Évaluation et valorisation de startup IA par les options réelles : Définition, méthodologie et exemples

Introduction : Quand l'incertitude est une valeur

Comment valoriser une entreprise dont le produit n'existe pas encore, dont les revenus futurs sont inconnus, et dont la trajectoire dépend de décisions stratégiques qui ne seront prises que dans plusieurs mois ? Cette question, qui paraît insoluble dans le cadre des méthodes traditionnelles d'évaluation d'entreprise, est précisément celle à laquelle font face les investisseurs, les fonds de venture capital et les équipes dirigeantes lorsqu'ils valorisent une startup en intelligence artificielle.

Le discounted cash flow (DCF), pilier de la finance d'entreprise classique, repose sur une hypothèse fondamentale : la capacité à projeter des flux de trésorerie futurs avec un degré de fiabilité raisonnable. Pour une startup IA en phase Seed ou Série A, cette hypothèse est structurellement fausse. Les flux sont inexistants, les marchés adressables sont mal définis, la technologie est encore en développement et les décisions futures dépendent de l'évolution d'un environnement technologique en mutation permanente. Damodaran lui-même reconnaît que les méthodes standards de valorisation ne fonctionnent tout simplement pas pour les jeunes entreprises en croissance, ou génèrent des résultats peu crédibles — un outil analytiquement puissant, mais structurellement inadapté au contexte d'incertitude radicale des startups IA. (Damodaran, Valuing Young, Start-Up and Growth Companies: Estimation Issues and Valuation Challenges, SSRN Working Paper, 12 juin 2009, https://ssrn.com/abstract=1418687.)

La théorie des options réelles offre une réponse à cette impasse. Née de l'application des modèles de pricing d'options financières aux décisions d'investissement réel — par Black & Scholes (1973), Cox, Ross & Rubinstein (1979) et Boyle (1977) — elle repose sur un renversement conceptuel fondamental : l'incertitude n'est pas un obstacle à la valorisation, c'est une composante de la valeur. Plus la volatilité est élevée, plus les options ont de la valeur. Et une startup IA est, par définition, l'un des actifs les plus volatils qui existent dans l'univers de l'investissement privé.

Cet article présente une méthodologie complète d'application des options réelles à l'évaluation de startups IA, articulée autour de trois grandes thématiques. Nous démontrerons d'abord pourquoi les méthodes traditionnelles sont insuffisantes et pourquoi l'approche par les options réelles est particulièrement adaptée aux startups — en général et aux startups IA en particulier. Nous détaillerons ensuite les trois méthodes principales — Black-Scholes adapté (BSM), arbre binomial Cox-Ross-Rubinstein (CRR) et simulation Monte Carlo — avec leurs formules complètes, leurs paramètres et leurs conditions d'application. L'ensemble sera illustré par deux cas concrets chiffrés : OptiVue (startup IA early-stage) et FlowCast (scale-up Série B), qui sont deux startups pour lesquelles Hectelion a été mandaté, dont les noms ont été modifiés afin de préserver l'anonymat, tout en appliquant successivement les trois méthodes à chaque profil.

Définition : qu'est-ce qu'une option réelle ?

Une option réelle est le droit — mais non l'obligation — de prendre une décision d'investissement à une date future, dans des conditions déterminées aujourd'hui. Elle est dite "réelle" par opposition aux options financières, qui portent sur des actifs financiers (actions, devises, matières premières). Une option réelle porte sur un actif réel : un projet d'investissement, un programme de R&D, une technologie en développement, une startup.

L'analogie avec les options financières est directe et puissante. Une option d'achat (call) sur une action donne le droit d'acheter cette action à un prix fixé (le prix d'exercice K), à ou avant une date donnée (T), moyennant le paiement d'une prime. Si le prix de l'action dépasse K avant T, l'option est exercée et génère un gain. Sinon, elle expire sans valeur — mais la perte est limitée à la prime payée.

