Un comité de direction qui déploie l'IA générative voit d'abord monter ses chiffres d'usage, licences activées, requêtes envoyées, utilisateurs actifs. Vient ensuite la question du directeur financier sur ce que l'investissement rapporte. Entre les deux, une équipe qui teste un usage depuis trois mois a rarement un résultat qui se compte en euros.
Deux erreurs guettent ce moment. La première consiste à exiger trop tôt un retour chiffré, ce qui arrête les essais au moment où ils commençaient à apprendre. La seconde revient à ne rien exiger du tout, puis à prendre la hausse de l'usage pour la preuve d'un résultat.
Mesurer une transformation IA revient à éviter les deux en changeant d'instrument à mesure que la transformation avance. La mesure ferme la boucle de toute conduite du changement IA, du diagnostic à la diffusion dans les équipes.
Pourquoi un retour sur investissement exigé trop tôt arrête-t-il les essais ?
Un essai d'IA produit son apprentissage bien avant sa valeur financière. Le juger sur un retour en euros revient à l'interrompre pendant sa période la plus utile, celle où l'organisation découvre ce que l'outil sait faire chez elle et ce qu'il ne sait pas faire.
Une demi-douzaine de projets ratés à DBS
Thomas Davenport, professeur de technologies de l'information et de management au Babson College, a étudié avec Nitin Mittal, consultant en intelligence artificielle chez Deloitte, une trentaine de grandes entreprises installées qui ont fait de l'IA le cœur de leur stratégie. Leur livre All-in on AI (2023) consacre son deuxième chapitre au facteur humain, placé avant la technologie.
Le chapitre s'ouvre sur Piyush Gupta, banquier, directeur général de DBS de 2009 à 2025. Il raconte que les premières tentatives de la banque singapourienne ont échoué. En 2013, DBS signe pour trois ans un laboratoire commun avec A*STAR, l'agence publique de recherche de Singapour. Une demi-douzaine de projets en sortent, sans qu'aucun réussisse. Gupta les décrit comme des outils de signal pour l'organisation. Les auteurs ajoutent que Gupta et la banque en ont beaucoup appris.
Il a ouvert le budget de ces premiers essais sans réclamer beaucoup de justification financière. Sa formule tient en six mots, « ROI too early kills the experimentation », un retour sur investissement exigé trop tôt tue l'expérimentation. Plus tard seulement, il a demandé aux métiers de documenter les économies ou les revenus tirés de leurs projets d'IA. La banque de détail visait alors 50 millions de dollars de Singapour de retour sur l'exercice.
La leçon porte sur l'ordre des instruments. L'exploration a vécu sans compte financier, les objectifs chiffrés sont venus plus tard. Inverser l'ordre revenait à juger les premiers projets avant qu'ils aient rien appris à la banque.
Ce que la comptabilité ordinaire ne voit pas
Eric Ries, entrepreneur, en fait un principe dans The Lean Startup (2011). La comptabilité traditionnelle juge une activité naissante avec les critères d'une activité établie, des indicateurs qui prédisent mal son avenir. Il propose une comptabilité de l'innovation en trois jalons, mesurer le point de départ réel, régler ce qui le rapproche du but, puis décider de pivoter ou de persévérer.
Ries nomme aussi le travers inverse. Il appelle « success theater » l'apparence de la croissance mise en scène pour se donner l'air de réussir. Une transformation IA a son propre théâtre, fait de comptes ouverts et de démonstrations applaudies. Les totaux flatteurs que Ries appelle métriques de vanité sont détaillés dans l'article sur ce que coûte l'apprentissage tiré de ses livraisons.
Pourquoi l'usage ne prouve-t-il pas le résultat ?
Un outil peut se trouver dans tous les bureaux sans que le travail ait changé dans aucun. L'usage mesure la diffusion de l'outil. Il ne dit rien de ce que l'outil a fait au travail.
Le bulletin de la Banque de France du 3 septembre 2026 en donne la mesure pour la France. Quelque 7 000 entreprises ont été interrogées du 25 février au 3 avril 2026. Parmi celles d'au moins 20 salariés, 67 % déclarent utiliser l'IA générative, un usage le plus souvent limité ou expérimental. Parmi ces utilisatrices, 31 % constatent un gain de productivité et 6 % jugent ce gain significatif sur la période 2023-2026. Enfin 38 % des entreprises citent le manque de cas d'usage comme principal frein à un usage plus poussé de l'IA.
