Comment mesurer la valeur réelle des investissements en IA

Les grandes entreprises augmentent leurs dépenses en IA alors même que les investissements antérieurs dans l’automatisation génèrent une valeur financière nettement inférieure aux attentes. Beaucoup financent de nouvelles initiatives grâce aux économies associées à ces projets peu performants. En conséquence, les hypothèses qui sous-tendent un investissement peuvent se reporter sur le suivant avant que l’entreprise n’ait établi la valeur réellement captée.

Les recherches de Bain pour 2026 montrent l’ampleur du problème. Les entreprises peinent à transformer les capacités de l’IA en économies mesurables, tandis que les grands éditeurs de logiciels engagent des milliards de dollars dans l’ingénierie de déploiement, la gouvernance et de nouvelles façons de mesurer le travail réalisé par l’IA. Ces engagements suggèrent que les fournisseurs considèrent de plus en plus la mise en œuvre et la performance opérationnelle comme relevant de leur responsabilité commerciale.

Ce changement est important, car l’économie des logiciels d’entreprise dépend de ce qui se passe après le déploiement. Une mise en œuvre techniquement réussie peut malgré tout produire des résultats financiers décevants lorsque les workflows restent inefficaces, que les employés doivent superviser les systèmes automatisés ou que les organisations ne parviennent pas à relier l’activité de l’IA aux résultats métier.

Les entreprises continuent de financer l’IA malgré des objectifs d’économies non atteints

L’investissement des entreprises dans l’IA fait face à une contradiction financière : les entreprises continuent d’approuver de nouvelles dépenses alors que les économies attendues des investissements précédents restent en partie non réalisées.

L’enquête Bain Automation and AI Pathfinder Survey 2026 a révélé que près de 40 % des entreprises mesurant les économies de coûts liées à l’IA ont obtenu moins de 10 %, alors qu’elles visaient des économies de 11 % à 20 %. Ces objectifs servent souvent à justifier l’investissement initial ; ne pas les atteindre fragilise donc les hypothèses financières qui sous-tendent les dépenses suivantes.

Pourtant, la plupart des entreprises augmentent leurs budgets IA. Beaucoup utilisent les économies associées à des investissements antérieurs dans l’automatisation pour financer des initiatives supplémentaires, même lorsque ces projets ont obtenu des résultats inférieurs aux attentes. Les investissements futurs peuvent donc reposer sur des hypothèses financières que les déploiements précédents ont déjà remises en cause.

Prenons l’exemple d’une entreprise qui approuve un projet d’automatisation sur la base de réductions de coûts projetées. Si le projet ne réalise qu’une partie de ces réductions, l’organisation dispose d’une capacité financière inférieure à celle prévue dans son business case initial. Utiliser la projection d’économies d’origine pour justifier un autre investissement creuserait l’écart entre les bénéfices attendus et les bénéfices réellement obtenus.

Pour les DAF et les conseils d’administration, la tâche immédiate consiste à établir quelle part de la valeur projetée s’est transformée en économies mesurables ou en autres bénéfices financiers. Cela implique de suivre les résultats opérationnels réels et de mettre à jour les hypothèses d’investissement avant d’approuver toute nouvelle expansion. Les responsables technologiques peuvent s’appuyer sur les mêmes éléments pour décider quels déploiements méritent un financement supplémentaire.

Les éditeurs de logiciels ont eux aussi un intérêt commercial à combler cet écart. Les fournisseurs peuvent démontrer des fonctionnalités, mener les déploiements à bien et étendre l’adoption alors même que les clients peinent à établir les rendements financiers. Lorsque ces rendements restent flous, les futures décisions d’achat et d’extension deviennent plus difficiles à justifier.

Les clients ont donc des raisons d’attendre davantage d’aide sur la conception des workflows, la planification de la mise en œuvre et la mesure de la performance. Le défi dépasse toutefois l’IA générative, car l’automatisation d’entreprise peine à produire la valeur attendue depuis des décennies.

L’écart de valeur est antérieur à l’IA générative

La difficulté à convertir une capacité technique en résultats financiers persiste depuis environ 20 ans d’automatisation d’entreprise.

Les recherches de Bain pour 2026, couvrant 951 entreprises et 63 processus d’entreprise, ont mis en évidence des écarts importants entre la valeur métier potentielle de l’automatisation et ce que les organisations réalisent effectivement.

Ces taux mesurent la part de la valeur métier potentielle que les organisations convertissent en résultats mesurables. Ils offrent une vision plus large de la performance financière que les seules économies de coûts, car la valeur métier peut inclure la productivité, la capacité, la qualité et d’autres améliorations opérationnelles.