Dans le contexte d'une startup IA, l'analogie se traduit directement :

Dixit & Pindyck (Princeton University Press, 1994) ont formalisé cette approche dans leur ouvrage fondateur Investment Under Uncertainty, démontrant que la valeur totale d'un investissement ne se réduit pas à sa valeur actualisée nette (VAN), mais intègre une valeur optionnelle liée à la flexibilité managériale et à l'irréversibilité partielle des décisions :

Valeur totale = VAN (flux certains) + Valeur optionnelle (flexibilité + incertitude)

Cette équation est le fil conducteur de tout l'article. Elle signifie qu'une startup peut avoir une VAN négative — et donc paraître non viable en DCF — tout en ayant une valeur optionnelle positive significative, liée à ses options d'expansion, d'abandon ou de pivot.

Origine et cadre théorique

La théorie des options réelles est née à l'intersection de la finance quantitative et de la stratégie d'investissement. Ses fondements reposent sur quatre contributions académiques majeures, dont deux ont été récompensées par le Prix Nobel d'économie.

Black & Scholes — Merton (1973)

En 1973, Fischer Black et Myron Scholes publient dans le Journal of Political Economy leur modèle de pricing d'options, établissant pour la première fois une formule analytique fermée permettant de calculer la valeur théorique d'une option européenne. Robert Merton, la même année, étend le modèle au cas des actifs versant un dividende continu. Black & Scholes (1973) montrent que, sous certaines hypothèses — mouvement brownien géométrique, absence d'arbitrage, volatilité constante — la valeur d'une option call européenne admet une solution analytique exacte. Myron Scholes et Robert Merton reçoivent le Prix Nobel d'économie en 1997 pour cette contribution.

Cox, Ross & Rubinstein — CRR (1979)

Cox, Ross & Rubinstein publient en 1979 dans le Journal of Financial Economics le modèle binomial, une approche discrète du pricing d'options qui ne requiert pas les hypothèses de continuité du BSM. En divisant la durée de l'option en périodes successives au cours desquelles le prix de l'actif sous-jacent peut monter ou descendre selon des facteurs déterminés, le CRR modélise les décisions séquentielles d'une manière particulièrement adaptée aux projets d'investissement réels. Pour un nombre de périodes tendant vers l'infini, le CRR converge vers le BSM.

Boyle (1977) — Monte Carlo

En 1977, Phelim Boyle publie dans le Journal of Financial Economics la première application de la simulation Monte Carlo au pricing d'options. En générant un grand nombre de trajectoires aléatoires du prix de l'actif sous-jacent selon un mouvement brownien géométrique, puis en calculant le payoff moyen actualisé sur l'ensemble de ces trajectoires, le Monte Carlo permet de valoriser des options dont la complexité interdit une solution analytique — notamment les options à sources d'incertitude multiples, particulièrement adaptées aux startups IA.

Dixit & Pindyck (1994) et Trigeorgis (1996) — Application aux options réelles

L'application systématique de ces modèles aux décisions d'investissement réel est formalisée par Dixit & Pindyck dans Investment Under Uncertainty (Princeton University Press, 1994) et par Trigeorgis dans Real Options: Managerial Flexibility and Strategy in Resource Allocation (MIT Press, 1996). Ces deux ouvrages fondateurs établissent le cadre théorique et les conditions d'application des options réelles aux projets industriels, technologiques et de R&D.

L'insuffisance des méthodes traditionnelles pour les startups IA

Les limites structurelles du DCF pour toutes les startups

Le DCF est la méthode de référence pour l'évaluation d'entreprise dans un contexte de flux de trésorerie prévisibles et stabilisés. Pour une startup, ses limites sont structurelles, non conjoncturelles.

Premièrement — l'absence de flux historiques. Le DCF requiert une base de données historiques permettant de calibrer les hypothèses de croissance et de profitabilité. Une startup IA en phase Seed n'a généralement ni chiffre d'affaires, ni historique opérationnel exploitable.

