Économies grâce à l’IA : ce que les études mesurent vraiment

« L’IA réduit les coûts de 40 % » : la phrase circule dans à peu près toutes les brochures commerciales du marché, presque toujours sans source, sans périmètre et sans méthode de calcul. Pour un dirigeant qui doit arbitrer un budget, ce type d’affirmation est inutilisable — et souvent trompeur.

Ce guide prend le problème à l’envers. Plutôt que de compiler des témoignages invérifiables, il rassemble ce que les études sérieuses mesurent réellement sur les économies permises par l’intelligence artificielle : une expérimentation à grande échelle publiée dans une revue académique de premier plan, l’enquête mondiale de McKinsey, et les données de l’Insee sur les entreprises françaises. Vous y trouverez les chiffres, mais surtout leur périmètre exact — c’est-à-dire ce qu’ils permettent et ne permettent pas de conclure pour votre propre entreprise.

Pourquoi la plupart des « études de cas » ne valent rien

Avant d’entrer dans les chiffres, une mise en garde méthodologique s’impose, parce qu’elle change la lecture de tout le reste.

La grande majorité des études de cas publiées sur l’automatisation IA souffrent d’au moins un de ces trois défauts. Le premier est l’absence de groupe de contrôle : on compare l’avant et l’après sans vérifier ce qui se serait passé sans l’outil, alors que d’autres facteurs évoluent en parallèle — saisonnalité, recrutements, changement de gamme. Le deuxième est le biais de publication : les projets qui échouent ne font jamais l’objet d’un communiqué, si bien que la moyenne visible est mécaniquement flatteuse. Le troisième est le conflit d’intérêts : l’étude est publiée par le fournisseur de la solution, qui choisit à la fois le périmètre mesuré et les indicateurs retenus.

Un chiffre sans périmètre n’est pas un chiffre, c’est un argument de vente. « 40 % d’économies » sur quoi : le coût total, le coût du service concerné, ou le temps passé sur une tâche isolée qui représente 3 % de l’activité ?

C’est pourquoi les sections qui suivent privilégient des travaux avec méthodologie explicite, échantillon connu et publication indépendante.

L’étude la mieux documentée : 5 179 agents, +14 % de productivité

Le travail de référence sur le sujet est l’étude Generative AI at Work d’Erik Brynjolfsson, Danielle Li et Lindsey R. Raymond, publiée comme document de travail du National Bureau of Economic Research puis dans le Quarterly Journal of Economics. Sa force tient à son dispositif : les chercheurs ont exploité le déploiement échelonné d’un assistant conversationnel génératif auprès de 5 179 agents de support client, ce qui permet de comparer des groupes réellement comparables plutôt que de mesurer un simple avant/après.

Le résultat central est le suivant : l’accès à l’outil augmente la productivité, mesurée en nombre de problèmes résolus par heure, de 14 % en moyenne.

Ce chiffre est solide, mais il faut le lire avec précision. Il s’agit d’un gain de productivité par agent, pas d’une réduction de 14 % du budget du service. Il porte sur une population d’agents de support client, pas sur l’ensemble d’une entreprise. Et il mesure l’effet d’un assistant qui aide un humain, non celui d’une automatisation complète sans intervention humaine.

Le résultat le plus utile : l’effet est très inégal

La partie la plus instructive de l’étude est ailleurs, dans la distribution des gains. L’amélioration atteint 34 % pour les agents novices et les moins qualifiés, mais l’effet est minimal pour les agents expérimentés et les plus qualifiés.

Les auteurs avancent une explication : le modèle diffuse les bonnes pratiques des agents les plus performants et aide les nouveaux à progresser plus vite sur la courbe d’expérience. L’IA agit ici moins comme un substitut que comme un accélérateur de montée en compétence.

Cette asymétrie a des conséquences directes sur le calcul de rentabilité, et elle est presque toujours ignorée. Une entreprise dont l’équipe est composée de vétérans expérimentés obtiendra un gain faible : ses agents savent déjà ce que l’outil suggère. À l’inverse, une structure à fort turnover, qui forme en permanence de nouveaux arrivants, obtiendra un gain nettement supérieur à la moyenne. Le ROI dépend donc autant de la composition de votre équipe que de la qualité de l’outil.

L’étude relève par ailleurs deux effets secondaires qui pèsent souvent plus lourd que le gain horaire lui-même : l’assistance IA améliore le sentiment exprimé par les clients et augmente la rétention des employés. Dans un métier où le coût de remplacement d’un agent formé est élevé, cette seconde ligne peut représenter davantage que les minutes gagnées.

À l’échelle de l’entreprise, l’impact financier reste rare

Passer du gain sur une tâche au gain sur le compte de résultat est une autre affaire. C’est là que l’enquête mondiale de McKinsey sur l’état de l’IA — 1 993 répondants dans 105 pays — apporte le contrepoint le plus utile.

