Comment les DSI transforment les gains de l’IA en valeur

L’IA peut faire gagner deux heures à un employé tout en générant peu de retour financier pour l’entreprise. Pour les DSI et les CTO, la question décisive est ce qu’il advient ensuite de ces deux heures : créent-elles de la capacité, améliorent-elles le service, orientent-elles les collaborateurs vers un travail à plus forte valeur, réduisent-elles les coûts ou contribuent-elles à la croissance ? TechTarget a demandé à huit DSI, responsables technologiques et experts de l’IA si l’IA est rentable, et leurs réponses mettent en lumière une distinction importante lorsque les entreprises décident de ce qu’elles doivent déployer à plus grande échelle. La productivité des employés montre un effet ; le ROI de l’entreprise dépend de sa capacité à le capter.

L’IA peut faire gagner du temps sans créer de ROI pour l’entreprise

Cette distinction change la question que les responsables technologiques doivent poser à propos de l’IA. Le développement logiciel et l’automatisation des ventes produisent déjà des retours ciblés, mais une démonstration réussie peut malgré tout être un mauvais candidat pour un investissement plus large si sa valeur ne permet pas de couvrir ses coûts. Les entreprises qui évaluent la prochaine étape de leurs dépenses en IA doivent établir comment une application fonctionnelle produit un résultat organisationnel. Le débat est passé de l’efficacité technique à la valeur que les entreprises peuvent en tirer.

L’écart reste visible même lorsque les résultats opérationnels semblent bons. Manish Jain, fondateur et PDG de Strategic Horizon Research, affirme que l’IA améliore la productivité, l’expérience client et l’efficacité des processus métier, tandis que les retours financiers à l’échelle de l’entreprise restent bien plus difficiles à obtenir et à démontrer. Il appelle ce concept de retour « ROAI » et affirme que ce bénéfice existe pour un groupe relativement restreint d’entreprises ; pour la plupart, ce n’est pas « à l’échelle ». Comme Strategic Horizon Research opère sur le marché de la recherche autour de ces décisions technologiques, son activité bénéficie de la demande des entreprises pour ce type d’analyse, ce qui donne à Jain un intérêt commercial dans ce débat.

Brian Jackson, directeur principal de la recherche chez Info-Tech Research Group, identifie un problème de mesure connexe. Dans une enquête d’Info-Tech, 42 % des organisations ont déclaré une adoption de l’IA à l’échelle du département avec un impact mesurable, tandis que 28 % supplémentaires avaient atteint une adoption à l’échelle du département sans impact clair. Info-Tech a également un intérêt commercial auprès des organisations en quête de recherche et de conseil technologiques ; ses conclusions reflètent donc le point de vue d’une entreprise au service de ce marché. Le résultat de 28 % rend le problème concret, car un déploiement à l’échelle du département peut exister avant qu’une organisation n’établisse une valeur métier mesurable.

Pour les dirigeants qui prennent des décisions de passage à l’échelle, la productivité est le point de départ de l’analyse du ROI. Une entreprise peut avoir besoin de repenser les postes, d’orienter les employés vers des activités à plus forte valeur ou d’utiliser la capacité nouvellement disponible pour servir davantage de clients. D’autres applications peuvent être plus directement reliées à un résultat de valeur et nécessiter moins de changements dans les rôles existants. Dans les deux cas, l’organisation doit suivre l’effet au-delà d’un travail plus rapide et mesurer ce qu’il advient de la capacité créée par l’IA.

L’étape manquante consiste à convertir l’efficacité en résultat

Suivre cette capacité mène directement aux workflows existants. Matt Watkins, DSI d’IMA Financial Group, voit l’IA automatiser des tâches, améliorer les livrables et mieux préparer les collaborateurs aux interactions avec les clients, mais il affirme que le problème le plus difficile est de traduire ces gains en économies et en croissance significatives. Pour y parvenir, il faut comprendre comment le travail s’effectue aujourd’hui et le repenser autour des capacités introduites par l’IA. Une amélioration locale crée de la valeur pour l’entreprise lorsqu’elle modifie la manière dont les ressources organisationnelles sont finalement utilisées.

