How AI Is Rewriting the Power Law of Venture Capital

Au cours des vingt dernières années, sur 3 000 sociétés de capital-risque aux États-Unis, seulement vingt ont réalisé des rendements nets de 3x de manière constante. La loi de puissance est plus extrême que jamais dans l'investissement technologique, en particulier avec l'IA. Pour la première fois, on peut investir du capital dans une entreprise et cela multiplie son avantage. L'IA impacte tous les aspects du PIB – transport, travail, services, capital, coordination – touchant 30 000 milliards de dollars de PIB, ce qui est sans précédent. Des entreprises comme SpaceX, OpenAI et Anthropic représentent une valeur potentielle de 3 500 à 5 000 milliards de dollars. Historiquement, la loi de puissance était une caractéristique de l'industrie du capital-risque, mais elle est maintenant systémique. Les rendements croissants à l'échelle ont toujours existé, notamment avec les effets de réseau et les logiciels. Aujourd'hui, on peut investir des capitaux dans le calcul, et le calcul améliore les produits et les entreprises. Les économies d'échelle sont très réelles sur le marché de l'IA et le resteront. L'IA a atteint 100 milliards de dollars de revenus en quatre ans, alors que le SaaS a mis quinze ans pour atteindre le même point. La demande pour l'inférence est illimitée, et l'IA touche toutes les facettes du PIB. Cela en fait une position centrale, voire "super-centrale", pour les allocataires. Le capital-risque est passé d'une industrie de niche à une classe d'actifs de 5 000 à 6 000 milliards de dollars, et les entreprises restent privées plus longtemps. Les "top desk outcomes" sont passés de 10 milliards à 40 milliards, et atteindront probablement 100 milliards avec des entreprises comme Anthropic et OpenAI. Le dernier cycle a créé 25 000 milliards de dollars de nouvelle capitalisation boursière, et la vague actuelle devrait être encore plus grande. Le marché potentiel (TAM) de l'IA est souvent sous-estimé. Par exemple, dans la santé, les dépenses en TI sont de 60 à 100 milliards de dollars par an, mais l'IA s'attaque à la main-d'œuvre et à la valeur des tâches (réclamations, facturation, administration), un marché d'un billion de dollars. Le TAM de l'IA peut être dix fois plus grand que le SaaS ou l'informatique de santé traditionnels. La valeur économique d'une tâche est le TAM à considérer. On a constamment sous-estimé l'ampleur de ces résultats. La main-d'œuvre représente quarante fois plus de dépenses que les logiciels dans l'économie américaine. L'IA ne fera pas disparaître le travail, mais le réinventera, redéfinissant les tâches humaines. La thèse selon laquelle les laboratoires de pointe cannibaliseraient les applications s'est avérée fausse ; tout semble croître. Le marché sera si vaste que tout pourrait fonctionner. Il y aura des échecs, mais il est trop restrictif de penser que le succès de l'open source est mauvais pour les laboratoires, et vice-versa. Il ne s'agit pas d'un jeu à somme nulle. La notion de "winner take all" (le gagnant prend tout) est intéressante. Bien qu'il n'y ait pas eu de "winner take all" pour l'ensemble du marché technologique, il existe une loi de puissance au sein de chaque catégorie : les gagnants capturent la grande majorité de la part de marché et de la capitalisation boursière, tandis que les autres se contentent des miettes. Cependant, il y aura une expansion massive du nombre de catégories. Par exemple, le CRM, autrefois une petite catégorie, est maintenant énorme. Dans le capital-risque, on tolère les pertes. Un taux de perte de 60 % est courant au stade précoce pour les fonds les plus performants. Au stade de la croissance, ce taux est de 10 à 20 %. Cela est acceptable car on vise des investissements qui rapportent dix fois plus ou plus. L'objectif est de soutenir l'entreprise leader dans chaque catégorie crédible. La cohérence est cruciale dans le capital-risque. Sur 3 000 entreprises de capital-risque aux États-Unis, seules 20 ont atteint des rendements nets de 3x de manière constante au cours des vingt dernières années. Cela représente moins de 1 % des entreprises. La cohérence est extrêmement difficile à atteindre, mais les entreprises cohérentes ont toujours eu accès aux entreprises qui définissent les catégories à chaque millésime. Avoir le "logo" ne suffit pas ; il faut posséder une part suffisante de l'entreprise si l'on est au stade précoce, ou un dimensionnement critique si l'on est au stade avancé. Les rendements de type capital-risque sont possibles au stade avancé, mais la meilleure entreprise devrait représenter 5 à 10 % ou plus du fonds pour qu'elle puisse, à elle seule, le rentabiliser. Les fonds de capital-risque importants sont recherchés par les fondateurs qui veulent une marque capable de se développer, un investisseur sur tout le cycle de vie, et une aide pour trouver des clients et des employés. Les investisseurs à responsabilité limitée (LPs) suivent, mais avec réticence, car cela va à l'encontre de la sagesse conventionnelle. Les résultats sont plus importants, donc les fonds peuvent être plus grands. Il existe des exceptions : de petites entreprises se concentrent sur des marchés de niche ou opèrent à des stades beaucoup plus précoces, évitant ainsi la concurrence des grandes entreprises. Cependant, cette stratégie exige de maintenir une taille de fonds et une stratégie cohérentes. La "mort du milieu" est une tendance. Il y a les fonds très spécialisés, souvent très tôt dans l'IA avec des experts profonds, qui réussissent bien. Puis, il y a les grandes entreprises de capital-risque avec de nombreuses lignes de produits, capables d'investir du "seed" jusqu'à l'introduction en bourse. Tout ce qui se trouve entre les deux a du mal à rivaliser. Les fondateurs recherchent un