L’IA génère des gains dans des domaines inattendus

L’IA crée davantage de valeur métier

L’IA prend désormais en charge 30 % des tâches de travail dans les entreprises interrogées, contre 25 % il y a un an. Pourtant, les bénéfices les plus importants ne sont ni la baisse des coûts ni la hausse de la productivité. L’étude de SAP a montré que les entreprises tirent davantage de valeur de l’IA lorsque les employés l’utilisent pour générer des insights, prendre des décisions et interagir avec les clients.

Cela change la manière dont les dirigeants doivent évaluer l’IA. Un business case étroit centré sur les économies de main-d’œuvre peut passer à côté de la valeur créée ailleurs. Une analyse plus rapide peut raccourcir les cycles de décision. Un meilleur accès à l’information peut améliorer la qualité des décisions. Des interactions client assistées par l’IA peuvent améliorer la capacité et la réactivité du service. Ces résultats comptent même lorsqu’ils ne réduisent pas immédiatement les dépenses d’exploitation.

Le problème de mesure devient donc un problème de management. Différentes parties d’une organisation peuvent définir le succès de l’IA de différentes façons. La finance peut attendre des réductions de coûts mesurables. Les opérations peuvent se concentrer sur le débit. Les équipes commerciales et de service peuvent accorder de l’importance aux temps de réponse, aux résultats clients ou au chiffre d’affaires. Sans référence et objectif communs, les entreprises peuvent accroître leur usage de l’IA tout en restant incertaines quant à son rendement réel.

Les dirigeants devraient définir la valeur au niveau des processus avant d’étendre un déploiement d’IA. La mesure pertinente peut être le coût par transaction, le temps de décision, le taux de conversion, le temps de résolution du service, la production des employés ou un autre résultat métier. L’usage de l’IA en lui-même n’est pas un retour.

L’étude de SAP a montré que la satisfaction à l’égard de la valeur de l’IA augmente, tandis que l’efficacité des coûts et la productivité ne sont pas les principaux bénéfices signalés par les répondants. Kask a formulé clairement cette distinction : « Ce n’est pas le principal moteur de bénéfices de l’IA, mais cela en fait certainement partie. »

L’adoption de l’IA progresse plus vite que son intégration à l’échelle de l’entreprise

La contrainte suivante est l’échelle. L’IA aide déjà à réaliser en moyenne 30 % des tâches dans les organisations interrogées, contre 25 % l’an dernier. Les répondants s’attendent à ce que ce chiffre atteigne 48 % dans les deux prochaines années. Mais seules 18 % des entreprises déclarent des déploiements d’IA de bout en bout et transverses.

Cet écart est important. Utiliser l’IA pour des tâches individuelles est bien plus simple que de repenser un processus métier complet autour d’elle. Un employé peut utiliser l’IA pour résumer un document, rédiger du contenu ou analyser des informations sans modifier les systèmes autour de cette tâche. Un déploiement de bout en bout est différent. Il peut exiger que l’IA fonctionne entre plusieurs équipes, accède à de multiples sources de données, interagisse avec les logiciels métier, respecte les règles d’autorisation et produise des résultats auxquels d’autres systèmes ou employés peuvent se fier.

Les chiffres pointent donc vers deux formes différentes d’adoption. L’usage de l’IA devient courant au niveau des tâches, tandis que l’intégration profonde reste peu fréquente. Le fait que davantage d’employés utilisent l’IA ne signifie pas automatiquement que l’organisation a transformé la manière dont le travail est réalisé.

Pour les dirigeants, cette distinction doit orienter les décisions d’investissement. L’étape suivante ne consiste pas simplement à fournir davantage d’outils d’IA. Les entreprises doivent identifier des processus complets où l’IA peut produire un résultat métier mesurable. Elles ont ensuite besoin de l’accès aux données, de l’intégration des systèmes, des contrôles et des changements opérationnels nécessaires pour la déployer à grande échelle.

C’est aussi pourquoi la hausse prévue de 30 % à 48 % des tâches assistées par l’IA ne doit pas être considérée comme la preuve d’un ROI plus élevé. L’usage mesure une activité, pas une valeur économique. Le test le plus important est de savoir si l’élargissement de l’adoption améliore des résultats métier définis sans créer de coûts disproportionnés, de risque opérationnel ou de complexité managériale.

L’enquête montre néanmoins une marge de progression importante. Avec seulement 18 % des entreprises déclarant des déploiements de bout en bout et transverses, la plupart des organisations n’ont pas encore capté la valeur potentielle qui pourrait venir de la refonte de workflows plus larges plutôt que de l’optimisation de tâches isolées.