Le travail d’IMA sur la vérification des polices et la comparaison des devis montre pourquoi cette conversion peut être difficile. L’entreprise a automatisé une grande partie de ces processus, mais les activités automatisées sont des fragments répartis entre de nombreux postes plutôt que des postes complets qui disparaissent après l’automatisation. Les économies apparaissent donc sous la forme de petites quantités de temps réparties entre de nombreuses personnes. IMA doit quantifier ces incréments avant de pouvoir déterminer si la capacité nouvellement disponible est suffisamment importante pour être utilisée ailleurs.

Une fois qu’IMA identifie cette capacité, la décision suivante consiste à déterminer où les employés doivent l’appliquer. Watkins se demande si les personnes peuvent effectuer un travail auparavant négligé, si les rôles doivent évoluer vers des activités à plus forte valeur et davantage orientées client, ou si les ressources doivent être déplacées vers un autre processus. Chaque option relie le temps gagné à une conséquence organisationnelle au lieu de supposer que l’efficacité en crée automatiquement une. Comme le dit Watkins : « Sans cette refonte du travail, tout le monde devient simplement plus efficace dans son travail actuel, mais nous ne réaffectons pas ces heures à quelque chose qui crée plus de valeur pour l’entreprise et nos clients. »

La nature dispersée de ces économies explique aussi pourquoi les indicateurs de productivité individuelle peuvent masquer le résultat au niveau de l’entreprise. Si dix employés accomplissent chacun certaines parties de leur travail plus rapidement mais continuent d’exécuter le même ensemble d’activités, l’efficacité des tâches s’améliore alors que l’organisation peut gagner peu de capacité réellement exploitable. L’approche de Watkins suit le temps économisé jusqu’à l’allocation ultérieure du travail. La refonte du travail est particulièrement importante lorsque l’automatisation supprime des morceaux de rôles tout en laissant intact le reste de chaque rôle.

Ce test du workflow devient plus strict dès que les coûts entrent dans le calcul. Chris Campbell, DSI de DeVry University, distingue l’exécution plus rapide des tâches d’une meilleure économie opérationnelle, car le temps gagné doit être valorisé en tenant compte de ce qui se passe ensuite. L’effort humain consacré à la vérification des résultats de l’IA fait partie du calcul, tout comme le coût d’exploitation de la technologie. « Une tâche plus rapide, à elle seule, ne me dit pas cela », dit Campbell à propos de la question de savoir si l’IA a généré le retour qu’il cherche à mesurer.

Le travail de conseil aux étudiants de DeVry donne à l’analyse de Campbell une séquence concrète. Si l’IA réduit le travail de conseil de routine, un conseiller peut consacrer plus de temps à un étudiant qui a besoin d’aide ; DeVry peut d’abord se demander si l’IA a réellement créé cette capacité, puis si cette attention supplémentaire a amélioré le service. La seconde mesure relie le gain d’efficacité à un résultat de service. Campbell est à l’aise avec la poursuite de tels gains pratiques tout en exigeant un meilleur travail en sortie et une économie qui reste pertinente une fois tous les coûts inclus.

Ces tests de workflow expliquent aussi l’argument plus large de Jain sur le « ROAI ». Les entreprises peuvent compter l’usage, les expérimentations et l’adoption, mais ces mesures n’établissent une valeur financière que lorsque leurs effets se prolongent en capacité supplémentaire, en meilleur service, en travail à plus forte valeur, en économies ou en croissance. Le bénéfice obtenu doit aussi couvrir les coûts de vérification du travail de l’IA et d’exploitation de la technologie sous-jacente. La réalisation de la valeur, dans les termes de Jain, consiste à prolonger un effet observé de l’IA jusqu’à ce résultat organisationnel.

