Une lettre d'intention est sur la table, et l'équipe technique de l'acquéreur pose une question à laquelle votre directeur technique ne s'était pas préparé : « Comment empêchez-vous vos ingénieurs de coller du code source, des schémas d'architecture ou des recherches non publiées dans des outils d'IA publics ? » Un haussement d'épaules — ou une politique en PDF que personne ne suit — constitue désormais une conclusion de diligence. Pour une entreprise de deep-tech ou de biotech dont la valorisation est sa PI, cette réponse peut faire bouger le chiffre ou bloquer l'opération.

La diligence a rattrapé la manière dont l'ingénierie fonctionne réellement en 2026. Les personnes les plus proches de votre PI la plus précieuse — les ingénieurs fondateurs, les scientifiques en chef, les architectes de plateforme — sont aussi les plus grands utilisateurs d'IA, parce que l'IA les rend plus rapides. Les investisseurs le savent, et ils ont commencé à sonder précisément la couture où la vélocité et la confidentialité entrent en collision.

Pourquoi l'usage de l'IA s'est retrouvé sur la liste de vérification de la diligence

La diligence est une recherche de valeur qui pourrait ne pas survivre au contact avec la réalité. Un brevet qui s'avère inapplicable, un secret commercial qui n'a jamais vraiment été secret, une pratique de données qui invite à une exposition réglementaire — chacun est une décote qui attend d'être appliquée. L'IA générative a créé une nouvelle catégorie des trois.

Les chiffres d'usage en sont la raison. L'enquête 2026 de Gartner a révélé que 88 % des employés ayant accès à une IA d'entreprise utilisent aussi des outils d'IA personnels pour le travail, et que 69 % des organisations soupçonnent ou ont la preuve d'un usage interdit d'IA générative publique. Les données 2025 de LayerX le disent plus crûment : 77 % des utilisateurs d'IA collent des données dans les prompts, et 82 % de cela provient de comptes personnels non gérés. Lorsque vos employés les plus techniques font partie de cette majorité, un acquéreur doit présumer qu'une partie de votre PI est déjà passée par un outil public — à moins que vous ne puissiez démontrer le contraire.

Et l'équipe de diligence sait quelque chose que les fondateurs escamotent parfois : une fois que des données sont soumises à un outil d'IA public, elles ne peuvent pas être rappelées. Elles peuvent être conservées, traitées par des sous-traitants, ou utilisées pour entraîner les modèles du fournisseur. Le contenu collé devient soumis aux conditions d'utilisation du fournisseur, qui peuvent accorder de larges droits de conservation et d'usage. Il n'existe aucune clause de récupération pour un prompt.

Le scénario qui apparaît dans une salle de données

Imaginez une ingénieure en apprentissage automatique six mois avant une levée de fonds. Elle débogue un pipeline d'entraînement qui encode l'approche de modélisation centrale de l'entreprise — la chose sur laquelle repose toute la valorisation. Elle colle un bloc de 200 lignes dans un chatbot public pour l'aider à démêler une trace de pile. Ça fonctionne. Elle livre le correctif avant midi. Rien ne casse, aucune alerte ne se déclenche, et l'instant est oublié.

Rejouez maintenant la scène pendant la diligence. Le conseiller juridique de l'acquéreur demande si des inventions pré-brevet ou des algorithmes propriétaires ont été divulgués à des tiers. La réponse honnête est : personne ne le sait, parce qu'il n'existe aucune trace de ce qui est sorti. Cette incertitude est la conclusion. Peu importe que l'ingénieure ait eu de bonnes intentions ou que le correctif ait été élégant — ce qui compte, c'est que l'entreprise ne peut pas démontrer que la divulgation n'a pas eu lieu.

