Adopter l’IA, c’est aussi se poser une question pragmatique : ce projet sera-t-il rentable pour l’entreprise ?
Imaginons une entreprise ayant commencé à utiliser Claude pour rédiger ses comptes-rendus de rendez-vous client et répondre plus vite à ses appels d’offres. Le gain de temps est visible, chacun le constate dans son travail quotidien. Mais lorsque se pose la question de lancer un projet d’automatisation plus ambitieux, personne dans l’entreprise n’est en mesure de dire si cette dépense est rentable, ni de la comparer à un autre poste de budget.
Faute d’une méthode de calcul, cette question reste sans réponse, et le budget alloué à l’IA risque d’être reconduit par habitude, ou coupé par prudence à la première tension budgétaire, sans lien réel avec sa contribution aux performances de l’entreprise.
Cet article propose une méthode pour calculer le retour sur investissement (ROI) d’un projet IA et pour le compléter par un suivi d’indicateurs qualitatifs là où le calcul financier ne suffit pas à trancher. Néanmoins, dans le cas de l’IA, ce calcul s’avère plus épineux qu’il n’y paraît et un chiffre seul ne suffit pas toujours à emporter la décision.
Fixer une période de référence commune
Avant tout calcul, il faut choisir une période de référence commune, par exemple douze mois. Cette période sert à ramener sur une même base des dépenses de nature très différente : les coûts récurrents, facturés au mois ou à l’année, et les coûts ponctuels, comme le développement d’une solution sur mesure, qu’il faut amortir sur leur durée d’utilisation prévue.
Sans cette étape préalable, comparer un abonnement mensuel à un projet d’intégration facturé une fois n’a pas de sens.
Quels gains recenser dans le calcul du ROI ?
Le premier élément à prendre en compte est le temps gagné, en heures, multiplié par le coût horaire charges comprises et par la fréquence d’utilisation.
Reprenons l’exemple cité en ouverture : si le temps gagné sur la rédaction des comptes-rendus de rendez-vous client est réinvesti en mission facturable et permet d’augmenter le nombre de dossiers traités, cela devient un gain économique. Ce même principe s’applique à différents cas d’usage concrets d’agents IA en entreprise qui permettent d’augmenter la productivité des salariés, ou de libérer leur temps au profit d’activités à plus forte valeur ajoutée.
D’autres postes peuvent figurer dans la colonne des gains, à titre d’exemples :
- Les reprises et erreurs évitées, prenant en compte le nombre de reprises évitées multiplié par leur coût moyen (relecture, corrections, retours client)
- L’amélioration de la qualité et la réduction du délai de réponse, soit le gain de délai de réponse à un appel d’offres ou la réduction du temps de traitement d’une demande client
- Le développement commercial, c’est-à-dire le nombre de missions ou de clients supplémentaires attribuables à l’usage de l’IA multiplié par le chiffre d’affaires moyen par mission.
Pour objectiver ces gains plutôt que les estimer à l’intuition, il convient de comparer les indicateurs déjà suivis dans l’entreprise avant et après l’introduction de l’IA, et de recueillir le ressenti des salariés, avec la réserve méthodologique détaillée plus loin dans cet article.
Quels coûts recenser ?
Les coûts récurrents rassemblent les abonnements aux outils et plateformes IA, coût mensuel ou annuel multiplié par le nombre de salariés équipés, et les coûts d’usage à la consommation lorsqu’ils existent (API, crédits). Les coûts ponctuels, à amortir sur la période de référence, couvrent le développement d’une solution sur mesure et sa maintenance, l’intégration technique et le paramétrage initial, ainsi que la formation professionnelle continue des salariés.
Un troisième bloc, souvent absent du calcul, mérite une attention particulière : les coûts cachés. Le temps de prise en main par les équipes en fait partie, tout comme le temps de vérification et de correction des productions de l’IA, particulièrement sensible lorsque la fiabilité du livrable engage la relation client (la section suivante montre pourquoi). S’y ajoutent les coûts de gouvernance et de mise en conformité (protection des données, obligations réglementaires applicables à l’IA), et le coût d’actualisation des compétences lorsqu’un outil évolue ou est remplacé.
