Le « value investing » face à l’IA

L’intelligence artificielle est désormais considérée comme un outil polyvalent qui permet de renforcer la prise de décision, l’automatisation et le traitement de l’information dans l’ensemble des secteurs de l’économie. Utilisée aussi bien par des services publics que par des multinationales, dans des secteurs aussi variés que la recherche scientifique, la santé, la défense et des plateformes grand public, elle s’intègre directement aux processus opérationnels au lieu de fonctionner de manière autonome.

Ce point ne fait pas débat. En revanche, les avis sont beaucoup plus partagés concernant les moyens qui permettront de traduire cette avancée technologique en valeur économique, en avantage concurrentiel et en rendements à long terme. À mesure que l’IA est passée rapidement de la phase expérimentale à celle du déploiement, nous estimons que le principal défi pour les investisseurs consiste à déterminer dans quels secteurs elle créera durablement de la valeur, et d’identifier les domaines dans lesquels les discours de marché progresseront plus vite que les fondamentaux.

Rares sont les technologies qui ont attiré des capitaux à une échelle et à une vitesse comparables à celles de l’IA. Les fournisseurs de Cloud hyperscale - à savoir Microsoft, Alphabet, Amazon, Meta et Oracle — ont collectivement engagé plus de 1 000 milliards de dollars (USD) dans les centres de données, les infrastructures réseau et les semi-conducteurs au cours des trois dernières années.¹ Les dépenses en capital annuelles des plus grands acteurs atteignent désormais des niveaux auparavant associés uniquement aux majors pétrolières ou aux programmes nationaux d’infrastructures.

De toute évidence, l’IA affiche des caractéristiques d’amélioration non linéaires. Les performances des modèles peuvent s’améliorer grâce à l’échelle, aux boucles de rétroaction issues des données et aux architectures auto-apprenantes, tandis que la demande peut croître au fur et à mesure de la baisse des coûts et de l’amélioration des capacités. Nous constatons des gains de fonctionnalité rapides et massifs. Parallèlement à la croissance exponentielle de la consommation de tokens IA et de la demande globale en puissance de calcul, le coût unitaire du calcul diminue. Les progrès ne sont plus régis par les gains prévisibles des composants comme le théorisait la loi de Moore, mais par des effets d’échelle, de données et de logiciels qui permettent aux capacités de progresser à un rythme bien plus rapide.²

Bien que les courbes d’adoption de l’IA puissent varier selon les secteurs, nous pensons que cette technologie s’intégrera de manière universelle aux flux de travail numériques, à l’instar d’Internet, qui est passé de produit autonome à infrastructure invisible en l’espace de deux décennies.

L’IA n’aura pas les mêmes répercussions sur toutes les entreprises. L’impact économique et financier sera inégal, en imposant des gagnants évidents, des perdants structurels et un vaste groupe situé entre les deux.

Les principaux bénéficiaires peuvent être classés en deux groupes distincts. Dans le premier groupe, on retrouve des fournisseurs d’infrastructures et d’équipements liés à l’IA, des entreprises qui conçoivent, détiennent ou contrôlent des droits de propriété intellectuelle et des infrastructures critiques liés à l’IA, qu’il s’agisse de fabricants de semi-conducteurs de pointe, de plateformes Cloud, de développeurs de modèles fondamentaux, de spécialistes des infrastructures réseau ou de fournisseurs d’infrastructures de centres de données.

La pertinence technologique, à elle seule, ne garantit toutefois pas des rendements attractifs. Ce sont généralement l’intensité capitalistique, la dynamique concurrentielle et le pouvoir de fixation des prix qui déterminent les résultats économiques. Sur de nombreux marchés technologiques, les rendements peuvent être fortement concentrés selon un modèle « winner-takes-most » (le gagnant rafle la majeure partie des gains), mais l’identité du gagnant n’est pas toujours évidente. C’est pourquoi la solidité du bilan, la capacité de réinvestissement et l’effet de verrouillage de l’écosystème sont déterminants dans l’analyse des flux de trésorerie de long terme.

Dans le deuxième groupe figurent les adoptants pragmatiques de l’IA : des entreprises qui déploient l’IA pour améliorer leurs rendements du capital plutôt que pour créer des produits phares. Ses applications vont de l’accélération de la croissance du chiffre d’affaires et l’amélioration de la tarification à la personnalisation des offres, l’optimisation des chaînes d’approvisionnement et la réduction structurelle des coûts. Dans chaque cas, l’IA agit comme un levier de marge et de productivité plutôt que comme un produit en soi.

Parmi ses utilisateurs les plus performants, un grand nombre ne correspondent pas à la définition d’« entreprises IA ». Nous pensons que les adoptants les plus attractifs sont souvent ceux qui disposent de données exclusives, de boucles de décision à haute fréquence et qui ont la capacité d’intégrer l’IA dans des flux de travail que les clients hésitent à remplacer intégralement.