Alors que 88 % des organisations déclarent utiliser l’IA dans au moins une fonction, seuls 39 % attribuent un quelconque impact sur l’EBIT à cette utilisation, et la plupart d’entre eux situent cet impact sous les 5 %. Près de deux tiers n’ont pas encore engagé de déploiement à l’échelle de l’entreprise.

Environ 6 % des organisations seulement constituent ce que McKinsey appelle les « AI high performers » : celles qui attribuent au moins 5 % de leur EBIT à l’IA et en retirent une valeur significative. Le fait marquant est que ce groupe ne se distingue pas par ses outils mais par ses pratiques — il est près de trois fois plus susceptible d’avoir fondamentalement repensé ses processus, et cette refonte figure parmi les facteurs les plus fortement corrélés à l’obtention d’un impact réel.

La conclusion pratique est franche : l’économie ne vient pas de l’achat de l’outil, elle vient de la réorganisation qu’il permet. Une entreprise qui déploie un assistant sans rien changer à son processus obtient un processus identique légèrement plus rapide — ce qui ne se voit pas dans les comptes.

Où les gains apparaissent en premier

McKinsey observe des bénéfices en coûts principalement dans l’ingénierie logicielle, l’industrie et l’informatique, tandis que les gains de revenus se concentrent dans le marketing et les ventes, la stratégie et le développement de produits. Les données françaises de l’Insee montrent une hiérarchie cohérente dans les finalités déclarées : marketing ou ventes en tête avec 28 % des entreprises utilisatrices (+11 points en un an), puis les processus de production ou de services (27 %), la comptabilité et la gestion financière (25 %), et l’organisation administrative qui a plus que doublé, de 11 % à 24 %.

Autre enseignement de l’Insee, souvent négligé dans les calculs de budget : 69 % des entreprises utilisatrices achètent des solutions du commerce prêtes à l’emploi, contre 29 % qui passent par un prestataire et 24 % qui développent en interne. Le coût dominant d’un projet n’est donc généralement pas le développement, mais l’intégration et la conduite du changement.

Le cas du téléphone : une économie facile à chiffrer

Parmi tous les canaux, le téléphone présente une particularité qui le rend idéal pour un premier calcul : la perte y est directement observable. Un appel non décroché est un événement daté, comptabilisé par votre opérateur ou votre standard, et dont on connaît la valeur moyenne si l’on connaît son taux de transformation.

La méthode de calcul tient en quatre données que toute entreprise possède déjà :

1. Le nombre d’appels entrants non décrochés par mois, disponible dans les statistiques de votre standard.
2. La part de ces appels qui ne rappellent jamais. Un rappel spontané n’est pas systématique, surtout si le concurrent est joignable immédiatement.
3. Votre taux de transformation habituel sur un appel entrant.
4. Le panier moyen ou la valeur client associée.

Le produit de ces quatre valeurs donne la perte mensuelle attribuable aux appels manqués. C’est un chiffre propre à votre entreprise — et c’est précisément pour cela qu’il est utile, contrairement à une moyenne sectorielle importée d’ailleurs. Une solution d’IA vocale ou un callbot se justifie économiquement dès lors que son coût mensuel reste inférieur à cette perte, ce qui se vérifie en une seule feuille de calcul.

Le raisonnement vaut aussi pour la charge : un standard téléphonique IA absorbe les pics sans qu’il faille dimensionner l’effectif sur le maximum annuel, et un agent téléphonique IA peut traiter les demandes de premier niveau pendant que les équipes se concentrent sur les dossiers à enjeu. Pour les structures à gros volume, l’IA pour centre d’appels agit surtout sur la constance du niveau de service, qui est elle-même un facteur de rétention client.

Un point mérite d’être souligné, en cohérence avec l’étude NBER : c’est sur les équipes à fort renouvellement que le gain est le plus élevé. Les centres de contact et les services clients, où le turnover est structurellement important, réunissent exactement les conditions dans lesquelles l’effet mesuré est maximal.

Comment calculer votre propre économie

Une méthode simple permet d’obtenir un chiffre défendable en une demi-journée, sans consultant.

1. Isoler une tâche, pas un service. « Automatiser le service client » n’est pas calculable. « Traiter les demandes de suivi de commande » l’est. Choisissez une tâche dont vous connaissez le volume mensuel.

2. Mesurer le temps unitaire réel. Pas le temps estimé en réunion : chronométrez une vingtaine d’occurrences. L’écart entre l’estimation et la mesure est régulièrement du simple au double, dans les deux sens.

3. Appliquer un coût horaire chargé, incluant charges, encadrement et outillage — et non le seul salaire brut.

4. Retrancher la part non automatisable. C’est l’étape que tout le monde oublie et qui fait s’effondrer les prévisions. Aucun dispositif ne traite 100 % des cas : une partie devra toujours être escaladée vers un humain. Retenir 60 à 80 % de traitement automatique sur un périmètre de premier niveau est une hypothèse prudente ; annoncer 100 % est une erreur de conception.

