La question du CFO a changé
L'an dernier, un dirigeant pouvait valider une expérimentation IA en demandant si l'équipe utilisait le dernier modèle. Cette question est périmée. La question utile est plus rude : cet investissement rend-il un workflow moins cher, une décision meilleure ou crée-t-il un revenu qui n'existait pas avant ?
L'enquête Gartner de juillet 2026 donne un chiffre utile à cette répartition : 45 % des CFO disent que leurs investissements IA visent surtout la productivité, alors que 20 % visent la qualité de décision. Les résultats Gartner(lien externe, nouvel onglet) ne sont pas un tableau de scores. Ils révèlent un choix que la plupart des entreprises n'ont jamais formulé clairement.
Le ROI de l'IA échoue lorsqu'une équipe promet les trois résultats à la fois et n'en mesure aucun correctement. Productivité, qualité de décision et revenu demandent chacun une base de comparaison, un responsable et un horizon différents.
Le ROI de l'IA n'est pas une métrique unique
La productivité est le point de départ le plus simple parce que le contrefactuel est visible. Un agent support rédige une réponse utile en deux minutes au lieu de dix. Un Product Owner regroupe 500 retours en une heure au lieu d'une journée. Un développeur obtient une première suite de tests avant même que la discussion de conception ne se termine. Ces gains sont réels si le temps libéré devient du travail utile, et non une file plus longue.
La qualité de décision est plus exigeante. La question n'est pas de savoir si un assistant IA a fait une recommandation. Il faut savoir si l'équipe a évité davantage d'erreurs, détecté un risque plus tôt ou choisi une meilleure action qu'elle ne l'aurait fait sans l'assistant. Cela demande un groupe de comparaison, une revue des résultats et assez de patience pour attendre l'effet.
Le revenu est encore plus difficile. Une fonctionnalité IA qui attire des utilisateurs mais augmente le churn, la demande support ou le coût d'infrastructure n'a pas créé de valeur parce qu'elle a eu une slide de lancement. C'est pourquoi prouver le ROI de l'IA est plus difficile que ne le suggère le hype. La sortie d'un modèle n'est pas un résultat économique.
Mesurez la productivité là où le travail se fait
Pour le travail de productivité, mesurez l'unité que l'équipe produit réellement. Ne vous contentez pas d'une promesse générique d'« heures gagnées » sans demander ce qui est arrivé à ces heures.
Dans un workflow support, suivez le délai avant première réponse utile, les tickets rouverts, le taux d'escalade et la satisfaction client. En développement logiciel, suivez le lead time, le rework en revue, les déploiements échoués et la capacité de l'équipe à utiliser le temps libéré pour des travaux à plus forte valeur. En discovery produit, comparez le temps de synthèse des retours avec le nombre de décisions que cette synthèse a réellement changées.
La courbe en J de productivité IA discutée par McKinsey(lien externe, nouvel onglet) est un avertissement utile. L'investissement initial peut créer davantage de coordination, de formation et de revue avant que les gains n'apparaissent. Si les dirigeants exigent une ligne droite dès le premier mois, ils peuvent tuer une évolution utile avant que le modèle opératoire n'ait suivi.
La qualité de décision exige un autre test
Une IA d'aide à la décision doit être jugée contre la décision qu'elle modifie, pas contre la fluidité de sa réponse. Un assistant de prévision doit être évalué sur sa calibration et son erreur dans le temps. Un agent de fraude doit être évalué sur la perte confirmée évitée, les faux positifs et le travail envoyé aux enquêteurs. Un assistant de priorisation produit doit être évalué sur sa capacité à modifier une décision de roadmap et sur la résistance de cette décision aux faits ultérieurs.
Rendez le désaccord humain visible. Lorsqu'un relecteur refuse une recommandation IA, capturez la raison. La preuve était-elle absente ? La politique était-elle mauvaise ? Le modèle a-t-il ignoré un contexte que les données ne pouvaient pas contenir ? Ces désaccords ne sont pas un bruit embarrassant. Ils sont la matière première de meilleures évaluations et de meilleures politiques.
C'est là que le mirage de productivité dans les équipes IA devient dangereux. Une réponse rapide peut créer l'apparence du progrès tout en repoussant silencieusement le coût du jugement vers l'aval.
Chaque promesse de ROI IA a besoin d'un responsable
La finance doit challenger les chiffres, mais elle ne peut pas posséder seule le résultat. Le leader produit possède la valeur reçue par les clients. Le leader opérations possède la vitesse et la fiabilité du workflow. L'ingénierie possède le coût et la résilience du système. Une personne doit réunir ces vues et déclarer quel résultat cet investissement doit produire.
Écrivez cette décision avant le démarrage du pilote. Indiquez la base de comparaison, le résultat cible, la fenêtre de mesure, le coût attendu et la condition qui ferait arrêter l'équipe. Cette petite discipline est plus utile qu'un dashboard exécutif rempli d'usage de modèles.
Le FinOps appliqué à l'IA devient alors un élément de preuve plutôt qu'un veto tardif. La question passe de « Combien avons-nous dépensé ? » à « Quel résultat cet investissement a-t-il acheté, et pouvons-nous le reproduire ? »
Le takeaway
Choisissez une promesse principale pour chaque investissement IA : productivité, qualité de décision ou revenu. Mesurez-la au niveau du workflow, attribuez-lui un responsable humain et laissez les preuves décider si le système mérite davantage de budget. C'est ainsi que le ROI de l'IA devient une pratique de management plutôt qu'un slogan trimestriel.
