Pourquoi l’IA change la valorisation des entreprises de logiciels

Des valorisations logicielles élevées masquent un marché de l’investissement plus difficile

Les entreprises de logiciels continuent d’attirer des prix d’acquisition élevés en 2026, alors même que la croissance du secteur ralentit et que les rendements des investissements en private equity (PE) s’affaiblissent. Cette contradiction apparente reflète le type d’entreprises qui arrivent sur le marché. Les sponsors PE concentrent leurs efforts de sortie sur leurs actifs les plus solides, tandis que les entreprises plus faibles restent dans leurs portefeuilles en attendant de meilleures conditions. En conséquence, les transactions finalisées reflètent les valorisations d’un segment particulièrement attractif du marché du logiciel.

Des indicateurs financiers plus larges montrent la pression à laquelle le secteur est confronté. La croissance annuelle des revenus logiciels est passée d’environ 20 % à près de 10 %, tandis que le net revenue retention (NRR) a reculé d’environ 9 points de pourcentage depuis 2021. Le NRR mesure dans quelle mesure une entreprise conserve et développe ses revenus récurrents auprès de ses clients existants, en tenant compte de l’expansion, de la contraction et des pertes de clients. Ensemble, ces évolutions montrent que les entreprises de logiciels peinent à maintenir la croissance qui soutenait auparavant des valorisations premium.

Les rendements des investissements commencent à refléter ces conditions. Les données de SPI by StepStone, publiées en avril 2026, montrent que les buyouts technologiques réalisés après la pandémie de Covid-19 génèrent des rendements inférieurs aux moyennes d’avant Covid. Les investissements des millésimes 2020–2022 font face à des difficultés particulières, car beaucoup ont été acquis à des valorisations élevées avant que le ralentissement ne devienne évident. Ces prix d’entrée laissent moins de marge pour une croissance plus faible pendant la période de détention.

L’analyse de StepStone couvre les investissements entièrement réalisés et les opérations partiellement réalisées ayant déjà restitué au moins 25 % de leurs produits, toutes tailles de transaction confondues. De nombreux investissements conservent encore de la valeur à réaliser, de sorte que leurs rendements finaux pourraient s’améliorer. Malgré cela, une expansion plus lente des revenus rend plus difficile pour les sponsors d’atteindre les rendements générés au cours de la décennie précédente, en particulier lorsque les prix d’acquisition supposaient une croissance plus forte.

Ces pressions modifient la dynamique des transactions. L’activité transactionnelle s’est affaiblie, les périodes de détention s’allongent, et les portefeuilles technologiques vieillissants deviennent une préoccupation plus pressante pour les general partners (GPs), les sociétés qui gèrent les fonds de PE. Les entreprises solides peuvent encore obtenir des prix élevés, mais les sponsors qui détiennent des actifs moins attractifs font face à des décisions difficiles quant au moment et à la manière de sortir.

Cette fracture complique l’underwriting des acquisitions, c’est-à-dire le processus consistant à estimer la performance future d’un investissement et un prix d’achat acceptable. Les taux de croissance historiques, les marges et les schémas d’expansion client offrent moins de certitude sur ce qu’une entreprise de logiciels pourra générer lors de sa prochaine période de détention.

L’intelligence artificielle ajoute une couche supplémentaire d’incertitude. L’IA peut renforcer les produits et le potentiel de revenus d’une entreprise de logiciels, mais elle peut aussi augmenter les coûts d’exploitation, modifier le comportement d’achat des clients et exposer des produits établis à de nouveaux concurrents. Les investisseurs doivent donc comprendre comment l’IA transforme l’activité sous-jacente aux indicateurs financiers sur lesquels ils se sont traditionnellement appuyés.

L’IA modifie les fondamentaux économiques qui sous-tendent les valorisations logicielles

Pendant plus d’une décennie, l’investissement dans le software-as-a-service (SaaS) a bénéficié d’un modèle économique relativement stable. Les clients payaient des abonnements récurrents, les fournisseurs développaient ces relations au fil du temps, et le coût de service pour des utilisateurs supplémentaires était généralement faible. Ces caractéristiques faisaient de la croissance des abonnements, de la rétention et des marges des indicateurs utiles de la génération future de trésorerie.

L’expansion des revenus suivait des schémas familiers. Les clients achetaient des licences utilisateur supplémentaires à mesure que leurs effectifs augmentaient, passaient à des fonctionnalités premium ou achetaient des produits complémentaires auprès du même fournisseur. Chaque achat augmentait les revenus récurrents, souvent avec peu de coûts de livraison supplémentaires. Les entreprises SaaS performantes pouvaient ainsi faire croître leurs revenus plus vite que leurs coûts d’exploitation.

Les fournisseurs établis bénéficiaient également de leur position au sein des organisations clientes. Leurs applications prenaient en charge des workflows importants, les employés avaient l’habitude de les utiliser, et les données clients s’accumulaient dans leurs systèmes. Remplacer ces applications pouvait perturber les opérations et exiger des efforts importants, ce qui augmentait les coûts de changement et soutenait des relations commerciales de long terme.

L’IA modifie les hypothèses qui sous-tendent ces avantages. Une entreprise logicielle native de l’IA, conçue dès l’origine autour de l’intelligence artificielle, peut résoudre un problème client établi à l’aide d’un modèle technique et commercial différent. Au lieu de reproduire chaque fonction d’une application existante, elle peut automatiser le travail que les employés effectuaient auparavant via cette application.