C'est là que le risque abstrait devient de l'argent concret. Un secret commercial dépend d'efforts raisonnables pour le garder secret. Dans l'affaire Trinidad v. OpenAI (N.D. Cal., janv. 2026), une revendication de secret commercial a été rejetée parce que développer les prétendus secrets via ChatGPT constituait une divulgation volontaire — le secret était perdu. L'affaire est précoce et directionnelle, non pas du droit établi, mais elle nomme le mécanisme exact que recherche une équipe de diligence : une valeur qui s'est évaporée au moment où elle est entrée dans une boîte de prompt publique.

Ce que les acquéreurs veulent réellement voir

La réponse rassurante n'est pas une interdiction. Les investisseurs savent que les interdictions échouent — Samsung a interdit ChatGPT à l'échelle de l'entreprise en 2023 seulement après que des ingénieurs y aient déjà collé du code source, un algorithme de détection de défauts et une transcription de réunion, en l'espace d'environ 20 jours après avoir autorisé l'outil. Une prohibition sur papier indique à une équipe de diligence que vous avez identifié le risque puis compté sur l'espoir.

Ce qui tient la route, c'est la preuve d'un contrôle qui fonctionne. Trois choses, précisément :

La visibilité. La direction peut-elle voir où l'IA est utilisée à travers l'ingénierie et où le risque se concentre ? Le rapport 2025 d'IBM a révélé que 63 % des organisations n'ont aucune politique de gouvernance de l'IA — donc le simple fait d'avoir une visibilité sur l'usage vous place déjà en avance sur la plupart de ce qu'une équipe de diligence voit.
Un contrôle qui agit avant la soumission. Le seul endroit pour protéger une invention est avant que le prompt ne parte — car après la soumission, il ne reste plus rien à contrôler. IBM a constaté que seulement 17 % des organisations disposent de contrôles techniques pour caviarder ou bloquer les données sensibles au point d'entrée. Faire partie de ces 17 % est un facteur de différenciation que vous pouvez mettre en avant.
Une trace attestant que le contrôle a fonctionné. Non pas un journal de ce que vos ingénieurs ont tapé, mais une trace attestant que du contenu sensible a été intercepté avant qu'il ne puisse sortir. C'est l'artefact qui transforme le « faites-nous confiance » en diligence démontrable.

Le dernier point importe le plus dans une salle de données. « Nous ne l'autorisons pas » est une affirmation. « Voici la trace de notre contrôle interceptant et arrêtant du contenu propriétaire avant qu'il n'atteigne un outil public » est une preuve — et elle permet à vos ingénieurs de continuer à travailler à pleine vitesse au lieu de contourner une politique qui les ralentit.

Le fil conducteur vers la valorisation

Le coût de l'IA fantôme n'est pas seulement une future violation. Les chiffres 2025 d'IBM situent la PI à 178 $ de coût par enregistrement et ont constaté que les violations impliquant des niveaux élevés d'IA fantôme coûtent environ 670 000 $ de plus en moyenne. Mais dans une transaction, le coût le plus tranchant est la décote qu'un acquéreur applique à une PI dont il ne peut pas confirmer qu'elle reste exclusive. L'incertitude a un prix. Vous voulez que vos ingénieurs soient rapides et que vos inventions soient prouvablement intactes — et ces deux objectifs ne coexistent que lorsque le contrôle vit au niveau du prompt, et non dans un document de politique.

C'est le principe sur lequel Sanitized AI est construit : les données sensibles — code source, inventions pré-brevet, recherches propriétaires — sont interceptées et caviardées avant qu'un prompt n'atteigne l'outil d'IA, et l'événement est enregistré sans capturer ce que la personne a tapé. Une gouvernance qui préserve la vélocité et produit la preuve qu'une équipe de diligence réclame.

Avant votre prochaine levée ou acquisition, posez la question que posera votre acquéreur : si un ingénieur avait collé notre PI centrale dans un outil public le mois dernier, le saurions-nous seulement ? Si la réponse est non, c'est le contrôle à mettre en place ce trimestre — bien avant qu'il ne devienne une ligne dans le rapport de diligence de quelqu'un d'autre. Demandez une démonstration pour voir à quoi ressemble cette trace.