Term sheets en private credit : où s'arrête la standardisation, où commence la négociation

Un marché construit sur le sur-mesure

Le private credit a été vendu aux investisseurs et aux emprunteurs comme l'alternative flexible aux marchés syndiqués. Là où un leveraged loan suit des templates rodés depuis des décennies et où les marges de négociation sont étroites, le direct lending est censé offrir des structures adaptées au profil de chaque emprunteur. Les fonds peuvent évaluer les dossiers au cas par cas, proposer des structures de prêt non standard, créer des covenants flexibles et prendre des décisions relationnelles — par exemple en alignant les tests de covenant sur la saisonnalité d'une activité, comme le rappelle Morgan Stanley dans son analyse 2026 de l'évolution du direct lending.

Cette flexibilité a un coût opérationnel. Pour un fonds qui regarde 200 dossiers par an, chaque term sheet doit être lue, comparée mentalement à un marché de référence flou, et négociée sur des dizaines de points. Pour les avocats qui rédigent ensuite la documentation finale, chaque deal repart d'une base proche du précédent mais légèrement différente. Le résultat est un marché où les conventions sont largement implicites, transmises par l'expérience des praticiens plutôt que codifiées dans des documents publics.

Ce qui se standardise — et pourquoi

La pression vers la standardisation vient de plusieurs sources. Du côté des prêteurs, la diversification des sources de capital — fonds, BDC, partenaires assureurs — impose une documentation plus lisible et plus comparable entre deals. Du côté des sponsors et des emprunteurs, l'arrivée de cabinets d'avocats spécialisés et la circulation rapide des précédents entre transactions tirent vers des formulations communes. Du côté du marché secondaire, la perspective d'une liquidité accrue sur les positions private credit suppose des termes plus prévisibles d'un dossier à l'autre.

L'initiative la plus structurante de l'année 2025 est la publication par la Loan Syndications and Trading Association d'un Exposure Draft de Model Credit Agreement Provisions for Private Corporate Credit Deals (PCC MCAPs), daté du 26 novembre 2025. Ces dispositions modèles ciblent un segment précis du marché : les facilités senior secured fournies par un nombre restreint de prêteurs directs à des sociétés sponsorisées par du private equity, avec un EBITDA compris entre 15 et 150 millions de dollars. Le document part des MCAPs déjà établis pour le marché LevFin et les adapte aux spécificités du club lending et du direct lending. Il ne s'impose à personne, mais sert de point d'ancrage : à mesure que des praticiens s'y réfèrent, les déviations deviennent des signaux dans la négociation.

Au-delà des MCAPs, certaines briques sont déjà largement convergées en pratique. La mécanique de calcul des intérêts — référence à un taux benchmark, marges applicables, planchers, conventions de calcul — suit des conventions très stables depuis la transition post-LIBOR. Les définitions de Change of Control et les mécaniques de prepayment voluntary restent variables dans leurs seuils mais homogènes dans leur structure. Les clauses procédurales (notices, mécaniques de vote des prêteurs, transferts) convergent vers des formulations communes que les outils de revue documentaire identifient sans difficulté.

Ce qui se négocie encore systématiquement

La standardisation s'arrête là où la valeur économique se déplace. L'analyse de Termgrid sur les tendances 2025 et perspectives 2026 identifie un cœur stable de termes qui restent négociés deal par deal : la capacité d'endettement incrémental, les clauses Most Favored Nation, leurs sunset provisions, la capacité d'endettement non sécurisé. La question des open market purchases — la possibilité pour le sponsor de racheter ses propres prêts sur le marché — reste également peu stabilisée et fait l'objet d'arbitrages au cas par cas, avec une diffusion plus marquée dans les deals de grande taille.

Au-delà de ces blocs, plusieurs zones de personnalisation pèsent disproportionnellement sur le profil de risque d'une position. La définition de l'EBITDA ajusté en est le cas d'école. Il n'existe pas de définition standard : chaque contrat liste ses propres addbacks (synergies attendues, coûts non récurrents, ajustements pro forma) et ses propres exclusions. Deux contrats avec un même ratio de levier maximum à 6x peuvent en réalité refléter des contraintes très différentes selon la générosité des addbacks autorisés. Le bilan 2025 du restructuring private credit publié par Proskauer rappelle que les exercices de gestion de passif (liability management exercises, ou LME) qui se sont multipliés en 2025 reposent souvent sur l'exploitation de carve-outs et de baskets dont la formulation précise — fixée en phase de term sheet — détermine ce qui est juridiquement faisable des années plus tard.

Les baskets eux-mêmes sont une zone de négociation intense. Restricted payments, permitted investments, asset sales, additional debt : chaque catégorie de basket combine généralement un montant fixe (hard cap), un montant exprimé en pourcentage de l'EBITDA (grower basket), et parfois un montant disponible reconstitué par les flux de trésorerie (available amount, builder basket). Les conditions d'utilisation, les ratios à respecter au moment de l'usage, les interactions entre baskets constituent un graphe combinatoire qui rend la comparaison entre deux contrats laborieuse à la main.

Une note de la LSTA sur la conciliation flexibilité-standardisation souligne ce point : dans le direct lending, rien ne ressemble jamais tout à fait à autre chose, et cette variabilité se traduit jusque dans la manière dont les crédits sont rédigés, traités et financés. La standardisation des MCAPs porte sur les briques procédurales et techniques ; les termes économiquement sensibles restent l'objet de la négociation.