Cela crée deux risques pour les fournisseurs SaaS établis. Les concurrents IA peuvent proposer un moyen plus efficace d’atteindre l’objectif du client, tandis que l’automatisation peut réduire le nombre de licences logicielles conventionnelles dont les clients ont besoin. Ces deux évolutions affaiblissent la relation historique entre croissance de la main-d’œuvre, usage du logiciel et expansion des abonnements.

L’IA crée aussi des opportunités de facturer différentes formes de valeur. Un produit qui exécute un travail de manière autonome peut générer des revenus fondés sur la consommation ou sur les résultats obtenus, plutôt que sur le nombre d’employés qui l’utilisent. Ces modèles peuvent rapprocher la tarification du travail effectivement fourni, même si les revenus peuvent devenir plus difficiles à prévoir lorsque l’activité des clients fluctue.

Les coûts évoluent en parallèle de la tarification. Les produits SaaS conventionnels ont souvent de faibles coûts de livraison supplémentaires après le développement, ce qui permet aux marges de s’améliorer à mesure que l’usage augmente. Les produits d’IA peuvent nécessiter des ressources de calcul substantielles chaque fois que les clients les utilisent, y compris des paiements à des fournisseurs tiers de modèles d’IA. Une adoption plus large peut donc accroître les dépenses d’exploitation en même temps que les revenus.

Un produit d’IA performant peut attirer des clients et croître rapidement tout en produisant des marges plus faibles qu’une offre d’abonnement établie. Sa performance financière dépend de ce que les clients paient par rapport aux ressources de calcul et aux autres services nécessaires pour fournir le produit.

Ces changements sont particulièrement difficiles pour les acteurs historiques dont les équipes de développement ont été construites autour d’améliorations progressives d’applications existantes. Ajouter une fonctionnalité d’IA peut être relativement simple comparé à la refonte du workflow plus large que les clients utilisent pour accomplir leur travail avec le logiciel. Pourtant, un concurrent qui automatise une plus grande partie de ce workflow pourrait modifier ce que les clients sont prêts à acheter.

Les améliorations incrémentales peuvent encore avoir de la valeur lorsqu’elles répondent à des besoins clients importants et génèrent des rendements attractifs. La décision d’investissement dépend de la capacité de ces améliorations à préserver la position concurrentielle de l’entreprise à mesure que des alternatives se développent. Dans certaines entreprises, des améliorations ciblées peuvent suffire ; dans d’autres, rester compétitif peut exiger une refonte plus fondamentale du produit.

L’investissement dans l’IA progresse plus vite que sa mesure financière

Ces évolutions produit ont encouragé les GPs et les équipes de gestion de portefeuille à engager des ressources substantielles dans le développement de l’IA. Les entreprises introduisent des fonctionnalités, construisent des produits et déploient l’IA en interne pour améliorer l’efficacité. Cette activité montre que la direction réagit au changement technologique, mais elle en dit peu sur la performance financière qui en résulte.

Prenons l’exemple d’une entreprise de logiciels qui lance plusieurs assistants IA, signale une forte adoption initiale et élargit son équipe de développement. Ces évolutions peuvent indiquer un intérêt des clients et un engagement de la direction. Les investisseurs doivent encore établir si les clients paient davantage, si la rétention s’améliore et combien cette fonctionnalité coûte à exploiter.

Les projets d’IA internes soulèvent des questions similaires. Déployer l’IA dans toute une organisation peut réduire les dépenses d’exploitation ou améliorer la productivité des employés. La direction doit relier ces déploiements à des changements opérationnels mesurables avant de considérer les bénéfices attendus comme des améliorations de la performance de l’entreprise.

L’écart entre l’activité et les résultats peut créer des désaccords de valorisation. Les vendeurs peuvent mettre en avant l’innovation, l’intérêt des clients et les opportunités de marché futures, tandis que les acheteurs doivent estimer les revenus et la rentabilité que ces investissements peuvent raisonnablement générer. Le désaccord devient particulièrement important lorsque les prix d’acquisition supposent déjà une croissance continue.

La contribution de l’IA à la performance financière devient donc une question centrale d’underwriting. Les investisseurs doivent déterminer si les nouveaux produits augmentent les dépenses des clients, protègent les revenus existants ou améliorent l’efficacité opérationnelle. Ils doivent aussi comprendre les ressources nécessaires pour maintenir ces bénéfices à mesure que l’adoption augmente.

Pourquoi les indicateurs SaaS traditionnels ont besoin de davantage de détail

Les indicateurs SaaS traditionnels restent essentiels pour évaluer les entreprises de logiciels. L’annual recurring revenue (ARR) mesure les revenus d’abonnement récurrents contractualisés, le NRR capture la rétention et l’expansion client, et la marge brute montre quelle part du revenu reste après les coûts directs de fourniture des produits ou services. Ensemble, ils aident les investisseurs à évaluer la croissance, les relations clients et l’efficacité opérationnelle.

La limite est que les chiffres agrégés peuvent regrouper des produits aux caractéristiques financières très différentes. Une entreprise peut avoir une activité d’abonnement saine aux côtés d’offres d’IA qui génèrent des revenus variables et nécessitent des ressources de calcul coûteuses. Les investisseurs ont besoin de plus de détail pour comprendre comment ces activités affectent la performance globale.

Trois évolutions rendent cette mesure supplémentaire particulièrement importante.

Les revenus dépendent de moins en moins des licences logicielles

Dans un modèle d’abonnement conventionnel, les revenus augmentent souvent lorsque les clients ajoutent des employés qui ont besoin d’accéder à une application. Le fournisseur vend des licences supplémentaires, et l’ARR capte l’augmentation correspondante des revenus récurrents contractualisés. Cela crée un lien relativement direct entre les effectifs du client et ses dépenses logicielles.

