La question ci-dessus – le titre $GOOG est-il sous-évalué ? – est à la fois un sujet brûlant sur les forums d'investissement qui suscite des débats passionnés, dignes d'un test de Rorschach, et typique des investigations que les investisseurs particuliers mènent avant de passer un ordre.
C'est aussi un excellent test pratique de l'état de l'IA pour l'investissement quotidien. En particulier, nous voulons déterminer si l'IA d'aujourd'hui peut aider les investisseurs à dénicher des informations authentiques et à étayer ses affirmations avec des données fiables. Avec des plateformes comme $HOOD qui proposent une assistance IA pour les transactions, le sujet est d'actualité.
D'abord les méthodes, ensuite les réponses.
Alors, l'IA débloque-t-elle de nouvelles perspectives ?
Nos tests commencent avec Claude Opus 4.8, actuellement le modèle public le plus puissant d'Anthropic. Nous avons interrogé Claude directement sur $GOOG et examiné les analyses qu'il a effectuées, d'où il tirait ses données, et, en fin de compte, l'utilité de sa réponse.
Claude a commencé par interroger des sites agrégateurs. Ces sources citaient le ratio P/E par rapport à la moyenne décennale de $GOOG et par rapport au secteur. Claude a également extrait des objectifs de cours représentant une moyenne des notations des vendeurs – ceux-ci étaient déjà moyennés : le résumé de MarketBeat d'un consensus de "41 analystes" en un seul passage, une moyenne "Achat Fort" proche de 429 $ dans un autre. Claude a cité deux valeurs de juste valeur, l'une provenant de Simply Wall St et l'autre d'une formule de style Peter Lynch, représentant des modèles destinés aux particuliers, trouvés en première page d'une recherche web.
En prenant l'exemple des objectifs de cours, nous avons noté que nous n'avions aucun accès à la liste des analystes, aux dates ou à la méthode de calcul derrière ces objectifs "consensus". Nous avons également observé que les deux passages de Claude sur cette sous-tâche ne concordaient pas sur le chiffre final. Cela signifie que, comme une grande partie des données extraites du web ouvert, l'analyse de Claude reposait sur des chiffres indicateurs sans beaucoup d'informations sur ce qui les composait ou, de manière cruciale, sur ce qui était exclu du calcul. Pour cette première analyse, nous avons constaté que tous les chiffres de Claude provenaient de telles sources secondaires.
(En aparté : pour ceux qui suivent les résultats de Broadcom ($AVGO), l'impact de la recherche d'objectifs d'analystes sur le web s'est joué en temps réel : en moins de 15 minutes après les résultats, CNBC et Reuters considéraient les revenus comme un échec, tandis que WSJ et Yahoo Finance les voyaient comme une réussite. Malheur au trader algorithmique IA qui ne fait pas attention…)
La réponse finale de Claude était un résumé compétent du consensus web. Il a fourni une explication avec les mêmes trois arguments haussiers et les mêmes risques baissiers que l'on trouverait dans les gros titres et les meilleurs messages de forums. Notre conclusion est que cela rend vraiment le travail des investisseurs occasionnels qui parcourent les forums plus rapide. Mais un corollaire est qu'il ne déploie pas par défaut le type d'analyse et de techniques de modélisation utilisées par les investisseurs professionnels, ni n'accède aux données à partir desquelles ils construisent leurs valorisations d'entreprises. De ces manières, Claude hors de la boîte ne fait pas grand-chose pour apporter la sophistication des investisseurs professionnels au reste d'entre nous.
Nous avons donc interrogé Claude à nouveau, cette fois en lui donnant accès à 10 ans d'indicateurs clés de performance opérationnels, au texte des dépôts SEC, aux résumés des segments et des concurrents via deepKPI, un serveur MCP spécialement conçu, accessible à tout investisseur.
Avec ces informations, Claude est allé beaucoup plus loin. Tout d'abord, il a commencé par décomposer les segments (Cloud, Services, Autres Paris), l'historique des flux de trésorerie et des dépenses d'investissement, le nombre d'actions et le taux d'imposition, ainsi que les commentaires de la direction pour analyser l'historique opérationnel de $GOOG. Il a exploré des postes comme les obligations de performance restantes, le coût d'acquisition de trafic et le revenu par employé pour évaluer où en est l'entreprise aujourd'hui et l'aligner sur son histoire. Il a également proposé d'intégrer les données de deepKPI dans un tableur pour créer un modèle opérationnel typique de qualité institutionnelle, mais nous nous sommes arrêtés avant cela pour les besoins de cet article.
Soyons concrets sur la valorisation :
L'opinion distillée du web était qu'avec $GOOG proche de 389 $ et un P/E courant autour de 29 contre une moyenne décennale de 27 dans un secteur plus proche de 35, le titre est plutôt bon marché par rapport au groupe et un peu cher par rapport à son propre historique. Les objectifs des vendeurs allaient de 412 $ à 443 $, bien que deux modèles de juste valeur soient éloignés de 112 $ sur la même action. Le résultat était des arguments haussiers et des risques baissiers familiers, et une impasse sur la question de la sous/surévaluation, ce qui est, selon nous, le point d'arrivée de forums comme r/valueinvesting.
