Une startup arrive dans le pipeline. Son site raconte une histoire. Son pitch deck en raconte une autre, plus précise. Ses prises de parole publiques ajoutent du contexte, parfois des contradictions. Avant même de décider si l’opportunité mérite une analyse approfondie, quelqu’un doit trouver, lire, rapprocher et structurer tout cela.
Dans ce workflow conçu pour l’étude de startups technologiques internationales, l’objectif n’est pas de remplacer l’investisseur.
Il est plus modeste - et plus utile : répondre rapidement à la question “ce dossier mérite-t-il maintenant du temps humain ?”
IZZY a automatisé ce premier passage. Un dossier créé dans le CRM déclenche la collecte de sources publiques. Le pitch deck reçu plus tard est extrait et structuré. Plusieurs modèles interviennent, chacun dans la tâche pour laquelle il a été retenu. Une liste de questions confidentielle encadre l’analyse. Le résultat est une première classification : oui, non ou possible.
Ce n’est ni une décision d’investissement, ni une due diligence automatisée. C’est un filtre de travail avant le travail qui engage réellement le fonds.
Le client, sa stratégie, les entreprises étudiées, les fournisseurs de modèles et les critères exacts restent anonymes.
La réponse en 60 secondes
- Un dossier minimal de startup est créé dans le CRM.
- Le workflow rassemble les informations publiques pertinentes, notamment les contenus disponibles sur X et le site de l’entreprise.
- Les documents fournis par la startup, généralement un pitch deck, sont extraits puis rangés dans une structure définie à l’avance.
- Plusieurs modèles de fournisseurs différents accomplissent des fonctions complémentaires : collecte spécialisée, lecture documentaire, structuration et évaluation.
- L’analyse répond à une liste prédéfinie de questions avec trois états bornés :
oui,non,possible. - La classification finale indique si le dossier mérite une étude humaine plus poussée ; elle ne décide pas d’investir.
- L’équipe rapporte que le parcours complet est passé d’un travail mesuré en jours à un travail mesuré en minutes. Les données détaillées permettant d’auditer ce résultat ne sont pas publiques.
La leçon n’est pas « utiliser plus de modèles ». C’est attribuer un rôle précis à chaque composant et empêcher le verdict de perdre ses sources.
Dans cet article
- Le vrai coût est le temps avant la conviction
- Construire un dossier avant de produire une note
- Pourquoi les modèles se complètent au lieu de voter
- Transformer des critères privés en questions exécutables
- Le verdict est un seuil de travail, pas une décision d’investissement
- Ce que signifie réellement “des jours aux minutes”
- Quand ce système est utile et quand il devient dangereux
1. Le vrai coût est le temps avant la conviction
Le coût initial d’un dossier ne vient pas uniquement de la lecture du pitch deck.
Il faut retrouver les informations dispersées, distinguer les affirmations des preuves, relever les données manquantes, replacer le projet dans son contexte et appliquer les mêmes questions d’un dossier à l’autre.
Ce travail est indispensable. Il n’est pas toujours le meilleur usage du temps d’un investisseur senior.
Le problème devient particulièrement visible lorsqu’un dossier faible exige presque autant de préparation qu’un dossier prometteur. Avant la première conviction, l’équipe a déjà dépensé du temps à :
- ouvrir plusieurs sources publiques ;
- relire des présentations de formats différents ;
- extraire des informations depuis des PDF ;
- reformuler les données dans le langage du fonds ;
- vérifier une liste de critères ;
- préparer une synthèse comparable aux autres dossiers.
Le workflow automatise cette préparation. Il ne prétend pas automatiser ce qui fait la qualité d’un investissement : le jugement sur le marché, les personnes, le timing, les risques, la relation et la conviction construite au fil des échanges.
2. Construire un dossier avant de produire une note
Un score produit trop tôt est une opinion compacte sur des données mal organisées.
Le système commence donc par le dossier.
Étape 1 : créer la fiche minimale
La première information disponible sur la startup entre dans le CRM. Elle suffit à identifier le projet et à déclencher la recherche prévue, pas à produire un verdict.
Étape 2 : enrichir avec les sources publiques
Le workflow collecte les informations publiques pertinentes. Dans ce cas, X constitue une source importante, complétée par le site de la startup et les autres pages accessibles retenues pour le processus.
Cette collecte n’est pas une vérité automatique. Une publication sociale peut être promotionnelle, ancienne, ironique ou incomplète. Le système doit conserver la source, la date et le contexte utile au lieu de réduire immédiatement chaque élément à une conclusion.
Étape 3 : traiter les documents fournis
Lorsque la startup transmet davantage d’informations, généralement sous la forme d’un pitch deck, une nouvelle étape commence. Le document peut contenir du texte, des tableaux, des graphiques ou des pages dont la structure visuelle porte une partie du sens.
Le workflow extrait le contenu, l’associe aux rubriques prévues et ajoute les informations au dossier existant. L’objectif n’est pas de résumer le deck en dix lignes. Il est de faire correspondre chaque information à la question qu’elle peut réellement éclairer.