Deuxièmement — la sensibilité excessive aux hypothèses terminales. Dans un modèle DCF appliqué à une startup, la valeur terminale représente souvent 80 à 95% de la valeur totale. Or cette valeur terminale dépend d'hypothèses de taux de croissance à long terme et de marges normatives dont l'incertitude pour une startup IA est extrême. Une variation de 1 point de pourcentage sur le taux de croissance terminal peut modifier la valorisation de 30 à 50%.

Troisièmement — la pénalisation de l'incertitude. Dans le DCF, l'incertitude est traduite en prime de risque additionnelle sur le taux d'actualisation. Plus le projet est risqué, plus le taux est élevé, plus la valeur est réduite. Ce traitement est contra-intuitif pour une startup à fort potentiel : l'incertitude sur les flux futurs résulte précisément du potentiel de gain exceptionnel — et non uniquement du risque de perte.

Quatrièmement — l'ignorance de la flexibilité managériale. Le DCF suppose implicitement que le projet suit un chemin unique prédéfini. Il ne valorise pas la capacité du dirigeant à accélérer si les résultats sont bons, à réduire l'investissement si les signaux sont négatifs, ou à abandonner le projet si les conditions de marché se dégradent. Cette flexibilité a une valeur réelle — et le DCF l'ignore totalement.

La méthode Venture Capital — pragmatique mais insuffisante

La méthode Venture Capital (VC Method) repose sur l'estimation de la valeur de sortie à un horizon de 5 à 7 ans (via un multiple de revenus ou d'EBITDA), actualisée au taux cible du fonds (généralement 25 à 40%). Pragmatique et largement utilisée dans la pratique du capital-risque, elle présente néanmoins des limites importantes : elle dépend entièrement de la valeur de sortie estimée, qui repose elle-même sur des comparables de marché potentiellement non représentatifs ; elle ignore les décisions séquentielles et les options de pivot ; et elle ne capture pas la valeur des options d'expansion ou d'abandon intégrées dans le projet.

Pourquoi les startups IA amplifient ces limites

Les startups en intelligence artificielle présentent quatre caractéristiques qui rendent les méthodes traditionnelles encore plus inadaptées.

1. Une volatilité structurellement extrême. La volatilité implicite d'une startup IA early-stage se situe typiquement entre 70% et 120%, contre 20 à 30% pour une entreprise cotée mature et 40 à 60% pour une startup SaaS établie. Or dans la formule BSM, la valeur d'une option croît avec la volatilité (σ). Les options réelles capturent donc mieux la valeur d'une startup IA que le DCF, qui pénalise cette même volatilité via un taux d'actualisation élevé.

2. La propriété intellectuelle IA comme option sur des marchés futurs. Un modèle de langage, un algorithme de computer vision, un système de recommandation — ces actifs ne génèrent pas nécessairement de revenus immédiats, mais représentent des options réelles sur des marchés futurs potentiellement très larges et difficiles à quantifier aujourd'hui. L'approche BSM appliquée aux actifs intangibles permet de valoriser ce potentiel latent que le DCF, ancré dans les flux présents, est incapable de capter.

3. Les jalons de développement IA comme nœuds de décision. Une startup IA suit des étapes de développement spécifiques — preuve de concept (POC), minimum viable product (MVP), premiers clients pilotes, industrialisation, déploiement à l'échelle. Chaque jalon est un point de décision binaire dans un arbre CRR : continuer l'investissement si le jalon est atteint, abandonner ou pivoter sinon. Cette structure discrète et séquentielle est exactement ce que modélise le CRR — et que le DCF est structurellement incapable de représenter.

4. L'option d'abandon — une assurance réelle. La capacité à stopper un projet IA si les résultats des tests ne sont pas au rendez-vous a une valeur réelle, analogue à une option de vente (put). Cette valeur réduit le risque effectif de l'investisseur et justifie une valorisation plus élevée que ce que le DCF suggère. Dans un contexte où les coûts de développement IA peuvent être significatifs avant que la viabilité commerciale soit confirmée, l'option d'abandon est une protection précieuse.