Le taux de réalisation de 52 % de l’automatisation traditionnelle est particulièrement révélateur. Les organisations ont passé environ deux décennies à développer des méthodes de cartographie des processus, à intégrer des systèmes et à piloter le changement organisationnel. Même avec cette expérience, près de la moitié de la valeur potentielle de cette technologie reste non réalisée.

L’IA générative fait face à des défis techniques et opérationnels supplémentaires, ce qui aide à expliquer son taux de réalisation plus faible. Mais la comparaison historique met aussi en lumière un problème plus large : une meilleure technologie n’améliore pas automatiquement l’économie de l’entreprise. Les organisations doivent changer la manière dont le travail est effectué et dont les bénéfices sont captés.

Le problème commence souvent lors de la planification de l’investissement. Un business case estime les coûts de mise en œuvre, identifie les bénéfices attendus et calcule un rendement projeté. Une fois la technologie mise en production, les exigences d’intégration, l’implication des employés, les procédures existantes et les dépenses continues déterminent la part de ce rendement qui se matérialise.

Les taux de réalisation historiques peuvent rendre ces projections plus réalistes. Prenons un cas d’investissement illustratif prévoyant 10 millions de dollars d’économies. Si des projets comparables ont historiquement réalisé 60 % de leurs bénéfices attendus, utiliser 6 millions de dollars comme hypothèse de planification refléterait mieux l’expérience de l’organisation.

Le taux de 60 % est une hypothèse de planification hypothétique et non un résultat supplémentaire de l’enquête Bain. Il illustre la manière dont les organisations peuvent appliquer la performance historique lors de l’évaluation de nouveaux investissements. Budgéter la totalité des 10 millions de dollars créerait une attente plus agressive que le projet devrait ensuite justifier.

Une fois le déploiement lancé, la même méthode soutient l’allocation continue du capital. Les équipes d’entreprise peuvent comparer les bénéfices projetés aux résultats mesurés, calculer les taux de réalisation et mettre à jour les hypothèses pour les projets futurs. Chaque déploiement fournit alors des éléments concrets sur la capacité de l’organisation à capter de la valeur.

Pour les éditeurs de logiciels, cette économie crée une incitation à améliorer les résultats de mise en œuvre. La performance technique reste essentielle, mais les rendements financiers dépendent aussi de l’adéquation de la technologie au workflow du client.

Cette dépendance devient particulièrement importante lorsque les business cases de l’IA supposent une autonomie supérieure à ce que les systèmes en production peuvent réellement offrir.

Les business cases de l’IA surestiment l’autonomie en production

L’une des raisons pour lesquelles les investissements en IA n’atteignent pas les rendements attendus est l’écart entre l’automatisation supposée et les opérations réelles en production.

Selon les recherches de Bain pour 2026, seulement environ 7 % des entreprises exploitent des agents IA entièrement autonomes en production. Pourtant, de nombreux dossiers d’investissement supposent l’économie d’une automatisation complète, y compris les économies de main-d’œuvre attendues lorsque le logiciel exécute des workflows entiers de manière indépendante.

Un agent IA entièrement autonome peut exécuter un workflow assigné sans validation humaine de routine. Un agent supervisé exige que des personnes examinent les décisions, autorisent les actions, gèrent les exceptions ou vérifient les résultats. Les deux approches peuvent créer de la valeur, mais leurs coûts d’exploitation diffèrent.

Lorsqu’un investissement suppose une autonomie complète, son modèle financier peut anticiper l’élimination d’une part importante des dépenses de main-d’œuvre. Si les employés doivent continuer à examiner les résultats ou à approuver les transactions, l’organisation conserve une partie de cette dépense tout en ajoutant les coûts d’infrastructure IA, d’intégration et de supervision. La productivité peut tout de même s’améliorer, mais le résultat financier différera de la projection initiale.

La supervision humaine change l’économie du modèle

La supervision devient particulièrement importante dans les fonctions métier où les erreurs ont des conséquences significatives.

Les agents de service client peuvent nécessiter une intervention humaine lorsque les demandes deviennent inhabituelles ou sensibles. Les systèmes de reporting financier peuvent exiger une approbation avant que les informations n’entrent dans les registres officiels. Les processus de conformité et d’audit interne dépendent souvent du jugement humain, de décisions documentées et d’une responsabilité clairement établie.

Ces exigences ajoutent des coûts d’exploitation, mais elles peuvent aussi éviter des erreurs coûteuses. Une étape d’approbation peut réduire le risque d’une transaction incorrecte, tandis qu’un processus de revue peut détecter des informations inexactes avant qu’elles n’affectent les registres financiers. Le calcul doit donc inclure les coûts de supervision ainsi que les erreurs et les risques que cette surveillance permet d’éviter.

