La question executive qui paraît simple
Un sponsor exécutif a posé à une responsable produit une question qui aurait dû être facile : « Nous avons déployé de l'IA sur plusieurs workflows ce trimestre. Quel ROI avons-nous obtenu ? »
La salle s'est tue pour une raison.
L'équipe avait des histoires sur des brouillons plus rapides, des synthèses plus courtes et des utilisateurs internes plus satisfaits. Elle avait aussi un effort de revue en hausse, une dépense modèle plus forte et plusieurs workflows où le temps économisé avait simplement été réinvesti dans davantage de travail. Rien, dans cette situation, ne ressemblait à un échec. Rien ne se traduisait proprement en un chiffre unique de ROI non plus.
C'est l'état réel de beaucoup de programmes IA aujourd'hui — un écart que la recherche State of AI de McKinsey(lien externe, nouvel onglet) documente sans cesse entre l'adoption et l'impact mesurable sur le résultat. Le battage suggère que la valeur devrait être évidente et immédiate. En pratique, la valeur est souvent réelle mais distribuée, indirecte et entremêlée à des coûts cachés.
Pourquoi le ROI de l'IA devient vite glissant
La première raison, c'est que les équipes mesurent l'activité au lieu de mesurer l'amélioration du workflow.
Elles comptent les prompts, les brouillons générés, les tickets résumés ou les pourcentages d'adoption. Ces chiffres disent qu'il s'est passé quelque chose. Ils ne disent pas si le workflow est devenu meilleur. Une équipe peut produire deux fois plus de brouillons sans créer de valeur réelle si la relecture, la correction et la qualité de décision restent inchangées — parfois en accumulant discrètement un nouveau visage de la dette technique.
La deuxième raison, c'est que le temps gagné ne devient pas automatiquement de l'argent économisé. Si un Product Owner récupère trois heures par semaine sur un travail de synthèse — exactement le type de levier que j'ai décrit dans L'IA pour les product owners — et utilise ce temps pour faire une meilleure discovery, l'entreprise peut gagner de la valeur sans voir une réduction directe de coût. L'initiative devient stratégiquement utile et financièrement plus difficile à prouver.
La troisième raison, c'est le coût caché. Les workflows IA créent souvent de nouvelles couches de maintenance de prompts, de revue modèle, de gouvernance, de contrôles sécurité, de gestion des exceptions et de validation humaine — le type de dépense que la FinOps Foundation(lien externe, nouvel onglet) existe précisément pour rendre visible. Ces coûts ne se trouvent presque jamais sur la même ligne que l'outil lui-même, et ils dépassent largement le coût des modèles, comme je l'ai défendu dans Les coûts de l'IA vont au-delà des tokens.
La quatrième raison, c'est la confusion de baseline. Beaucoup d'équipes introduisent l'IA dans des workflows qu'elles n'avaient jamais mesurés correctement. Si vous ne savez pas combien de temps prenait le process manuel, à quelle fréquence il échouait ou à quoi ressemblait la qualité avant le rollout, l'après devient du récit au lieu de devenir de la preuve.
Les bonnes questions ROI sont plus petites que ce que les équipes imaginent
L'expression « ROI de l'IA » sonne stratégique, mais elle ne devient utile que lorsqu'on la casse au niveau du workflow.
Ne demandez pas si l'IA rentabilise tout un département. Demandez si un workflow borné s'est assez amélioré pour justifier son coût.
Exemples :
- Le tri de tickets est-il plus rapide sans augmenter les mauvais routages ?
- La rédaction de user stories est-elle plus rapide sans créer plus de reprise en refinement ?
- La synthèse support réduit-elle le temps de handoff sans faire baisser la qualité ?
- Le travail de migration engineering s'accélère-t-il sans augmenter les changements risqués ?
Ces questions sont plus dures opérationnellement et bien meilleures économiquement.
Le ROI devient mesurable quand le workflow est assez spécifique pour que la valeur et l'échec soient tous deux visibles.
Plus le cas d'usage est abstrait, plus la métrique devient fictive.
Une meilleure manière de mesurer la valeur IA
Si je devais mettre en place une revue ROI IA de zéro, je suivrais six éléments.
1. L'effort de référence. Combien de temps prenait le workflow avant l'IA ? Combien de personnes le touchaient ? Où la qualité échouait-elle ?
2. L'amélioration du cycle time. Après le déploiement, le workflow est-il vraiment plus rapide jusqu'à une sortie prête pour revue ?
3. Le taux de reprise. Quelle part de la sortie IA exige encore correction, rejet ou escalade ?
4. La charge de jugement humain. L'IA a-t-elle supprimé du travail à faible valeur, ou a-t-elle simplement déplacé l'effort vers la supervision ?
5. Le coût d'échec. Que se passe-t-il quand le workflow se trompe ? Une synthèse interne moyenne et une action client erronée n'ont pas le même profil économique.
6. La qualité de décision. L'équipe prend-elle de meilleures décisions parce que le workflow devient plus rapide, plus clair ou plus riche en preuves ?
Cette dernière métrique est celle que beaucoup de discussions finance oublient et que beaucoup d'équipes produit considèrent comme la plus importante. Si l'IA aide une équipe à voir des patterns plus tôt, à poser de meilleures questions ou à réduire les angles morts avant une release, la valeur peut se manifester dans de meilleures décisions plus que dans une économie directe.
Les deux pièges qui déforment les discussions ROI
Le premier piège, c'est le théâtre optimiste. Les équipes veulent que l'initiative ait l'air stratégique, donc elles surestiment les gains de temps et sous-estiment l'effort de revue. Cela produit des dashboards dont tout le monde doute en privé.
Le second piège, c'est le littéralisme financier. La direction ne cherche que des économies dures immédiates et ignore que certains workflows méritent un budget parce qu'ils améliorent la qualité d'exécution, pas parce qu'ils suppriment des postes.
Ces deux pièges conduisent à de mauvaises décisions.
La solution n'est pas d'abandonner le ROI. Elle consiste à décrire honnêtement la valeur selon le type de workflow.
Certains workflows doivent être jugés sur l'efficacité directe. Certains doivent être jugés sur la qualité et la réduction du risque. Certains doivent être jugés sur la vitesse d'apprentissage.
Si vous forcez les trois dans la même logique de tableur, vous tuerez soit des travaux utiles trop tôt, soit vous maintiendrez artificiellement en vie des travaux faibles avec des affirmations gonflées.
Ce que les leaders produit devraient faire maintenant
Choisissez un workflow IA actif. Écrivez la baseline manuelle actuelle, le bénéfice attendu, le coût de revue et la conséquence en cas d'erreur. Revenez dessus après 30 puis 60 jours.
Ensuite, forcez une décision :
- l'étendre parce que le workflow est réellement meilleur
- le redessiner parce que le coût caché est trop élevé
- l'arrêter parce que la valeur est plus narrative que réelle
Cette discipline compte parce que l'IA peut sembler réussie bien avant d'être économiquement lisible. Le sentiment d'utilité ne suffit pas. Mais exiger un faux chiffre universel de ROI n'est pas plus sérieux.
Le takeaway
Le ROI de l'IA est plus difficile à prouver que ne le dit le battage parce que la valeur est souvent distribuée et les coûts souvent cachés. La réponse n'est pas d'abandonner la mesure. La réponse est de mesurer à l'endroit où le travail se produit vraiment.
Commencez par un workflow. Posez une baseline. Comptez la reprise. Nommez le coût d'échec. Ensuite, demandez si le système s'est amélioré, pas si la démo avait l'air impressionnante.
