnel, en particulier dans les missions d’expertise judiciaire ou fiscale, l’intégration de l’IA dans une valorisation impose des exigences renforcées en matière de documentation et de justification des hypothèses.

Les standards internationaux, ainsi que les recommandations des organismes professionnels, insistent sur la nécessité de :

documenter les hypothèses retenues
assurer la cohérence avec les données de marché
justifier les ajustements apportés aux modèles

Dans ce contexte, la prudence méthodologique constitue un principe essentiel. Les anticipations liées à l’IA doivent être étayées par des éléments tangibles et cohérents avec les observations empiriques.

4.6 L’approche XVAL

Dans ce contexte, une mission de valorisation intégrant l’intelligence artificielle repose sur une approche fondée sur la rigueur et l’analyse économique.

L’approche consiste à partir du modèle économique de l’entreprise, à analyser de manière factuelle l’impact réel de l’IA sur ses performances et à traduire ces effets en paramètres financiers cohérents. Cette démarche implique une combinaison de méthodes, permettant de croiser les approches et de renforcer la robustesse de la valorisation.

L’intégration de scénarios, l’analyse des risques et la documentation des hypothèses constituent des éléments clés de cette approche. Elle permet de produire des valorisations adaptées aux différents contextes d’intervention, qu’il s’agisse d’opérations transactionnelles, de missions judiciaires ou d’analyses fiscales.

Conclusion de la partie 4

L’intégration de l’intelligence artificielle dans la valorisation des entreprises impose une évolution des pratiques professionnelles. Elle nécessite une compréhension fine des transformations économiques à l’œuvre, ainsi qu’une capacité à traduire ces évolutions en paramètres financiers pertinents.

Dans ce contexte, la qualité de la valorisation repose moins sur l’application mécanique de méthodes que sur la capacité à analyser des situations complexes, à intégrer l’incertitude et à produire des estimations cohérentes et défendables.

L’intelligence artificielle ne simplifie pas la valorisation ; elle en accroît les exigences.

5. Perspectives : intelligence artificielle et valorisation à horizon 2030

Les travaux académiques récents convergent pour considérer l’intelligence artificielle comme une transformation économique majeure, dont les effets restent encore en phase de diffusion. Si les gains potentiels sont significatifs, leur matérialisation dépend largement de facteurs organisationnels, sectoriels et macroéconomiques. Dans ce contexte, la valorisation des entreprises ne peut plus se fonder uniquement sur l’analyse des performances passées ; elle repose de plus en plus sur l’anticipation de trajectoires futures, caractérisées par un niveau d’incertitude élevé.

5.1 Une création de valeur potentielle élevée mais conditionnelle

Les estimations économiques disponibles suggèrent que l’intelligence artificielle pourrait générer, à long terme, plusieurs milliers de milliards de dollars de valeur à l’échelle mondiale. Certaines études évoquent un potentiel compris entre 12 000 et 16 000 milliards de dollars, principalement lié à l’automatisation des tâches, à l’amélioration de la productivité et à l’accélération de l’innovation.

Cependant, les travaux académiques insistent sur le fait que ces gains ne sont pas automatiques. Ils dépendent de la capacité des entreprises à transformer leurs processus, à investir dans les infrastructures nécessaires et à adapter leur organisation. L’histoire des technologies générales montre que ces transformations s’inscrivent dans des cycles longs, au cours desquels les effets économiques se diffusent progressivement.

Ainsi, la création de valeur liée à l’IA doit être appréhendée comme un potentiel conditionnel, et non comme une trajectoire certaine.

5.2 Des trajectoires d’évolution contrastées

Les analyses économiques permettent d’identifier plusieurs scénarios d’évolution, reflétant différents niveaux d’appropriation et d’efficacité de l’intelligence artificielle.

Dans un scénario central, les gains de productivité se diffusent progressivement, avec des effets hétérogènes selon les secteurs et les entreprises. La concurrence tend à absorber une partie de ces gains, limitant leur impact sur les marges à long terme. Ce scénario est aujourd’hui considéré comme le plus probable à court et moyen terme.

Un scénario d’accélération technologique suppose une adoption plus rapide et une capacité accrue des entreprises à transformer leurs modèles économiques. Dans ce cas, les gains de productivité pourraient se traduire par une augmentation significative des taux de croissance et une expansion des multiples pour les entreprises les mieux positionnées. Ce scénario reste toutefois conditionné à la capacité d’exécution des acteurs économiques.

À l’inverse, un scénario de diffusion sans création de valeur nette peut être envisagé. Dans cette hypothèse, l’IA devient un standard technologique largement accessible, dont les bénéfices sont rapidement intégrés par l’ensemble des acteurs. Les gains de productivité sont alors neutralisés par la concurrence, conduisant à une stabilisation, voire à une compression des marges.

