Fiche #36 - Utiliser ChatGPT ou Gemini ne suffit pas à rendre votre fonds data-driven

OBJECTIFS DE LA FICHE #36

• Clarifier la distinction entre intelligence de "prompt" (individuelle) et d'infrastructure (systémique).
• Identifier les risques d'illusion de robustesse lors des comités d'investissement (IC).
• Réintroduire la discipline opérationnelle comme condition sine qua non de la performance technologique.
• Proposer un audit d'auto-diagnostic pour mesurer la maturité réelle du fonds.

Le constat : L’illusion de la vitesse

Dans de nombreux fonds, l’usage de l’IA générative (ChatGPT, Gemini) est devenu quotidien, transformant des tâches de 4 h en session de 20 min

• La production : Analyse d'Excel, génération de mémos structurés,synthèse de business plans…
• Le résultat : Un rendu propre, un argumentaire fluide et des slides d'IC convaincantes.
• Le problème : L'IA améliore la forme, mais pas la nature de la donnéeutilisée en entrée.
• Le décalage : Les définitions de KPI (EBITDA, Churn,...) changent d’un deal à l’autre, les hypothèses ne sont pas versionnées, des donnéescritiques dispersées entre SharePoint, emails, WhatsApp, ordi perso, …

L’IA a amélioré la vitesse. Pas la cohérence. La rapidité de production a été multipliée. La comparabilité ne l’a pas été.

Prompt Intelligence vs Infrastructure Intelligence

L'avantage compétitif ne réside plus dans la capacité à analyser (devenue

une commodité), mais dans la qualité du système d'information.

• L'intelligence conversationnelle : Un analyste peut devenir excellent en prompting pour challenger un BP ou produire un mémo clair. C'est une compétence individuelle.
• L'intelligence infrastructurelle : Elle consiste à définir des conventions communes, harmoniser les métriques et garantir la reproductibilité. C'est une compétence systémique.
• Le mythe technique : L'adoption de l'IA ne signifie pas qu'un fonds a développé une culture technologique ; elle signifie souvent qu'il aadopté un outil accessible.

La question n’est plus seulement : “Pouvez-vous analyser ce deal ?”

Mais : “Pouvez-vous analyser ce deal sur une base comparable à vos 20 précédents investissements ?”

L’ambition stratégique face à l’artisanat interne

Il existe un décalage croissant entre les thèses d'investissement affichées et la réalité opérationnelle des sociétés de gestion.

• L'ambition : Se positionner sur la défense, le dual-use, lasouveraineté ou des verticales technologiques complexes.
• La réalité : Une infrastructure qui reste artisanale : tableurs nonharmonisés, absence de leadership tech, données incohérentes etdispersées, calcul de KPI non industrialisés, problème de versioning
• Le danger : L'IA peut masquer au sein de votre organisation ce décalage en donnant un vernis de sophistication à une organisation qui repose encore sur des "fichiers volants".

L’IA n’améliore pas automatiquement vos décisions. Elle amplifie votre fonctionnement actuel.

Le risque critique en Comité d’Investissement (IC)

L'IA générative peut créer un nouveau risque décisionnel majeur en modifiant la perception de la preuve.

• L'illusion de solidité : Plus la forme d'un mémo est solide et cohérente, moins le fond est challengé par les membres de l'IC.
• La réduction de la contradiction : Un raisonnement fluide peut masquer une donnée non harmonisée ou une absence de comparabilité inter-deals.
• La responsabilité : La qualité formelle renforce une confiance excessive alors que l'IA ne fait que formaliser une incohérence à la source.

Le risque n’est pas une erreur technique. Le risque est une décision prise sur une base non comparable.

Ce qu’un fonds data-driven fait différemment

Un fonds data-driven peut :

• comparer immédiatement ses participations sur une base homogène
• rejouer une analyse réalisée 24 mois plus tôt
• expliquer l’origine précise d’un KPI présenté en IC
• tracer l’évolution d’une hypothèse

Cela repose sur :

• une Golden Source structurée
• des conventions stabilisées
• un versioning des hypothèses
• une traçabilité complète

Pas sur un outil d’IA.

Conclusion

L'IA ne remplace pas l'architecte. Elle révèle votre niveau de maturité : elle accélère un système structuré ou industrialise un système fragile.

Pour devenir data-driven, la discipline doit précéder l'outil :

• Harmoniser les KPI et documenter les conventions de calcul.
• Centraliser une "Golden Source" certifiée.
• Séparer la donnée brute du narratif : le doc est une vue, pas la source