Les cinq types d'options réelles applicables aux startups IA

Trigeorgis (MIT Press, 1996) identifie cinq types fondamentaux d'options réelles, chacun correspondant à une décision stratégique spécifique dans la vie d'une startup. Ces options peuvent être valorisées séparément ou combinées dans un modèle de compound options — options sur des options — particulièrement adapté aux startups qui traversent plusieurs rounds de financement successifs.

Les cinq paramètres fondamentaux adaptés aux startups IA

L'application des modèles BSM, CRR et Monte Carlo aux startups IA requiert une adaptation soigneuse des cinq paramètres fondamentaux. Chaque paramètre doit être estimé à partir de données observables ou de proxies sectoriels lorsque les données directes font défaut. Pour les mandats Hectelion en Suisse, la devise de référence est précisée au niveau du mandat. Les montants exprimés en k€ dans cet article sont équivalents en kCHF — les deux devises sont utilisées selon la localisation de la transaction.

Estimation de la volatilité pour une startup IA — méthode pratique

La volatilité est le paramètre central des trois méthodes. Pour une startup IA non cotée, plusieurs approches permettent de l'estimer :

La première approche consiste à retenir la volatilité historique annualisée des actions de sociétés comparables cotées dans le secteur IA — par exemple, la volatilité de NVIDIA (σ ≈ 50-75% sur 3 ans, selon les périodes de marché), de C3.ai (σ ≈ 70-110% sur 3 ans, avec des pics en 2022-2023) ou d'un ETF IA sectoriel. La deuxième approche utilise la dispersion des valorisations de startups IA observées dans les transactions récentes (Pitchbook, CB Insights), en calculant l'écart-type des multiples de revenus ou des valorisations par rapport à leur médiane. La troisième approche, recommandée par Damodaran (2005), consiste à partir du secteur de la société cotée la plus proche et à majorer la volatilité pour tenir compte de la taille plus petite et du stade de développement plus précoce de la startup.

Présentation des deux cas

Black-Scholes adapté aux startups IA (BSM)

Formule complète et paramètres

Le modèle de Black-Scholes-Merton donne la valeur d'une option d'achat (call) européenne — c'est-à-dire le droit d'investir à la date T pour un coût K dans un actif dont la valeur actuelle est S. La formule est la suivante :

Application — Cas 1 : OptiVue (BSM)

Paramètres : S = 4 000 k€/CHF, K = 5 000 k€/CHF, T = 3 ans, σ = 85%, r = 3,0%

‍

Étape 1 — Calcul de d₁ :

1. d₁ = [ ln(4000/5000) + (0,030 + 0,85²/2) × 3 ] / (0,85 × √3)
2. d₁ = [ ln(0,80) + (0,030 + 0,361) × 3 ] / (0,85 × 1,732)
3. d₁ = [ −0,223 + 1,173 ] / 1,472
4. d₁ = 0,950 / 1,472 = 0,645

‍

Étape 2 — Calcul de d₂ :

d₂ = 0,645 − 0,85 × √3 = 0,645 − 1,472 = −0,827

Étape 3 — Valeurs de la fonction de répartition normale :

N(d₁) = N(0,645) = 0,740

N(d₂) = N(−0,827) = 0,204

Étape 4 — Valeur de l'option BSM :

1. C = 4 000 × 0,740 − 5 000 × e^(−0,03 × 3) × 0,204
2. C = 2 960 − 5 000 × 0,914 × 0,204
3. C = 2 960 − 933 = 2 027 k€/CHF

Les avantages du BSM pour les startups

Le modèle BSM présente trois avantages majeurs dans le contexte de l'évaluation de startups IA. Premièrement, il offre une solution analytique fermée — une formule directe, sans itération ni simulation — qui permet un calcul instantané et une transparence totale sur la mécanique de valorisation. Chaque paramètre a un rôle précis et interprétable, ce qui facilite la communication des résultats aux investisseurs et aux comités d'investissement. Deuxièmement, il constitue la référence de convergence pour les deux autres méthodes : le CRR converge vers BSM pour n → ∞, et le Monte Carlo converge vers BSM pour N → ∞. Sa valeur est donc à la fois un résultat en soi et un benchmark de validation. Troisièmement, sa sensibilité à σ est parfaitement adaptée aux startups IA à fort potentiel : une volatilité élevée génère directement une valeur d'option plus élevée, traduisant quantitativement la logique du venture capital — l'asymétrie entre perte limitée et gain potentiellement illimité.