La conception économiquement préférable peut conserver une intervention humaine même lorsque l’IA peut exécuter davantage d’étapes de manière indépendante. Une entreprise peut tirer parti d’une large autonomie dans un workflow routinier tout en maintenant des exigences d’approbation détaillées dans un workflow sensible. Appliquer la même hypothèse d’autonomie à l’ensemble d’un programme IA peut masquer ces différences.

Pour chaque processus, les équipes d’entreprise doivent comparer les dépenses de main-d’œuvre, les coûts technologiques, les taux d’erreur, les risques opérationnels et les exigences de supervision. Cette comparaison détermine si une autonomie supplémentaire crée suffisamment de valeur pour justifier le changement.

Elle révèle aussi pourquoi l’automatisation d’un workflow existant peut produire des rendements décevants.

La dette de workflow limite les bénéfices de l’automatisation

De nombreux processus d’entreprise comportent des transferts inutiles, des approbations répétées, des procédures d’exception compliquées et des règles héritées qui subsistent parce que les systèmes antérieurs les exigeaient.

Introduire l’IA dans ces processus peut accélérer des activités individuelles tout en préservant l’inefficacité environnante. L’organisation paie pour l’automatisation mais continue de supporter les coûts d’exploitation de son workflow existant.

Bain appelle ce fardeau accumulé la dette de workflow. Elle se développe lorsque les organisations numérisent des procédures existantes sans reconsidérer la manière dont le travail devrait être effectué, puis construisent des initiatives d’automatisation ultérieures sur ces processus hérités.

Par exemple, un agent IA peut préparer une décision en quelques secondes alors que cette décision continue de passer par plusieurs étapes d’approbation conçues pour un ancien modèle opérationnel. La préparation devient plus rapide, mais les employés continuent de consacrer du temps aux approbations et aux transferts.

Lorsque des projets d’automatisation ultérieurs héritent de ces étapes d’approbation, de ces règles d’exception et de ces dépendances système, le workflow devient plus difficile à modifier. L’organisation peut finir par maintenir des procédures coûteuses alors même que les activités individuelles deviennent plus automatisées.

L’évaluation du workflow devrait donc précéder les décisions sur les domaines où l’IA interviendra. Les équipes d’entreprise doivent identifier quelles activités restent nécessaires, où le jugement humain apporte de la valeur et quelles procédures existent principalement en raison de contraintes historiques des systèmes.

Un processus repensé peut supprimer des étapes inutiles tout en préservant la supervision là où elle réduit un risque significatif. L’objectif est d’améliorer l’économie du workflow complet, y compris le coût d’exploitation et de gouvernance du système d’IA.

Une autonomie progressive améliore la planification des investissements

Une fois le workflow évalué, les organisations peuvent introduire l’autonomie par étapes, en fonction des conditions opérationnelles réelles.

Les recherches de Bain identifient une approche disciplinée chez les organisations les plus avancées : commencer par des tâches capables de produire de la valeur dans des conditions maîtrisables, puis étendre l’autonomie à mesure que les preuves s’accumulent.

Ces organisations choisissent d’abord des cas d’usage avec des données accessibles, des risques opérationnels maîtrisables et des résultats que les employés peuvent vérifier à un coût raisonnable. De telles tâches permettent à l’IA de produire des résultats utiles pendant que les équipes apprennent à quel point elle fonctionne de manière fiable avant de lui déléguer des actions plus conséquentes.

Les tâches d’analyse et de synthèse constituent de bons points de départ. Les employés peuvent utiliser l’IA générative pour rechercher des informations, comparer des documents, préparer des synthèses, rédiger des contenus et appuyer des décisions tout en restant responsables de la vérification des résultats.

L’usage répété met en évidence les erreurs récurrentes, les lacunes de données et les contrôles nécessaires pour des applications plus exigeantes. Les équipes peuvent ensuite utiliser ces éléments pour décider si le système est prêt à exécuter d’autres actions de manière indépendante.

Cette progression améliore aussi la planification financière. Plutôt que de supposer une autonomie complète immédiate, une organisation peut modéliser plusieurs étapes opérationnelles avec des besoins de main-d’œuvre, des dépenses technologiques et des bénéfices attendus différents. Elle peut mesurer les rendements réalisés à chaque étape et utiliser les économies démontrées pour soutenir une expansion supplémentaire.

Pour les acheteurs d’entreprise, cela produit un business case fondé sur le coût réel de la supervision. Pour les fournisseurs, cela crée une demande pour des méthodes de mise en œuvre qui tiennent compte de la maturité du workflow, des contraintes opérationnelles et de la capacité du client à capter des économies.

Ces exigences aident à expliquer pourquoi les grandes entreprises technologiques investissent massivement dans l’expertise de déploiement.

Les éditeurs de logiciels élargissent leur rôle dans le déploiement de l’IA

L’écart persistant entre la valeur attendue et la valeur réalisée crée un problème commercial pour les fournisseurs d’IA. Les clients peuvent acheter une technologie avancée tout en peinant à l’intégrer dans leurs opérations ou à démontrer une valeur suffisante pour justifier une adoption plus large.

