Firm Valuation When AI Shapes the Business Model: A Milestone-Based Real-Options Framework for the AI Valuation Uncertainty Problem

Évaluer une entreprise est traditionnellement une question de regard sur son passé pour prédire son avenir. Si une entreprise a un long historique de vente de produits, de paiement de factures et de réalisation de bénéfices, les experts peuvent utiliser ces chiffres pour estimer ce que l'entreprise vaudra demain. Ils calculent l'argent que l'entreprise est susceptible de gagner dans les années à venir et ajustent ce chiffre pour tenir compte du risque que les choses tournent mal. Cette méthode fonctionne bien pour les entreprises stables, comme une boulangerie ouverte depuis vingt ans ou une usine qui fonctionne sans accroc depuis des décades. Cependant, les règles changent complètement lorsqu'une entreprise est construite autour de l'intelligence artificielle. Ces entreprises n'ont souvent aucun historique de profits, leurs modèles économiques sont réécrits en temps réel, et leur valeur dépend entièrement de leur capacité à atteindre avec succès une série d'objectifs futurs difficiles. Lorsqu'une entreprise tente de construire quelque chose qui n'a jamais existé auparavant, les anciens outils de mesure de la valeur échouent souvent car ils ne peuvent pas voir les risques et les opportunités spécifiques cachés dans le plan.

Une nouvelle étude de l'Institut Swiss de l'IA et de l'Université des sciences appliquées de Nürtingen-Geislingen propose une autre façon de regarder ces entreprises. Les chercheurs soutiennent que les méthodes standards sont trop vagues lorsqu'elles sont appliquées à l'intelligence artificielle car elles compriment toutes les incertitudes complexes en un seul chiffre opaque. Au lieu de deviner un taux de croissance général, l'équipe a développé un protocole structuré qui décompose la valeur d'une entreprise en une série d'étapes spécifiques et vérifiables. Ils traitent le parcours d'intégration de l'intelligence artificielle non pas comme une ligne lisse, mais comme un chemin avec des barrières. À chaque barrière, l'entreprise doit prouver qu'elle peut accomplir quelque chose de spécifique — comme faire fonctionner un nouveau système logiciel, passer un contrôle réglementaire ou trouver son premier client payant. Si l'entreprise franchit la barrière, elle avance et sa valeur augmente. Si elle échoue, le chemin s'arrête et la valeur potentielle disparaît. En cartographiant ces barrières et en attribuant une chance de succès réaliste à chacune d'elles, les chercheurs ont créé un moyen de voir exactement d'où vient la valeur et où se situe le risque.

Le cœur de cette nouvelle approche est une idée simple mais puissante : toutes les entreprises utilisant l'intelligence artificielle ne sont pas les mêmes. Les chercheurs ont créé un système de classification qui sépare les entreprises en deux groupes principaux. Le premier groupe est composé d'entreprises qui utilisent l'intelligence artificielle comme un outil pour améliorer leur travail existant, comme une banque utilisant un programme informatique pour vérifier les scores de crédit plus rapidement. Le second groupe est composé d'entreprises dont le produit entier est l'intelligence artificielle elle-même, comme une firme qui construit un nouveau type de logiciel intelligent pour le vendre à d'autres. Au sein du premier groupe, les chercheurs ont subdivisé les entreprises selon la profondeur de leur intégration technologique. Certaines l'utilisent juste un peu, comme l'ajout d'un chatbot sur un site web, tandis que d'autres ont reconstruit l'intégralité de leurs opérations autour d'elle. L'étude a montré que plus l'intégration est profonde, plus la valeur de l'entreprise dépend des possibilités futures plutôt que des profits actuels. Une entreprise qui n'a fait qu'effleurer l'intelligence artificielle possède une valeur prévisible basée sur ses ventes actuelles. Mais une entreprise qui a entièrement reconstruit son activité autour de cette technologie est essentiellement une collection d'options futures, où la véritable valeur réside dans ce qu'elle pourrait être capable de faire ensuite.

