Toute entreprise qui approuve un budget pour un projet « artificial intelligence » court le même risque : se réjouir d’un projet pilote techniquement irréprochable qui n’a pourtant aucun impact sur le compte de résultat. Le problème ne réside pas dans le fait d’approuver un budget trop élevé, mais dans le fait de mesurer les mauvais indicateurs : l’utilisation, la précision et l’adoption, au lieu des résultats financiers.

Les chiffres illustrent le coût de cette confusion. Selon S&P Global Market Intelligence, la part des entreprises abandonnant la plupart de leurs initiatives en matière d’IA est passée de 17% à 42% en 2025. En moyenne, 46% de démonstrations de faisabilité ont été abandonnées avant d'atteindre le stade de la production, les coûts, data la confidentialité et la sécurité figurant parmi les principaux obstacles.

Une grande partie de ce gaspillage pourrait être évitée en faisant preuve de discipline financière dès la phase pilote. Six étapes permettent d'évaluer avec davantage de rigueur la probabilité qu'un projet d'IA génère un retour sur investissement.

1. Définissez la situation de référence avant de lancer un projet pilote

Les indicateurs d'adoption, tels que le nombre d'utilisateurs actifs ou la précision du modèle, vous permettent de déterminer si l'outil est efficace. Les indicateurs de résultats vous permettent de déterminer s'il en vaut le coût.
L'une des erreurs les plus courantes consiste à déployer la solution sans avoir préalablement cartographié le processus concerné, évalué ses performances actuelles et défini les indicateurs clés de performance (KPI) qui permettront de mesurer la réussite du projet. Sans ce point de départ, tout gain constaté par la suite ne sera qu'une question d'interprétation.

Chaque indicateur clé de performance (KPI) doit également avoir un responsable du côté de l'activité, et non du côté technique. C'est la personne responsable du résultat de l'exploitation qui veille à ce que les gains dépassent le stade de la phase pilote et se répercutent sur le compte de résultat.

Au sein d’un brasseur multinational, un projet visant à élaborer un modèle de restructuration des décisions de crédit a permis de suivre les indicateurs clés de performance (KPI) pertinents pour l’activité avant et après la mise en œuvre. Grâce à cette clarté et à ces références comparatives, il a été possible de mesurer l’impact réel de la solution : une augmentation de 1,71 TP47T du volume d’achat, une amélioration de 71 TP47T du délai de recouvrement et une réduction de 191 TP47T des défauts de paiement.

2. Évaluez le coût total, et pas seulement le coût de l'outil

Un projet d'IA comporte quatre niveaux de coûts, mais les budgets ne prennent souvent en compte que le premier :

  • Coûts directs: API, infrastructures et licences logicielles. Faciles à repérer sur les factures.
  • Coûts de développement: heures d'ingénierie consacrées au développement, à l'intégration et aux tests. Souvent noyées dans le budget de l'unité opérationnelle.
  • Coûts d'exploitation: la maintenance, l'assistance et la gestion du changement, notamment la formation et la mise en œuvre. Des aspects souvent sous-estimés.
  • Coûts cachés: la gouvernance, la conformité, la gestion des risques et la dette technique. Ces éléments sont rarement pris en compte, alors qu’ils déterminent la viabilité à long terme.

La dernière composante est la plus surprenante, car elle n’apparaît pas comme une erreur lors de la phase pilote, mais sous la forme d’un coût croissant à mesure que l’entreprise se développe. Un projet qui semble peu coûteux sur la facture peut s’avérer onéreux au bilan.

3. Distinguez le retour sur investissement matériel de l'immatériel, et calculez les deux

Le retour sur investissement (ROI) concret correspond à l'impact financier direct et mesurable : réduction des coûts d'exploitation, augmentation du chiffre d'affaires ou libération de capitaux. Les heures de travail libérées ne sont prises en compte ici que lorsqu'elles se traduisent par une réduction des coûts ou par un redéploiement des capacités visant à générer du chiffre d'affaires.

Le retour sur investissement (ROI) immatériel désigne l'impact stratégique indirect, tel que l'expérience client, la réduction du risque réglementaire, la rapidité de prise de décision ou la fidélisation des talents.

C'est le retour sur investissement (ROI) tangible qui permet d'obtenir l'approbation du budget. Le retour sur investissement (ROI) intangible contribue à pérenniser l'investissement à long terme. Ces deux éléments doivent être consignés par écrit, sous forme d'hypothèses, avant le lancement du projet pilote.

4. Mettre en évidence la véritable contribution de l'IA

Si un modèle d'évaluation des prospects est mis en place et que l'équipe commerciale commence à conclure davantage de contrats, à qui en revient le mérite : au modèle, à la nouvelle méthodologie commerciale ou au responsable commercial récemment embauché ?
Pour isoler la contribution de l'IA, il faut faire preuve de rigueur expérimentale : un groupe témoin, une comparaison avec une période équivalente ou, à tout le moins, la rigueur de ne pas attribuer à l'IA un résultat qui a des causes multiples.

5. Évaluez au bon moment

Évaluer un projet d'IA trop tôt est tout aussi risqué que de l'évaluer trop tard. Le délai minimum requis correspond à un cycle complet du processus concerné, qu'il s'agisse d'un cycle de crédit, d'une clôture financière ou d'une récolte. Le délai exact dépend du cas d'utilisation, de la saisonnalité, du volume data et du temps nécessaire aux équipes opérationnelles pour adopter la solution.
Une fois la mise à l'échelle effectuée, le suivi se poursuit, car les systèmes d'IA ont tendance à apporter davantage de valeur à mesure que leur adoption et leur maturité progressent.

6. Comparez avant de mettre à l'échelle

Un chiffre de retour sur investissement (ROI) pris isolément n'est guère significatif. Il doit être comparé à deux références : la situation de référence établie à l'étape 1 et l'utilisation alternative du même capital, c'est-à-dire le rendement que cet investissement aurait généré dans le cadre d'une autre initiative. Les indices de référence du marché peuvent servir de référence secondaire, à condition que leur origine soit connue et qu'ils soient véritablement comparables.

Il y a également une troisième question, celle qui distingue un projet d'une plateforme : le prochain cas d'utilisation coûtera-t-il moins cher que celui-ci ? Si chaque nouvelle application part de zéro, les retours sur investissement ne sont pas proportionnels à l'investissement.

Le fait de définir ces critères avant la prise de décision, plutôt qu’après à titre de justification, fait du retour sur investissement un outil permettant d’établir des priorités entre différents cas d’utilisation concurrents.

Recommandation pratique : une rigueur proportionnelle au stade

L'objectif n'est pas d'entraver les pilotes, mais de veiller à ce que chacun d'entre eux réponde à une question d'ordre commercial, et pas seulement technique. Le niveau d'exigence doit augmenter à mesure que l'investissement s'accroît.

Grâce à ces réponses, l'approbation du prochain projet d'IA cesse d'être un acte de foi pour devenir une décision financière, avec des risques connus, un rendement estimé et une feuille de route claire pour le suivi de son impact.