L’automatisation activée par l’IA peut affaiblir ce lien. Lorsque le logiciel exécute des tâches qui nécessitaient auparavant des employés, un client peut recevoir davantage de valeur tout en ayant besoin de moins de licences utilisateur. Le fournisseur doit alors trouver un modèle commercial qui reflète le travail effectué par sa technologie.

La tarification à l’usage offre une approche en facturant les clients selon leur consommation de fonctionnalités d’IA. La tarification fondée sur les résultats va plus loin en reliant le paiement au travail accompli ou aux résultats obtenus. Ces deux approches peuvent capter une valeur au-delà de l’expansion conventionnelle par licence, mais elles introduisent des exigences de prévision différentes.

La consommation peut fluctuer d’une période à l’autre, et les résultats obtenus peuvent varier indépendamment des effectifs. L’ARR reste utile pour évaluer les revenus d’abonnement contractualisés, tandis que des mesures supplémentaires sont nécessaires pour comprendre ces nouveaux flux de revenus.

Les coûts de livraison peuvent augmenter avec la consommation

Les changements de tarification sont importants parce que les produits d’IA peuvent avoir des structures de coûts différentes de celles des applications SaaS conventionnelles. Le coût marginal est la dépense supplémentaire engagée lorsqu’une entreprise sert un client de plus ou traite une transaction supplémentaire. Les applications SaaS établies bénéficient généralement de faibles coûts marginaux après le développement.

Les applications d’IA se comportent différemment, car chaque requête peut consommer de la capacité de calcul ou générer une facturation de la part d’un fournisseur externe de modèles. Une activité client plus importante peut donc produire des dépenses supplémentaires même après la création du produit.

Cela affecte la marge brute, qui mesure le revenu restant après les coûts directs de livraison. Une fonctionnalité d’IA intégrée à un abonnement existant peut augmenter les dépenses sans générer de revenu correspondant. Un produit tarifé séparément peut couvrir ces coûts, mais la rentabilité dépend de la consommation, de la tarification et des ressources requises pour chaque interaction.

Les investisseurs doivent donc comprendre comment les marges évoluent à mesure que l’adoption s’étend. Un produit d’IA qui semble rentable avec un usage limité peut se comporter différemment lorsque les clients en dépendent tout au long de leurs opérations quotidiennes. L’évaluation financière doit relier l’activité client à la fois au revenu et au coût de livraison.

L’automatisation modifie la valeur concurrentielle des fonctionnalités logicielles

Les changements de revenus et de coûts deviennent plus importants lorsque l’IA affecte aussi ce dont les clients ont besoin de la part d’applications établies. Les acteurs historiques conservent des avantages grâce aux relations clients, à l’intégration dans les workflows, aux données accumulées et à la familiarité des employés. Ces avantages peuvent rendre le remplacement difficile et soutenir une demande continue.

Pourtant, des concurrents natifs de l’IA peuvent remettre en cause des fonctionnalités que les clients s’appuyaient auparavant sur des logiciels établis pour obtenir. Le niveau d’exposition dépend du travail concerné et de la durabilité des avantages de l’acteur historique. Une distinction utile consiste à savoir si un produit d’IA assiste les employés ou exécute des portions plus larges de leur travail.

Un copilot aide un employé dans des tâches individuelles. Il peut générer du contenu, analyser des informations ou préparer une recommandation, tandis que l’employé reste responsable de l’exécution du processus plus large. Ce type de produit peut accroître la valeur d’une application existante et soutenir une tarification d’abonnement premium.

Un système agentique utilise des agents IA pour effectuer une séquence de tâches et exécuter des portions plus larges d’un workflow avec une plus grande autonomie. Selon l’application, il peut accomplir un processus entier qui nécessitait auparavant plusieurs interactions humaines avec un logiciel. Cette responsabilité plus large peut soutenir une tarification fondée sur le travail accompli tout en réduisant potentiellement la demande pour des applications conventionnelles.

Les deux modèles soulèvent des questions financières différentes. Les Copilots peuvent accroître les dépenses au sein des abonnements existants, tandis que les produits agentiques peuvent générer de nouveaux flux de revenus et modifier la manière dont les clients achètent des logiciels. Les deux peuvent nécessiter des ressources de calcul substantielles, de sorte que l’adoption et la disposition à payer doivent être évaluées en parallèle des coûts de livraison.

Aucune des deux approches ne produit automatiquement des rendements supérieurs. Un assistant rentable peut avoir plus de valeur qu’un produit agentique à adoption rapide et à exécution coûteuse. Les investisseurs doivent évaluer ce que chaque produit génère, ce qu’il coûte et comment sa croissance affecte l’activité établie.

Ces différences peuvent disparaître dans les indicateurs logiciels agrégés. Une forte rétention des abonnements peut coexister avec un développement d’IA coûteux, tandis que la croissance d’un nouveau produit d’IA peut remplacer en partie les revenus d’offres existantes. Séparer ces activités donne aux investisseurs une vision plus claire des produits qui renforcent réellement l’entreprise.

Mesurer la valeur de l’IA exige de séparer revenus, coûts et scalabilité

Les limites du reporting agrégé conduisent à trois questions financières :

1. L’IA génère-t-elle des revenus incrémentaux ?
2. Comment l’IA modifie-t-elle la structure de coûts de l’entreprise ?
3. Les produits d’IA peuvent-ils croître sans consommer une part disproportionnée des revenus supplémentaires ?