Pour déterminer la probabilité de succès d'une entreprise à chaque étape, les chercheurs ont introduit une méthode qui remplace les conjectures par une conversation structurée entre experts. Ils ont demandé à un panel de personnes, incluant les dirigeants de l'entreprise et des spécialistes externes, de comparer différents facteurs déterminant le succès. Ces facteurs comprenaient si la technologie fonctionne réellement, si l'entreprise dispose des bonnes personnes pour la diriger, et si les réglementations gouvernementales permettront de procéder. En demandant à ces experts de comparer les facteurs entre eux par paires, le système génère un score qui reflète la préparation de l'entreprise à passer à l'étape suivante. Ce score est ensuite calibré par rapport à des données réelles provenant de projets technologiques similaires pour le transformer en une probabilité spécifique. Ce processus garantit que la valorisation finale n'est pas une simple opinion, mais un calcul transparent où chaque chiffre peut être retracé jusqu'à une hypothèse spécifique. Si deux experts sont en désaccord sur la valeur d'une entreprise, ils peuvent désormais localiser précisément où se situe leur désaccord : est-ce sur la chance de réussir un test spécifique, ou sur le montant d'argent que ce test générera ?

Les chercheurs ont testé leur nouveau cadre sur une véritable startup suisse qui développe un logiciel pour gérer des portefeuilles énergétiques. Cette entreprise, qui vend son produit d'intelligence artificielle directement aux clients, était à des stades précoces de développement sans historique de revenus au moment de l'étude. Avec les anciennes méthodes, évaluer une telle entreprise aurait nécessité une supposition large et inexpliquée sur sa croissance future. En utilisant le nouveau cadre, les chercheurs ont cartographié quatre jalons majeurs que l'entreprise devait atteindre au cours des deux prochaines années. Ces jalons comprenaient la stabilisation du système pour les tests initiaux, l'obtention de clients pilotes payants, la génération de son premier revenu récurrent et, enfin, la preuve qu'elle pouvait vendre le produit à de nombreux clients simultanément. En calculant la valeur de chaque étape et la probabilité de l'atteindre, ils sont arrivés à une valeur totale de l'entreprise de 100 millions de francs suisses. Ce chiffre correspondait à l'estimation interne de l'entreprise, mais la nouvelle méthode a révélé quelque chose de crucial : plus de la moitié de cette valeur dépendait entièrement du dernier jalon, qui est le plus difficile à atteindre.

Cette conclusion souligne un changement majeur dans la compréhension du risque dans le secteur de l'intelligence artificielle. L'étude montre que pour les entreprises vendant leur propre intelligence artificielle, le risque n'est pas réparti uniformément tout au long du parcours. Au contraire, le risque se concentre fortement dans les étapes ultérieures. Les premières étapes, comme la construction d'un prototype fonctionnel, sont relativement sûres et ont de fortes chances de réussir. Mais les étapes plus tardives, qui impliquent de prouver que le marché veut le produit et que l'entreprise peut monter en puissance, portent le plus d'incertitudes. Le cadre rend cela clair en montrant que si le dernier jalon échoue, l'entreprise perd environ la moitié de sa valeur totale. Cela diffère des entreprises traditionnelles, où le risque est souvent plus équitablement réparti. La nouvelle méthode tient également compte des coûts que les autres outils de valorisation cachent souvent. Elle sépare l'argent dépensé pour construire la technologie de l'argent dépensé pour se conformer aux lois et réglementations, garantissant que ces coûts sont comptabilisés clairement plutôt qu'enfouis dans une estimation générale.