Étape 4 : évaluer le dossier structuré
Une fois les sources et documents organisés, la couche d’évaluation répond à la liste de questions du fonds. Chaque réponse doit rester liée au matériau qui l’a produite et accepter un état incertain lorsque les preuves ne permettent pas de conclure.
Le flux public peut être représenté ainsi :
fiche CRM minimale
│
├─> sources publiques ─> faits et signaux structurés
│
└─> documents fournis ─> extraction / OCR ─> rubriques du dossier
│
v
liste de questions définie
│
oui / non / possible
│
seuil de revue humaine approfondie3. Pourquoi les modèles se complètent au lieu de voter
« Plusieurs modèles » peut donner l’impression d’un jury : chaque IA répond à la même question, puis la majorité l’emporte.
Ce n’est pas l’architecture utilisée ici.
Les modèles viennent de fournisseurs différents parce que les tâches diffèrent. L’un est mieux placé dans l’environnement où une source doit être analysée. Un autre traite d’autres contenus publics. Un modèle spécialisé lit les documents lorsque l’OCR est nécessaire. Un autre intervient dans la structuration ou l’évaluation finale.
Ils ne sont pas mis en concurrence pour créer une impression de consensus. Ils se passent un travail structuré.
| Fonction | Entrée | Sortie attendue | Erreur à éviter |
|---|---|---|---|
| Collecte spécialisée | Une catégorie de source publique | Éléments sourcés et datés | Confondre visibilité et preuve |
| Extraction documentaire | Pitch deck et pièces reçues | Texte et données récupérables | Inventer ce qu’une page illisible ne contient pas |
| Structuration | Éléments hétérogènes | Dossier organisé par rubrique | Écraser les contradictions |
| Évaluation | Dossier et questions définies | Réponses bornées et justification | Transformer une incertitude en certitude |
Le nombre de modèles n’est pas le produit. L’actif est l’interface entre les étapes : ce que chacune reçoit, ce qu’elle doit rendre, ce qu’elle doit conserver comme preuve et ce qui doit provoquer un état possible plutôt qu’un oui ou un non forcé.
Des travaux récents décrivent également des systèmes multi-étapes pour l’évaluation de startups et la due diligence. L’un d’eux prévoit explicitement de signaler l’absence de données au lieu de générer des chiffres non vérifiés (arXiv). Cela confirme l’intérêt du problème d’ingénierie ; cela ne valide pas automatiquement le workflow client présenté ici.
4. Transformer des critères privés en questions exécutables
Une formule de scoring sophistiquée ne corrige pas une question floue.
Le client utilise une liste confidentielle de questions. Les critères précis et leur nombre ne sont pas publiés. Ce que nous pouvons montrer est la forme du contrat :
- une question porte sur un point identifiable ;
- la réponse attendue est
oui,nonoupossible; - une question à laquelle le dossier ne permet pas de répondre est enregistrée comme manquante, jamais convertie en réponse négative ou positive ;
- la justification renvoie aux éléments du dossier ;
- la somme des réponses produit une première classification bornée.
Le troisième état est essentiel.
Possible ne signifie pas « le modèle hésite un peu ». Il signifie que le dossier n’autorise pas encore une conclusion binaire. La bonne prochaine action peut être de demander une pièce, vérifier une affirmation, obtenir un échange ou confier la question à une personne.
Sans cet état, l’automatisation est incitée à paraître décisive. Or une fausse certitude accélère précisément la mauvaise partie du processus.
5. Le verdict est un seuil de travail, pas une décision d’investissement
La sortie finale ressemble à un verdict : oui, non ou possible.
Mais le mot décrit ici une décision opérationnelle étroite : faut-il investir davantage de temps humain dans ce dossier ?
Il ne répond pas à :
- faut-il investir ;
- quel montant engager ;
- quelles conditions négocier ;
- les fondateurs sont-ils les bons partenaires ;
- les affirmations du dossier ont-elles été vérifiées en profondeur ;
- le risque juridique, financier ou technique est-il acceptable.
Une classification positive ouvre la porte à l’analyse humaine. Elle ne la remplace pas.
Cette limite protège aussi le système contre une promesse impossible. Une décision d’investissement peut dépendre de conversations privées, d’informations encore indisponibles, d’un changement de marché ou d’un jugement que le dossier ne contient pas.
La valeur du workflow est d’apporter à la personne un dossier plus vite structuré, avec les questions déjà parcourues et les zones d’incertitude visibles. Garder une sortie bornée et une étape humaine explicite est la règle que nous appliquons aussi dans notre checklist de gouvernance IA du pilote à la production.
6. Ce que signifie réellement “des jours aux minutes”
L’équipe rapporte que le parcours complet - de la collecte initiale à la première classification - est passé d’un travail mesuré en jours à un traitement mesuré en minutes, en moyenne sur un échantillon de startups.
La taille de l’échantillon, la période, les logs et le protocole de mesure n’ont pas été rendus disponibles pour l’article.
La formulation publique que nous retenons est donc : un premier passage autrefois mesuré en jours est désormais mesuré en minutes.