La Banque de France en tire une conclusion de méthode. L'enjeu ne tient plus tant à l'adoption de l'IA qu'à ses modalités d'utilisation et à « sa capacité à produire des gains économiques mesurables ». Elle juge important de mieux documenter la balance des coûts et des bénéfices, puis de suivre si les expérimentations actuelles se traduisent en transformations plus profondes des organisations.
Un objectif d'usage récompense le geste
Fixer aux équipes un taux d'utilisation à atteindre paie l'ouverture de l'outil en espérant un meilleur travail. Steven Kerr, professeur de management, a nommé ce travers en 1975, récompenser A en espérant B. Le chiffre d'usage monte vite, le travail suit à son rythme. Les gains arrivent avec la refonte des processus, ce que montre l'article selon lequel l'IA ne rapporte qu'après l'investissement organisationnel.
Que mesurer à chaque étape d'une transformation IA ?
Quatre questions se succèdent et chacune appelle son instrument. D'abord ce que l'organisation apprend, puis ce que les équipes utilisent vraiment, ensuite la qualité de ce qui sort, enfin la valeur produite. Une étape ne remplace pas la précédente. Elle s'y ajoute.
| Étape | La question | Ce qui se mesure | Le piège |
|---|---|---|---|
| Apprentissage | Qu'avons-nous appris qui change une décision ? | Les hypothèses tranchées, les essais arrêtés avec leur motif, les décisions modifiées. | Compter les pilotes lancés. |
| Usage | Qui s'en sert, pour quel travail, après l'effet de nouveauté ? | L'usage répété par tâche et par équipe, semaine après semaine. | Le total cumulé des comptes ouverts. |
| Qualité | Le résultat tient-il face au client et au métier ? | Les reprises, le temps de vérification, les réclamations, l'avis des personnes servies sur les cas difficiles. | Une moyenne de satisfaction qui mêle cas simples et cas difficiles. |
| Valeur | Qu'est-ce qui a changé dans le service rendu ou le compte de résultat ? | Le délai de bout en bout et le coût par dossier sur un flux redessiné, les revenus nouveaux. | Attribuer à l'outil ce qui vient d'ailleurs. |
L'apprentissage se mesure sans chiffre d'affaires
Un essai arrêté pour une raison écrite est un résultat. Il évite à l'organisation de payer deux fois la même découverte. Le tableau de bord d'une phase d'exploration compte donc les questions tranchées plutôt que les projets lancés, avec pour chacune la décision qu'elle a modifiée.
La qualité accompagne le volume
Dès qu'un outil sert des clients ou des collègues, un indicateur de qualité suit chaque indicateur de volume. Le temps passé à relire et corriger en fait partie, ce travail restant souvent invisible quand vérifier coûte plus cher que produire. Quand les chantiers s'empilent, les quatre compteurs de la vitesse d'absorption complètent la grille.
Qu'est-ce que les indicateurs de Klarna laissaient de côté ?
Les indicateurs que Klarna a rendus publics en 2024 décrivaient l'efficacité des échanges bien mieux que leur qualité pour le client. Le cas se lit ici sous ce seul angle, celui de l'instrument de mesure.
Le 27 février 2024, Klarna annonce les résultats du premier mois de son assistant de service client. L'outil a mené 2,3 millions de conversations, soit deux tiers des échanges de chat du service client. Le communiqué ajoute une résolution en moins de deux minutes contre onze auparavant, des demandes répétées en baisse de 25 %, un score de satisfaction égal à celui des conseillers humains et une amélioration du profit estimée à 40 millions de dollars pour 2024.
Le 8 mai 2025, Sebastian Siemiatkowski, entrepreneur, cofondateur de Klarna, revient sur cette stratégie dans des propos rapportés par Bloomberg. Il désigne le critère qui a trop compté, « As cost unfortunately seems to have been a too predominant evaluation factor when organizing this, what you end up having is lower quality ». Le coût a pesé trop lourd dans l'évaluation et la qualité en a payé le prix.
Ce que le score global ne montre pas
Le communiqué de 2024 ne manquait pas d'indicateurs. Volume, durée, répétition des demandes et profit décrivent tous l'efficacité d'un échange. Le seul qui porte sur l'expérience du client est un score global de satisfaction. Un score global mêle les demandes simples que l'outil traite bien aux cas difficiles où se joue la confiance.
Un tableau de bord tient mieux quand il suit la qualité perçue par type de demande, les cas difficiles à part. Écouter des échanges réels complète le chiffre, comme on va voir le travail avant de croire les indicateurs.