Une fois que nous avons ajouté les données de deepKPI, Claude a pu effectuer une analyse beaucoup plus approfondie de la santé de l'entreprise par rapport à ses pairs et aux normes historiques. Par exemple, la réponse web s'appuyait sur un ratio VE/flux de trésorerie disponible supérieur à 70, classé comme coûteux par un screener. Mais en creusant dans les dépôts, les chiffres ont été recadrés : le flux de trésorerie disponible 2025 était d'environ 73 milliards de dollars et déjà stable alors que les bénéfices explosaient, et le déploiement de l'IA fait que les dépenses d'investissement 2026 vont environ doubler, passant de 91 à 175-185 milliards de dollars, tout en tirant le flux de trésorerie disponible vers 15-25 milliards de dollars. Donc, 72x ne doit pas être considéré comme un verdict sur le coût de l'entreprise, mais plutôt comme un instantané d'une entreprise en mouvement alors qu'elle fait un pari massif sur l'avenir. Selon notre article récent, ce pari est à la fois le plus important parmi ses pairs et le moins risqué par rapport aux activités principales. Cela change complètement l'interprétation de ce chiffre.
L'analyse alimentée par deepKPI a également exploré les leviers de l'activité principale de $GOOG. Elle a noté que le carnet de commandes contracté du Cloud est passé de 108 à 157,7 milliards de dollars en un seul trimestre. Soit de 2,0x à 2,7x du chiffre d'affaires du segment. La majeure partie étant comptabilisée au cours des 24 derniers mois, cela a servi de preuve que le Cloud a le potentiel de maintenir une croissance de plus de 30 % dans les années à venir. Claude a également comparé les marges du segment, proches de 24 %, à celles d'AWS et d'Azure, deux pairs hyperscalers, et a noté que leurs marges étaient meilleures : dans le bas des 30 %. Cela suggérait une marge d'optimisation des bénéfices réalisable et significative, un autre signe pointant vers la santé future de l'entreprise.
Claude a mis en évidence deux autres leviers importants à partir des données opérationnelles qui n'étaient pas dans le consensus web. Le premier était ce que $GOOG paie pour attirer du trafic vers les publicités : beaucoup quand elles sont diffusées sur des sites partenaires, et peu quand elles le sont sur ses propres propriétés comme Search, YouTube et Gmail. Cette activité se déplace davantage vers les propriétés de $GOOG, de 2 points de pourcentage sur une base publicitaire de 265 milliards de dollars, montrant que les bénéfices augmentent et ont de la marge pour continuer. L'autre levier était la productivité. Le revenu par employé a commencé à augmenter après des années de stagnation. C'est important car la construction de centres de données se traduira par des années de charges d'amortissement qui grignoteront les marges, et l'augmentation de la production par travailleur pousse les marges dans l'autre sens. C'est une autre indication que $GOOG prend des mesures pour étayer son activité principale tout en menant à bien son investissement dans l'IA.
Pris ensemble, l'analyse opérationnelle suggérait que le Cloud gagne moins que ses pairs et dispose d'un carnet de commandes sain pour l'aider à combler cet écart, que l'activité publicitaire devient plus rentable et que la production par employé augmente. Claude + deepKPI a conclu que "mieux que ne le suggère son multiple" est mieux répondu avec un modèle qui nous permet de tester ces leviers.
En tant qu'investisseurs particuliers, nous pouvons investir ce temps, ou faire une supposition éclairée, mais les éléments qui déterminent notre pari sont très clairs : l'efficacité du cloud par rapport aux pairs, la composition du canal publicitaire et l'efficacité des employés. Ce niveau de perspicacité et de compréhension est bien plus concret et clair que notre résumé du débat web et apporte un niveau de compréhension testable à la question initiale qui n'est pas évident en se contentant de parcourir les forums.
Notre conclusion est que les modèles d'IA sont de puissants interprètes des dépôts et des données pour les investisseurs particuliers, mais il faut prendre des mesures pour les éloigner des données web secondaires et les orienter vers des données de source primaire telles que les séries chronologiques d'indicateurs clés de performance et les textes de dépôts de deepKPI. Nous devons également leur donner les compétences nécessaires pour interpréter ces données avec expertise, comme le fait deepKPI. Mais, surtout à mesure que les services d'IA font baisser le prix d'accès aux données et aux outils d'analyse – de plus de 10 000 $ par siège pour des services établis comme Daloopa à 20 $/mois pour deepKPI, ou gratuit pour certaines utilisations – l'écart de longue date entre les investisseurs particuliers et les investisseurs professionnels est en train de changer de manière significative. Et rapidement.