Les retours sur l’IA augmentent plus vite que les dépenses, mais l’économie doit encore être prouvée

L’entreprise américaine moyenne interrogée a dépensé 37,2 millions de dollars en IA cette année, selon SAP et Oxford Economics. Les entreprises s’attendent à ce que ces dépenses augmentent de 46 % au cours des deux prochaines années. Elles ont déclaré 9,9 millions de dollars de ROI lié à l’IA cette année et s’attendent à ce que ce chiffre atteigne 26,5 millions de dollars sur la même période.

La direction est importante. Le ROI attendu progresse beaucoup plus vite que les dépenses prévues. Le ROI déclaré augmenterait d’environ 168 %, passant de 9,9 millions de dollars à 26,5 millions de dollars, tandis que les dépenses augmenteraient de 46 %. Les entreprises s’attendent donc à ce que les investissements existants, l’expérience accumulée et des déploiements plus larges produisent davantage de valeur à mesure que l’IA gagne en maturité.

Cela rend la rigueur de mesure essentielle. Les portefeuilles d’IA doivent être liés à des résultats métier définis et évalués par rapport à une référence. Une entreprise doit savoir ce que coûte un processus avant l’IA, ce qui change après le déploiement et quels gains peuvent raisonnablement être attribués à la technologie. Les effets sur le chiffre d’affaires, les économies de coûts, les gains de productivité, les dépenses de mise en œuvre, les coûts des modèles, le travail d’intégration et la supervision continue influent tous sur le business case économique.

Les prévisions de dépenses signalent néanmoins un fort engagement des entreprises. Une hausse planifiée de 46 % implique que les entreprises ne considèrent pas l’IA comme une expérimentation de court terme. Le test le plus exigeant vient ensuite : convertir cet investissement en résultats financiers reproductibles à mesure que les déploiements dépassent les tâches individuelles.

Les données, les compétences et la gouvernance deviennent des contraintes plus difficiles à mesure que l’IA change d’échelle

Le passage à l’échelle de l’IA met en lumière des faiblesses que de petits déploiements peuvent laisser cachées. Les données, les compétences et la gouvernance sont des freins persistants au ROI. Ces éléments sont particulièrement importants à mesure que les entreprises adoptent des agents IA : des systèmes capables d’exécuter des tâches et d’agir pour les utilisateurs plutôt que de seulement générer des informations.

Kask, dont la fonction et l’entreprise ne sont pas précisées dans le texte fourni, a mis en avant un risque de gouvernance spécifique. À mesure que les entreprises déploient des agents, elles peuvent découvrir des « shadow agents » ou des agents de shadow IT opérant en dehors des contrôles normaux. Ces systèmes peuvent accéder à des données qu’ils ne devraient pas voir ou effectuer des actions qui ne peuvent pas être correctement auditées.

Cela modifie le profil de risque. Un système d’IA qui génère une réponse inexacte crée un type de problème. Un agent autorisé à modifier des enregistrements, initier des workflows ou agir via des applications d’entreprise peut créer des conséquences opérationnelles et de sécurité directes. Les entreprises ont donc besoin d’identités claires, d’autorisations d’accès, de limites d’action, de traces d’audit et d’une responsabilité définie pour les agents déployés.

La contrainte centrale est le contrôle à grande échelle. Une IA plus capable exige un accès fiable aux données et aux systèmes de l’entreprise, mais un accès plus large accroît aussi les conséquences d’une gouvernance faible. Les dirigeants devraient considérer les autorisations et l’auditabilité comme des exigences de conception plutôt que comme des contrôles ajoutés après le déploiement. Les compétences comptent pour la même raison : les employés doivent comprendre où l’IA peut agir, qui est responsable et quand une validation humaine est requise.

Une enquête de KPMG a montré que les dirigeants des entreprises les plus matures déplacent leur attention vers le passage à l’échelle de l’IA et la définition de son rôle dans l’entreprise. Le déploiement lui-même peut révéler des pratiques de données faibles, des contrôles insuffisants et des processus obsolètes. Ces constats sont utiles si le management agit en conséquence.

L’objectif n’est pas de ralentir l’adoption. Il s’agit de rendre les déploiements plus vastes suffisamment fiables pour produire des retours durables. Les entreprises qui renforcent la gestion des données, les capacités techniques et la gouvernance à mesure qu’elles changent d’échelle seront mieux placées pour passer d’un usage isolé de l’IA à un déploiement d’entreprise contrôlé et mesurable.

De solides retours sur l’IA exigent une refonte des processus et des décisions au niveau du conseil d’administration

Les dépenses en IA, à elles seules, ne produiront pas de forts retours. La tâche centrale du management consiste à décider où l’IA peut suffisamment transformer un processus métier pour créer une valeur mesurable. Cela exige que les dirigeants aillent au-delà du financement d’outils individuels et concentrent le capital, les talents techniques et l’attention managériale sur un petit nombre de processus ayant un impact économique significatif.