Ces différents scénarios illustrent la difficulté d’anticiper l’impact de l’IA sur la valorisation, et renforcent la nécessité d’intégrer des approches probabilistes dans les modèles.

5.3 Une montée en puissance des actifs immatériels

L’intelligence artificielle accélère une tendance structurelle déjà observée depuis plusieurs décennies : la montée en puissance des actifs immatériels dans la création de valeur. Les données, les algorithmes, les modèles et l’organisation deviennent des éléments centraux de la performance économique.

Dans certains secteurs, notamment technologiques, la part des actifs immatériels dans la valorisation peut dépasser 80 %. Cette évolution pose des défis importants pour les méthodes de valorisation traditionnelles, qui reposent encore largement sur des indicateurs financiers issus de la comptabilité historique.

La difficulté réside dans la mesure de ces actifs, dont la valeur dépend de leur qualité, de leur utilisation et de leur capacité à générer des flux futurs. Cette incertitude contribue à accroître la dispersion des valorisations et à renforcer le rôle du jugement professionnel.

5.4 Une polarisation accrue des valorisations

Les travaux académiques convergent vers l’idée que l’intelligence artificielle va accentuer les écarts entre entreprises. Plutôt qu’une augmentation uniforme de la valeur, elle entraîne une redistribution en fonction de la capacité des acteurs à intégrer ces technologies.

Trois profils tendent à émerger. D’une part, les entreprises capables de tirer pleinement parti de l’IA, en combinant données, compétences et organisation, devraient bénéficier de gains significatifs en termes de productivité, de croissance et de valorisation. D’autre part, les entreprises en phase d’adaptation pourraient connaître des performances intermédiaires, marquées par une incertitude stratégique et une dispersion des résultats. Enfin, certaines entreprises pourraient être fragilisées par l’IA, en raison de la pression concurrentielle ou de l’automatisation de leurs activités.

Cette polarisation constitue un élément central pour l’évaluateur, car elle implique une différenciation accrue des hypothèses et des niveaux de valorisation.

5.5 Enjeux stratégiques pour les dirigeants

Dans ce contexte, les travaux académiques mettent en évidence plusieurs facteurs déterminants pour la création de valeur.

La capacité d’exécution apparaît comme un élément central. Les études montrent que l’adoption de l’IA ne garantit pas en elle-même des gains économiques ; ceux-ci dépendent de la manière dont les technologies sont intégrées dans les processus et dans l’organisation.

La qualité des données constitue également un facteur clé. La performance des modèles d’intelligence artificielle repose directement sur la qualité, la disponibilité et la structuration des données, ce qui implique des investissements significatifs et une gouvernance adaptée.

Enfin, l’adaptation des modèles économiques est essentielle. L’IA peut modifier les chaînes de valeur, les modes de facturation et les avantages concurrentiels, ce qui impose aux dirigeants d’anticiper ces transformations pour en tirer parti.

5.6 Implications pour la valorisation à moyen et long terme

Pour les professionnels de la valorisation, l’intelligence artificielle implique une évolution des méthodes et des pratiques. L’importance des scénarios devrait s’accroître, afin de refléter les différentes trajectoires possibles et d’encadrer l’incertitude.

Les actifs immatériels devront être mieux intégrés dans les modèles, ce qui suppose une adaptation des approches traditionnelles. Par ailleurs, l’évolution des méthodes pourrait conduire à un recours plus fréquent à des outils probabilistes ou à des simulations, permettant de mieux appréhender la dispersion des résultats.

Dans ce contexte, le rôle de l’évaluateur évolue. Il ne s’agit plus seulement d’appliquer des méthodes, mais d’interpréter des transformations économiques complexes et d’en traduire les effets en valeur.

Conclusion générale (IA & Valorisation)

L’intelligence artificielle constitue une transformation majeure de l’économie, dont les effets sur la valorisation des entreprises sont déjà perceptibles mais encore partiellement réalisés.

Les travaux académiques convergent vers plusieurs constats : des gains de productivité réels mais hétérogènes, une diffusion progressive des effets économiques, une montée en puissance des actifs immatériels et une polarisation accrue des valorisations.

Dans ce contexte, la valorisation devient un exercice plus exigeant, nécessitant une analyse approfondie, une intégration des incertitudes et une compréhension fine des modèles économiques. Pour les dirigeants comme pour les investisseurs, l’enjeu consiste à distinguer les effets réels des anticipations et à s’inscrire dans une logique de long terme.

Pour les professionnels de la valorisation, l’intelligence artificielle ne constitue pas une simplification des modèles, mais une complexification du cadre d’analyse, renforçant la nécessité d’une approche rigoureuse, documentée et adaptée à chaque situation.

Vous souhaitez échanger avec un consultant XVA :