Les dirigeants face au défi de la rentabilité de l’IA agentique

Les dépenses en IA augmentent

Selon un récent rapport de Harness, environ un dollar sur quatre dépensé en IA est gaspillé. Pourtant, les investissements continuent d’augmenter. Accenture a constaté que 82 % des dirigeants de la direction générale prévoient d’accroître leurs dépenses en IA.

Le problème tient à la fois au coût de l’IA et à la manière dont les entreprises la déploient. Les grandes entreprises peuvent ajouter l’IA à de nombreuses équipes et à de nombreux processus sans changer la façon dont le travail est effectué. Cela peut améliorer certaines tâches individuelles, mais ne garantit pas un retour économique mesurable. Une utilisation accrue de l’IA n’équivaut pas à davantage de valeur créée par l’IA.

Les dirigeants doivent donc piloter l’investissement en IA en fonction des résultats de l’entreprise. Des indicateurs comme le nombre de projets pilotes, d’utilisateurs, de modèles ou d’applications activées par l’IA montrent une activité. Ils ne démontrent pas, à eux seuls, un impact économique. Une approche plus solide relie l’investissement en IA à des résultats tels que la baisse des coûts d’exploitation, la réduction des délais de traitement, l’augmentation du chiffre d’affaires ou l’amélioration des niveaux de service.

Cela change aussi la manière dont les dirigeants doivent envisager la hausse des budgets IA. Le fait que 82 % des dirigeants de la direction générale aient l’intention de dépenser davantage ne prouve pas que ces investissements seront rentables. Le constat de Harness sur les dépenses gaspillées met en évidence le risque d’exécution. Augmenter le budget sans améliorer la sélection et la mesure des projets peut accroître le gaspillage en même temps que les capacités.

La priorité n’est donc pas de ralentir l’adoption de l’IA pour le principe. Il s’agit de rendre les dépenses responsables. Chaque déploiement majeur doit répondre à un problème métier défini, à un résultat attendu et à une méthode de vérification du résultat. Cette discipline devient plus importante à mesure que l’IA passe d’expériences relativement limitées à des opérations centrales.

Le ROI de l’IA peut être difficile à mesurer lorsque les bénéfices apparaissent dans plusieurs fonctions ou sur une période plus longue. Les premières expérimentations peuvent aussi avoir une valeur d’apprentissage même lorsqu’elles ne produisent pas de retours financiers immédiats. Les dirigeants ne devraient pas classer chaque projet pilote infructueux comme du gaspillage. La distinction clé se situe entre une expérimentation intentionnelle et des dépenses qui se poursuivent sans apprentissage mesurable ni trajectoire crédible vers une valeur métier.

Quelques déploiements d’IA agentique à fort impact peuvent produire plus de valeur que des centaines de projets pilotes superficiels

Les dirigeants devraient approfondir l’usage de l’IA avant de l’étendre à grande échelle. Les entreprises devraient identifier un petit nombre de workflows où l’IA agentique peut faire une différence significative, puis développer ces systèmes jusqu’à ce que leurs résultats métier puissent être mesurés.

L’IA agentique va au-delà de la génération d’une réponse ou de l’assistance sur une tâche unique. Un système agentique peut exécuter plusieurs étapes vers un objectif, utiliser des outils ou des données, et prendre des décisions encadrées dans un workflow. Cela le rend potentiellement précieux pour les processus comportant des décisions et des actions répétées. Cela renforce aussi le besoin de contrôles solides, car le système peut agir et non seulement conseiller.

Le choix du workflow compte davantage que le nombre de déploiements. Une entreprise qui mène des centaines de projets pilotes peut générer une activité importante tout en apportant peu de preuves d’impact financier. Un portefeuille plus restreint donne aux équipes davantage de capacité pour intégrer l’IA aux données, applications, contrôles et processus opérationnels existants. Cela rend aussi la responsabilité et la mesure plus claires.

Le business case doit commencer par le workflow. Les dirigeants doivent identifier les situations où le travail est coûteux, lent, répétitif ou limité par une coordination manuelle. Ils peuvent ensuite déterminer si un système agentique peut supprimer suffisamment de travail ou de délais pour justifier ses coûts de mise en œuvre et d’exploitation. Le test final est un résultat mesurable et communicable.