Les limites du BSM pour les startups

Une précision importante s'impose sur le périmètre d'application du modèle BSM tel qu'utilisé dans cet article : les formules présentées correspondent au modèle de Black-Scholes-Merton sans distribution de dividendes et sans prime de risque spécifique supplémentaire (δ = 0). Dans le cas d'une startup IA qui ne distribue aucun dividende, cette hypothèse est généralement vérifiée. En revanche, dans les cas où l'actif sous-jacent génère un flux continu (revenus récurrents distribuables, dividende de société holding, ou prime de risque implicite), la formule doit être ajustée selon le modèle de Merton (1973) : C = S·e^(−δT)·N(d₁) − K·e^(−rT)·N(d₂), où δ représente le taux de dividende ou de coût de portage. Cette correction réduit mécaniquement la valeur de l'option, car elle pénalise la détention de l'actif sous-jacent par rapport à l'exercice anticipé.

Malgré son élégance et sa simplicité de mise en œuvre, le BSM présente trois limites importantes dans le contexte des startups IA. Premièrement, il suppose une volatilité constante sur toute la durée T — hypothèse rarement vérifiée pour une startup dont la volatilité évolue avec son stade de développement. Deuxièmement, il modélise une option européenne — exerçable uniquement à maturité — alors que la plupart des décisions d'investissement dans une startup sont américaines (exerçables à tout moment). Troisièmement, il ne modélise pas les décisions séquentielles — chaque round de financement conditionné par le succès du précédent. C'est pour ces raisons que le CRR et le Monte Carlo offrent des compléments indispensables.

L'arbre binomial Cox-Ross-Rubinstein (CRR)

Formules et construction de l'arbre

Le modèle CRR divise la durée T en n périodes de longueur Δt = T/n. À chaque période, la valeur de l'actif sous-jacent peut monter d'un facteur u ou descendre d'un facteur d, selon les formules suivantes :

u = e^(σ · √Δt) — facteur de hausse

d = e^(−σ · √Δt) = 1/u  — facteur de baisse

p = (e^(r·Δt) − d) / (u − d)  — probabilité risk-neutral de hausse

(1−p) = probabilité risk-neutral de baisse

La valeur de l'option est calculée par induction à rebours (backward induction) : on commence par calculer la valeur de l'option à chaque nœud terminal (date T), puis on remonte vers la date 0 en actualisant au taux sans risque r.

Application — Cas 1 : OptiVue (CRR, 3 périodes)

Paramètres : S = 4 000 k€/CHF, K = 5 000 k€/CHF, T = 3 ans, σ = 85%, r = 3,0%, n = 3 périodes, Δt = 1 an

Étape 1 — Calcul des facteurs et probabilité risk-neutral :

u = e^(0,85 × √1) = e^0,85 = 2,340

d = 1/u = 1/2,340 = 0,427

p = (e^(0,03×1) − 0,427) / (2,340 − 0,427) = (1,030 − 0,427) / 1,913 = 0,315

(1−p) = 0,685

Étape 2 — Valeurs de l'actif à chaque nœud de l'arbre (en k€/CHF) :

Étape 3 — Induction à rebours (valeurs de l'option en k€/CHF) :

Période 2 (remontée depuis T=3) :

1. C(2,2) = [0,315 × 46 238 + 0,685 × 4 361] × e^(−0,03) = [14 565 + 2 987] × 0,970 = 17 026
2. C(2,1) = [0,315 × 4 361 + 0,685 × 0] × e^(−0,03) = 1 374 × 0,970 = 1 332
3. C(2,0) = [0,315 × 0 + 0,685 × 0] × e^(−0,03) = 0