Les perdants sont également polarisés en deux groupes. Le premier groupe est composé des sous-adoptants - des entreprises qui n’investissent pas suffisamment dans l’IA et dans la transformation organisationnelle, par complaisance ou en raison d’une exécution médiocre, et dont la compétitivité risque de se dégrader par rapport à des concurrents capables de s’adapter plus rapidement.

Le deuxième groupe, qui présente davantage de dangers pour les investisseurs « value », est celui des franchises faisant l’objet d’une disruption structurelle : des entreprises dont les fondamentaux économiques sont sapés par des concurrents s’appuyant sur l’IA.

Il s’agit d’une catégorie particulièrement trompeuse, car les chiffres d’affaires ou les bénéfices globaux peuvent donner une apparence de stabilité alors même que les rendements du capital investi se détériorent.

En raison de la rapidité de l’innovation, la disruption est visible beaucoup plus tôt dans les états financiers. Autrement dit, les pièges de valeur peuvent se former plus vite que dans la plupart des autres secteurs, et des multiples apparemment raisonnables peuvent se relever illusoires et ne pas offrir de véritable marge de sécurité.

Les investisseurs « value », qui accordent généralement plus d’importance au présent et au passé, privilégient des éléments tangibles plutôt que des plans plus hasardeux sur l’avenir.

L’IA remet en question cet instinct. Les réussites passées ne constituent plus plus indicateur fiable de la pérennité future, et les investisseurs « value » doivent se rendre à l’évidence et admettre que le risque de disruption des modèles économiques a augmenté. L’IA remet également en cause une deuxième hypothèse centrale : celle du retour à la moyenne. Sur de nombreux marchés technologiques, des rendements supérieurs à la normale peuvent persister plus longtemps que prévu, car l’économie du secteur des logiciels et les effets de réseau peuvent renforcer les avantages concurrentiels au fil du temps. Pendant ce temps, les perdants peuvent être relégués en queue de peloton et ne jamais renouer avec leurs rendements « normaux ».

La règle de base est d’éviter les perdants. Pourtant, rien ne permet d’identifier un perdant à l’avance. De nombreuses entreprises victimes de disruption présentent a priori des valorisations raisonnables, sont stables et génèrent de la trésorerie. Ce constat renforce le rôle central de l’analyse des pièges de valeur au sein de notre processus d’investissement. En évaluant de manière systématique les taux de réinvestissement, la capacité des dirigeants à s’adapter, le pouvoir de fixation des prix, les coûts du changement pour les clients et la flexibilité des bilans , nous cherchons à distinguer les anomalies de valorisation temporaires d’un déclin structurel. L’histoire nous montre que les actifs qui perdent en pertinence stratégique ont tendance à ne jamais s’en remettre. Leurs valorisations restent bon marché, voire ne cessent de se dégrader.

Pourtant, des opportunités existent. En raison des incertitudes liées à l’IA, il peut arriver que les marchés surréagissent aux mauvaises nouvelles et négligent de prendre en compte d’autres options. Il est essentiel de prévoir une marge de sécurité importante. Parmi les secteurs que nous jugeons intéressants figure celui des éditeurs de logiciels spécialisés dans le soutien aux segments verticaux du marché. Par exemple, les applications SaaS (software as a service ou logiciels en tant que services) sont spécifiques à des secteurs, offrent des services sur mesure et peuvent être étroitement intégrées aux systèmes des entreprises. Ces types de logiciels sont couramment utilisés dans des secteurs réglementés ou complexes sur le plan opérationnel, présentant des coûts de changement élevés en raison de données exclusives et de relations de clientèle profondément intégrées. Nous pensons que ces entreprises, lorsqu’elles peuvent intégrer l’IA comme un outil d’amélioration au lieu d’en faire un substitut, peuvent acquérir des avantages concurrentiels durables, tout en offrant des valorisations aujourd’hui sous-estimées par des marchés essentiellement portés par un discours.

Par ailleurs, les investisseurs « value » peuvent déceler des poches de valeur cachées parmi des entreprises présentant une exposition à l’IA encore méconnue ou latente. Cette logique s’étend également à certaines parties du segment des fournisseurs d’équipements liés à l’IA. Bien que l’attention des investisseurs gravite majoritairement vers les entreprises les plus susceptibles de tirer leur épingle du jeu, à savoir les fournisseurs d’infrastructures à forte visibilité, le positionnement déjà très encombré sur ces entreprises signifie que leurs titres se négocient, dans de nombreux cas, à des multiples très élevés. Au contraire, nous nous sommes concentrés sur des segments facilitateurs moins évidents - par exemple, des semi-conducteurs spécialisés liés aux appareils mobiles et à l’Internet des objets.