Cette approche rend aussi le passage à l’échelle plus rigoureux. Une fois qu’une entreprise peut démontrer qu’un workflow agentique fonctionne dans des conditions opérationnelles réelles, elle dispose d’éléments concrets pour décider où investir ensuite. L’extension repose alors sur une valeur démontrée plutôt que sur la pression d’introduire l’IA partout en même temps.

La concentration ne signifie pas qu’il faille ignorer l’expérimentation. Les entreprises ont toujours besoin de projets pilotes pour tester la faisabilité technique, le comportement des utilisateurs, la sécurité et l’économie. Le problème apparaît lorsque les projets pilotes se multiplient sans critères clairs pour les arrêter, les étendre ou les mesurer. Les systèmes agentiques exigent aussi une gouvernance plus stricte que de simples assistants IA, car des actions autonomes peuvent entraîner des conséquences opérationnelles, de sécurité, de conformité et financières.

L’IA transforme déjà les emplois, et les entreprises s’attendent à voir apparaître de nouveaux rôles centrés sur l’IA

L’évolution de la main-d’œuvre sous l’effet de l’IA est déjà en cours. Accenture a constaté que 57 % des employés déclarent que leur emploi a changé à cause de l’IA. Dans le même temps, 78 % des dirigeants s’attendent à ce que les rôles des employés évoluent au cours de l’année à venir. Cet écart est important. Les employés vivent déjà cette transition, alors que de nombreux dirigeants la décrivent encore comme une évolution à court terme.

Pour les dirigeants de la direction générale, la question centrale est celle de la conception des postes. Ajouter des outils d’IA sans modifier les responsabilités, les processus ou les indicateurs de performance en limite la valeur. Les dirigeants doivent décider quelles tâches l’IA doit exécuter, quelles décisions doivent rester entre les mains des personnes, et où les employés ont besoin de nouvelles compétences. Cela suppose d’examiner des workflows précis plutôt que de considérer un emploi entier comme une unité unique.

Accenture a constaté que près des trois quarts des dirigeants s’attendent à ce que leur organisation crée de nouveaux postes débutants centrés sur l’IA au cours des prochaines années. Cela suggère que l’adoption de l’IA peut modifier la composition du travail junior plutôt que simplement le réduire. Les nouveaux employés peuvent intégrer les organisations avec la responsabilité d’utiliser, de superviser, d’évaluer ou de soutenir des systèmes d’IA.

Cela crée un défi concret pour le développement des talents. Le travail de niveau débutant a traditionnellement aidé les employés à acquérir des connaissances métier grâce à des tâches routinières. Si l’IA prend en charge une partie de ces tâches, les entreprises doivent mettre en place des moyens délibérés pour développer le jugement, l’expertise métier et les capacités de prise de décision. Recruter uniquement sur la familiarité avec l’IA ne résoudra pas ce problème. Les employés doivent toujours comprendre les processus métier dans lesquels l’IA opère.

Les dirigeants devraient donc relier la stratégie IA à la planification de la main-d’œuvre. Les investissements technologiques, la refonte des postes, le recrutement, la formation et le développement de carrière doivent avancer ensemble. L’objectif n’est pas seulement d’augmenter l’usage de l’IA par les employés. Il s’agit de déterminer comment les personnes et les systèmes d’IA se répartissent le travail de manière à produire des résultats mesurables tout en préservant un niveau approprié de responsabilité humaine.

Les conclusions d’Accenture indiquent une évolution importante des emplois, mais elles n’établissent pas que l’IA entraînera une hausse ou une baisse nette de l’emploi. Un emploi modifié n’est pas non plus la même chose qu’un emploi supprimé. Les dirigeants devraient distinguer l’automatisation des tâches, la refonte des rôles et les effets sur les effectifs lorsqu’ils planifient les évolutions de la main-d’œuvre. Ils devraient aussi éviter de supposer que chaque fonction évoluera au même rythme ; l’effet dépend du travail effectué et des capacités du système d’IA.