Les exemples de workflow fixent aussi une limite à la refonte du travail comme mécanisme. Cette refonte est particulièrement utile lorsque les économies sont dispersées dans les rôles existants, comme dans les workflows de polices et de devis d’IMA. Les applications plus étroitement liées au chiffre d’affaires, à l’expérience client ou à un processus opérationnel délimité peuvent avoir un chemin plus court entre l’usage de l’IA et une valeur mesurable. Les entreprises peuvent choisir le mécanisme adapté au workflow tout en exigeant malgré tout un lien crédible entre efficacité et résultat.

Certains cas d’usage raccourcissent le chemin de conversion

Ce chemin plus court façonne la manière dont Tony Garcia, chief information and security officer chez Infineo, contrôle la consommation d’IA. Dans son environnement, chacun reçoit une limite d’usage de l’IA, et les utilisateurs sont censés indiquer combien de temps l’IA leur a fait gagner et identifier la valeur ou le bénéfice métier associé. Infineo renonce à poursuivre des usages lorsque les utilisateurs ne peuvent pas démontrer ce bénéfice. Garcia oppose cette discipline à une consommation indiscriminée de l’IA, qu’il qualifie de « tokenmaxxing nonsense ».

Les ventes sont l’un des exemples de Garcia, car le résultat est proche du travail assisté par l’IA. Une compétence de branding peut permettre à une équipe commerciale en rendez-vous avec un client de produire un deck commercial entièrement brandé dès le lendemain ; Garcia note qu’Anthropic dispose également d’une telle compétence de branding. Ce délai plus court se relie directement au cycle de vente et à l’expérience client. L’organisation peut donc évaluer la valeur au sein d’un workflow commercial spécifique au lieu de dépendre d’une large réaffectation du temps des employés.

L’« AI code factory » d’Infineo fournit un second workflow délimité. Garcia affirme que de nombreuses autres organisations construisent également des code factories, et Infineo utilise des agents qui écrivent du code, l’auditent au regard des standards de l’entreprise, effectuent la revue de sécurité et préparent cette revue pour inspection et approbation par des personnes. L’approbation humaine reste une partie du processus, tandis que l’IA modifie plusieurs étapes liées qui mènent à cette approbation. La valeur en développement et en sécurité peut alors être évaluée par rapport au travail réalisé sur l’ensemble de la séquence.

L’exemple du distributeur automatique de Garcia clarifie la règle de sélection derrière ces investissements. Un consultant pourrait utiliser l’IA pour faire fonctionner un distributeur automatique, mais ajouter de l’IA à un processus ne rend pas ce processus digne d’être financé à lui seul. Selon Garcia, les applications dans les ventes et la code factory ont des bénéfices métier démontrables et un « impact significatif », tandis qu’il existe aussi des « cas d’usage absurdes ». La règle opérationnelle d’Infineo consiste à exiger des preuves de bénéfice avant d’augmenter la consommation d’IA.

Une approche sélective similaire apparaît chez ARG. Jim Begley, CTO d’ARG, affirme que l’entreprise se décrit comme un « fast follower » : elle observe ce qui se passe sur le marché et recherche des besoins ponctuels pour lesquels l’IA peut générer un impact net positif. ARG évalue stratégiquement le résultat visé, puis fait suivre cette évaluation d’une mise en œuvre stratégique. Begley affirme que l’entreprise a observé un ROI positif avec cette approche, tandis que la position commerciale d’ARG sur le marché technologique lui donne un intérêt dans la manière dont les entreprises évaluent et mettent en œuvre leurs investissements technologiques.

Begley limite aussi la portée de cette affirmation sur le ROI. « Ce n’est pas une réponse globale », dit-il, ajoutant que certains investissements ont été réalisés sans évaluation appropriée du ROI et que certaines choses n’ont pas de ROI. Son affirmation plus restreinte est qu’une évaluation rigoureuse du résultat visé et une mise en œuvre tout aussi rigoureuse peuvent produire un ROI positif. Cette distinction ajoute une seconde voie à côté de la vaste refonte du travail : des applications délimitées peuvent relier le travail opérationnel ou commercial à des résultats mesurables par une chaîne plus courte.