Ce que l'IA peut comparer entre term sheets

L'écart entre la standardisation des briques techniques et la personnalisation des termes économiques détermine ce que les outils d'analyse automatisée font utilement et ce qu'ils ne font pas. Sur la couche standardisée, l'IA atteint un niveau de fiabilité élevé : identifier qu'une clause de Change of Control est présente et conforme à une formulation type, vérifier que les mécaniques de vote suivent le modèle LSTA, extraire la grille de pricing avec ses paliers de marge en fonction du levier. Ces tâches sont mécaniques, répétitives et constituent typiquement 60 à 70 % du contenu d'un term sheet en volume textuel.

Sur la couche négociée, l'IA est utile mais devient un outil d'aide à l'analyse plutôt qu'un substitut. Comparer deux définitions d'EBITDA ajusté entre deux deals est aujourd'hui faisable de manière automatisée : un modèle peut lister les addbacks présents dans chaque définition, signaler ceux qui figurent dans l'un mais pas dans l'autre, mesurer l'écart entre les plafonds appliqués. Ce qu'il ne fait pas, c'est juger si cet écart est acceptable au regard de la stratégie du fonds, du profil du borrower ou de la dynamique de la négociation en cours. Cette synthèse reste un travail d'analyste ou de juriste.

L'apport le plus tangible se situe dans la détection des déviations par rapport à un référentiel interne. Un fonds qui a déjà signé 30 ou 50 deals dispose de facto d'une base de référence privée : ses propres positions sur le levier maximum, sur les sunset MFN, sur les seuils de baskets, sur les définitions d'EBITDA acceptées. Comparer une nouvelle term sheet à cette base permet d'identifier rapidement les écarts à challenger en négociation. Des outils comme MyClauze, Ontra ou Termgrid construisent cette couche de comparaison à partir des historiques contractuels propres à chaque fonds, plutôt que d'imposer un benchmark de marché externe dont la pertinence est par construction limitée en private credit.

La valeur de l'IA dans la revue de term sheet n'est pas de dire ce qu'est le marché — c'est de dire en quoi ce deal-ci s'écarte de ce que vous avez l'habitude de signer.

Les limites de l'exercice

Plusieurs limites doivent être tenues en tête par les équipes qui s'appuient sur des outils d'analyse de term sheets. La première tient au caractère évolutif du marché. Le bilan annuel publié par Dechert souligne que les conditions de marché en 2025 ont vu les spreads se compresser et la concurrence s'intensifier entre prêteurs, ce qui s'est traduit par un assouplissement progressif des termes sur certains segments. Un référentiel construit sur les deals signés il y a deux ans peut surestimer la rigueur de ce qui se négocie aujourd'hui.

La deuxième limite porte sur la confusion entre term sheet et documentation finale. Une term sheet fixe les grands principes économiques et listes les principaux points de protection, mais la rédaction complète intervient dans le credit agreement, où les définitions précises et les renvois entre articles déterminent l'application réelle des termes. Une term sheet apparemment plus stricte peut, après rédaction complète, se révéler plus souple que prévu si les définitions sous-jacentes contiennent des carve-outs généreux. Les outils qui n'analysent que la term sheet manquent cette couche de profondeur.

La troisième limite est la dimension relationnelle. Les insights publiés par DLA Piper à partir du Debtwire Private Credit Forum rappellent que sur les segments upper et middle market, les relations entre sponsors et un noyau resserré de gestionnaires private credit reposent sur des historiques de plusieurs années. Certains termes sont accordés parce qu'ils s'inscrivent dans une relation longue, pas parce qu'ils représentent un standard de marché. L'IA mesure des écarts ; elle ne mesure pas la contrepartie relationnelle.

Comment intégrer ces outils dans un processus de revue

Pour un fonds qui souhaite outiller la revue de ses term sheets, l'approche la plus rentable consiste à séparer trois couches dans le processus. La première couche est la vérification de conformité aux conventions techniques de marché : présence et formulation des clauses procédurales, conformité aux MCAPs (LevFin ou PCC selon le segment), pricing grid. Cette couche peut être largement automatisée et confiée à un outil dès la réception de la term sheet.

La deuxième couche est la comparaison avec la base interne du fonds : levier maximum vs. moyenne portefeuille, structure de l'EBITDA ajusté vs. positions historiques, sunset MFN vs. pratique récente du fonds, seuil et structure des baskets. Cette couche produit une fiche d'écarts qui sert de point de départ à la discussion entre l'équipe d'investissement et les conseils.

La troisième couche est l'analyse qualitative : appréciation du profil de crédit, dynamique de négociation, contexte du sponsor, perspective de relation longue avec l'emprunteur. Cette couche reste humaine. Sa qualité dépend du temps que les équipes peuvent y consacrer — temps qui se libère mécaniquement quand les deux premières couches sont préparées par des outils plutôt que reconstruites à la main pour chaque dossier.

L'enjeu pratique n'est pas de déployer une IA générique sur la term sheet et d'en attendre un verdict. C'est de construire une chaîne où chaque couche fait ce qu'elle sait faire le mieux, et où le travail humain se concentre là où le jugement et la connaissance du marché font la différence.