Un acheteur ne calcule jamais avec le résultat qui figure sur le compte de résultat. Il calcule avec le profit qui reste une fois que tous les postes exceptionnels, les dépenses ponctuelles et les avantages du propriétaire en ont été retirés. Ce processus s'appelle la normalisation. Une voiture de société qui est en réalité privée, une rémunération de gestion qui se situe sous le prix du marché, une réclamation qui s'est présentée une seule fois cette année : ce type de postes est corrigé pour montrer ce que l'entreprise gagne structurellement, indépendamment de la personne qui la dirige actuellement.
Le recours à l'IA y ajoute une nouvelle catégorie de corrections, et cette catégorie est moins simple qu'une note de carte de crédit. Si une partie du travail n'est plus effectuée par des personnes mais par une tâche que l'IA reprend, la structure de coûts change. La question que se pose alors un acheteur n'est pas de savoir si le profit a augmenté, mais si ce profit plus élevé subsiste sans le propriétaire actuel, l'équipe actuelle et le contrat actuel avec un fournisseur.
Le glissement dont il est question ici se répartit en trois catégories. L'IA peut reprendre entièrement une tâche, l'IA peut reprendre partiellement une tâche avec une personne qui approuve ou rejette avec motivation, ou le travail reste un travail humain. Chaque catégorie se normalise différemment.
Une tâche entièrement reprise et ancrée dans le processus compte comme une économie structurelle : les coûts baissent et cela reste ainsi, quel que soit celui qui dirigera l'entreprise plus tard. Une tâche partiellement reprise avec supervision humaine génère une économie qui subsiste en partie, car la supervision continue de coûter de la main-d'œuvre. Et une économie qui repose entièrement sur un seul abonnement chez un seul fournisseur est différente d'une économie ancrée dans les processus de travail eux-mêmes — en cas de résiliation, de hausse de prix ou de rachat de ce fournisseur, l'économie disparaît aussi vite qu'elle est apparue. Ce qui glisse précisément du travail humain vers le travail par IA, et à quel point cela est ancré, se répond tâche par tâche avec le scan de travail qui détermine par tâche ce que l'IA reprend déjà dans l'entreprise.
Certaines entreprises ont déjà cette distinction bien nette : elles peuvent indiquer, par processus, quelle étape est automatisée, ce que cette étape coûtait auparavant et quel contrat se trouve derrière. D'autres entreprises savent seulement que les charges de personnel ont baissé et appellent cela du profit. La différence ne réside pas dans le degré de sophistication de l'application d'IA, mais dans la qualité de la documentation de ce qui s'est passé avant et après le changement, et dans la manière dont ce changement est justifié.
Un acheteur qui ne reçoit pas de justification calcule avec le pire scénario : il retire l'économie, ou il intègre un risque dans le prix. La justification nécessaire pour rendre une économie liée à l'IA convaincante auprès d'un acheteur porte précisément sur cette différence entre une affirmation et une preuve.
Le profit normalisé est une estimation, pas un fait établi. La méthode peut rendre plausible qu'une économie est structurelle, mais ne peut garantir qu'elle le restera. Un fournisseur peut augmenter son prix, une application d'IA peut être limitée par une réglementation, et une supervision qui est légère aujourd'hui peut devenir plus lourde dès que la marge d'erreur augmente. Chaque estimation dépend de la manière dont le travail est organisé, du degré de dépendance de l'entreprise envers une seule partie, et de la date récente à laquelle le changement a été mis en œuvre — une économie de trois mois en dit moins qu'une économie qui a tenu bon pendant deux ans.
Aucun conseil en matière de personnel n'est fourni ici, ni aucune justification pour des décisions de licenciement ; ce qu'un employeur fait avec son personnel relève de l'employeur, et des exigences légales propres s'y appliquent. Ce que la normalisation fait, c'est réunir des faits sur quel travail aboutit où, afin qu'un acheteur puisse lui-même évaluer la valeur de ces faits.
Un résultat ne signifie par ailleurs rien si la dépendance sous-jacente n'a pas été prise en compte. Une économie qui repose en grande partie sur les connaissances du propriétaire, ou sur un unique contrat renouvelé sans négociation, pèse différemment d'une économie ancrée dans plusieurs couches de l'entreprise. La part du profit qui pèse sur le prix parce que cette dépendance est trop importante se lit via la dépendance envers un fournisseur d'IA qui affecte le prix de vente.
Le profit normalisé n'est pas isolé du reste de l'entreprise. Une économie consignée dans un contrat avec un client ou un fournisseur a une valeur différente d'une économie convenue oralement et pouvant changer du jour au lendemain ; les contrats qui augmentent structurellement la valeur d'une entreprise montrent quelle différence cela génère sur le prix final. Et une hausse de profit provenant en grande partie d'un seul client pèse différemment aux yeux d'un acheteur qu'un profit réparti sur de nombreux clients — un aspect approfondi par l'explication sur la concentration de clientèle et le poids qu'un acheteur y accorde.
La normalisation du profit est l'un des huit facteurs qu'un acheteur pèse. Le glissement causé par l'IA n'affecte pas seulement ce facteur, mais aussi la dépendance envers le propriétaire — si le propriétaire est le seul à savoir quelle tâche a été automatisée et pourquoi, cela pèse plus lourdement sur le prix que l'économie elle-même ne l'augmente. Le facteur qui pèse le plus lourd à un moment donné diffère selon l'entreprise et est difficile à établir sans justification.
La question sous-jacente — quel travail dans cette entreprise peut réellement être repris par l'IA, et ce qui en a déjà été documenté — peut être répondue tâche par tâche grâce au scan de travail de FTE TO AI. Pour qui souhaite d'abord savoir sur quoi le prix pèse le plus aujourd'hui, il existe le contrôle de valeur gratuit : huit questions courtes, une par facteur de valeur, avec une vue d'ensemble du facteur qui compte le plus actuellement. Le scan de valeur complet, avec des scores de maturité par facteur et un calendrier sur deux ans vers le moment de sortie, est en cours de préparation.