AI Washing : comment détecter une fausse startup IA...

AI Washing : comment détecter une fausse startup IA avant d'investir

Quand 40% des startups IA européennes survendaient leur technologie selon MMC Ventures, la due diligence technique n'est plus une option pour les investisseurs.

En 2023, Builder.ai s'effondrait. Valorisée 1,5 milliard de dollars, cette startup britannique promettait de générer des applications mobiles grâce à l'intelligence artificielle. En réalité, plus de 700 développeurs humains réalisaient manuellement le travail attribué à l'algorithme. Les investisseurs, parmi lesquels des fonds de premier plan, avaient injecté des centaines de millions de dollars dans ce qui s'est révélé être une opération de sous-traitance déguisée en technologie de rupture.

Ce cas n'est pas isolé. Il illustre un phénomène systémique que l'industrie du capital-risque ne peut plus ignorer : l'AI washing.

Qu'est-ce que l'AI washing ? Une définition rigoureuse

L'AI washing désigne la pratique consistant à exagérer ou à fabriquer l'utilisation de l'intelligence artificielle dans un produit ou un service, dans le but de capter l'attention des investisseurs, des clients ou des médias.

Le terme s'inscrit dans la lignée du greenwashing. La mécanique est identique : exploiter un engouement de marché pour gonfler artificiellement la valeur perçue d'une entreprise. Mais les conséquences financières sont potentiellement plus lourdes, car les multiples de valorisation appliqués aux entreprises "IA" dépassent systématiquement ceux des entreprises technologiques classiques.

L'AI washing se manifeste sous plusieurs formes :

L'IA fantôme : l'entreprise revendique un moteur d'intelligence artificielle qui n'existe tout simplement pas. Le travail est réalisé par des humains, comme dans le cas Builder.ai.
L'IA cosmétique : un modèle pré-entraîné open source (GPT, LLaMA, Mistral) est intégré via une API sans aucune valeur ajoutée propriétaire, mais présenté comme une "technologie propriétaire".
L'IA embryonnaire : un prototype de laboratoire est présenté comme un produit en production, alors que le passage à l'échelle n'a jamais été validé.
L'IA par association : l'entreprise embauche des profils PhD en machine learning pour crédibiliser son image, mais ces talents ne travaillent pas sur le produit principal.

L'ampleur du phénomène en chiffres

L'étude de référence reste celle de MMC Ventures, publiée en 2019, qui a analysé 2 830 startups européennes classifiées comme "IA" : 40% d'entre elles n'utilisaient pas l'intelligence artificielle de manière significative dans leur produit. Ce chiffre, déjà alarmant à l'époque, a été corroboré par d'autres études. TechCrunch rapportait en 2023 que la SEC américaine avait commencé à poursuivre des entreprises pour des déclarations trompeuses sur leur utilisation de l'IA, avec les cas Delphia Inc. et Global Predictions Inc. qui ont abouti à des sanctions financières.

En mars 2025, la FTC américaine a renforcé sa position en émettant des directives spécifiques sur les allégations trompeuses liées à l'IA, confirmant que la régulation rattrape progressivement ce phénomène.

Les 5 signaux d'alerte pour un investisseur

L'expérience accumulée sur les cas d'AI washing révèle des patterns récurrents. Voici les cinq signaux les plus fiables.

1. L'opacité technique volontaire

Une startup qui refuse systématiquement de détailler son architecture technique sous couvert de "secret industriel" envoie un signal préoccupant. La protection de la propriété intellectuelle est légitime, mais elle ne justifie pas l'absence totale de transparence. Un fondateur qui maîtrise réellement sa technologie peut expliquer ses choix architecturaux à haut niveau sans compromettre ses avantages compétitifs.

Signe révélateur : les présentations investisseurs sont saturées de termes à la mode ("deep learning", "neural network", "LLM propriétaire") sans aucune substance technique derrière.

2. Le ratio suspect entre équipe technique et résultats annoncés

Analysez la composition de l'équipe sur LinkedIn. Si une startup revendique un moteur IA propriétaire mais ne compte que deux développeurs junior et aucun profil spécialisé en machine learning, la promesse est incohérente. À l'inverse, une équipe pléthorique de "data scientists" sans publications, sans contributions open source et sans parcours vérifiable en recherche appliquée doit aussi interroger.