Que mesure le chiffre de 95 % d'échecs ?
Il mesure un succès déclaré en entretien, sur une définition exigeante qui varie d'une organisation à l'autre. Le chiffre circule comme un constat comptable alors que ses auteurs le présentent comme une tendance.
Le rapport The GenAI Divide, State of AI in Business 2025 du MIT Project NANDA est daté de juillet 2025. Il couvre une période de recherche de janvier à juin 2025. Sa méthode combine une revue de plus de 300 initiatives d'IA rendues publiques, des entretiens structurés avec des représentants de 52 organisations et les réponses de 153 dirigeants recueillies dans quatre conférences professionnelles.
Le succès y a un sens précis. Un outil spécialisé compte comme réussi quand ses utilisateurs ou ses dirigeants lui attribuent un effet marqué et durable sur la productivité ou sur le compte de résultat. Les auteurs écrivent que leurs chiffres reposent sur des entretiens individuels plutôt que sur les comptes publiés des entreprises. Ils ajoutent que la définition du succès peut différer d'une organisation à l'autre.
| Chiffre | Source et date | Ce qu'il mesure | Ce qu'il laisse de côté |
|---|---|---|---|
| 67 % | Banque de France, enquête du 25 février au 3 avril 2026, bulletin du 3 septembre 2026 | Entreprises d'au moins 20 salariés déclarant utiliser l'IA générative. | L'intensité de l'usage, le plus souvent limitée ou expérimentale. |
| 31 % et 6 % | Même enquête | Utilisatrices de l'IA générative constatant un gain de productivité, puis un gain jugé significatif depuis 2023. | Le montant du gain et son effet sur les comptes. |
| 95 % | MIT Project NANDA, The GenAI Divide, juillet 2025 | Organisations sans retour mesurable, d'après entretiens, questionnaire et initiatives publiques. | Un relevé comptable, la définition du succès variant selon les organisations. |
| 2,3 millions | Klarna, communiqué du 27 février 2024 | Conversations menées par l'assistant IA le premier mois, deux tiers des échanges de chat. | La qualité vécue par le client sur les demandes difficiles. |
On finance ce qui se compte
Le rapport relève un second effet de la mesure, plus discret. Les budgets d'IA générative vont d'abord aux ventes et au marketing, alors que l'automatisation des fonctions support rapporte souvent davantage. Selon les auteurs, ce biais tient à la facilité d'attribuer un chiffre aux ventes plus qu'à la valeur réelle. Un vice-président achats d'un laboratoire pharmaceutique y résume l'embarras, « If I buy a tool to help my team work faster, how do I quantify that impact? ».
Philippe Silberzahn, professeur d'entrepreneuriat à emlyon business school, a consacré une partie de Bienvenue en incertitude ! à ce travers. Il le résume par l'histoire de l'homme qui cherche ses clés sous un lampadaire parce que c'est là qu'il y a de la lumière, même s'il les a perdues ailleurs. Son diagnostic sur l'analyse quantitative est sec, « On accumule des données, parce que c'est facile ». Une transformation IA pilotée sur ses seuls chiffres faciles finance ses usages les plus visibles.
Comment un CODIR protège-t-il une phase d'exploration ?
Il fixe avant de commencer ce qu'il accepte de perdre, ce que l'essai doit apprendre et la date où il tranchera. Ces trois engagements remplacent le calcul de retour que personne ne sait encore faire. Ils protègent aussi l'essai contre un jugement porté sur le seul critère disponible le jour venu, le plus souvent le coût.
1. Borner le budget et le protéger
Ries demande pour une équipe d'innovation des ressources « scarce but secure », rares mais sûres. Il observe qu'une activité naissante souffre autant d'un budget trop gros que d'un budget trop maigre, puis qu'elle supporte très mal une coupe en cours de route. Le montant reste modeste. Une fois engagé, il ne se renégocie pas avant la date de décision.
2. Raisonner en perte acceptable
Silberzahn relève que le modèle courant de décision compare le coût d'une action à son retour, ce qui bloque quand le retour n'est pas estimable. Il propose la logique entrepreneuriale de la perte acceptable, « miser ce que l'on accepte éventuellement de perdre ». Cette logique, développée dans l'article sur l'effectuation hors des start-up, convient aux premiers essais d'IA dont personne ne connaît encore le rendement.