La stratégie et la discipline opérationnelle augmentent les chances d’un impact mesurable

La sélection des cas d’usage s’inscrit néanmoins dans un environnement d’entreprise plus large, et les résultats d’Info-Tech montrent une forte association entre la maturité de la stratégie et l’impact mesurable. Les organisations disposant d’une stratégie IA dédiée approuvée par leur conseil d’administration ont déclaré des niveaux nettement plus élevés d’adoption à l’échelle du département avec impact mesurable que les organisations encore en train de rédiger une stratégie. Les organisations qui avaient partiellement intégré des objectifs IA dans une stratégie IT ou digitale plus large se situaient entre ces groupes. La progression apparaît dans les trois états de stratégie.

Ces chiffres d’Info-Tech montrent une association ; ils n’établissent donc pas que la stratégie est la cause de cette différence. Jackson recommande néanmoins de formaliser une stratégie IA dédiée lorsque c’est possible et d’intégrer l’IA dans une stratégie IT ou digitale plus large lorsqu’une stratégie autonome n’est pas praticable. Une stratégie définie donne à l’organisation un cadre pour préciser les résultats souhaités et coordonner la mise en œuvre autour de ceux-ci. Cette coordination est importante, car l’adoption peut sinon progresser plus vite que la capacité de l’organisation à rendre compte de son impact.

La stratégie doit ensuite devenir une pratique opérationnelle. Eric Helmer, vice-président exécutif et CTO de Rimini Street, affirme que l’IA est rentable à une échelle plus réduite que beaucoup ne l’avaient prévu, car les organisations rencontrent des difficultés à « operationalizing AI responsibly ». Les frameworks de gouvernance, les contrôles de sécurité, la préparation des données, la conformité réglementaire et une responsabilité clairement définie évoluent souvent plus lentement que la technologie elle-même. Rimini Street a un intérêt commercial dans les services technologiques aux entreprises ; l’évaluation de Helmer reflète donc aussi le point de vue d’une entreprise susceptible de bénéficier de la demande pour le travail opérationnel qu’il décrit.

Ces conditions opérationnelles incluent les personnes autant que les contrôles techniques. Helmer affirme que les employés peuvent rester incertains quant à la manière dont l’IA affectera leurs rôles, ce qui peut ralentir l’adoption, tandis que les exemples de réussite les plus solides viennent d’entreprises qui traitent la confiance, la transparence et le changement organisationnel en parallèle de la technologie. Ces préoccupations influencent le fait que l’IA devienne ou non une partie du travail quotidien et que les organisations puissent ou non se fier aux processus qui en résultent. La gouvernance et la conduite du changement influencent donc la réalisation de la valeur, car un déploiement durable dépend des deux.

Pour les DSI et les CISO, ces contrôles font partie de l’économie du passage à l’échelle. La sécurité, la préparation des données, la conformité et la responsabilité consomment des efforts, tandis que des fondations fragiles peuvent empêcher une application d’IA fonctionnelle de devenir un processus d’entreprise fiable. Une opérationnalisation responsable consiste à mettre en place un niveau de contrôle suffisant pour soutenir et mesurer le résultat visé. Déployer un modèle ou un outil à plus grande échelle avant que ces conditions ne soient prêtes peut accélérer le déploiement plus vite que la valeur réellement obtenue.

