Contexte et leçons de Theranos
Theranos a atteint une valorisation d’environ 10 milliards de dollars malgré l’absence de preuves scientifiques fiables sur le fonctionnement de ses appareils de dépistage sanguin. La société a vendu des tests à des réseaux de pharmacies comme Walgreens, alors que la plupart des analyses étaient externalisées. Le scandale a montré que des investisseurs individuels, dont les familles DeVos et Walton, ont financé le projet sans contrôle technique approfondi, le fondateur Elizabeth Holmes bénéficiant d’un tour d’investissement angel record. Ces faits constituent le cadre de référence utilisé par Tyler Shultz pour comparer la bulle actuelle de l’IA.
Difficultés de due diligence dans l’IA
Shultz souligne que la vérification des promesses d’IA est « très difficile ». Les modèles modernes, souvent présentés comme des ChatGPT wrappers, masquent leurs algorithmes sous des API propriétaires, limitant l’accès aux jeux de données d’entraînement et aux métriques de performance. Sans benchmarks publics, les investisseurs ne peuvent pas distinguer une innovation réelle d’une simple couche d’interface. Cette opacité rappelle la stratégie de Theranos qui invoquait la protection de secrets commerciaux pour refuser tout audit scientifique.
Mécanismes de fraude potentielle
Le modèle économique décrit par Shultz – « un café de trente minutes suivi d’un virement de 100 000 $ » – illustre comment des promesses technologiques peuvent être monétisées rapidement. Dans le secteur de l’IA, les levées de fonds atteignent aujourd’hui des valorisations de plusieurs trillions de dollars, créant un environnement où les capitaux affluent avant que les preuves de concept ne soient validées. Les acteurs malveillants peuvent exploiter des modèles de langage pour générer de faux rapports d’analyse, des diagnostics médicaux simulés ou des recommandations d’investissement, tout en se cachant derrière la complexité perçue de l’IA.
Implications pour les investisseurs
Les leçons tirées de Theranos imposent une vigilance accrue. Les investisseurs doivent exiger des audits indépendants, des reproductions d’expériences en laboratoire et des publications de résultats dans des revues à comité de lecture. La transparence sur les jeux de données, les protocoles d’entraînement et les tests de robustesse devient un critère de sélection essentiel. Ignorer ces exigences risque de reproduire le schéma où des capitaux massifs alimentent des projets qui, comme Theranos, ne livrent jamais de valeur réelle et peuvent causer des préjudices tangibles aux utilisateurs finaux.