Les dirigeants doivent eux-mêmes utiliser l’IA s’ils attendent des employés qu’ils changent leur façon de travailler

Selon Ashraf, seul environ un quart des hauts dirigeants utilisent l’IA tous les jours. Cela crée un problème clair de direction. Les entreprises augmentent leurs investissements en IA et s’attendent à une transformation majeure de la main-d’œuvre, alors que de nombreux décideurs seniors n’utilisent pas régulièrement la technologie qu’ils demandent à leur organisation d’adopter.

L’usage par les dirigeants est important, car l’IA change plus que la productivité individuelle. Les dirigeants doivent prendre des décisions en matière d’investissement, de gouvernance, de risque, de conception des postes et de performance. Une expérience pratique régulière peut leur donner une compréhension plus claire de ce que les systèmes d’IA actuels font bien, de leurs limites et des situations où une revue humaine reste nécessaire. Sans cette expérience, les dirigeants risquent de fixer des attentes qui ne reflètent pas le comportement réel de la technologie dans le travail.

Cela ne signifie pas que chaque PDG ou DAF doive devenir ingénieur en IA. Les dirigeants seniors devraient plutôt développer une compétence opérationnelle. Ils devraient comprendre comment utiliser les outils d’IA pertinents, évaluer leurs résultats, protéger les informations sensibles, reconnaître les modes de défaillance courants et savoir quand les résultats doivent être vérifiés. Leur propre comportement montre aussi que l’adoption de l’IA est une priorité opérationnelle plutôt qu’un programme technologique isolé.

Le comportement de la direction doit s’accompagner de règles claires. Encourager une expérimentation généralisée sans outils approuvés, sans contrôles des données ni responsabilité définie peut créer des risques de sécurité et de conformité. Les dirigeants doivent montrer l’exemple d’un usage responsable : travailler dans le cadre des politiques de gouvernance, protéger les données confidentielles, vérifier les résultats importants et rester responsables des décisions appuyées par l’IA.

L’usage quotidien par les dirigeants ne doit pas devenir un objectif en soi. Le véritable but est une meilleure direction d’une organisation activée par l’IA. Un PDG peut avoir moins de tâches quotidiennes utiles pour l’IA qu’un dirigeant responsable du développement logiciel ou des opérations client. Ce qui compte, c’est que les dirigeants seniors comprennent suffisamment bien la technologie pour prendre des décisions crédibles sur les domaines où elle a sa place et ceux où elle ne l’a pas.

L’adoption par les dirigeants peut soutenir le changement culturel, mais elle ne peut pas compenser une technologie médiocre, des données faibles, une formation insuffisante ou des workflows inadaptés. Les employés sont plus susceptibles d’utiliser l’IA lorsqu’elle améliore réellement leur travail et lorsque les attentes sont claires. Le rôle d’exemple de la direction n’est donc qu’un élément de l’adoption.

L’IA ne crée une valeur transformatrice que lorsque les entreprises repensent leur mode de fonctionnement

L’IA qui aide les employés à accomplir plus rapidement les tâches existantes peut améliorer la productivité. Mais les gains de productivité, à eux seuls, ne constituent pas une transformation de l’entreprise. Les entreprises doivent repenser les rôles, les workflows, les systèmes de données, la gouvernance et la mesure si elles veulent que leurs investissements en IA produisent une valeur métier plus large.

Cette distinction est importante pour la direction générale. La plupart des premières adoptions de l’IA ont été de nature assistive. Les employés utilisent l’IA pour rédiger du contenu, résumer des informations, analyser des données, écrire du code ou accélérer d’autres travaux existants. Ces applications peuvent faire gagner du temps, mais le processus sous-jacent reste souvent inchangé. En conséquence, l’entreprise peut gagner quelques minutes au niveau de la tâche sans améliorer de manière significative le coût, la vitesse, la qualité ou la capacité du processus métier complet.

La refonte des processus commence par le résultat souhaité. Les dirigeants devraient identifier les points où les décisions sont retardées, où les transferts manuels ajoutent des coûts et où le travail répétitif peut être automatisé en toute sécurité. Ils peuvent ensuite déterminer quelles étapes doivent être prises en charge par l’IA, lesquelles nécessitent une revue humaine et lesquelles peuvent être supprimées entièrement. Cela déplace l’attention du déploiement d’un plus grand nombre d’outils d’IA vers l’amélioration de performances opérationnelles mesurables.