3. Écrire ce que l'essai doit apprendre
Deux ou trois questions suffisent, formulées de façon à pouvoir recevoir une réponse négative. L'outil traite-t-il les dossiers réels, exceptions comprises ? Les personnes servies voient-elles une différence ? Fixer à un pilote des objectifs qui font apprendre relève du même geste.
4. Fixer la date de la décision
La date se pose au lancement, avec trois issues possibles, continuer, réorienter ou arrêter. Un arrêt motivé se range parmi les résultats. Davenport et Mittal notent que la banque a beaucoup appris de sa demi-douzaine de projets ratés.
5. Changer d'instrument au passage en production
Quand un usage tient, la question devient celle de sa qualité puis de sa valeur. Chez DBS, la demande de documenter les gains n'est venue qu'ensuite. Le retour sur investissement trouve alors sa place, sur des usages qui ont fait leurs preuves.
Avant de lancer un essai d'IA, écrivez sur une page le montant que l'organisation accepte de perdre, les deux ou trois questions auxquelles l'essai doit répondre et la date de la décision. Relisez cette page le jour dit, avant d'ouvrir le moindre tableau de bord.
D'où je parle
J'accompagne des équipes, des managers et des CODIR depuis 2012, dans une carrière commencée en 1998 dont quatorze ans à manager des équipes. Je travaille le sujet de l'IA en organisation depuis fin 2024.
J'ai accompagné une start-up très chargée en logistique, celle où est né le canevas de l'accord d'équipe avec l'IA. Elle a confié à un agent IA une bonne part du contrôle des actions humaines. L'équipe a ensuite travaillé en rétrospective sur le mois écoulé, sur ce que l'agent avait réussi ou non, ce qu'il avait compris, ce qu'on avait réussi à lui apprendre puis ce qu'on pourrait lui confier en plus. Une rétrospective de ce type relève l'apprentissage d'une équipe, l'étape que peu de tableaux de bord suivent.
Questions fréquentes
Une fois l'usage installé en production et sa qualité tenue. Pendant l'exploration, le retour financier n'est pas encore estimable. Piyush Gupta a laissé les premiers essais de DBS sans justification financière lourde, puis a fixé plus tard aux métiers des objectifs de retour chiffré.
Il mesure la diffusion de l'outil. En France, 67 % des entreprises d'au moins 20 salariés déclarent utiliser l'IA générative début 2026 et 31 % des utilisatrices constatent un gain de productivité, d'après la Banque de France. L'écart entre les deux chiffres montre ce que l'usage ne dit pas.
Comme une tendance. Le rapport du MIT Project NANDA repose sur des entretiens avec 52 organisations, un questionnaire de 153 dirigeants et plus de 300 initiatives publiques. Ses auteurs précisent que les chiffres viennent d'entretiens plutôt que des comptes des entreprises et que la définition du succès varie d'une organisation à l'autre.
Par les reprises, le temps passé à vérifier, les réclamations et l'avis des personnes servies, en isolant les cas difficiles. Une moyenne de satisfaction les mêle aux demandes simples. Écouter des échanges réels complète le chiffre.
Les quatre questions restent les mêmes, avec des montants plus petits. La logique de la perte acceptable convient bien à une PME. Elle décide ce qu'elle peut risquer sans mettre l'entreprise en danger. D'après la Banque de France, 64 % des entreprises de 20 à 49 salariés utilisent déjà l'IA générative début 2026.
Par la liste de ce qu'ils ont appris. Pour chaque essai, notez la question qu'il a tranchée et la décision qu'elle a changée, puis fixez la date de la prochaine décision. Un essai qui n'a rien appris se distingue alors d'un essai qui n'a encore rien rapporté. Pour construire cette liste sur votre contexte, réservons un échange de 30 minutes.
Vos essais d'IA sont-ils jugés sur le bon instrument ?
Que vous soyez dirigeant, manager ou DRH, un premier échange permet de repérer l'étape où se trouve chacun de vos usages et ce qu'il est utile d'y mesurer.
Réserver un échange découverte (30 min)Allez plus loin
- All-in on AI Ce que font concrètement les grandes entreprises installées qui vont le plus loin dans l'IA, le facteur limitant étant humain plutôt que technique. Voir le livre →
- Lean Startup L'entrepreneuriat comme une forme de management dans laquelle le progrès se mesure en apprentissage validé plutôt qu'en biens produits. Voir le livre →
- Bienvenue en incertitude ! Dans un monde non linéaire où prédire devient impossible, rendre la prédiction inutile en adoptant la logique de contrôle des entrepreneurs. Voir le livre →
Liens affiliés