Dans manière générale, il convient de faire preuve de discernement en matière de valorisations : une entreprise présentant un multiple global « élevé » peut malgré tout être un investissement « value » (sous-évalué) si elle génère durablement de solides rendements du capital, présente une forte conversion de trésorerie et dispose d’un potentiel de réinvestissement important. À l’inverse, un multiple faible peut en réalité se révéler coûteux si la durabilité se détériore.

Les marchés actions tentent activement d’intégrer aux valorisations l’impact économique de l’IA, mais ne peuvent s’appuyer que sur des données tangibles très limitées. Les investisseurs, dont le comportement oscille enthousiasme et la crainte, ont parfois tendance à surréagir et à prendre des décisions irréfléchies. Il suffit que l’on décrète la mort des modèles SaaS pour que des pans entiers d’entreprises de middleware et de plateformes soient considérés comme structurellement compromises.

Notre démarche est délibérément contrarienne. Les transitions technologiques suivent rarement cette trajectoire. Selon nous, l’IA n’élimine pas la demande de logiciels ; elle redéfinit les poches de valeur, les modèles de prix et les modes de distribution. L’histoire suggère que les extrapolations dictées par la peur et les réactions alimentées par la peur de manquer une opportunité, même si elles peuvent générer une dynamique, produisent rarement de la valeur durable à long terme.

Les investisseurs disciplinés doivent s’élever au-dessus du battage médiatique pour identifier les situations dans lesquelles une disruption peut être à tort considérée comme un déclin permanent. Dans le secteur des logiciels en particulier, le risque de disruption est bien réel, mais il est également réparti de manière inégale. Les entreprises détentrices de données exclusives, inaccessibles aux modèles généralistes ainsi que de systèmes d’enregistrement intégrés aux flux de travail de leurs clients, pourraient se révéler plus indispensables que ne le suppose le marché. Dans certains cas, les fonctionnalités d’IA (par exemple les copilotes et les couches d’automatisation) peuvent générer des flux de revenus complémentaires ou améliorer la rétention des clients, au lieu de simplement banaliser le produit principal.

À l’inverse, certains segments des secteurs de la fabrication de semi-conducteurs et des infrastructures habilitantes pourraient bénéficier de l’IA de manière structurellement différente. Ils présentent des caractéristiques de plus en plus proches d’oligopoles, et une discipline d’offre plus rigoureuse et une demande durable pourraient transformer leur capacité à générer des bénéfices à long terme par rapport aux cycles précédents. Toutefois, ils ne constituent des opportunités d’investissement qu’à partir du moment où la structure du secteur, l’intensité capitalistique et le comportement des prix viennent confirmer ce constat.

Ensemble, ces dynamiques soulignent l’importance de l’investissement fondamental, qui exige de savoir faire la distinction entre une disruption portée par un discours de marché et un véritable changement structurel. Un tel exercice doit donc s’appuyer sur une analyse approfondie de la position concurrentielle, de l’économie du secteur et de la durabilité des flux de trésorerie, et aller au-delà d’une simple exposition thématique.

Sans vouloir établir des comparaisons directes avec Internet, l’histoire est parfois riche d’enseignements utiles.

Les avancées technologiques majeures aux applications étendues finissent généralement par devenir universelles. Toutefois, cette universalité est souvent sous-estimée au cours des premières phases. Dans le même temps, les premiers leaders ne s’imposent pas toujours durablement. AOL, l’un des précurseurs de l’accès à Internet, n’a pas réussi à s’adapter aux évolutions économiques. Certaines entreprises aujourd’hui considérées comme des pionnières pourraient finalement prendre du retard si elles ne parviennent pas à commercialiser et à financer leur croissance.

Enfin, le secteur des technologies a toujours présenté une tendance à la concentration. Les recherches sur Internet se sont consolidées autour de Google, les réseaux sociaux autour de Meta et le commerce autour d’Amazon. Nous pensons que l’IA ne fera pas exception. Les mécanismes de cette concentration supposent souvent un réinvestissement agressif, l’élargissement de la gamme de produits et l’acquisition de concurrents émergents - ce qui peut renforcer la position des leaders, mais en contrepartie rendre plus difficile l’identification des véritables gagnants à long terme.

Pour les investisseurs « value », la difficulté consiste non pas à prévoir comment va évoluer le discours du marché, mais plutôt à évaluer correctement la durabilité, l’adaptabilité et la génération de trésorerie au fil du temps.

¹ Big Tech to Spend USD 650 Billion This Year as AI Race Intensifies, Bloomberg, 6 février 2026 et Graphique : The USD 448B AI Spending Surge by Big Tech, Visual Capitalist, 20 avril 2026.
² La Loi de Moore est l’observation empirique selon laquelle le nombre de transistors présents sur un microprocesseur double plus ou moins tous les deux ans, tandis que le coût des ordinateurs baisse de moitié. Énoncée par le fondateur d’Intel Gordon Moore en 1965, cette loi sert de principe directeur de l’industrie des semi-conducteurs depuis plus d’un demi-siècle.