Une fois ces deux grilles renseignées, le calcul du ROI s’écrit simplement :
ROI (%) = ((Gains totaux − Coûts totaux) ÷ Coûts totaux) × 100
Un ROI faible ou négatif n’indique pas nécessairement qu’il faut renoncer au projet : il doit être lu conjointement avec les indicateurs qualitatifs présentés plus loin.
Que montre la recherche sur les gains réels de l’IA générative ?
Une étude expérimentale récente permet d’objectiver les gains générés permis par l’utilisation de l’IA, dans le contexte particulier des cabinets de conseil. Dell’Acqua et al. (2026) ont mené, avec le cabinet de conseil en stratégie Boston Consulting Group, une expérience contrôlée auprès de 758 consultants, à qui ont été confiées des tâches réalistes (idéation de produit, analyse de marché, rédaction de recommandations), réparties selon qu’ils travaillaient sans IA, avec GPT-4 seul, ou avec GPT-4 et une courte session de prise en main de l’outil. L’étude est publiée dans la revue à comité de lecture Organization Science.
Les auteurs y introduisent la notion de frontière irrégulière (« jagged frontier ») des capacités de l’IA : deux tâches d’apparence comparable pour un consultant peuvent se situer de part et d’autre de cette frontière, l’une bénéficiant nettement de l’assistance de l’IA, l’autre s’en trouvant dégradée, sans que rien dans l’énoncé de la tâche ne permette de le deviner à l’avance. Cette frontière évolue en outre avec chaque nouvelle génération de modèle d’IA, ce qui rend d’autant plus difficile, pour une entreprise, d’anticiper a priori de quel côté de la frontière se situera un usage donné.
Représentation schématique de la « frontière irrégulière » des capacités de l’IA générative (source : Dell’Acqua et al. (2026), Organization Science, 37(2), p. 404)
Sur les tâches situées à l’intérieur de cette frontière, les consultants assistés par l’IA ont complété 12,2 % de tâches en plus, en 25,1 % moins de temps, avec une qualité des livrables supérieure de 32 % en moyenne. Ces ordres de grandeur ont été mesurés avec GPT-4 tel qu’il existait en avril 2023, un modèle aujourd’hui dépassé par plusieurs générations : ils donnent un ordre de grandeur du phénomène plutôt qu’un taux à appliquer tel quel à un projet actuel.
Cette recherche permet d’entrer en discussion avec les résultats plus contrastés obtenus sur la productivité des développeurs assistés par l’IA, dans un contexte professionnel différent donc, où les gains varient fortement selon la complexité des tâches et l’intensité d’usage : ils ne sont donc ni uniformes ni automatiques d’un métier à l’autre.
Sur une tâche volontairement construite par les chercheurs pour se situer en dehors de cette frontière (une recommandation stratégique croisant données chiffrées et entretiens), la proportion de recommandations correctes est au contraire tombée de 84,5 % sans IA à 60,0-70,6 % avec IA selon les conditions. Plus significatif encore : même lorsque la recommandation produite avec l’IA était fausse, les consultants l’ont jugée plus cohérente et plus persuasive que les recommandations produites sans IA.
Par ailleurs, sur cette tâche hors frontière, le groupe ayant bénéficié d’une session de prise en main obtient de moins bons résultats que le groupe n’ayant accès qu’à l’IA brute, l’inverse de ce qui s’observe à l’intérieur de la frontière. Les auteurs y voient un mécanisme de surconfiance : la familiarité acquise avec l’outil a renforcé la confiance des consultants dans ses réponses, réduisant leur vigilance sur une tâche où l’IA se trompait précisément.
Cette expérimentation met alors en lumière une des limites majeures de l’usage de l’IA : celle-ci améliore tant la forme et l’argumentation d’un livrable, même lorsque le fond est erroné, que les humains supervisant la production de l’IA se laissent duper.
Apprendre à mieux utiliser l’IA et apprendre à repérer ses limites sont donc deux compétences distinctes. Les auteurs précisent enfin que ces résultats s’appliquent avant tout aux contextes où la qualité prime sur la rapidité d’exécution, à l’image des cabinets de conseil, ce qui invite à la prudence lorsqu’on les transpose à un autre type d’activité.
Quels indicateurs qualitatifs suivre en parallèle du calcul financier ?