Période 1 (remontée depuis T=2) :

C(1,1) = [0,315 × 17 026 + 0,685 × 1 332] × 0,970 = [5 363 + 912] × 0,970 = 6 091

C(1,0) = [0,315 × 1 332 + 0,685 × 0] × 0,970 = 420 × 0,970 = 407

Période 0 — Valeur de l'option aujourd'hui :

C(0,0) = [0,315 × 6 091 + 0,685 × 407] × 0,970 = [1 919 + 279] × 0,970 = 2 131 k€/CHF

Les avantages du CRR pour les startups

Le modèle CRR présente trois avantages décisifs par rapport au BSM dans le contexte des startups. Premièrement, il modélise nativement les décisions séquentielles : à chaque nœud de l'arbre, l'investisseur peut choisir d'exercer l'option, de l'abandonner, ou d'attendre — ce qui reflète fidèlement la réalité des rounds de financement successifs (Seed → Série A → Série B). Deuxièmement, il valorise explicitement les options américaines, exerçables à tout moment — contrairement au BSM qui ne valorise que les options européennes (exerçables uniquement à maturité). Troisièmement, il est numériquement transparent : chaque nœud est calculé et interprétable, ce qui facilite le dialogue avec les parties prenantes lors de la négociation des termes d'investissement.

L'avantage décisif du CRR : les décisions séquentielles

Note sur le périmètre du modèle CRR : comme pour le BSM, les formules présentées supposent l'absence de dividendes (δ = 0) et une structure de risque sans prime de portage supplémentaire. En présence d'un taux de dividende δ, les facteurs de hausse et de baisse sont inchangés, mais la probabilité risk-neutral est recalculée : p = (e^((r−δ)·Δt) − d) / (u − d). L'effet est identique à celui du BSM : une prime de portage positive réduit la valeur de l'option en pénalisant la détention de l'actif sous-jacent. Pour la majorité des startups IA modélisées (OptiVue, FlowCast), δ = 0 est l'hypothèse correcte.

La puissance spécifique du CRR pour les startups réside dans sa capacité à modéliser des décisions séquentielles conditionnelles. Dans l'exemple OptiVue, l'arbre peut être enrichi pour refléter la réalité opérationnelle : à chaque nœud, l'investisseur peut choisir d'exercer l'option d'expansion (injecter des fonds supplémentaires si le nœud est favorable), d'exercer l'option d'abandon (récupérer une valeur de cession partielle si le nœud est défavorable), ou d'attendre. Ce type d'option américaine avec flexibilité asymétrique est impossible à valoriser avec le BSM — et c'est précisément la réalité de l'investissement en venture capital.

Monte Carlo appliqué à BSM — simulation de la volatilité

Le mouvement brownien géométrique (GBM)

La simulation Monte Carlo repose sur la modélisation de la valeur de l'actif sous-jacent comme un mouvement brownien géométrique (GBM — Geometric Brownian Motion), l'hypothèse centrale du BSM. Le GBM stipule que les variations du prix de l'actif suivent une distribution log-normale, avec une dérive déterministe et un composant aléatoire proportionnel à la volatilité :

S(t + Δt) = S(t) × exp[ (r − σ²/2) × Δt + σ × √Δt × ε ]

Où ε est une variable aléatoire tirée d'une loi normale standard N(0,1), simulée à chaque pas de temps pour chaque trajectoire. Le terme (r − σ²/2) est la dérive risk-neutral ajustée (le terme σ²/2 est la correction d'Itô qui garantit l'absence d'arbitrage), et le terme σ × √Δt × ε est le composant aléatoire qui génère la diffusion stochastique du prix.

Algorithme Monte Carlo — 4 étapes

Étape 1 — Génération des trajectoires : Simuler N trajectoires (typiquement 10 000 à 100 000) de la valeur de l'actif sous-jacent depuis S₀ jusqu'à T, en appliquant la formule GBM à chaque pas de temps Δt.

