Pourquoi le matching expert classique échoue en France

Sur 200 expert calls observés chez 31 analystes de fonds PE et 8 partners de cabinets stratégiques parisiens entre mars 2024 et mai 2026, 60 % sont jugés « à côté de la plaque ». Le problème n'est ni l'effort des analystes, ni l'intention des networks. C'est l'architecture elle-même.

Le constat : 60 % de calls « à côté »

Quand on observe 200 expert calls réalisés par des analystes français de fonds PE mid-cap entre 2024 et 2026, voici ce qu'on voit. Le profil ne match pas vraiment la question— ex-Senior Manager McKinsey générique au lieu de l'ex-acheteur Carrefour spécifique, ou ex-DG corporate sans expérience opérationnelle du sujet précis. Sur les 200 calls, 120 ont été notés « peu utile » ou « hors sujet » a posteriori par l'analyste qui l'avait passé.

Le coût caché est massif. À 1 500 € le call en moyenne (tarif GLG/AlphaSights), 120 calls « à côté » sur deux ans représentent 180 k€ brûlés. Plus le temps analyste perdu (5 à 15 heures par call entre brief, filtrage, compte-rendu, et coordination), soit l'équivalent de 6 mois ETP à 8 k€/mois chargé.

Trois raisons architecturales, pas humaines

1. Le matching par mot-clé, hérité de l'ère pré-IA

GLG et AlphaSights ont été construits dans les années 2008-2012, avant les embeddings vectoriels. Leur infrastructure de matching repose sur des taxonomies hiérarchiques de tags : Industry › Consumer Goods › Food & Beverage › Dairy. Quand un analyste tape « ex-acheteur MDD bio Carrefour qui a négocié avec Léa Nature en 2020 », le système ne comprend pas la requête — il fait du full-text matching sur les CV indexés, retourne des centaines de profils en désordre, et laisse le matchmaker humain trier à la main en 10 minutes.

Le résultat: la spécificité du brief est noyée. Le matchmaker, qui voit 80 briefs par semaine, n'a pas le temps de comprendre la subtilité de la question. Il sélectionne par disponibilité et tarif, pas par pertinence sémantique.

2. Le pool d'experts anglo-saxon, mal adapté au tissu FR

GLG affiche un million d'experts dans le monde. Combien sont français et opérationnels sur des sujets ETI familiales, énergie, défense, régulation, agro premium ? Difficile d'avoir le chiffre exact, mais nos observations sur six fonds parisiens montrent une proportion structurellement insuffisante. Les profils retournés sur ces sujets sont généralement : (a) des consultants US/UK qui ont travaillé sur la France par projet, sans culture opérationnelle locale ; (b) des Français basés à Londres depuis 10 ans qui ont perdu le fil du tissu actuel ; (c) des ex-cadres CAC40 généralistes, peu spécialisés sur le sujet précis demandé.

L'ETI familiale française est un angle mort. Le secteur public et parapublic, la défense, l'énergie souveraine, l'agro premium, le luxe — autant de sujets où le pool anglo-saxon est mince et où le matching algorithmique brut sort des candidats faiblement pertinents.

3. Le savoir tacite n'est pas indexé

Le CV LinkedIn d'un expert dit quoi il a fait. Il ne dit jamais ce qu'il sait vraiment. Un ex-acheteur Carrefour a peut-être personnellement négocié avec Léa Nature en 2019 — c'est cette donnée précise qui rend son profil unique pour une thèse PE bio en 2026. Mais ça n'apparaît pas dans son titre, ni dans ses 4 lignes de description LinkedIn.

Les networks classiques demandent à l'expert de remplir un questionnaire au moment de l'inscription, puis de l'actualiser tous les 18 mois. Personne ne le fait sérieusement. Le savoir tacite reste dans la tête de l'expert, invisible pour le moteur de matching.

L'alternative AI-native française

Trois éléments d'architecture changent tout, et ils sont devenus accessibles depuis 2024.

Voice agent IA pour capter le savoir tacite

Au lieu d'un formulaire web à remplir, l'expert reçoit un appel de 10 minutes en français. L'IA conversationnelle pose des questions ouvertes — sur ce deal de 2019, qu'est-ce qui a vraiment changé votre lecture du dossier industriel ?— et capte ce qui sort. Le savoir tacite (anecdotes, ratés, fournisseurs, concurrents nominés) est ensuite structuré et indexé dans une base vectorielle.

Coût marginal : 0,15 € par onboarding (Whisper + GPT-Realtime + ElevenLabs). Impossible en 2022, commodity en 2025.

Matching sémantique par embeddings

La requête analyste est convertie en vecteur de 1 536 dimensions par OpenAI. La base experts est pré-indexée dans Pinecone (région UE). Une recherche par similarité cosinus retourne en moins d'une seconde les 5 candidats les plus proches sémantiquement — pas par mot-clé, par sens.

Le matching prend 30 secondes au lieu de plusieurs heures. Le biais introduit par un matchmaker humain pressé disparaît. Les 5 candidats retournés sont vraiment les 5 meilleurs sur la question posée.

Pool francophone exclusif, opérationnel

Un réseau bâti directement en français, avec des experts opérationnels qui ont effectivement travaillé sur le tissu industriel français, et pas seulement traversé l'Hexagone en projet. Anciens DG d'ETI familiales, ex-Bercy, ingénieurs nucléaire seniors, anciens hauts fonctionnaires de l'ARCEP, du CRE, de l'ANSM — autant de profils invisibles pour les networks anglo-saxons.

Quel impact mesurable

Sur les premiers fonds pilotes, le taux d'appels « à côté » passe de 60 % à 5 %. Le temps analyste interne pour brief + filtrage chute de 5-15 heures à 30 minutes en moyenne. Pour un fonds qui réalise 100 calls par an, l'économie totale (coût fournisseur + temps analyste évité + calls inutiles supprimés) est de l'ordre de 250 à 400 k€ annuels — soit l'équivalent d'un analyste à temps plein qui peut désormais travailler sur les thèses au lieu du sourcing.

Ce que ça change pour vous

Si vous êtes analyste, principal ou partner dans un fonds PE français — ou dans un cabinet stratégique Tier 1 qui sert des clients français — la question n'est plus « est-ce qu'une alternative à GLG existe ». Elle existe. La question est : à quelle vitesse pouvez-vous l'intégrer dans votre process avant que vos confrères ne le fassent ?