Répondre à ces questions exige que la direction identifie séparément les revenus et les dépenses liés à l’IA par rapport aux opérations logicielles établies. Les investisseurs peuvent alors examiner les produits individuellement, évaluer leur contribution à l’activité globale et comparer leur performance à mesure que l’adoption augmente.

Cette distinction améliore aussi l’allocation du capital. La direction peut identifier les initiatives qui génèrent de nouvelles dépenses clients, les produits qui soutiennent principalement les relations existantes, et les activités qui consomment des ressources sans rendement commercial suffisant. Ces informations aident à déterminer quels investissements méritent un développement supplémentaire.

Trois catégories de revenus IA nécessitent une mesure distincte

Les revenus liés à l’IA doivent être divisés en trois catégories, car les produits répondent à des besoins clients différents et peuvent produire des résultats financiers différents.

L’IA traditionnelle et le machine learning incluent des capacités que de nombreuses entreprises de logiciels proposent depuis des années. Les modèles prédictifs utilisent des données historiques pour estimer des résultats futurs, tandis que les systèmes de scoring du risque évaluent la probabilité ou la gravité d’événements particuliers. Ces fonctions peuvent déjà être intégrées dans des produits établis et reflétées dans leurs flux de revenus existants.

Leur position commerciale peut différer sensiblement de celle des offres d’IA générative récemment lancées. Les capacités établies de machine learning peuvent apporter une valeur client significative et soutenir la rétention, en particulier lorsqu’elles reposent sur des données clients propriétaires. Leur croissance, leurs marges et leur exposition concurrentielle doivent donc être évaluées indépendamment.

Séparer ces capacités clarifie aussi la performance des investissements plus récents. Une entreprise qui signale une croissance de ses revenus totaux liés à l’IA peut bénéficier de produits développés des années plus tôt. Identifier les revenus issus de fonctionnalités établies permet aux investisseurs d’évaluer les initiatives de développement récentes pour ce qu’elles valent réellement.

La distinction compte aussi pour la concurrence. Un modèle prédictif établi, soutenu par des données clients propriétaires, peut faire face à des risques différents de ceux d’un assistant récemment introduit qui repose fortement sur des modèles d’IA largement disponibles. Chacun nécessite une évaluation de sa valeur client et de sa défendabilité.

Les modules complémentaires d’IA couvrent les fonctionnalités introduites dans des produits logiciels existants, y compris les copilots et les fonctionnalités d’assistant. Ces offres aident généralement les clients à accomplir des tâches au sein d’applications établies. Leur objectif commercial peut être de soutenir une tarification premium, d’encourager une adoption plus large du produit ou de renforcer les relations clients.

Par exemple, un fournisseur de logiciels peut introduire un assistant qui aide les employés à analyser des informations ou à préparer un travail qui nécessitait auparavant davantage d’efforts manuels. Les clients peuvent juger cette fonctionnalité utile, mais les revenus supplémentaires dépendent du fait que cette utilité conduise ou non à de nouvelles dépenses. L’adoption et la monétisation doivent donc être mesurées séparément.

Un assistant inclus dans un abonnement existant peut attirer un usage important tout en générant peu de revenus directs. Il peut néanmoins améliorer la rétention ou renforcer la position concurrentielle du fournisseur, ce qui peut justifier l’investissement. La direction doit identifier ces bénéfices et les comparer au coût de fourniture de la fonctionnalité.

La tarification devient particulièrement importante lorsque le fournisseur facture un supplément fixe alors que les coûts de calcul varient selon l’usage. Les clients qui utilisent intensivement l’assistant peuvent générer des marges sensiblement différentes de celles des clients qui l’utilisent occasionnellement. Les investisseurs doivent examiner ensemble l’adoption payante, les revenus incrémentaux, la consommation client et les dépenses de livraison associées.

Les produits agentiques représentent la troisième catégorie. Ces systèmes automatisent des workflows ou exécutent des tâches avec une intervention humaine limitée, permettant aux fournisseurs de couvrir une plus grande partie de l’objectif du client. Un produit peut coordonner plusieurs étapes pour fournir un résultat finalisé.

Cette portée plus large crée des opportunités pour de nouveaux modèles commerciaux. Les fournisseurs peuvent facturer en fonction du volume de travail accompli ou des résultats livrés, créant des revenus qui peuvent croître indépendamment des effectifs. Le modèle introduit aussi une complexité opérationnelle, car une exécution réussie peut nécessiter de multiples actions d’IA et des ressources de calcul substantielles.

La performance financière dépend de ce que les clients paient, de la fiabilité du système et des ressources consommées par chaque workflow. Les investisseurs doivent aussi se demander si les produits agentiques génèrent une demande supplémentaire ou remplacent des dépenses sur des applications établies.

Pour un acteur historique, cela soulève une question de cannibalisation des revenus. Les clients peuvent transférer leurs dépenses des abonnements conventionnels vers la nouvelle offre agentique, donnant l’impression que la croissance du produit d’IA est plus forte que l’expansion globale de l’entreprise. À l’inverse, l’automatisation peut attirer de nouvelles dépenses que le fournisseur ne pouvait pas capter auparavant.

Les deux résultats peuvent être commercialement rationnels, mais ils impliquent des hypothèses différentes en matière de croissance et de valorisation. La direction doit mesurer l’effet sur le revenu total et la rentabilité, y compris les changements apportés au portefeuille de produits établi.

Une fois ces catégories séparées, les investisseurs peuvent comparer la croissance des revenus, les marges, l’adoption et l’exposition concurrentielle au sein de chaque groupe. Un produit agentique en forte croissance peut justifier un investissement important, tandis qu’un module complémentaire d’IA rentable ou une capacité établie de machine learning peut offrir un rendement plus prévisible. La décision doit refléter la performance financière et la durabilité de chaque produit.