Les données constituent une contrainte majeure. Les systèmes d’IA ne peuvent pas soutenir de manière fiable des workflows importants lorsque les données métier sont incomplètes, incohérentes, inaccessibles ou mal gouvernées. Les entreprises doivent donc améliorer la base de données qui sous-tend les déploiements d’IA à forte valeur. Cela inclut la décision sur les systèmes de données auxquels l’IA peut accéder, le maintien d’un niveau de qualité approprié, le contrôle des autorisations et l’établissement d’une responsabilité sur les informations utilisées dans les décisions automatisées.

La gouvernance doit évoluer en même temps. À mesure que l’IA passe de la recommandation d’actions à l’exécution de certaines parties des workflows, les entreprises ont besoin d’une responsabilité claire sur ce que font ces systèmes. Les contrôles doivent définir les actions autorisées, les règles d’escalade, les exigences de revue humaine, les limites de sécurité et les procédures de traitement des erreurs. Les mécanismes d’audit doivent aussi permettre aux dirigeants de relier l’activité du système aux résultats métier et d’identifier les défaillances.

La mesure complète le modèle opérationnel. Les dirigeants ont besoin de preuves que l’IA modifie la performance de l’entreprise. Les indicateurs appropriés dépendent du workflow, mais peuvent inclure le coût d’exploitation, le temps de cycle, les taux d’erreur, le chiffre d’affaires, la qualité de service, le débit ou d’autres résultats métier définis. Des références de départ devraient être établies avant tout déploiement majeur lorsque cela est possible, afin que les dirigeants puissent distinguer une amélioration réelle d’une valeur supposée.

La refonte de l’entreprise n’exige pas de changer tous les processus en même temps. Une transformation large sans cas d’usage éprouvés peut ajouter des coûts et des risques opérationnels. Une approche plus solide consiste à repenser des workflows sélectionnés là où l’IA présente un business case économique crédible, à mesurer les résultats et à étendre ce qui fonctionne. La supervision humaine doit aussi refléter les conséquences de chaque décision. Une automatisation à faible risque peut permettre une plus grande autonomie, tandis que les décisions ayant un impact financier significatif, critiques pour la sécurité, réglementées ou sensibles pour le client peuvent nécessiter des contrôles plus stricts.

La transformation par l’IA est donc avant tout une décision de modèle opérationnel. Les capacités technologiques comptent, mais la contrainte la plus importante est de savoir si l’organisation peut faire évoluer les processus, les responsabilités, les pratiques de données, les contrôles et les indicateurs de performance autour de cette capacité. Les entreprises qui laissent ces éléments inchangés ont plus de chances d’obtenir une efficacité incrémentale qu’une amélioration structurelle.

Points clés

• Maîtriser les dépenses d’IA par les résultats : Environ un dollar sur quatre investi dans l’IA est gaspillé alors même que 82 % des dirigeants de la direction générale prévoient d’augmenter les investissements. Reliez toute nouvelle dépense à des résultats métier définis plutôt qu’à l’adoption ou au nombre de projets pilotes.
• Approfondir avant d’étendre à grande échelle : Donnez la priorité à quelques workflows d’IA agentique avec une valeur économique claire au lieu de financer des centaines de projets pilotes superficiels. Ne passez à l’échelle qu’après que les déploiements ont produit des résultats mesurables dans des conditions opérationnelles réelles.
• Repenser les emplois à mesure que l’IA transforme le travail : Alors que 78 % des dirigeants s’attendent à ce que les emplois évoluent dans l’année, 57 % des employés disent que ce changement a déjà commencé. Faites évoluer les rôles, les compétences, la formation et les parcours de carrière en parallèle du déploiement de l’IA.
• Faire de la maîtrise de l’IA une exigence pour la direction générale : Selon Ashraf, seul environ un quart des hauts dirigeants utilisent l’IA quotidiennement. Les dirigeants devraient acquérir suffisamment d’expérience pratique pour prendre des décisions éclairées sur l’investissement en IA, le risque, la gouvernance et l’adoption.
• Repenser l’entreprise : Accélérer le travail existant apporte une productivité incrémentale. Reconcevez les processus à forte valeur, les fondations de données, la gouvernance, la responsabilité et les indicateurs de performance autour de l’IA afin de capter des gains plus importants.