Dans le cas Builder.ai, le déséquilibre était criant : des centaines de développeurs basés en Inde réalisaient du développement classique, tandis que la communication de l'entreprise mettait en avant une poignée de profils "IA" à Londres.

3. L'absence de données propriétaires

L'intelligence artificielle est fondamentalement dépendante de données d'entraînement. Une startup IA qui ne peut pas expliquer clairement d'où viennent ses données, comment elle les collecte, les annote et les maintient, présente un risque élevé. Les modèles pré-entraînés accessibles à tous ne constituent pas un avantage concurrentiel durable.

Questions critiques à poser : quel est le volume du dataset d'entraînement ? Comment est gérée la qualité des annotations ? Quel est le pipeline de collecte de données en continu ?

4. Les métriques de performance absentes ou invérifiables

Un produit IA fonctionnel génère des métriques quantifiables : précision, rappel, F1-score, latence d'inférence, taux d'erreur en production. Si l'équipe fondatrice est incapable de fournir ces indicateurs, ou si elle se réfugie derrière des pourcentages vagues ("notre IA est précise à 95%") sans protocole d'évaluation documenté, la prudence s'impose.

Exigez des benchmarks comparatifs. Un modèle performant peut être mesuré contre des baselines connues. L'absence de comparaison est souvent un aveu de faiblesse.

5. Le produit fonctionne "trop bien" pour son stade de maturité

Paradoxalement, un produit qui semble fonctionner parfaitement dès les premières démos peut indiquer une intervention humaine dissimulée. Les systèmes d'IA authentiques ont des limites identifiables, des cas d'échec prévisibles, des comportements de bord. Un fondateur honnête connaît les faiblesses de son modèle et les décrit spontanément.

Le "Wizard of Oz prototype" est un classique de l'AI washing : la démo est impressionnante parce qu'un humain opère en coulisses, mais le passage en production autonome est impossible.

Grille de questions pour la due diligence technique

Pour les investisseurs qui souhaitent structurer leur évaluation, voici une grille de 15 questions à intégrer dans le processus de due diligence.

Architecture et modèles

Quel type de modèle utilisez-vous (supervisé, non-supervisé, reinforcement learning, génératif) et pourquoi ce choix pour votre cas d'usage ?
Quelle part du modèle est propriétaire versus basée sur des fondations open source ?
Quelle est votre stack d'entraînement (frameworks, infrastructure, coût de compute) ?
Comment gérez-vous le versioning de vos modèles et le suivi des expériences ?

Données

D'où proviennent vos données d'entraînement et disposez-vous des droits d'utilisation ?
Quel est le volume de données annotées et quel est votre processus d'annotation ?
Comment gérez-vous le data drift et la dégradation de performance en production ?
Quelle est votre stratégie de collecte de données à long terme ?

Performance et production

Quels sont vos KPIs techniques en production (latence, throughput, taux d'erreur) ?
Comment mesurez-vous la performance de votre modèle et à quelle fréquence ?
Quel est votre processus de réentraînement et de mise à jour ?
Quelle part des décisions du système est effectivement automatisée versus assistée par un humain ?

Équipe et propriété intellectuelle

Qui dans l'équipe a conçu l'architecture ML et quel est son parcours ?
Avez-vous des publications ou des brevets liés à votre technologie ?
Que se passe-t-il si vos profils ML clés quittent l'entreprise ?

Cette grille n'a pas vocation à être exhaustive, mais elle permet de détecter rapidement les incohérences. Un fondateur qui maîtrise sa technologie répondra avec aisance et précision. Un fondateur qui pratique l'AI washing sera mis en difficulté dès les premières questions techniques.

Le coût de l'AI washing pour un fonds

Les conséquences d'un investissement dans une startup qui pratique l'AI washing vont bien au-delà de la perte en capital.

Le risque financier direct

Les valorisations des startups IA intègrent un premium technologique significatif. Selon PitchBook, les startups IA levaient en 2024 avec des multiples de revenus 3 à 5 fois supérieurs à ceux des startups SaaS classiques. Quand la réalité technique rattrape la narration, la correction de valorisation est brutale. Builder.ai est passé d'une valorisation de 1,5 milliard de dollars à la liquidation judiciaire en moins de deux ans.