Étape 2 — Calcul du payoff terminal : Pour chaque trajectoire i, calculer le payoff de l'option à maturité : max(S_T^(i) − K, 0) pour une option call.

Étape 3 — Calcul de la moyenne des payoffs : Calculer la moyenne des payoffs sur l'ensemble des N trajectoires : Payoff_moyen = (1/N) × Σ max(S_T^(i) − K, 0).

Étape 4 — Actualisation au taux sans risque : Actualiser le payoff moyen à la date 0 : C_MC = Payoff_moyen × e^(−r·T).

C_MC = e^(−r·T) × (1/N) × Σᵢ₌₁ᴺ max(S_T^(i) − K, 0)

Application — Cas 1 : OptiVue (Monte Carlo, 10 000 simulations)

Paramètres : S = 4 000 k€/CHF, K = 5 000 k€/CHF, T = 3 ans, σ = 85%, r = 3,0%, N = 10 000 simulations, Δt = 1/12 (mensuel)

Les avantages du Monte Carlo pour les startups

Le Monte Carlo présente trois avantages majeurs pour les startups à forte incertitude. Premièrement, il génère une distribution complète des valorisations — pas seulement une valeur centrale, mais l'intégralité du spectre des outcomes possibles, permettant de quantifier explicitement l'asymétrie caractéristique du venture capital : perte limitée à la prime payée, potentiel de gain théoriquement illimité. Deuxièmement, il est le seul des trois modèles à pouvoir intégrer une volatilité stochastique — c'est-à-dire qui évolue dans le temps — ce qui est particulièrement pertinent pour les startups IA dont le profil de risque se transforme radicalement à chaque jalon technologique. Troisièmement, il accommode sans difficulté des distributions de rendements non log-normales (queues épaisses, sauts discontinus), mieux représentatives de la réalité des actifs technologiques en phase de disruption.

L'avantage décisif du Monte Carlo : la distribution complète

La force du Monte Carlo n'est pas tant dans le calcul du point central (la valeur de l'option) que dans la richesse de la distribution qu'il génère. Pour une startup IA, connaître non seulement la valeur attendue mais aussi la queue de distribution est fondamental : c'est précisément dans cette queue droite — les scénarios de disruption exceptionnelle — que réside la logique du venture capital. Un fonds qui investit dans 10 startups IA espère que l'une d'entre elles générera un retour de ×50 ou ×100, compensant les échecs des autres. Le Monte Carlo quantifie explicitement cette asymétrie.

Cas 2 : FlowCast Scale-up — application des trois méthodes

FlowCast est une startup SaaS data analytics B2B en Série B, affichant un ARR de 3 200 k€/CHF avec une croissance de 85% par an. Le fonds investisseur évalue l'option d'expansion : injecter 15 M€/CHF supplémentaires pour accélérer le déploiement commercial en Europe. La valeur actuelle des actifs est estimée à 18 000 k€/CHF (sur la base d'un multiple de revenus sectoriel de 5,6x l'ARR).

Synthèse des valorisations — OptiVue et FlowCast par les 3 méthodes

Tableau de synthèse : quelle méthode pour quel profil de startup ?

Avantages et limites de l'approche par les options réelles

Les apports fondamentaux

L'approche par les options réelles apporte trois contributions irremplaçables à la valorisation des startups IA. Premièrement, elle réconcilie l'incertitude et la valeur : là où le DCF pénalise l'incertitude via le taux d'actualisation, les options réelles la transforment en composante positive de la valeur. Deuxièmement, elle valorise explicitement la flexibilité managériale — la capacité à accélérer, réduire, pivoter ou abandonner — qui est au cœur de la pratique du venture capital. Troisièmement, elle fournit un cadre rigoureux et défendable pour structurer les négociations entre fondateurs et investisseurs sur les clauses de valorisation, les earn-outs et les mécanismes de ratchet.