Les coûts spécifiques à l’IA doivent être reliés aux revenus de l’IA

Séparer les revenus est le point de départ, mais ce sont les coûts qui déterminent la valeur créée par les produits. Les dépenses liées à l’IA peuvent être réparties entre les budgets d’infrastructure, les contrats de services tiers et la rémunération des employés. Sans méthode d’allocation cohérente, la direction peut sous-estimer les coûts des produits ou les imputer à l’activité logicielle établie.

L’évaluation doit couvrir quatre catégories.

Ces coûts doivent être affectés aux produits qui consomment les ressources. La direction doit aussi distinguer l’investissement de développement de la dépense récurrente liée à la fourniture de la fonctionnalité aux clients. Cette distinction est importante, car ces activités affectent différemment la performance financière.

Les dépenses de développement couvrent les ressources nécessaires pour créer et améliorer les fonctionnalités d’IA. Elles incluent la recherche et développement (R&D) liée à l’IA, ainsi que les coûts complets des employés qui effectuent ce travail. Les coûts complets des employés incluent la rémunération et les charges associées, donnant à la direction une mesure plus complète de l’investissement de développement.

Le calcul doit couvrir les employés entièrement dédiés aux initiatives d’IA ainsi que ceux qui partagent leur temps entre l’IA et d’autres responsabilités. Lorsqu’un employé travaille en partie sur le développement de l’IA, une part appropriée de son coût doit être affectée à l’initiative concernée. Sinon, les entreprises risquent de sous-estimer l’investissement lorsque le développement est réparti entre des équipes existantes.

Une allocation précise est importante parce que la capacité d’ingénierie a des usages alternatifs. Les ressources affectées aux initiatives d’IA ne peuvent pas simultanément soutenir chaque amélioration prévue pour les produits établis. La direction doit comprendre ces arbitrages avant d’élargir, de réorienter ou d’interrompre les travaux de développement.

Les coûts d’inférence mesurent la dépense liée à l’exécution de modèles d’IA entraînés pour produire des résultats. L’inférence se produit lorsqu’un modèle traite une entrée et génère une sortie, comme une réponse à une requête ou une action dans un workflow automatisé. Chaque interaction peut consommer des ressources de calcul et potentiellement générer des frais de la part d’un fournisseur externe de modèles.

Ces dépenses peuvent devenir significatives lorsque l’usage est élevé ou imprévisible. À mesure que les clients adoptent plus largement les fonctionnalités d’IA, le système exécute davantage de travail et peut nécessiter une capacité de calcul plus importante. Ces coûts persistent une fois le développement initial du produit terminé.

Les dépenses d’hébergement et d’infrastructure doivent aussi être attribuées aux produits d’IA qui utilisent ces ressources. Sans cette allocation, les coûts de livraison peuvent rester mélangés à ceux des produits logiciels établis. Cela rend la rentabilité des deux activités plus difficile à interpréter.

Les dépenses liées aux modèles tiers exigent une attention similaire. Une entreprise qui s’appuie sur des modèles fournis par des tiers peut faire face à des frais qui varient selon la consommation client. Comprendre ces coûts aide la direction à évaluer la tarification, la conception produit et les effets financiers d’un usage accru.

Ensemble, ces allocations établissent quelle part du revenu produit reste après les dépenses directes de livraison. Elles révèlent aussi l’investissement de développement supplémentaire nécessaire pour maintenir et améliorer l’offre.

La distinction devient particulièrement utile lorsqu’on compare des produits à différents stades. Un produit d’IA récemment lancé peut nécessiter des dépenses de développement initiales substantielles alors que les revenus clients restent limités. Une offre mature peut nécessiter moins d’investissement de développement supplémentaire tout en continuant à générer des dépenses d’inférence importantes.

Ces situations appellent des décisions opérationnelles différentes. La direction doit déterminer quels coûts proviennent de la création du produit et lesquels continueront à exister à mesure que les clients l’utilisent. Les investisseurs peuvent alors évaluer la rentabilité actuelle en parallèle de l’investissement requis pour la croissance future.

La scalabilité dépend de la croissance des revenus par rapport à la consommation

Une fois les revenus et les dépenses visibles, les investisseurs peuvent évaluer la scalabilité : la capacité d’un produit à croître tout en maintenant ou en améliorant sa performance financière. L’adoption par les clients fournit une première indication de la demande, mais c’est la relation entre usage et coût qui détermine la rentabilité de cette demande.

Prenons l’exemple d’un assistant IA vendu comme fonctionnalité premium. Si les clients paient un forfait mensuel fixe, les revenus peuvent rester stables même lorsque l’usage augmente fortement. Les dépenses d’inférence, en revanche, peuvent continuer à croître avec la consommation, entraînant une détérioration de la marge brute à mesure que l’assistant gagne en popularité.

Un produit agentique tarifé en fonction du travail accompli présente une situation différente. Les revenus peuvent augmenter avec le nombre de workflows exécutés, créant un lien plus étroit entre consommation et paiement. Le fournisseur doit néanmoins s’assurer que le coût d’exécution de chaque workflow laisse une marge attractive.