La culture IA au niveau du conseil d’administration est un élément important de ce changement. Les conseils n’ont pas besoin de comprendre chaque détail technique. Ils doivent en revanche disposer de connaissances suffisantes pour remettre en question les hypothèses d’investissement, comprendre les risques matériels et distinguer une adoption large de l’IA d’une performance métier mesurable. C’est important parce que l’IA est en concurrence avec d’autres priorités stratégiques pour un capital limité et des employés qualifiés.

La refonte des processus est tout aussi importante. Ajouter de l’IA à un workflow existant peut améliorer des tâches individuelles sans traiter les retards, le travail en double, les mauvais flux de données ou les structures d’approbation qui limitent la performance globale. Les entreprises qui recherchent des retours plus importants doivent examiner le processus complet, décider quelles étapes l’IA doit soutenir ou exécuter, déterminer où le jugement humain reste nécessaire et mettre à jour les systèmes et les contrôles en conséquence.

La mesure doit être définie avant le déploiement. Le management a besoin d’une référence pour le processus existant et d’un résultat précis pour le nouveau. Selon le cas d’usage, cela peut inclure un coût d’exploitation plus faible, un cycle plus court, un chiffre d’affaires plus élevé, un meilleur service client, moins d’erreurs ou une plus grande capacité des employés. Sans cette discipline, un usage plus élevé de l’IA peut être confondu avec une valeur plus élevée de l’IA.

Cette approche rend aussi l’allocation des ressources plus rigoureuse. Des constats plus larges montrent que les entreprises s’attendent à une forte hausse des dépenses en IA, tandis que les données, les compétences et la gouvernance restent des contraintes. Les dirigeants ne peuvent donc pas considérer chaque projet d’IA potentiel comme ayant la même valeur. L’investissement doit privilégier les processus où le bénéfice économique attendu justifie le travail d’intégration, le coût d’exploitation, les exigences de gouvernance et le risque.

Kask, dont la fonction et l’entreprise ne sont pas identifiées dans le texte fourni, situe cette responsabilité au plus haut niveau de l’organisation : « Il s’agit d’allouer des ressources rares, et pas simplement de tout miser sur l’IA, mais de le faire d’une manière qui maximise ce type de ROI. » Kask ajoute : « Je pense que cela se décide franchement au niveau du conseil d’administration, en identifiant où l’on peut réellement transformer un processus de manière stratégique, puis en mesurer le résultat. »

L’implication pour la direction est claire. La stratégie IA ne doit pas être mesurée au nombre de projets pilotes, d’outils ou d’employés utilisant la technologie. Les conseils d’administration et les équipes dirigeantes doivent mesurer si les déploiements sélectionnés améliorent de manière significative des processus métier importants. Les entreprises capables d’établir ce lien, et de le démontrer avec des données financières et opérationnelles, disposeront d’une base plus solide pour décider où l’IA mérite des investissements supplémentaires.

Points clés

• Mesurer l’IA au-delà des économies de coûts : l’IA crée davantage de valeur grâce à de meilleurs insights, à de meilleures décisions et à de meilleures interactions client que par des réductions directes des coûts. Les dirigeants devraient relier chaque déploiement à des résultats financiers ou opérationnels précis plutôt qu’au seul usage de l’IA.
• Passer les processus à l’échelle : l’IA assiste désormais 30 % des tâches, mais seules 18 % des entreprises déclarent des déploiements de bout en bout et transverses. Concentrez l’investissement sur des workflows complets où l’intégration peut produire un impact métier mesurable.
• Exiger des preuves à mesure que les dépenses en IA augmentent : les entreprises américaines interrogées s’attendent à ce que les dépenses en IA augmentent de 46 % sur deux ans, tandis que le ROI déclaré devrait passer de 9,9 millions de dollars à 26,5 millions de dollars. Définissez des références claires et des méthodes d’attribution avant d’engager davantage de capital.
• Intégrer la gouvernance au déploiement de l’IA : l’accès aux données, les compétences, les autorisations et l’auditabilité deviennent des contraintes plus difficiles à mesure que l’IA change d’échelle, en particulier avec les agents autonomes. Mettez en place les contrôles avant que les agents puissent accéder à des données sensibles ou agir dans les systèmes d’entreprise.
• Faire de l’IA une décision stratégique d’allocation des ressources : de forts retours dépendent de la sélection de processus à forte valeur et de leur refonte autour de résultats mesurables. Les conseils d’administration devraient développer une culture IA suffisante pour remettre en question les investissements, évaluer les risques et orienter les ressources rares vers les opportunités les plus solides.