Les fournisseurs d’IA promettent tous la même chose : « Notre outil fait gagner 40% de temps à vos équipes sur la tâche X. »
La démo impressionne. Le calculateur de ROI confirme, affichant des millions de francs d’économies. Vous obtenez le budget. Vous déployez l’outil.
Six mois plus tard, votre directeur financier demande : « Où sont les 40% de gains de productivité dans notre chiffre d’affaires ? »
Vous réalisez que le temps économisé est parti dans les e-mails et les réunions, pas dans le travail stratégique qui fait avancer l’organisation.
Selon un rapport de Fortune de décembre 2025, 61% des PDG déclarent subir une pression croissante pour démontrer le retour sur investissement de l’IA. Pourtant, la plupart des organisations mesurent les mauvaises choses.
Le problème réside dans la façon dont nous avons suivi la valeur de l’IA.
Pourquoi « le temps gagné » ne suffit plus aux directeurs financiers
La promesse de productivité IA face à ce qui apparaît réellement dans les revenus
Le temps gagné semble convaincant dans un business case. C’est concret, mesurable et facile à calculer.
Mais le temps gagné n’équivaut pas à la valeur créée.
Une recherche d’Anthropic de novembre 2025 analysant 100 000 conversations IA réelles a révélé que l’IA réduit le temps d’exécution des tâches d’environ 80%. Cela semble transformateur, non ?
Ce que cette statistique ne capture pas, c’est le paradoxe de Jevons de l’IA.
En économie, le paradoxe de Jevons se produit lorsque les progrès technologiques augmentent l’efficacité avec laquelle une ressource est utilisée, mais que le taux de consommation de cette ressource augmente au lieu de baisser.
La « fausse réallocation » : où va réellement le temps gagné au sein des équipes
Dans le monde des organisations publiques et privées, il s’agit de la fausse réallocation. Ce n’est pas parce que l’IA termine une tâche plus rapidement que votre équipe produit plus de valeur. Cela signifie qu’elle produit le même résultat en moins de temps, mais remplit ensuite ce temps gagné avec du travail à moindre valeur. Pensez à plus de réunions, à des fils d’e-mails plus longs et à une dérive administrative.
Un rapport 2025 de Google Cloud, interrogeant 3 466 dirigeants d’entreprise, a révélé que 74% déclarent voir un ROI dans la première année, principalement grâce à des gains de productivité et d’efficacité plutôt qu’à des améliorations de résultats.
Mais lorsque vous creusez ce qu’ils mesurent, il s’agit principalement de gains d’efficacité, et non d’améliorations de résultats.
Les directeurs financiers comprennent cela intuitivement. C’est pourquoi les métriques de « temps gagné » ne convainquent pas les équipes financières d’augmenter les budgets IA.
Ce qui les convainc, c’est de mesurer ce que l’IA vous permet de faire que vous ne pouviez pas faire auparavant.
Les trois types de valeur IA que vous devriez rapporter
Des recherches récentes d’Anthropic, OpenAI et Google révèlent un schéma : les organisations qui constatent un véritable ROI de l’IA mesurent l’expansion.
Trois types de valeur comptent réellement.
Indicateur 1 : l’amélioration qualitative, pas seulement une exécution plus rapide
L’IA peut accélérer le travail, et elle améliore aussi la qualité du bon travail.
Une équipe marketing utilisant l’IA pour les campagnes e-mail peut envoyer des e-mails plus rapidement. Et elle a également le temps de tester plusieurs lignes d’objet en A/B, de personnaliser le contenu par segment et d’analyser les résultats pour améliorer la prochaine campagne.
L’indicateur n’est pas « temps gagné à écrire des e-mails ». L’indicateur est « taux de conversion des e-mails 15% plus élevé ».
Le rapport State of Enterprise AI d’OpenAI, basé sur 9 000 travailleurs dans près de 100 entreprises, a révélé que 85% des utilisateurs marketing et produit signalent une exécution de campagne plus rapide. Mais la vraie valeur apparaît dans la performance des campagnes, pas dans la vitesse des campagnes.