Ce résultat est :
- une observation opérationnelle de première main attribuée à l’équipe du projet ;
- limité au chemin allant de la collecte à la première classification ;
- non audité indépendamment ;
- sans preuve publiée d’amélioration de la qualité des investissements ou du rendement du fonds.
L’économie de temps ne prouve pas que le jugement est meilleur. Elle déplace le moment où le jugement humain peut commencer.
7. Quand ce système est utile et quand il devient dangereux
Ce type de préscreening est utile lorsque :
- le volume de dossiers consomme un temps de préparation important ;
- les mêmes familles de questions doivent être appliquées de façon répétable ;
- les sources et documents peuvent être conservés avec leur provenance ;
- une réponse incertaine est acceptée comme résultat valide ;
- une personne prend la suite avant toute décision d’investissement.
Il devient dangereux lorsque :
- un score opaque remplace le dossier ;
- les informations manquantes sont traitées comme des réponses négatives ou positives ;
- une publication publique est considérée comme un fait vérifié ;
- plusieurs modèles sont utilisés pour fabriquer un consensus apparent ;
- le résultat exclut automatiquement une entreprise sans voie de revue adaptée ;
- l’équipe confond préscreening, due diligence et décision d’investissement.
La discussion actuelle dans l’écosystème va dans le même sens : si vous n’analysez qu’un pitch deck avec l’IA, il vous manque presque certainement quelque chose, rappelait l’investisseuse Sarah Barber, de Jenson Ventures, dans une revue de l’UK Business Angels Association sur l’IA dans la levée de fonds. Ce point justifie une architecture plus traçable ; il ne rend pas un modèle capable de combler ce qui n’a jamais été fourni.
Conclusion : automatiser l’accès au jugement, pas le jugement
Le geste spectaculaire serait de demander à plusieurs modèles s’il faut investir et d’afficher leur consensus.
Le geste utile est moins visible : collecter les bonnes sources, extraire les documents, préserver les contradictions, appliquer les mêmes questions et montrer ce qui reste inconnu.
Dans ce projet, les modèles ne siègent pas autour d’une table. Ils tiennent des postes différents dans une chaîne de préparation. Le résultat n’est pas une conviction artificielle. C’est un dossier qui atteint plus vite la personne capable de construire une conviction réelle.
Le schéma n’est pas propre à l’investissement. Toute étape de présélection récurrente, qu’il s’agisse de qualifier des fournisseurs, des dossiers de subvention, des candidatures ou des leads entrants, a la même forme : des sources dispersées, un document à extraire, une liste fixe de questions et une personne qui ne devrait voir que les dossiers qui méritent son temps.
Apportez-nous votre premier filtre, pas votre décision finale
Montrez-nous comment un dossier entre aujourd’hui, quelles sources vos analystes ouvrent, quelles questions reviennent et à quel moment un senior décide de poursuivre.
IZZY peut cartographier la collecte, les documents, les règles, les rôles des modèles et le passage à l’humain - puis vous dire quelle partie mérite réellement d’être automatisée.
C’est exactement le périmètre de notre service Automatisation IA n8n.
Questions fréquentes
Non. Le workflow prépare un premier dossier et une classification destinée à décider si une étude humaine plus approfondie mérite d’être lancée.
Parce que les tâches diffèrent : analyse d’une catégorie de source, extraction documentaire, structuration et évaluation. Les modèles sont complémentaires ; ils ne votent pas sur le même verdict.
Ils sont confidentiels. L’article peut seulement confirmer qu’une liste prédéfinie de questions produit des réponses oui, non ou possible, puis une première classification bornée.
Non. Elles fournissent un premier contexte. Les documents transmis par la startup et la revue humaine restent nécessaires, et certaines informations ne pourront être vérifiées qu’au cours d’échanges ou d’une diligence plus poussée.
Il s’agit d’une moyenne rapportée par l’équipe sur un échantillon de startups pour le chemin complet de préscreening. La taille de l’échantillon, la période et les preuves sous-jacentes n’ont pas été rendues publiques ; ce n’est pas un benchmark indépendant.
Sources et limites
- Le fonctionnement client décrit ici repose sur la connaissance directe qu’IZZY a du projet, consignée en août 2026. Le fonds, les startups, la stratégie, les documents, les fournisseurs de modèles, les critères exacts et les sorties restent confidentiels.
- A Multi-Agent Orchestration Framework for Venture Capital Due Diligence et DIALECTIC: A Multi-Agent System for Startup Evaluation montrent des approches de recherche récentes sur des architectures structurées. Elles ne constituent pas une validation indépendante de ce projet.
- L’article de l’UK Business Angels Association du 13 août 2026, qui cite l’investisseuse Sarah Barber, fournit un contexte actuel sur les limites d’une analyse réduite au pitch deck.
- Aucun résultat d’investissement, taux de précision, baisse du risque, rendement, décision de fonds ou qualité comparative n’est revendiqué.
- Le temps rapporté concerne le préscreening jusqu’à la première classification, pas une due diligence complète.