L'étude aborde également un problème courant dans la manière dont les entreprises déclarent leurs finances. Dans de nombreux pays européens, les règles comptables exigent que l'argent dépensé pour développer de nouvelles technologies soit traité comme une charge, ce qui fait apparaître l'entreprise comme étant déficitaire sur le papier. Dans d'autres endroits, les entreprises peuvent enregistrer ces dépenses comme un actif, ce qui les fait paraître plus valables. Cette différence de règles comptables peut faire en sorte que deux entreprises identiques paraissent totalement différentes aux yeux des investisseurs. Le nouveau cadre contourne cette confusion en examinant la réalité économique réelle de l'entreprise plutôt que les étiquettes comptables. Il traite l'argent dépensé pour le développement comme un coût réel, quel que soit son enregistrement dans les livres, permettant une comparaison équitable entre les entreprises de différents pays ou sous des règles différentes. Cette approche garantit que la valorisation reflète le véritable potentiel de l'entreprise, et non simplement la façon dont elle est inscrite dans un grand livre.

Bien que l'étude fournisse une manière claire et logique de valoriser ces entreprises, les auteurs précisent avec prudence qu'il s'agit d'une démonstration d'une nouvelle méthode, et non d'une preuve finale de sa perfection. Ils ont testé le cadre sur une seule entreprise disposant d'informations très claires, ce qui facilite l'application de la méthode. Ils reconnaissent que les situations réelles peuvent être plus complexes, avec des entreprises ayant des niveaux d'intégration technologique mixtes ou des données moins claires. Les chercheurs suggèrent que la prochaine étape est de tester cette méthode sur de nombreuses entreprises différentes pour voir si elle fonctionne aussi bien en pratique qu'en théorie. Ils soulignent également que les règles de l'intelligence artificielle évoluent rapidement, et que le cadre devra s'adapter à mesure que de nouvelles lois seront adoptées. Cependant, l'idée centrale reste solide : en décomposant le parcours complexe de l'intelligence artificielle en étapes plus petites et mesurables, nous pouvons cesser de deviner et commencer à comprendre exactement ce qui génère la valeur de ces entreprises modernes.

Les implications de ce travail vont au-delà du simple calcul d'un chiffre. Cela change la conversation entre investisseurs et fondateurs. Au lieu de se disputer sur un chiffre unique et vague, ils peuvent désormais discuter des étapes spécifiques qu'une entreprise doit franchir pour réussir. Si un investisseur pense qu'une entreprise est trop risquée, il peut pointer un jalon spécifique qu'il juge peu probable d'être atteint. Si un fondateur pense que son entreprise est sous-évaluée, il peut montrer comment son plan pour atteindre la barrière suivante est plus solide qu'il n'y paraît pour l'investisseur. Cette transparence aide les deux parties à comprendre la véritable nature du risque et de l'opportunité. Cela aide également les régulateurs et les décideurs politiques à voir où se trouvent les véritables goulots d'étranglement dans l'industrie de l'intelligence artificielle. En identifiant les étapes les plus difficiles et là où la valeur est la plus créée, le cadre peut guider les décisions sur l'endroit où investir les ressources et comment soutenir la croissance de ces nouvelles technologies.

En fin de compte, cette recherche offre un moyen d'apporter de la clarté à un domaine qui a souvent été enveloppé de mystère. Depuis des décennies, évaluer une entreprise est un mélange d'art et de science, reposant sur l'expérience et l'intuition. Avec l'essor de l'intelligence artificielle, l'ancienne intuition ne suffit plus car les règles du jeu ont changé. Le nouveau cadre fournit une carte pour naviguer sur ce nouveau terrain. Il ne promet pas de prédire l'avenir avec certitude, mais il promet de rendre les incertitudes visibles. En montrant exactement où se situent les risques et ce qu'il faut pour les surmonter, il permet à tous les intervenants de prendre de meilleures décisions. Que vous soyez un investisseur à la recherche de la prochaine grande chose, un fondateur tentant de bâtir une nouvelle entreprise, ou un décideur politique cherchant à comprendre l'économie, cette approche offre un moyen de voir la structure réelle de la valeur à l'ère de l'intelligence artificielle. Elle transforme une boîte noire en une série d'étapes claires et compréhensibles, rendant l'avenir des affaires un peu moins opaque et un peu plus connaissable.