5. Ajouter les coûts cachés. Intégration, paramétrage, rédaction de la base de connaissances, temps interne de suivi, maintenance. Ces postes représentent souvent davantage que l’abonnement lui-même.

6. Comparer sur douze mois, pas sur un mois. La montée en charge d’un dispositif prend généralement plusieurs semaines avant d’atteindre son régime stable.

Les pièges classiques du calcul de ROI

Confondre temps gagné et argent économisé. Faire gagner dix minutes par jour à cinq personnes ne supprime aucun coût si ce temps n’est pas réaffecté à une activité qui produit de la valeur. L’économie n’existe qu’à la condition que le temps libéré serve à quelque chose d’identifiable.

Ignorer le coût de l’erreur. McKinsey relève que 51 % des organisations utilisant l’IA ont connu au moins une conséquence négative, près d’un tiers des répondants citant des problèmes liés à l’inexactitude des résultats. Le nombre moyen de risques activement traités est passé de deux en 2022 à quatre aujourd’hui. Une réponse erronée envoyée à un client a un coût — commercial, parfois juridique — qui doit figurer dans le calcul, au même titre que le gain.

Extrapoler un pilote réussi. Un pilote se déroule sur le cas d’usage le plus favorable, avec les collaborateurs les plus motivés et l’attention de la direction. Le passage à l’échelle rencontre les cas particuliers, les réticences et les exceptions. Un abattement sur les résultats du pilote est une précaution raisonnable.

Oublier les bénéfices non financiers. Le biais joue aussi dans l’autre sens. McKinsey observe qu’une majorité de répondants constatent une amélioration de l’innovation, et près de la moitié une amélioration de la satisfaction client et de la différenciation concurrentielle. L’étude NBER documente de son côté une meilleure rétention des employés. Ces effets sont réels même s’ils n’apparaissent pas sur une ligne budgétaire.

Questions fréquentes

Quel est le gain de productivité réellement mesuré ?

La mesure la plus robuste disponible est de 14 % de problèmes résolus par heure en moyenne, sur 5 179 agents de support client, avec 34 % pour les novices et un effet minimal pour les agents expérimentés. Ce résultat concerne une assistance IA à des agents humains, dans un contexte de support client. Il ne peut pas être transposé tel quel à d’autres métiers.

Pourquoi les chiffres varient-ils autant d’une source à l’autre ?

Parce qu’ils ne mesurent pas la même chose. Un gain de temps sur une tâche isolée, une réduction du coût d’un service et un impact sur l’EBIT de l’entreprise sont trois grandeurs différentes, et l’écart entre elles est considérable : 88 % des organisations utilisent l’IA, mais 39 % seulement constatent un effet sur l’EBIT.

Une PME peut-elle espérer les mêmes gains qu’un grand groupe ?

Pas dans les mêmes délais. McKinsey observe qu’environ la moitié des entreprises de plus de 5 milliards de dollars de chiffre d’affaires ont atteint la phase de passage à l’échelle, contre 29 % de celles réalisant moins de 100 millions. En revanche, une PME peut obtenir un résultat mesurable plus vite sur un périmètre restreint, parce que ses processus sont plus courts et ses circuits de décision plus directs.

Au bout de combien de temps le retour sur investissement est-il visible ?

Sur un périmètre bien délimité, les indicateurs opérationnels — taux de traitement automatique, délai de réponse, taux de décroché — bougent en quelques semaines. L’effet financier consolidé demande plusieurs trimestres, le temps que la réorganisation produise ses effets.

Faut-il croire les études de cas publiées par les éditeurs ?

Elles ont une utilité : comprendre un cas d’usage et sa mise en œuvre concrète. Elles ne constituent pas une preuve de performance, en raison du biais de publication et de l’absence quasi systématique de groupe de contrôle. Utilisez-les pour vous inspirer, jamais pour construire un prévisionnel.

Ce qu’il faut retenir

Les économies permises par l’IA sont réelles, mesurées et documentées — mais elles sont plus modestes, plus inégales et plus conditionnelles que ne le suggère le discours commercial. Le gain de référence est de 14 % de productivité sur des agents de support, concentré sur les profils les moins expérimentés. À l’échelle de l’entreprise, moins de quatre organisations sur dix constatent un effet sur leur résultat, et environ 6 % en tirent une valeur vraiment significative.

Ce qui sépare ces 6 % du reste n’est ni le budget ni la technologie : c’est la décision de repenser le processus au lieu de l’habiller. Avant de comparer des solutions, chiffrez une tâche précise, mesurez son temps réel, retranchez la part qui restera humaine — et vous saurez, avant de signer quoi que ce soit, si l’économie existe.