Les fournisseurs ont intérêt à lever ces obstacles, car des déploiements réussis peuvent soutenir une consommation supplémentaire, des contrats plus importants et des relations clients plus longues. L’expertise de mise en œuvre devient par conséquent une composante de plus en plus importante de l’offre d’IA pour les entreprises.

Pendant environ 10 semaines au milieu de l’année 2026, les quatre plus grands fournisseurs d’IA ont engagé plus de 9 milliards de dollars pour placer des ressources d’ingénierie directement au sein des organisations clientes.

Deux annonces illustrent l’ampleur de ces engagements.

Ces investissements répondent à un problème pratique : acheter une technologie d’IA n’est qu’une étape vers l’obtention des bénéfices financiers attendus. Les clients doivent encore intégrer les systèmes, adapter les workflows, mettre en place des contrôles et changer la manière dont les employés effectuent leur travail.

AWS et Microsoft peuvent en tirer un bénéfice commercial lorsque des déploiements réussis incitent les clients à étendre leur usage des plateformes d’IA des entreprises et des services associés. Leurs engagements en ingénierie combinent donc un support de mise en œuvre avec un intérêt à accroître l’adoption.

L’ingénierie de déploiement se rapproche des opérations client

L’unité d’ingénierie forward-deployed d’AWS et l’initiative frontier-company de Microsoft rapprochent l’expertise technique des environnements où les clients utilisent l’IA.

L’ingénierie forward-deployed désigne des ingénieurs travaillant directement avec les équipes clientes pour résoudre des problèmes de mise en œuvre dans leurs systèmes technologiques existants. Cela donne aux fournisseurs une implication plus forte dans les exigences d’intégration, la conception des workflows et les contraintes techniques qui peuvent déterminer le succès d’un déploiement.

Le travail peut commencer avant la mise en œuvre. Un processus de vente classique de logiciels d’entreprise met souvent l’accent sur les capacités du produit, la compatibilité technique et les gains de productivité attendus. Un processus centré sur les résultats métier examine aussi comment le travail du client est effectué et ce qui doit changer pour que l’investissement produise de la valeur.

Par exemple, un fournisseur évaluant un déploiement d’IA peut examiner les procédures d’approbation existantes, la gestion des exceptions, l’accès aux données et les dépendances opérationnelles avant de recommander une conception d’automatisation. Cette évaluation peut identifier les activités où l’IA accélérerait un travail utile, ainsi que les procédures qui empêcheraient le client de capter des économies significatives.

Elle peut aussi révéler si le client dispose d’une expertise interne suffisante, d’un accès aux données adéquat et d’une capacité opérationnelle suffisante pour soutenir le déploiement proposé. Ces constats devraient orienter le plan de mise en œuvre et les hypothèses financières utilisées pour le justifier.

Un workflow nécessitant une approbation humaine a besoin d’un modèle d’investissement qui inclut la dépense de main-d’œuvre associée. Un accès limité aux données peut faire de la recherche d’information ou de l’analyse un point de départ plus pratique qu’une exécution autonome.

Identifier ces conditions tôt aide les fournisseurs à détourner les clients d’investissements dont les exigences opérationnelles sont en contradiction avec leurs projections financières.

Cette approche donne aussi aux fournisseurs des occasions de recueillir des preuves sur la performance de mise en œuvre. Une évaluation cohérente de la maturité des workflows et des résultats post-déploiement peut améliorer les propositions futures et fournir une base plus solide pour les discussions d’expansion.

Les engagements d’ingénierie montrent qu’AWS et Microsoft investissent dans ces capacités. Leur impact financier dépendra de la capacité des déploiements clients à obtenir de meilleurs résultats opérationnels et une réalisation de valeur plus élevée.

La gouvernance rend possible une exécution contrôlée de l’IA

À mesure que les fournisseurs s’impliquent davantage dans les workflows métier, ils doivent aussi prendre en charge les contrôles dont les entreprises ont besoin lorsque des agents IA exécutent des actions à fort enjeu.

L’architecture Copilot 2026 de Microsoft, gouvernée via Agent 365, illustre cette orientation. Elle intègre des périmètres d’autorisation, des workflows d’approbation et une journalisation de l’exécution dans les opérations de l’IA.

Les périmètres d’autorisation définissent les systèmes, les informations et les actions auxquels un agent peut accéder. Les workflows d’approbation précisent quand une personne doit autoriser une action avant son exécution. La journalisation de l’exécution enregistre ce que l’agent a fait afin que les organisations puissent surveiller l’activité, enquêter sur les problèmes et établir les responsabilités.