Certains effets de l’introduction de l’IA ne se traduisent pas, ou pas immédiatement, en valeur monétaire. Ils méritent néanmoins d’être suivis avec la même rigueur, sur une échelle simple mesurée avant et après : qualité perçue des livrables ou du service auprès des clients, autonomie et confiance des équipes dans l’usage des outils, attractivité de l’entreprise pour le recrutement et la fidélisation, temps réellement réorienté vers des tâches à plus forte valeur ajoutée, adhésion des équipes au changement mesurée par un court sondage interne.
Le ressenti des salariés sur la qualité des livrables produits avec l’IA reste un indicateur utile, mais à interpréter avec la prudence qu’imposent les résultats présentés plus haut : un contenu produit avec l’IA peut être perçu comme plus cohérent et plus convaincant même lorsqu’il est moins exact. Ce ressenti gagne donc à être croisé avec une vérification factuelle des livrables, plutôt que pris pour argent comptant.
Que faire quand le ROI financier est négatif ou nul ?
Certains usages de l’IA relèvent moins d’un calcul de rentabilité immédiate que d’un maintien de position concurrentielle : rester au niveau de qualité et de réactivité attendu par les clients, ne pas perdre en attractivité face à des concurrents mieux équipés, ne pas voir ses méthodes de travail devenir obsolètes. Dans ce cas, le ROI financier calculé avec la méthode ci-dessus peut être négatif ou nul sans que cela remette en cause la pertinence du projet. Deux analyses peuvent venir éclairer le choix de lancer ou non le projet.
La première est le coût de l’inaction. Quel est le risque de ne pas engager le projet, en termes de perte de compétitivité, d’attrition de la clientèle au profit de concurrents mieux équipés, de difficulté à recruter, ou d’obsolescence des méthodes de travail ? Cela dit, il ne s’agit pas de justifier le lancement de tout projet sous pretexte qu’il serait indispensable à la survie de l’entreprise : poussé à son terme, ce raisonnement rendrait n’importe quelle dépense de survie rentable par construction.
La seconde lecture vient de la théorie des options réelles appliquée aux investissements technologiques (Fichman, 2004). Un projet pilote limité, une automatisation testée sur un seul processus par exemple, peut être vu comme un investissement de positionnement : il donne à l’entreprise le droit, mais non l’obligation, de s’engager plus tard dans un déploiement complet, une fois les résultats du pilote connus. Plus les gains futurs sont incertains, plus la valeur de cette option est élevée, à condition expresse que l’entreprise puisse réellement abandonner le pilote à moindre coût si les résultats sont mauvais : sans cette réversibilité, l’incertitude n’est pas un atout, elle reste un simple risque. Fichman précise aussi qu’attendre sans rien engager n’équivaut pas à détenir cette option : c’est l’investissement initial, même modeste, qui ouvre le droit de décider plus tard en connaissance de cause.
Ce principe se traduit par un conseil de méthode plutôt que de calcul : découper un projet d’IA en segments successifs, chacun utile ou abandonnable indépendamment des suivants, plutôt que de s’engager d’emblée dans un déploiement complet. Un premier usage limité et autonome de l’IA a, à ce titre, une valeur qui dépasse son seul résultat immédiat, à condition que l’entreprise soit réellement disposée à arrêter un pilote décevant. Fichman observe que des organisations qui raisonnent en options mais gèrent leurs projets selon une culture d’engagement classique tombent dans l’excès inverse, en poursuivant des pilotes au-delà du raisonnable par réticence à les qualifier d’échec.
Le coût de l’inaction met en garde contre le renoncement excessif ; la théorie des options réelles met en garde contre l’entêtement excessif. Les deux analysent se complètent donc, sans se substituer l’une à l’autre ni au calcul du ROI financier.
Calculer, puis interpréter
Calculer le ROI d’un projet IA suppose de construire, sur une période de référence commune, une grille de gains et de coûts incluant les coûts cachés trop souvent oubliés, puis de rapporter le bénéfice net aux coûts totaux. Ce calcul financier ne donne cependant qu’une partie de la réponse : il gagne à être complété par un suivi d’indicateurs qualitatifs, et, pour les projets à ROI faible ou négatif, par les deux lectures présentées ici, à mobiliser chacune selon ses propres conditions plutôt que comme un blanc-seing pour tout investissement en IA.