partenaire qui peut dérisquer le résultat. C'est pourquoi de grandes entreprises comme a16z investissent massivement dans des ressources opérationnelles (700 employés), pensant que cela améliore les résultats et aide à remporter des transactions. Les fonds de "pre-seed" (évaluations inférieures à 20-40 millions de dollars, fonds inférieurs à 100 millions de dollars) peuvent coexister avec les grandes entreprises. Au stade de la conception, une grande entreprise préférera attendre un ou deux tours pour avoir plus de certitude et investir massivement dans le gagnant de la catégorie. Les petites entreprises peuvent se tailler une niche un ou deux crans plus tôt et réussir en étant complémentaires. Les grandes entreprises ont des relations saines avec les fonds de "seed" et font aussi du "seed" elles-mêmes, souvent des investissements plus importants dans des entrepreneurs en série. L'important est d'être le premier à comprendre le paysage et le marché pour prendre des décisions éclairées plus tard. Le succès des fonds de croissance est lié à l'activité au stade précoce. Cela offre des avantages considérables en termes d'accès, d'information, de connaissances et de relations. Inversement, l'activité de croissance profite aux partenaires du stade précoce en permettant d'approfondir les partenariats avec les fondateurs au fil du temps, ce qui aide à remporter des transactions au début. Les entreprises convergent vers une poignée de noms, et la majorité des "logos" (entreprises phares) doivent être obtenus au stade précoce pour maintenir le contrôle et participer aux tours suivants. Le travail des investisseurs à responsabilité limitée (LPs) a fondamentalement changé. Il existe quatre façons d'investir en capital-risque : "pre-seed"/seed (fonds de moins de 150 millions de dollars), le "milieu désordonné" (des centaines de firmes), les grandes firmes, et le "late stage" dédié. L'IA rend le travail plus difficile : les tours sont plus importants et plus rapides. La traction est parfois trompeuse. Une entreprise peut passer de zéro à 5 millions de revenus annuels récurrents (ARR) en un mois, mais sans cycle de renouvellement. Les valorisations sont très élevées. Il est difficile de distinguer la vraie traction de la fausse. Les grandes entreprises peuvent attendre ou avoir suffisamment de certitude pour mener le tour suivant. La capacité de jugement des fondateurs est cruciale. Il faut comprendre les clients et leurs besoins réels, au-delà de l'analyse financière. Les LPs s'inquiètent de la surchauffe du marché et du "timing". Leur rôle est d'embrasser le changement, mais ils ne sont pas incités à le faire. Un GP peut être renvoyé pour avoir manqué le prochain Facebook, mais un LP n'est renvoyé que s'il investit dans un échec. Manquer les modèles de pointe tout en restant proche du benchmark permet souvent de garder son poste. L'objectif pour les LPs n'est souvent pas l'optimisation des rendements de la prochaine génération, mais plutôt d'éviter les pertes. Le rôle des leaders de l'industrie du capital-risque est d'aider les LPs à comprendre l'avenir et comment l'IA s'infiltre dans l'ensemble de leur portefeuille, pas seulement dans le capital-risque. Les LPs doivent se concentrer sur l'accès, la sélection et le dimensionnement du portefeuille. Si seulement 20 entreprises sur 3 000 réussissent, il faut se concentrer sur ces 15-20 entreprises de manière cohérente. Un portefeuille de 50 à 70 entreprises de capital-risque est peu susceptible de générer des rendements supérieurs à la moyenne, qui est de 1 à 2x au cours des dix dernières années. C'est moins intéressant que le "private equity" ou les marchés publics, qui offrent de meilleurs rendements sans le blocage de capital sur dix ans. L'IA est désormais un facteur clé dans toutes les classes d'actifs. Les entreprises de SaaS publiques qui affichent une croissance accélérée grâce à l'IA sont celles qui se négocient bien. Même le "private equity" recherche des entreprises "AI-native". La meilleure façon d'y jouer est probablement par le capital-risque, mais la sélection, l'accès et la construction du portefeuille sont essentiels. Les sorties en capital-risque peuvent désormais dépasser celles du "private equity". Alors que le "private equity" a investi dans des actifs logiciels à des multiples élevés avant l'IA, ces actifs se négocient aujourd'hui à des multiples bien inférieurs et n'ont pas de repreneurs si la croissance n'est pas accélérée par l'IA. Les entreprises de logiciels existantes sans fonctionnalités "AI-native" et sans accélération de croissance sont confrontées à un défi. Il est difficile de les introduire en bourse. Il est possible que l'IA soit le plus grand changement générationnel, transformant les industries, mais que certaines entreprises logicielles qui s'adaptent conservent une valeur durable. La diffusion de l'IA dans l'économie réelle est encore limitée. Le codage a été un succès rapide car il est bien documenté, vérifiable et simulable, ce qui n'est pas le cas de la plupart des tâches. La dépense médiane par employé en IA est de 12 dollars par mois aux États-Unis, tandis que le top 1 % dépense 7 000 dollars. Cela montre que l'adoption est encore très précoce. Les entreprises d'IA sont les plus rapides que nous ayons jamais vues, mais leur adoption est encore limitée (10-30 millions d'utilisateurs). L'IA transformera la façon dont nous travaillons. Il existe un désalignement des incitations entre les LPs et les GPs. Les LPs ne sont pas incités à prendre des risques élevés, mais plutôt à éviter les échecs. Le rôle des leaders du capital-risque est d'éduquer les LPs sur l'avenir de l'IA et son impact sur l'ensemble de leur portefeuille. Le principal obstacle au capital-risque est le délai de liquidité. Une licorne est privée pendant plus