Comment mesurer l’amélioration qualitative :
- Améliorations du taux de conversion (pas seulement la vitesse d’exécution des tâches)
- Scores de satisfaction client (pas seulement le temps de réponse)
- Taux de réduction des erreurs (pas seulement le débit)
- Revenu par campagne (pas seulement les campagnes lancées)
Une entreprise SaaS B2B à qui j’ai parlé a déployé l’IA pour la création de contenu. Leur ancienne métrique était « articles de blog publiés par mois ». Leur nouvelle métrique est devenue « trafic organique du contenu assisté par IA vs contenu uniquement humain ».
Le contenu assisté par IA a généré 23% de trafic organique en plus parce que l’équipe avait le temps d’optimiser pour l’intention de recherche, pas seulement pour le nombre de mots.
C’est l’amélioration qualitative.
Indicateur 2 : l’expansion de périmètre et l’avantage caché du « Shadow IT »
C’est l’indicateur que la plupart des organisations manquent complètement.
La recherche d’Anthropic sur la façon dont leurs propres ingénieurs utilisent Claude a révélé que 27% du travail assisté par IA n’aurait pas été fait autrement.
Plus d’un quart de la valeur créée par l’IA ne provient pas de l’exécution plus rapide du travail existant. Elle provient du travail qui était auparavant impossible dans les contraintes de temps et de budget.
À quoi ressemble l’expansion de périmètre ? Elle ressemble souvent à du Shadow IT positif.
Le phénomène des « petits problèmes » : de petits bugs qui n’ont jamais été priorisés sont enfin corrigés. La dette technique est traitée. Les outils internes qui étaient des projets « un jour » sont réellement construits parce qu’un non-ingénieur pouvait les ébaucher avec l’IA.
Le déblocage de capacité : les équipes marketing font des analyses de données qu’elles ne pouvaient pas faire auparavant. Les équipes commerciales créent des supports personnalisés pour chaque prospect au lieu d’utiliser des présentations génériques. Les équipes de succès client contactent de manière proactive au lieu d’attendre les problèmes.
Les données de Google Cloud montrent que 70% des dirigeants signalent des gains de productivité, 39% voyant un ROI spécifiquement grâce à l’IA permettant un travail qui ne faisait pas partie du périmètre initial.
Pourtant, l’adoption de l’IA génère aussi des risques. Selon une enquête WalkMe d’août 2025, 78% des employés admettent utiliser des outils IA non approuvés par leur employeur. Plus de la moitié (51%) déclarent recevoir des directives contradictoires sur quand et comment utiliser l’IA au travail.
Ce Shadow AI représente à la fois un défi de gouvernance et une opportunité. Il révèle où les employés trouvent de la valeur que les systèmes approuvés n’offrent pas encore.
Comment mesurer l’expansion de périmètre :
- Suivez les projets terminés qui n’étaient pas dans la feuille de route initiale
- Ratio de fonctionnalités du backlog résolues par des non-ingénieurs
- Mesurez les demandes clients satisfaites qui auraient été refusées en raison de contraintes de ressources
- Documentez les outils internes construits qui étaient auparavant des projets « un jour »
Une entreprise de logiciels d’entreprise a utilisé cet indicateur pour justifier son investissement IA. Elle a suivi :
- 47 demandes de fonctionnalités clients mises en œuvre qui auraient été refusées
- 12 améliorations de processus internes qui étaient dans le backlog depuis plus d’un an
- 8 vulnérabilités concurrentielles traitées qui étaient auparavant des « problèmes connus »
Rien de tout cela n’apparaît dans les calculs de « temps gagné ». Mais cela apparaissait clairement dans les taux de rétention client et les taux de victoire concurrentiels.
Indicateur 3 : le déblocage de capacité et l’employé full-stack
Nous avions l’habitude d’embaucher pour une spécialisation profonde. L’IA inaugure l’ère du « généraliste-spécialiste ».
La recherche interne d’Anthropic a révélé que les équipes de sécurité construisent des visualisations de données. Les chercheurs en alignement livrent du code frontend. Les ingénieurs créent du matériel marketing.