Une utilité de faible niveau peut malgré tout échouer au test économique de l’entreprise

L’économie devient plus exigeante à mesure que les dépenses en IA augmentent, car une utilité réelle peut malgré tout produire trop peu de valeur pour justifier les services qui la fournissent. Le futurologue et conférencier Nikolas Badminton distingue la valeur que les gens tirent des grands modèles de langage, ou LLM, du retour recherché par les grandes entreprises technologiques et les laboratoires de pointe, c’est-à-dire les entreprises qui développent les modèles d’IA généralistes les plus avancés. Sa préoccupation est de savoir si des améliorations courantes du travail quotidien peuvent supporter des coûts bien plus élevés. Cette question déplace le test du ROI de la seule utilité vers l’utilité à un prix donné.

Badminton fonde en partie ce point de vue sur un conseil de 50 personnes pour une entreprise logicielle, où les participants ont discuté de leur usage de l’IA. Les applications fréquemment mentionnées concernaient des systèmes apprenant la manière de travailler d’une personne et agissant comme assistant personnel, ainsi que l’aide à la rédaction d’e-mails et de documents. Il s’attend à ce que ce type de travail de faible niveau devienne standard « dans l’année ou les deux années à venir ». À mesure que ces usages deviennent routiniers, leur seule présence donne à une entreprise peu de raisons d’accepter des dépenses en IA sensiblement plus élevées.

Cette question de coût devient plus aiguë dans le scénario prospectif de tarification de Badminton. Il évoque des entreprises dans lesquelles « des milliers de milliards de dollars » ont été investis et oppose un abonnement à « 100 dollars par mois » à une possible demande future de « 1 000 ou 2 000 dollars par siège » à mesure que les fournisseurs chercheront à générer des retours pour leurs investisseurs. Ces montants plus élevés décrivent un scénario prospectif plutôt qu’un changement de prix observé à l’échelle du marché. L’argument de Badminton est que des améliorations modestes d’un travail de faible niveau auraient du mal à justifier des coûts de cet ordre.

Le scénario de tarification réintroduit la discipline de consommation de Garcia dans le calcul économique. Un cas d’usage peut faire gagner du temps et les employés peuvent réellement préférer travailler avec lui, tandis que le bénéfice obtenu peut malgré tout être trop faible pour justifier la facture technologique à l’échelle de l’entreprise. Les changements de coût peuvent aussi faire passer un même cas d’usage d’un investissement plausible à un investissement faible. L’évaluation du ROI doit donc continuer à relier le coût d’exploitation au résultat que l’organisation achète.

Points clés à retenir pour les dirigeants

• Relier la productivité au ROI de l’entreprise : les DSI doivent suivre les gains de temps liés à l’IA jusqu’à la capacité supplémentaire, à un meilleur service, à un travail à plus forte valeur, à des coûts plus faibles ou à la croissance. Les indicateurs de productivité, à eux seuls, n’établissent pas un retour financier.
• Repenser le travail autour de la capacité créée par l’IA : les organisations dont les gains liés à l’IA sont répartis sur de nombreux rôles doivent quantifier cette capacité et décider où la redéployer. Les calculs de ROI doivent aussi inclure la revue humaine et les coûts d’exploitation de la technologie.
• Prioriser les cas d’usage délimités : les applications d’IA dans des domaines comme les ventes et le développement logiciel peuvent offrir un chemin plus court vers une valeur mesurable. Les équipes technologiques peuvent exiger un bénéfice métier défini avant d’augmenter la consommation d’IA.
• Construire une stratégie et une discipline opérationnelle : les organisations dotées de stratégies IA plus matures déclarent un impact mesurable plus élevé, même si les données montrent une association plutôt qu’une causalité. Les DSI et les CISO ont besoin de gouvernance, de sécurité, de préparation des données, de conformité et de responsabilité pour soutenir un déploiement durable.
• Tester l’utilité à l’aune de l’économie complète : l’assistance IA au quotidien peut faire gagner du temps aux employés tout en produisant trop peu de valeur pour justifier la hausse des coûts technologiques. Les acheteurs doivent réévaluer les cas d’usage à mesure que les prix évoluent et comparer les coûts d’exploitation totaux aux résultats métier mesurables.