Ensemble, ces contrôles permettent aux entreprises d’introduire l’IA dans des workflows où une exécution autonome sans restriction créerait des risques opérationnels ou de conformité inacceptables.

Prenons un processus financier dans lequel un agent prépare une transaction mais doit obtenir une approbation avant de la soumettre. L’organisation peut bénéficier des gains de productivité liés à la préparation automatisée tout en conservant le contrôle sur l’action finale.

Cette conception peut rendre le déploiement de l’IA économiquement viable dans un processus où les erreurs entraînent des coûts importants. Elle permet aussi à l’organisation de mesurer le coût continu de la participation humaine et d’évaluer si une autonomie plus grande améliorerait le résultat financier.

Microsoft en tire un bénéfice commercial lorsque les capacités de gouvernance aident les clients à adopter Copilot et les services d’IA associés dans davantage de processus métier. La valeur pour le client dépend de la capacité de ces contrôles à permettre une automatisation utile tout en maintenant les risques opérationnels et les coûts de supervision à un niveau gérable.

ServiceNow répond à une exigence connexe avec son AI Control Tower, qui fournit des fonctions de mesure et de gouvernance dans les environnements d’entreprise existants.

Lors de Knowledge 2026, ServiceNow a montré le système identifiant une attaque par injection de prompt contre un agent de tarification et arrêtant cet agent en temps réel.

Une attaque par injection de prompt se produit lorsque des instructions malveillantes entrent dans un contenu traité par un système d’IA, dans le but de rediriger son comportement. Dans un workflow de tarification, une attaque pourrait chercher à influencer la manière dont un agent évalue l’information ou exécute une action autorisée.

La démonstration a montré comment un système de gouvernance pouvait détecter un comportement suspect et intervenir pendant l’exécution. Ces capacités soutiennent la supervision en permettant aux organisations de surveiller les agents, d’arrêter les actions problématiques et de conserver des informations à des fins d’enquête.

ServiceNow a un intérêt commercial à faire de la gouvernance de l’IA une capacité que les entreprises achètent et utilisent dans l’ensemble de leurs systèmes existants. Les clients ont un intérêt correspondant à réduire les risques opérationnels susceptibles d’empêcher le déploiement.

Ces intérêts se rejoignent autour d’une exigence pratique : les organisations ont besoin de contrôles applicables avant d’autoriser des agents à effectuer un travail sensible. Les évaluateurs juridiques et conformité ont besoin de preuves que les opérations peuvent être gouvernées, tandis que les responsables technologiques ont besoin de moyens pour gérer les actions automatisées à travers les systèmes métier.

Les acheteurs de la direction générale doivent aussi établir les responsabilités lorsqu’une décision automatisée provoque un problème. Les capacités de gouvernance rendent ces responsabilités explicites, ce qui peut influencer l’approbation ou non d’un déploiement proposé.

Les environnements de données existants façonnent les coûts de mise en œuvre

La gouvernance devient plus utile lorsque l’IA peut fonctionner au sein des systèmes que les clients possèdent déjà.

Les informations d’entreprise sont souvent réparties entre des applications héritées, différents formats de données et des systèmes aux structures incohérentes. Y accéder peut nécessiter un travail d’intégration important, ce qui augmente les coûts de déploiement et retarde les rendements financiers.

Exiger une modernisation complète avant d’introduire l’IA peut rendre l’investissement initial particulièrement coûteux. Une approche plus progressive commence avec les informations et les systèmes disponibles, puis étend l’intégration à mesure que le business case se développe.

Les fournisseurs peuvent utiliser des connecteurs légers pour accéder aux applications existantes et des outils de normalisation des données pour rendre exploitables, dans un workflow commun, des informations issues de systèmes différents. La normalisation des données consiste à convertir les informations dans des formats et des structures cohérents afin que le logiciel puisse les traiter de manière fiable.

Une fois ces connexions en place, les clients peuvent déployer une capacité d’IA délimitée, appliquer des contrôles de gouvernance, mesurer la performance et décider si une intégration supplémentaire est justifiée.

L’AI Control Tower de ServiceNow reflète cette approche en prenant en charge la gouvernance et la mesure dans les environnements existants des clients. Son attrait commercial tient notamment au fait qu’il aide les organisations à introduire de la supervision tout en préservant les investissements technologiques antérieurs.

Pour les acheteurs d’entreprise, l’intégration progressive crée une trajectoire d’investissement plus gérable. Une entreprise peut commencer par un workflow que ses systèmes actuels peuvent prendre en charge, démontrer de la valeur, puis décider si une modernisation supplémentaire générerait des rendements suffisants.

Cette approche est particulièrement pertinente pour les entreprises dont les procédures héritées et les données fragmentées rendent une autonomie complète immédiate peu réaliste. Elles peuvent poursuivre des déploiements d’IA utiles tout en tenant compte des dépenses d’intégration, de la supervision continue et des bénéfices atteignables dans les conditions opérationnelles actuelles.