Le risque réputationnel

Un fonds qui investit dans une entreprise exposée pour AI washing subit un dommage de réputation durable. Les LPs perdent confiance, les deal flows se tarissent, la crédibilité du fonds dans le secteur IA est entamée. Dans un marché où la confiance est le principal actif d'un VC, ce risque est souvent sous-estimé.

Le risque réglementaire croissant

L'AI Act européen, entré en vigueur progressivement depuis 2024, impose des obligations de transparence sur les systèmes d'IA. Les entreprises qui revendiquent des capacités IA inexistantes s'exposent à des sanctions réglementaires qui retomberont indirectement sur leurs investisseurs. La SEC, la FTC et les régulateurs européens ont tous intensifié leur surveillance des allégations IA depuis 2023.

Le coût d'opportunité

Chaque euro investi dans une fausse startup IA est un euro qui n'a pas été alloué à une véritable innovation. Dans un écosystème où les meilleures opportunités se referment vite, le coût d'opportunité d'une erreur de jugement sur la composante technique est considérable.

Comment se protéger : vers un audit technologique structuré

La due diligence traditionnelle, centrée sur les aspects financiers, juridiques et de marché, est nécessaire mais insuffisante face à l'AI washing. Les investisseurs doivent intégrer une dimension technique systématique à leur processus d'évaluation.

Les limites de l'approche interne

Certains fonds tentent de gérer cette évaluation en interne, en s'appuyant sur des operating partners ou des advisors techniques. Cette approche présente deux limites : le manque de méthodologie reproductible et les biais relationnels qui peuvent altérer le jugement quand l'évaluateur est aussi partie prenante du deal.

L'audit technologique indépendant

La solution la plus robuste consiste à mandater un audit technologique indépendant avant chaque investissement significatif dans une startup revendiquant une composante IA. Cet audit doit couvrir l'architecture technique, la qualité des données, la performance des modèles, la solidité de l'équipe technique et la viabilité de la roadmap technologique.

Chez Kairia, nous avons structuré un processus d'audit IA dédié aux startups qui répond précisément à ce besoin. Notre approche combine revue de code, évaluation des pipelines de données, benchmarking des modèles et entretiens techniques approfondis avec les équipes fondatrices. L'objectif est de fournir aux investisseurs un rapport factuel et actionnable sur la réalité technique d'une startup, avant la décision d'investissement.

Les bonnes pratiques à adopter

Systématiser l'évaluation technique : intégrer un volet technique dans chaque mémo d'investissement, avec le même niveau de rigueur que l'analyse financière.
Exiger un accès au code : une startup qui refuse l'accès à son repository, même sous NDA, envoie un signal négatif. La revue de code reste le moyen le plus fiable de vérifier les allégations techniques.
Vérifier les parcours : confirmer les publications, les contributions open source, les brevets et les parcours professionnels des profils techniques clés.
Tester le produit en conditions réelles : aller au-delà de la démo scénarisée. Soumettre le système à des cas limites, des données non standard, des volumes réalistes.
Suivre les métriques post-investissement : mettre en place un reporting technique trimestriel avec des KPIs de performance modèle, pas uniquement des métriques business.

Conclusion

L'AI washing n'est pas un phénomène marginal. C'est un risque structurel du marché de l'investissement technologique, amplifié par l'engouement généralisé pour l'intelligence artificielle. Le cas Builder.ai, avec ses 1,5 milliard de dollars de valorisation construite sur une fiction technologique, devrait servir d'avertissement durable pour l'ensemble de l'écosystème VC.

Les investisseurs qui sauront distinguer l'IA réelle de l'IA marketing seront ceux qui captureront la valeur authentique de cette révolution technologique. Les autres continueront de financer des PowerPoints.

La bonne nouvelle, c'est que les outils et les méthodologies pour détecter l'AI washing existent. La grille de questions présentée dans cet article constitue un premier filtre efficace. Pour les décisions d'investissement les plus significatives, un audit technologique structuré reste le moyen le plus fiable de sécuriser un portefeuille contre ce risque.

Dans un marché où la promesse technologique conditionne les valorisations, la vérification technique n'est plus un luxe. C'est une obligation fiduciaire.