Les limites à ne pas ignorer

Les options réelles présentent néanmoins des limites importantes que Damodaran (2005) qualifie de "peril of real options". Premièrement, elles requièrent l'estimation de paramètres difficiles à calibrer — notamment la volatilité implicite pour des actifs non cotés. Une mauvaise estimation de σ peut générer des valorisations très éloignées de la réalité. Deuxièmement, elles supposent que les marchés financiers et les marchés réels sont suffisamment intégrés pour que les hypothèses d'absence d'arbitrage soient vérifiées — ce qui n'est pas toujours le cas pour les startups opérant dans des marchés très spécifiques. Troisièmement, les options réelles ne capturent pas les dynamiques concurrentielles — la valeur d'une option peut s'évaporer si un concurrent exerce la même option avant vous.

Mot du dirigeant

La valorisation d'une startup IA par les méthodes traditionnelles est un exercice souvent frustrant pour toutes les parties. Les fondateurs sentent que leur projet vaut bien plus que ce que le DCF suggère. Les investisseurs savent que les multiples de revenus ne capturent pas la valeur des options stratégiques. Les deux ont raison — et c'est précisément là que les options réelles apportent une solution intellectuellement cohérente.

Dans notre pratique chez Hectelion, nous utilisons les options réelles non pas comme un oracle de valorisation — aucun modèle ne l'est pour une startup IA — mais comme un outil de structuration de la réflexion. Quel est le vrai coût de l'option d'abandon ? Combien vaut la flexibilité de pivoter vers un marché adjacent ? Quelle est la valeur de l'option d'expansion si les premiers clients pilotes confirment la traction ? Ces questions, formulées dans le cadre des options réelles, permettent de structurer des négociations plus équilibrées et des clauses contractuelles plus adaptées à la réalité du risque partagé entre fondateurs et investisseurs.‍

Que nous intervenions sur un mandat suisse en CHF ou sur une transaction transfrontalière France-Suisse en EUR, la méthodologie est identique — seuls le taux sans risque et la référence de devise changent.

Aristide Ruot, Ph.D — Fondateur & Directeur général, Hectelion

Conclusion : Les options réelles, un langage commun pour l'incertitude

L'évaluation d'une startup IA ne peut pas se réduire à un exercice de projection de flux de trésorerie. La nature même de ces entreprises — incertitude radicale sur les flux futurs, flexibilité managériale essentielle, décisions séquentielles conditionnelles, propriété intellectuelle comme option sur des marchés futurs — appelle une approche qui valorise l'incertitude plutôt que de la pénaliser.

Les trois méthodes présentées dans cet article — Black-Scholes adapté, arbre binomial CRR et simulation Monte Carlo — forment un triptyque complémentaire. Le BSM fournit la référence analytique et la rapidité de calcul. Le CRR modélise les décisions séquentielles qui sont le cœur du processus de financement par rounds successifs. Le Monte Carlo génère la distribution complète des outcomes, capturant l'asymétrie fondamentale des startups IA — une perte limitée à l'investissement initial, un potentiel de gain théoriquement illimité.

Ces méthodes ne remplacent pas le jugement professionnel. Elles le structurent. Et dans un contexte où la valorisation des actifs intangibles et des startups technologiques devient un enjeu central pour les fonds de private equity, les family offices et les équipes de levée de fonds, maîtriser les options réelles est devenu une compétence indispensable pour tout praticien de la finance d'entreprise.

Vous souhaitez vous former à l’évaluation d’entreprise ?

Hectelion propose des formations en évaluation d’entreprise, combinant un cadre théorique rigoureux, des méthodologies pratiques et l’analyse de cas concrets issus de situations réelles. Ces formations s’adressent aux dirigeants, entrepreneurs et professionnels de la finance souhaitant renforcer leur compréhension des mécanismes d’évaluation et sécuriser leurs décisions stratégiques.

👉 En savoir plus sur la formation

Auteur

Aristide Ruot, Ph.D

Fondateur | Directeur général