Selon Bain & Company, 45% des praticiens M&A utilisaient l'IA en 2025, contre moins d'un sur cinq l'année précédente. KPMG recense pour sa part 76% des entreprises sur le marché allemand ayant intégré l'IA dans leur processus de due diligence. Ces chiffres auraient semblé improbables en 2022, et ils posent une question que peu d'équipes traitent avec la rigueur qu'elle mérite : adopter l'IA et savoir s'en servir sont deux choses fondamentalement distinctes, et la distance entre les deux se paie sur la qualité des résultats.
Dans les data rooms, la tentation est forte de traiter l'IA comme un moteur de recherche amélioré, en lui soumettant des questions vagues sur des documents épars. Cette approche génère des résultats médiocres, voire dangereux dans un contexte où la précision est une condition de base. L'IA dans une data room est bien plus puissante que ça, à condition que les équipes lui donnent les moyens de l'être.
Les tâches à haute charge mécanique et faible valeur de jugement sont celles où l'IA s'impose le plus naturellement : structurer un index adapté, configurer des groupes d'accès et les bons niveaux de droits, identifier les documents manquants, synthétiser les activités utilisateurs, trier et prioriser les questions entrantes en les orientant vers les bons interlocuteurs... plus besoin donc d'utiliser son temps sur une tâche que l'IA peut compléter en une échange ; ce temps-là peut désormais aller à ce que l'IA ne maîtrisera jamais : le jugement stratégique d'un expert, sa capacité de lecture des signaux implicites, à sentir quand l'engagement d'une contrepartie dit autre chose que ses questions, à savoir quel moment dans un processus appelle la pression et lequel appelle la patience.
La plupart des conversations sur l'IA en finance & droit d'entreprise s'arrêtent au choix du modèle, à la latence, au coût ou à l'intégration technique. La variable qui détermine pourtant la qualité des résultats au quotidien est plus simple, et plus souvent négligée : la qualité des instructions qu'on donne à l'IA, autrement dit la qualité du prompt.
Un modèle de langage, aussi performant soit-il, ne dispose d'aucune connaissance implicite de votre deal, de votre secteur, de votre structure d'accès ou de vos contraintes de confidentialité. Il part de zéro à chaque échange et travaille exclusivement avec ce que vous lui fournissez. Demandez-lui de "créer une arborescence pour votre data room", et il vous produira quelque chose de générique, plausible sur le papier, mais inadapté à votre opération. Spécifiez le type de deal, le secteur, les contraintes temporelles, les parties impliquées et les règles de numérotation à ne pas appliquer, et il vous produira quelque chose d'immédiatement exploitable.
Cette précision relève d'une compétence rédactionnelle davantage que d'une maîtrise technique, et elle s'apprend. Les équipes qui maîtrisent cet outil ont rapidement intégré plusieurs principes structurants.
La contextualisation, d'abord : plus vous ancrez votre prompt dans la réalité de l'opération, plus le modèle peut calibrer sa réponse sur des standards pertinents plutôt que sur des généralités.
Les contraintes explicites, ensuite : les modèles ont des comportements par défaut qui ne correspondent pas toujours aux attentes d'un professionnel M&A, et signaler ce qu'on ne veut pas est souvent aussi déterminant que de préciser ce qu'on veut.
La décomposition des tâches complexes en séquences distinctes, également : demander à un modèle de produire un audit d'activité acheteur et d'en interpréter les résultats dans la même instruction produit une réponse moins fiable qu'en séparant la collecte factuelle de l'analyse, car l'interprétation tend autrement à colorer rétrospectivement la présentation des données.
Et enfin, la validation intermédiaire : pour toute tâche engageant une modification réelle dans la data room, demander au modèle de présenter sa proposition avant d'exécuter permet de corriger en amont et de conserver la main sur chaque décision.
Ces principes changent la qualité des résultats de façon dramatique et font la différence entre l'exploitation d'un outil pour gagner du temps et une équipe qui en perd à corriger des outputs inutilisables.
Ce que nous observons depuis le lancement du MCP, et ce que les équipes qui utilisent l'IA au quotidien dans leurs data rooms finissent toutes par comprendre, c'est que la maîtrise du prompt se construit par l'usage, s'affine par l'expérience et se transmet naturellement entre collègues.
Une arborescence bien générée pour un deal industriel devient un point de référence pour le suivant. Un prompt d'audit d'activité affiné sur un processus compétitif à cinq acheteurs sera réutilisé, ajusté, amélioré à chaque nouvelle opération. Au fil des deals, les équipes accumulent une bibliothèque informelle de formulations qui fonctionnent, adaptées à leurs typologies de transactions et à leurs habitudes de travail. C'est cette capitalisation progressive qui transforme un gain de temps ponctuel en avantage structurel.
Pour accélérer cette courbe d'apprentissage, nous avons publié notre guide de prompts opérationnels. Cinq cas d'usage réels, cinq prompts construits selon les principes décrits dans cet article, avec des ajustements pour aller plus loin selon le contexte de votre deal.