Pour les fournisseurs, la prise en charge de ces environnements élargit l’éventail des clients et des processus pour lesquels la mise en œuvre est faisable. La capacité à travailler avec les systèmes existants peut donc influencer à la fois l’économie du déploiement et le choix du fournisseur.

La tarification basée sur la consommation change la facturation du travail de l’IA

Alors que l’ingénierie et la gouvernance traitent de la mise en œuvre, la tarification des logiciels évolue pour refléter la manière dont les clients utilisent l’IA.

Les contrats traditionnels de logiciels d’entreprise facturent fréquemment en fonction du nombre d’utilisateurs ou de sièges. Les clients paient pour l’accès, tandis que la quantité de travail productif effectuée via le logiciel peut varier considérablement.

Salesforce a introduit une tarification basée sur la consommation pour Agentforce, reliant les frais à l’usage des agents IA. Cela crée une mesure commerciale de l’activité qui peut augmenter ou diminuer selon la quantité de travail que les clients confient aux agents.

L’entreprise indique avoir livré 3,8 milliards d’unités de travail agentique via Agentforce et Slack. Les unités de travail agentique sont la mesure utilisée par Salesforce pour les tâches accomplies par des agents IA.

Pour les clients, cela offre une vision plus détaillée de l’activité de l’IA que le seul nombre de licences. Une entreprise peut examiner l’usage des agents dans les workflows pris en charge et comparer cette activité à la performance opérationnelle.

La tarification basée sur la consommation relie aussi l’augmentation de l’activité à des frais logiciels plus élevés. Les clients peuvent voir comment l’usage affecte leurs dépenses, tandis que Salesforce en tire un bénéfice commercial lorsque les clients déploient plus largement des agents et génèrent une consommation payante supplémentaire.

Mais l’exécution de tâches et la valeur financière sont deux mesures différentes.

Un agent peut accomplir un travail que des employés pourraient autrement effectuer à un coût marginal négligeable. Il peut exécuter à répétition un workflow inefficace ou produire des résultats nécessitant une revue et une correction coûteuses.

Le résultat financier dépend de la capacité du travail accompli à réduire les coûts, augmenter la capacité, améliorer la qualité ou produire un autre bénéfice mesurable supérieur aux dépenses associées.

La mesure en unités de travail de Salesforce établit le volume d’activité selon la définition de l’entreprise. Les clients doivent relier ces unités à leurs propres résultats opérationnels pour déterminer la valeur générée.

La tarification basée sur la consommation crée donc un lien plus étroit entre les frais logiciels et l’activité de l’IA. Une tarification basée sur les résultats irait plus loin en reliant les conditions commerciales à des résultats métier convenus, tels que les coûts de transaction, la capacité de traitement ou d’autres améliorations mesurables.

La distinction est importante, car un usage accru peut augmenter à la fois la facture logicielle du client et le chiffre d’affaires du fournisseur. Déterminer si cette activité améliore la situation financière du client exige un calcul distinct.

Dans l’ensemble de ces initiatives fournisseurs, les mécanismes commerciaux diffèrent. AWS et Microsoft investissent dans des ressources de déploiement, Microsoft et ServiceNow développent des capacités de gouvernance, et Salesforce relie les frais à une activité IA mesurée.

Chacun traite une partie différente de l’adoption en entreprise. Leur valeur économique dépend en définitive des résultats opérationnels obtenus par les clients.

Mesurer l’activité de l’IA à l’aune de la valeur financière

L’extension des services de déploiement, des capacités de gouvernance et de la tarification basée sur la consommation donne aux entreprises davantage d’informations sur la manière dont elles utilisent l’IA.

Les clients peuvent observer les ressources d’ingénierie affectées à la mise en œuvre, les actions effectuées par les agents, les exigences d’approbation, les interventions de sécurité et les volumes d’usage. Ces mesures aident à expliquer le fonctionnement d’un système, mais l’évaluation financière exige de relier cette activité aux résultats métier utilisés pour justifier l’investissement.

Ce lien commence avec le workflow lui-même. Une organisation doit établir ses coûts d’exploitation et sa performance avant le déploiement, mesurer le même processus après l’introduction de l’IA et prendre en compte les ressources nécessaires pour faire fonctionner le nouveau système.

Les mesures opérationnelles établissent où la valeur est créée

Un système d’automatisation du service client, par exemple, peut être évalué à travers les coûts par transaction, les délais d’exécution et les taux d’erreur. Un système d’IA soutenant les décisions métier peut être mesuré à travers le débit décisionnel, la précision et les ressources nécessaires à la revue.