Dans les deux cas, la direction doit examiner ensemble les revenus et les dépenses de livraison. L’évaluation doit répondre à plusieurs questions :

• L’usage supplémentaire de l’IA génère-t-il une croissance correspondante des revenus ?
• Les revenus augmentent-ils plus vite que le coût de service aux clients ?
• Les marges brutes s’améliorent-elles ou se détériorent-elles à mesure que la consommation augmente ?
• L’adoption par les clients crée-t-elle de nouvelles dépenses ou remplace-t-elle des revenus logiciels existants ?
• Quel niveau d’investissement de développement continu est nécessaire pour maintenir et améliorer le produit ?
• L’entreprise peut-elle démontrer une contribution positive à sa performance financière globale ?

Les réponses doivent être élaborées séparément pour les offres d’IA matériellement différentes. La croissance agrégée des revenus peut masquer une économie produit défavorable, en particulier lorsque les coûts d’exécution augmentent aussi vite que les ventes. Une mesure au niveau du produit montre si la demande supplémentaire améliore réellement la rentabilité.

Par exemple, une entreprise peut signaler une forte expansion de ses produits agentiques alors que les marges se détériorent parce que chaque workflow exécuté nécessite des ressources de calcul coûteuses. La direction devrait alors examiner la tarification, la consommation des modèles et la conception produit afin d’améliorer la relation entre revenu et coût de livraison.

Un produit en phase initiale peut montrer le schéma inverse. Les dépenses de développement peuvent d’abord dépasser les revenus clients parce que l’entreprise construit la fonctionnalité avant que l’adoption ne devienne généralisée. Les investisseurs doivent évaluer si la croissance ultérieure des revenus et les coûts de livraison soutiennent une activité attractive à mesure que le produit mûrit.

Ces schémas expliquent pourquoi une seule attente de marge peut être inadaptée à chaque catégorie d’IA. La maturité du produit, la structure tarifaire et l’usage client influencent tous les résultats financiers. Les comparaisons deviennent plus pertinentes lorsque ces facteurs sont visibles.

Le même principe s’applique lorsque l’IA remplace des revenus logiciels existants. Supposons que les clients déplacent leurs dépenses des abonnements conventionnels vers une nouvelle offre d’IA. La direction peut signaler une croissance impressionnante de l’IA alors même qu’une partie de ce revenu a simplement changé de catégorie de produit.

L’entreprise peut malgré tout en bénéficier si la nouvelle offre améliore la rétention, renforce sa position concurrentielle ou offre de meilleures marges. Établir ce bénéfice exige de mesurer l’effet sur le revenu total et la rentabilité.

Le revenu incrémental est donc une mesure critique. Les investisseurs doivent distinguer les dépenses clients réellement nouvelles des revenus transférés entre produits. Associer cette information aux coûts de livraison révèle si ce déplacement améliore la performance financière globale de l’entreprise.

Une meilleure mesure transforme l’allocation du capital

Le reporting au niveau du produit devient le plus précieux lorsque la direction l’utilise pour prendre des décisions d’investissement. L’enthousiasme des clients, les lancements de produits et les attentes concernant la demande future en IA peuvent identifier des opportunités, mais ils constituent une base incomplète pour allouer le capital.

Les données de revenus, de coûts et d’adoption permettent à la direction de comparer les initiatives selon leurs résultats financiers. Un assistant IA fortement utilisé mais peu monétisé peut nécessiter un changement de tarification. Un produit d’automatisation de workflow avec une croissance des ventes attractive mais des dépenses d’inférence élevées peut nécessiter une approche de livraison ou un modèle commercial différent.

Un produit établi de machine learning avec une demande durable et des marges attractives peut aussi justifier un investissement continu, même si les technologies plus récentes attirent davantage l’attention. Ces comparaisons aident la direction à orienter les ressources vers les produits ayant des perspectives crédibles d’amélioration de l’entreprise.

Ces informations soutiennent aussi les décisions sur l’ampleur de la transformation des produits existants. Une entreprise qui envisage une refonte majeure de workflow doit évaluer la demande client attendue, les besoins de développement, les dépenses de livraison et l’effet possible sur les revenus d’abonnement conventionnels.

Cette évaluation peut justifier une transformation produit plus large. Dans d’autres circonstances, des améliorations ciblées d’une offre établie peuvent constituer un meilleur usage des ressources. Le choix dépend du rendement financier attendu et de la position concurrentielle que chaque approche peut soutenir.

Une fois qu’une direction est choisie, la mesure continue aide à déterminer s’il faut étendre le produit, modifier son modèle commercial ou réaffecter la capacité d’ingénierie. Suivre la manière dont les revenus et les dépenses réagissent à l’adoption améliore aussi les prévisions de marges et de génération de trésorerie.

Pour les GPs, ces mesures offrent une base plus utile pour suivre les entreprises en portefeuille et évaluer des investissements supplémentaires. Elles établissent aussi un historique financier que les acheteurs potentiels peuvent examiner lors d’un processus de sortie.

Cet historique est important parce que les acheteurs doivent distinguer les bénéfices déjà générés par l’IA des opportunités futures qui exigent encore une exécution. Un reporting cohérent aide la direction à expliquer où la valeur a été créée et quel investissement supplémentaire peut être nécessaire.

L’adoption produit, la concurrence, le comportement client et les coûts technologiques peuvent encore évoluer de manière inattendue. Une meilleure mesure permet aux investisseurs d’identifier quelles initiatives d’IA produisent des résultats commerciaux et où le business case dépend de performances futures.

Les preuves liées à l’IA doivent orienter les acquisitions, la détention et les sorties

Le reporting financier spécifique à l’IA affecte l’ensemble du processus d’investissement en PE. Les mêmes informations sous-jacentes peuvent influencer les entreprises que les investisseurs acquièrent, la manière dont ils les développent pendant la période de détention, et la façon dont ils soutiennent les valorisations lors de la préparation d’une sortie.