L’IA abaisse la barrière à l’entrée pour les compétences difficiles.
Un responsable marketing n’a plus besoin de connaître SQL pour interroger une base de données. Il a juste besoin de savoir quelle question poser à l’IA. Cela va bien au-delà de la vitesse ou du temps gagné pour supprimer le goulot d’étranglement des dépendances.
Lorsqu’un marketeur peut effectuer sa propre analyse sans attendre trois semaines l’équipe Data Science, la vélocité de toute l’organisation s’accélère. Le généraliste marketing est maintenant développeur frontend, analyste de données et rédacteur en même temps.
Les données d’entreprise d’OpenAI montrent que 75% des utilisateurs déclarent pouvoir accomplir de nouvelles tâches qu’ils ne pouvaient pas effectuer auparavant. Les messages liés au codage ont augmenté de 36% pour les travailleurs en dehors des fonctions techniques.
Comment mesurer le déblocage de capacité :
- Compétences accessibles (pas compétences possédées)
- Travail interfonctionnel terminé sans transferts
- Vitesse d’exécution sur les idées qui auraient nécessité un recrutement ou une externalisation
- Projets lancés sans augmenter les effectifs
Une responsable marketing d’une entreprise B2B de taille moyenne m’a dit que son équipe peut maintenant gérer les rapports de routine et les analyses standard avec le support de l’IA, un travail qui nécessitait auparavant des semaines dans la file d’attente de l’équipe analytique.
Leur cycle d’optimisation de campagne s’est accéléré 4 fois, conduisant à une performance de campagne 31% plus élevée.
L’indicateur « temps gagné » dirait : « L’IA économise deux heures par analyse. »
L’indicateur de déblocage de capacité dit : « Nous pouvons maintenant exécuter 4 fois plus de tests par trimestre, et notre équipe analytique s’attaque à un travail stratégique plus approfondi. »
Transformer les indicateurs d’expansion en histoire prête pour la finance
Les directeurs financiers se soucient de trois questions :
- Est-ce que cela augmente les revenus ? (Pas seulement réduire les coûts.)
- Est-ce que cela crée un avantage concurrentiel ? (Pas seulement égaler les concurrents.)
- Est-ce durable ? (Pas juste une hausse de productivité à court terme.)
Comment construire un cadre de mesure IA qui répond réellement à ces questions.
Étape 1 : établissez votre état « avant l’IA » pour pouvoir prouver les deltas
Ne sautez pas cette étape, sinon il sera impossible de prouver l’impact de l’IA plus tard. Avant de déployer l’IA, documentez le débit actuel, les métriques de qualité et les limitations de périmètre.
Étape 2 : séparez les indicateurs avancés (efficacité) des indicateurs retardés (résultat)
Vous devez suivre à la fois l’efficacité et l’expansion, mais vous devez les cadrer correctement pour la finance.
Indicateur avancé (efficacité) : temps gagné sur les tâches existantes. Cela prédit la capacité potentielle.
Indicateur retardé (expansion) : nouveau travail permis et impact sur les revenus. Cela prouve que la valeur a été réalisée.
Étape 3 : liez l’IA directement aux revenus, à la rétention et aux victoires concurrentielles
Connectez les métriques IA directement aux résultats commerciaux :
- Si l’IA aide les équipes de succès client : suivez les changements de taux de rétention
- Si l’IA aide les équipes commerciales : suivez les changements de taux de victoire et de vélocité des deals
- Si l’IA aide les équipes marketing : suivez la contribution au pipeline et les changements de taux de conversion
- Si l’IA aide les équipes produit : suivez l’adoption des fonctionnalités et la satisfaction client
Ce que les équipes « frontière » performantes font différemment avec l’IA
Comment les utilisateurs puissants transforment les expériences en impact commercial mesurable
La recherche d’entreprise d’OpenAI a révélé un écart croissant entre les travailleurs « frontière » et les travailleurs médians. Les entreprises frontière envoient 2 fois plus de messages par siège.