Ces mesures capturent différents aspects de la performance ; les organisations doivent donc sélectionner celles qui sont pertinentes pour le workflow automatisé.

Les indicateurs prennent un sens financier lorsqu’ils sont reliés à des coûts et bénéfices réels.

Un processus plus court peut réduire les dépenses de main-d’œuvre, augmenter la capacité opérationnelle ou améliorer le service. L’organisation doit identifier quel effet s’est produit et calculer sa contribution économique.

De même, des taux d’erreur plus faibles peuvent réduire le travail de correction, les réclamations clients ou l’exposition au risque de conformité. Le bénéfice financier dépend des coûts associés à ces erreurs et des ressources nécessaires pour les prévenir.

Le débit décisionnel exige la même prudence. Traiter davantage de décisions peut créer de la valeur lorsque cette capacité supplémentaire soutient une activité métier utile. Si la demande reste inchangée, en revanche, le bénéfice financier peut dépendre de la capacité de l’organisation à réduire ses coûts d’exploitation ou à réaffecter le temps des employés à d’autres travaux productifs.

Les heures économisées nécessitent une interprétation financière

Les mesures d’adoption conventionnelles telles que le nombre de licences déployées et de workflows automatisés aident à établir l’ampleur de la mise en œuvre. Les heures économisées apportent des informations sur la productivité, mais leur signification financière dépend de ce qu’il advient de la capacité libérée.

Un employé peut accomplir une tâche plus rapidement tout en continuant à travailler le même nombre d’heures. L’organisation a gagné en capacité disponible, mais sa dépense de main-d’œuvre immédiate peut rester inchangée.

À l’inverse, l’entreprise peut utiliser cette capacité pour traiter davantage de transactions, améliorer le service client ou réduire les ressources nécessaires au travail existant. Chaque résultat a un effet financier différent et nécessite une méthode de calcul correspondante.

La distinction est particulièrement importante pour l’IA supervisée. Si un agent réduit le temps de préparation mais introduit des exigences de revue supplémentaires, l’organisation doit mesurer l’évolution nette de la main-d’œuvre.

Les dépenses technologiques doivent aussi entrer dans le calcul. L’infrastructure IA, l’intégration, les frais de consommation, la supervision et la maintenance peuvent compenser une partie du bénéfice opérationnel.

Une évaluation fiable mesure donc le coût total d’exécution du workflow avant et après le déploiement. Elle enregistre aussi les changements de qualité des résultats, de capacité de traitement et de risque opérationnel qui affectent la valeur métier.

Ces calculs donnent aux équipes d’entreprise une base plus solide pour décider si une automatisation supplémentaire a un sens financier.

Les fournisseurs peuvent intégrer la mesure financière au déploiement

Une fois que les clients ont établi des mesures opérationnelles pertinentes, les éditeurs de logiciels peuvent aider à collecter les informations nécessaires à une évaluation continue.

Un système peut enregistrer l’activité du workflow, calculer les temps de traitement, identifier les exceptions et suivre les ressources nécessaires à la revue humaine. Ces enregistrements peuvent ensuite être reliés aux mesures financières convenues lors de la planification de l’investissement.

Par exemple, une organisation introduisant l’IA dans le traitement des transactions pourrait établir son coût initial par transaction et la réduction attendue avant le déploiement. Après la mise en œuvre, elle pourrait mesurer le nouveau coût, y compris l’usage de l’IA et la supervision, puis comparer le résultat à la projection initiale.

Si le déploiement augmente aussi la capacité de traitement, l’organisation peut évaluer si cette capacité produit une valeur métier supplémentaire. Les changements de taux d’erreur peuvent de même entrer dans l’évaluation financière via les coûts de correction ou les économies qui en résultent.

La même méthode peut soutenir des revues financières périodiques. Les équipes peuvent comparer les bénéfices attendus et réalisés, analyser les écarts et ajuster les procédures opérationnelles avant d’approuver une nouvelle expansion.

Pour les DAF et les conseils d’administration, cela donne une vision plus claire de la performance des investissements. Pour les responsables technologiques et produit, cela identifie les workflows qui méritent une automatisation supplémentaire et ceux qui nécessitent une refonte.

Les fournisseurs obtiennent eux aussi des informations commercialement utiles. Démontrer des résultats clients mesurables peut renforcer les discussions d’achat, soutenir les renouvellements de contrat et aider à justifier une expansion. Ces incitations rendent la mesure financière pertinente pour les deux parties de la relation logicielle d’entreprise.

Les preuves de mise en œuvre les plus solides relient la performance opérationnelle au business case initial. Un déploiement qui effectue davantage de travail peut avoir de la valeur, mais l’organisation doit établir les coûts et les bénéfices associés à cette activité supplémentaire.