Les décisions diffèrent à chaque étape. La due diligence d’acquisition se concentre sur les risques et opportunités futurs, la détention exige des choix sur les produits et les ressources, et la préparation de la sortie doit démontrer les résultats obtenus. Maintenir une mesure cohérente à travers ces étapes permet aux investisseurs de relier les hypothèses initiales à la performance ultérieure.

Acquisition : évaluer l’exposition à l’IA et la performance financière

La due diligence d’acquisition exige de plus en plus que les investisseurs comprennent les workflows clients pris en charge par le logiciel de la cible. Le point de départ est ce que les clients cherchent à accomplir et la manière dont le produit les aide à réaliser ce travail. Les investisseurs peuvent alors évaluer quelles activités l’IA pourrait améliorer, automatiser ou éliminer.

Cette analyse des workflows aide à distinguer les sources d’avantage concurrentiel. Un avantage produit peut dépendre d’une fonctionnalité spécifique, tandis qu’un avantage de workflow provient de l’intégration dans les processus opérationnels du client. Un avantage lié aux données dépend d’informations qui aident le fournisseur à produire des résultats de valeur.

Chaque avantage peut faire face à un niveau d’exposition différent à la concurrence de l’IA. Une fonctionnalité qu’un concurrent natif de l’IA peut facilement reproduire peut offrir moins de protection que des processus profondément intégrés ou des données propriétaires de valeur. Les investisseurs doivent comprendre sur quels avantages les clients s’appuient et à quel point ils seraient difficiles à remplacer.

L’évaluation doit examiner si des fournisseurs natifs de l’IA pourraient reproduire des fonctionnalités importantes, si les clients auraient encore besoin de l’application de l’acteur historique, et comment l’intégration existante dans les workflows ou les données clients pourraient protéger sa position.

La due diligence doit aussi examiner le déploiement de l’IA par la cible elle-même. En interne, les investisseurs doivent déterminer si la direction utilise l’IA pour améliorer l’efficacité opérationnelle et si ces initiatives ont généré des bénéfices mesurables. Côté produit, ils doivent évaluer l’adoption de l’IA, les revenus associés, les coûts de livraison et les effets sur les abonnements existants.

Ces investigations modifient l’angle des discussions avec la direction. La question de départ traditionnelle est « ont-ils une stratégie IA ? » La question la plus déterminante est « peuvent-ils me montrer des preuves concrètes ? »

Une stratégie crédible explique ce que la direction entend accomplir. Les résultats financiers et opérationnels montrent jusqu’où l’entreprise a progressé et aident les investisseurs à estimer le risque d’exécution restant. Ces résultats doivent éclairer les hypothèses de croissance, les prévisions de marge et le prix d’achat qu’un investisseur est prêt à payer.

Détention : repenser les workflows lorsque l’économie le justifie

Une fois l’acquisition réalisée, l’IA crée des opportunités pour améliorer les opérations internes et modifier ce que les entreprises en portefeuille livrent à leurs clients. Le déploiement interne peut soutenir des initiatives d’efficacité, tandis que la transformation produit exige que la direction reconsidère la manière dont les clients atteignent leurs objectifs plus larges.

Les entreprises SaaS établies sont souvent organisées autour de l’amélioration d’applications existantes. Les équipes de développement ajoutent des fonctionnalités, affinent les interfaces et introduisent des offres premium tout en maintenant l’activité cœur. Cette approche peut produire des améliorations utiles, mais elle peut être insuffisante lorsque l’IA peut exécuter une plus grande partie du workflow du client.

Une refonte plus large commence par le résultat recherché par le client. La direction doit examiner le processus complet nécessaire pour l’atteindre, identifier quelles étapes sont prises en charge par les employés et les logiciels existants, et déterminer où l’IA pourrait assumer une responsabilité plus grande.

La différence entre assistance et automatisation est importante ici. Un copilot peut aider un employé à accomplir plus rapidement des tâches individuelles, tandis qu’un système agentique peut exécuter une séquence de tâches et fournir un résultat final avec moins d’intervention humaine.

Les effets opérationnels peuvent être substantiels. Certaines applications peuvent permettre aux employés de réorienter leur temps vers un travail plus productif. Dans d’autres cas, l’automatisation peut réduire le besoin de certains rôles.

Pour le fournisseur de logiciels, l’opportunité d’investissement dépend du fait que les clients valorisent suffisamment ces changements pour payer pour eux. Le produit doit aussi fournir le travail promis de manière fiable et à un coût qui soutient une marge attractive.

La direction doit ensuite décider jusqu’où modifier le produit existant. Certaines entreprises peuvent bénéficier de capacités d’IA ciblées ajoutées à des logiciels établis. D’autres peuvent devoir reconsidérer les hypothèses initiales de leur produit et développer des offres organisées autour de workflows complets.

Une refonte majeure peut exiger une nouvelle expertise technique, des pratiques de développement différentes et des changements organisationnels permettant aux équipes d’exécuter rapidement. Ces exigences sont particulièrement difficiles pour les acteurs historiques qui doivent continuer à soutenir les produits établis et les engagements clients.

La capacité de développement est limitée, de sorte que poursuivre une transformation crée des arbitrages avec les améliorations de l’activité existante. La direction doit comparer l’opportunité de revenus attendue avec l’investissement de développement, les coûts de livraison, les risques d’exécution et les conséquences concurrentielles.

La mesure financière doit guider cette décision. Les données de revenus, de coûts et d’adoption au niveau du produit peuvent montrer où l’IA gagne du terrain et si les résultats justifient des ressources supplémentaires. Une fois une direction choisie, la direction doit construire les capacités nécessaires et faire monter l’offre à l’échelle.

