Les entreprises ont des projets IA. Mais qui est responsable de leur ROI ?
L'IA fait gagner du temps, mais comment transformer ces gains en résultats économiques ?
Chronique de Thomas Thelliez Positive Group 19 novembre 2026 18:32 L'IA fait gagner du temps, mais comment transformer ces gains en résultats économiques ?
Les entreprises n’ont jamais autant investi dans l’intelligence artificielle. Pourtant, un paradoxe persiste : les collaborateurs gagnent du temps, les outils se multiplient, les expérimentations s’accélèrent, mais les résultats économiques restent difficiles à démontrer.
Selon l’étude The State of AI in 2026 de McKinsey , 80% des répondants constatent une amélioration de leur productivité individuelle grâce à l’IA. En revanche, seuls 37% déclarent un impact, même partiel, sur le résultat opérationnel de leur entreprise.
Autrement dit, l’IA améliore déjà le travail de nombreux collaborateurs. Mais ces gains ne se traduisent pas automatiquement dans les comptes.
Le sujet devient d’autant plus stratégique que les investissements explosent. Selon BCG, en septembre 2026 , les dépenses consacrées à l’IA ont doublé en un an pour atteindre 3,3% du chiffre d’affaires des entreprises interrogées. Plus surprenant : plus de 80% de ces dépenses se situent désormais en dehors des budgets informatiques.
La transformation IA ne se joue donc plus uniquement dans les DSI. Elle concerne toute l’entreprise.
Mais une question reste trop rarement posée : qui est réellement responsable de transformer ces investissements en valeur ?
Une entreprise équipe ses commerciaux d’un assistant IA capable de préparer leurs rendez-vous, rédiger leurs comptes rendus et mettre à jour automatiquement le CRM.
Chaque commercial gagne trente minutes par jour. Le projet semble être un succès.
Si elles permettent de rencontrer davantage de prospects, d’améliorer le taux de conversion ou de réduire le cycle de vente, l’entreprise peut commencer à mesurer une création de valeur.
Si elles sont simplement absorbées par d’autres tâches administratives, le gain de productivité individuel ne se transforme pas nécessairement en performance économique.
Dans les équipes de développement logiciel, nous constatons par exemple que l’IA accélère considérablement la production de code. Mais cette accélération peut déplacer les goulots d’étranglement vers les revues, les tests ou les validations avant mise en production.
Produire davantage ne signifie donc pas automatiquement livrer davantage.
La productivité individuelle est une promesse. La performance de bout en bout est le résultat à mesurer.
Cela implique de définir, avant chaque projet, un indicateur de départ, un objectif mesurable et un responsable métier chargé de vérifier que les gains se concrétisent.
Historiquement, les grandes transformations technologiques ont souvent été portées par les directions informatiques.
Avec l’IA, cette organisation atteint rapidement ses limites.
Un CTO ou un DSI peut évaluer la faisabilité technique, définir les standards de sécurité ou garantir la pérennité d’une architecture. Mais il n’est pas nécessairement le mieux placé pour identifier les irritants opérationnels d’un département commercial ou les tâches répétitives d’une équipe financière.
C’est pourquoi je crois à une gouvernance véritablement transverse.
Dans notre organisation, nous avons notamment structuré un groupe de travail réunissant des représentants des différents départements métiers.
L’objectif n’est pas de multiplier les réunions sur l’IA, mais de faire émerger les problèmes, d’évaluer leur potentiel économique et de prioriser les investissements.
Chaque département doit pouvoir répondre à trois questions : quel problème cherchons-nous à résoudre ? Quel bénéfice mesurable attendons-nous ? Qui sera responsable du résultat ?
Une initiative permettant d’améliorer significativement la marge ou de réduire un coût récurrent doit pouvoir être priorisée devant une expérimentation séduisante, mais sans impact identifié.
La DSI reste garante de la cohérence technique. Les métiers deviennent responsables de la valeur produite.
Et la direction financière doit contribuer à distinguer les économies théoriques des bénéfices réellement constatés.
Une fois les priorités définies, une autre question apparaît : qui construit les solutions ?
Les progrès récents des modèles permettent désormais à des ingénieurs expérimentés de développer rapidement des applications internes, des agents et des automatisations qui auraient demandé beaucoup plus de temps auparavant.
Il s’agit d’une petite équipe d’ingénieurs mise au service des départements métiers, capable de concevoir rapidement des solutions et de les industrialiser.
Mais sa mission ne doit pas se limiter à produire des démonstrations convaincantes.
Une application développée en quelques jours doit encore être sécurisée, connectée aux systèmes existants, supervisée et maintenue. Elle doit également disposer d’un responsable métier qui s’assure de son adoption et de son impact.
Le prototype prouve qu’une solution est possible. La production doit prouver qu’elle est utile et rentable.
Une autre approche consiste à intégrer directement des ingénieurs IA dans les départements métiers. Leur proximité avec les utilisateurs permet de mieux comprendre les besoins et d’accélérer les itérations.
Les deux modèles présentent des limites. Une AI Factory centralisée peut devenir un goulot d’étranglement. Des ingénieurs répartis dans les métiers peuvent multiplier les développements isolés, les coûts et les risques de sécurité.
Le modèle hybride me paraît particulièrement intéressant : des compétences proches des métiers, appuyées par une équipe centrale responsable des standards techniques, de la mutualisation et de l’industrialisation.
La réussite d’un programme IA ne devrait pas dépendre du nombre de projets lancés, mais de la capacité à sélectionner les bons, à les mesurer et à arrêter ceux qui n’apportent pas les résultats attendus.
Concrètement, chaque initiative devrait suivre un cycle de décision simple.
Avant le lancement, il faut documenter le coût du processus actuel, les gains attendus, les investissements nécessaires et les risques.
Pendant l’expérimentation, il faut mesurer les résultats sur un périmètre limité, idéalement en les comparant à la situation initiale.
Après le déploiement, il faut intégrer l’ensemble des coûts : développement, licences, consommation des modèles, supervision, maintenance et conduite du changement.
Enfin, il faut mesurer la valeur réellement produite : baisse des coûts, augmentation des revenus, amélioration de la qualité ou capacité à absorber davantage d’activité.
Pas encore recoupée
Seule la rédaction Journal du Net rapporte cette information pour l’instant. Elle reste « source unique » tant qu’une autre rédaction ne l’a pas confirmée.
- Journal du Net19 nov., 18:32
| Éditeur Journal du Net (niveau généraliste) | +72 |
| Total | 72 |
Méthode : les dépêches sont regroupées d’après les mots de leur titre et de leur résumé ; chaque rédaction compte une fois ; les chiffres sont lus tels que publiés. Rien ici n’est rédigé par une IA.