Les décisions d’achat peuvent intégrer la valeur réalisée

La mesure financière devient particulièrement utile lorsqu’une entreprise évalue un nouvel achat d’IA ou envisage d’étendre un déploiement existant.

Le processus d’achat peut commencer par une base de référence : coûts actuels du workflow, temps de traitement, taux d’erreur, capacité et contrôles requis. Les acheteurs peuvent ensuite établir les améliorations attendues et les hypothèses opérationnelles qui sous-tendent l’investissement proposé.

Ces hypothèses doivent inclure le niveau d’autonomie visé. Si les employés continuent d’approuver les transactions ou de revoir les résultats, leur travail doit figurer dans le modèle financier. L’intégration, la gouvernance, l’infrastructure et les frais logiciels continus doivent également être inclus.

Le business case qui en résulte fournit un benchmark pour évaluer la performance après le déploiement.

Une fois le système en fonctionnement, les équipes d’entreprise peuvent comparer les résultats mesurés à la projection initiale. Un taux de réalisation peut montrer quelle part de la valeur attendue l’organisation a captée, tandis que des mesures opérationnelles détaillées aident à expliquer l’écart.

Ces éléments peuvent guider la décision d’investissement suivante. Un workflow qui génère régulièrement de solides rendements peut justifier un déploiement plus large, tandis qu’un workflow aux résultats décevants peut nécessiter une refonte, des contrôles supplémentaires ou un niveau d’autonomie différent.

Les propositions des fournisseurs peuvent aussi être évaluées à l’aune de ces exigences. Les acheteurs peuvent examiner la manière dont un fournisseur évalue la maturité du workflow, gère l’intégration, prend en charge la gouvernance et enregistre les mesures opérationnelles nécessaires au calcul des rendements financiers.

Pour un contrat impliquant une tarification basée sur la consommation, l’acheteur peut modéliser la manière dont une activité IA supplémentaire affecte à la fois les bénéfices opérationnels et les frais logiciels. Pour un déploiement impliquant des agents supervisés, l’évaluation peut inclure le coût continu de la revue humaine.

Ces calculs aident à établir si un usage accru de l’IA améliore l’économie du client à mesure que le déploiement s’étend.

La même discipline s’applique aux renouvellements. Les clients peuvent évaluer les bénéfices mesurables obtenus pendant la période contractuelle et les comparer au coût total d’exploitation de la technologie.

Pour les fournisseurs, cela crée une opportunité commerciale liée à la performance du client. L’assistance d’ingénierie, les capacités d’intégration, la gouvernance et la mesure de l’usage prennent plus de valeur lorsqu’elles aident les clients à obtenir les rendements utilisés pour justifier leurs investissements.

Recap

L’investissement des entreprises dans l’IA entre dans une période où le succès du déploiement et la performance financière doivent être évalués séparément. Les entreprises continuent d’augmenter leurs budgets IA, mais les recherches de Bain montrent qu’une grande partie de la valeur métier potentielle de cette technologie reste non réalisée. Accroître l’adoption sans traiter cet écart risque de prolonger les mêmes hypothèses financières d’un investissement à l’autre.

Pour les PDG, les DAF et les responsables technologiques, la priorité est d’établir la valeur réellement délivrée par les déploiements existants avant d’engager des capitaux supplémentaires. Les taux de réalisation fournissent une mesure utile, mais ils doivent être étayés par des preuves de réduction des coûts d’exploitation, d’amélioration de la productivité et d’autres résultats métier mesurables.

Ce changement modifie aussi ce que les entreprises doivent attendre des éditeurs de logiciels. Les investissements d’AWS, Microsoft, ServiceNow et Salesforce montrent une attention commerciale croissante portée à l’ingénierie de mise en œuvre, à la gouvernance et à la mesure de l’usage. Ces capacités peuvent améliorer les conditions de déploiement, mais elles n’établissent pas à elles seules les rendements financiers.

Les dirigeants d’entreprise devraient évaluer les investissements en IA à l’aune de l’économie des workflows complets, y compris les coûts d’intégration, la supervision humaine, les exigences de gouvernance et les dépenses logicielles continues. Une plus grande autonomie et un usage plus élevé n’ont de valeur que lorsque leurs bénéfices justifient les coûts et risques supplémentaires.

La prochaine phase de l’investissement en IA d’entreprise dépendra moins du nombre de systèmes déployés par les organisations que de leur capacité à convertir régulièrement ces déploiements en résultats mesurables. Les entreprises qui relient leurs décisions de financement à la valeur réalisée disposeront d’une base plus solide pour étendre les applications réussies, corriger les workflows peu performants et négocier avec les fournisseurs technologiques.

La question centrale pour l’IA d’entreprise n’est plus de savoir si les organisations peuvent automatiser davantage de travail, mais si cette automatisation produit une valeur financière suffisante pour justifier la poursuite de l’investissement.