La mesure continue détermine ensuite comment la roadmap évolue. Une forte demande client et des marges en amélioration peuvent justifier une expansion, tandis qu’une monétisation faible ou des dépenses de livraison en hausse peuvent justifier un changement de cap. Cela relie la stratégie produit aux résultats financiers obtenus pendant la période de détention.

Sortie : démontrer la valeur avant d’entrer dans le processus de vente

La préparation de la sortie fait entrer directement la mesure de l’IA dans les discussions de valorisation. Les vendeurs de logiciels peuvent avoir investi massivement dans le développement de l’IA et attendre des acheteurs qu’ils reconnaissent la valeur future de ces efforts. Les acheteurs doivent évaluer quelle part de cette valeur attendue est déjà visible dans la performance financière et quelle part dépend encore d’une exécution future.

Cette différence d’attentes contribue aux désaccords de valorisation entre acheteurs et vendeurs. Le désaccord devient plus difficile à résoudre lorsque la direction dispose d’un historique étendu d’activité de développement IA mais de peu d’informations reliant ce travail aux revenus et à la rentabilité.

Une entreprise en portefeuille qui commence tôt à mesurer l’économie de l’IA pendant la période de détention est mieux placée pour traiter ce sujet. La direction peut démontrer les revenus incrémentaux liés à l’IA, identifier les changements dans les coûts d’exploitation et expliquer comment les marges évoluent à mesure que l’usage client augmente. Elle peut aussi montrer comment les résultats financiers ont influencé le développement produit et l’allocation des ressources.

Cet historique opérationnel donne aux acheteurs potentiels une base plus claire pour évaluer la durabilité de l’entreprise. Ils peuvent examiner si l’adoption par les clients s’est traduite par une croissance des revenus, combien coûte la fourniture de chaque produit, et quels avantages concurrentiels peuvent protéger les bénéfices futurs.

Les mêmes preuves aident les acheteurs à identifier les risques restants. Les bénéfices établis peuvent être évalués séparément des opportunités de croissance qui exigent un investissement de développement substantiel ou dépendent d’une adoption client incertaine.

Une mesure plus solide peut soutenir une discussion de valorisation plus crédible, même si elle ne peut pas garantir un multiple de transaction plus élevé. Les acheteurs continueront à évaluer les menaces concurrentielles, le comportement client, les dépenses technologiques et l’investissement requis pour soutenir la croissance.

Pour les sponsors, la préparation de la sortie commence donc pendant la période de détention. Le reporting financier doit établir un historique cohérent des revenus, coûts, adoption et rentabilité liés à l’IA à mesure que les produits se développent.

Cet historique devient particulièrement important lorsqu’une entreprise en portefeuille passe de la vente d’un accès logiciel conventionnel à la fourniture d’un travail automatisé. Ses indicateurs historiques d’abonnement peuvent décrire avec précision l’activité établie, tandis que les résultats IA au niveau du produit montrent comment le potentiel futur de bénéfices de l’entreprise se développe.

Au moment où le processus de vente commence, la direction doit être capable de relier ses décisions produit à des résultats financiers observés. Les acheteurs peuvent alors underwriter l’activité établie et ses opportunités liées à l’IA à partir de preuves accumulées tout au long de la période de détention.

En conclusion

L’investissement logiciel entre dans une période où la croissance et la rentabilité historiques deviennent des indicateurs moins fiables de la performance future. Le ralentissement de l’expansion des revenus, la pression sur les rendements du private equity et l’émergence de concurrents natifs de l’IA modifient la manière dont les investisseurs évaluent les entreprises de logiciels. Des valorisations élevées restent possibles, mais leur maintien dépend de plus en plus de la démonstration d’avantages concurrentiels durables et d’une croissance crédible des bénéfices.

L’IA apporte à la fois des opportunités et de la complexité. Elle peut créer de nouveaux flux de revenus, améliorer l’efficacité opérationnelle et élargir le travail que le logiciel accomplit pour les clients. Elle peut aussi augmenter les coûts de livraison, affaiblir les modèles d’abonnement traditionnels et exposer les produits établis à une nouvelle concurrence. Comprendre ces effets exige plus que le suivi des lancements de produits, de l’adoption client ou des indicateurs SaaS agrégés.

Pour les dirigeants et les responsables de l’investissement, la priorité est de relier la stratégie IA à des résultats financiers mesurables. Séparer les revenus liés à l’IA, les dépenses de développement et les coûts récurrents de livraison donne une vision plus claire des initiatives qui créent de la valeur. Cela aide aussi la direction à déterminer où investir, quels produits repenser et comment équilibrer l’innovation avec la rentabilité de l’activité établie.

Ces décisions façonneront l’underwriting des acquisitions, la performance du portefeuille et les valorisations de sortie. Les entreprises qui mettent en place un reporting financier cohérent sur l’IA pendant la période de détention seront mieux équipées pour allouer le capital, démontrer les progrès et étayer leur thèse d’investissement lors de l’entrée dans un processus de vente.

À mesure que l’IA transforme la manière dont les logiciels sont développés, fournis et achetés, la question centrale de l’investissement se déplace : il ne s’agit plus seulement de savoir à quelle vitesse une entreprise peut croître, mais de savoir si son modèle économique peut soutenir une croissance rentable. Les dirigeants capables de répondre à cette question avec des preuves financières disposeront d’une base plus solide pour prendre des décisions d’investissement et défendre les valorisations dans un marché du logiciel en mutation.