Cela signifie identifier les équipes qui extraient une réelle valeur par rapport aux équipes qui expérimentent simplement.
Les organisations qui réussissent avec l’IA ne se contentent pas de mesurer l’adoption. Elles identifient les utilisateurs puissants, documentent leurs flux de travail et diffusent ces pratiques dans toute l’organisation.
Un exemple concret : une équipe commerciale d’une entreprise de services financiers a découvert qu’un représentant utilisait l’IA pour créer des propositions personnalisées en 20 minutes au lieu de 4 heures. L’équipe a documenté le flux de travail, l’a formalisé dans un modèle et l’a déployé dans toute la division commerciale.
Résultat : le temps de création de proposition a chuté de 75% dans toute la division, le taux de victoire a augmenté de 18% parce que les propositions étaient plus personnalisées et livrées plus rapidement.
Pourquoi l’infrastructure de mesure décide qui garde (ou perd) son budget IA
Les prédictions IA 2026 de PwC avertissent que mesurer les itérations au lieu des résultats échoue lorsque l’IA gère des flux de travail complexes.
Comme le note PwC : « Si un résultat qui prenait autrefois cinq jours et deux itérations prend maintenant quinze itérations mais seulement deux jours, vous êtes en avance. »
L’infrastructure dont vous avez besoin avant de déployer l’IA comprend des métriques de référence, des modèles d’attribution clairs et un parrainage exécutif pour agir sur les insights.
Le rapport Readiness 2025 de Kyndryl note que la plupart des entreprises ne sont pas positionnées pour prouver le ROI de l’IA parce qu’elles manquent de la discipline de données fondamentale.
Vous ne pouvez pas mesurer l’impact de l’IA si vos données sont désordonnées, contradictoires ou cloisonnées.
Des indicateurs de vanité aux indicateurs d’expansion
Questions que chaque directeur financier devrait poser sur les tableaux de bord IA
Les directeurs financiers suisses, confrontés à des budgets publics serrés et à une pression pour la transparence, posent les bonnes questions :
- Quels résultats commerciaux spécifiques cette IA améliore-t-elle ?
- Comment mesurez-vous l’expansion du périmètre, pas seulement l’efficacité ?
- Quelles capacités pouvons-nous maintenant accéder sans augmenter les effectifs ?
- Comment suivez-vous le travail qui n’aurait pas été fait sans l’IA ?
En Suisse, l’administration fédérale a publié en février 2025 un cadre pour l’utilisation de l’IA dans le secteur public. Le Federal Chancellery a établi un point de contact central pour l’IA et développe un plan de mise en œuvre comprenant huit mesures pour renforcer les compétences IA, trouver de nouvelles solutions et optimiser les processus.
La stratégie IA de l’administration fédérale souligne l’importance de la gouvernance et de la mesure. Les organisations publiques doivent démontrer la valeur de l’IA aux citoyens et aux parties prenantes, pas seulement améliorer l’efficacité interne.
Comment repositionner l’IA de « jouet de productivité » à capacité stratégique en 2026
La révolution de la productivité IA est bien en cours. Selon la recherche d’Anthropic, l’IA de génération actuelle pourrait augmenter la croissance de la productivité du travail de 1,8% par an au cours de la prochaine décennie, doublant à peu près les taux récents.
Mais capturer cette valeur nécessite de mesurer les bonnes choses.
Oubliez de demander : « Combien de temps cela économise-t-il ? »
Concentrez-vous plutôt sur :
- « Quelles améliorations qualitatives voyons-nous dans la production ? »
- « Quel travail est maintenant possible qui ne l’était pas auparavant ? »
- « Quelles capacités pouvons-nous accéder sans augmenter les effectifs ? »
Ce sont les métriques qui convainquent les directeurs financiers d’augmenter les budgets IA. Ce sont les métriques qui révèlent si l’IA transforme réellement votre organisation ou vous rend simplement occupé plus rapidement.
Le temps gagné est un indicateur de vanité. L’expansion permise est le véritable ROI.
Mesurez en conséquence.