ROI de l’IA : comment le mesurer vraiment (méthode et indicateurs)

Mesurer le ROI de l’IA est devenu l’exercice le plus redouté des comités de direction : tout le monde constate des gains individuels, presque personne ne sait les rattacher au compte de résultat. L’écart n’est pas un problème de mesure mais de méthode. Un retour sur investissement se calcule sur un périmètre défini, avec des coûts complets et un point de comparaison établi avant le déploiement. Voici comment construire ce calcul, quels indicateurs suivre et quels pièges évitent aux directions de se raconter des histoires.

À retenir : cinq points sur le ROI des outils IA

• Le gain individuel est massif, le gain financier reste rare : 80 % des répondants McKinsey constatent une productivité individuelle accrue, mais seulement 37 % rattachent un effet à l’EBIT.
• Le ROI se calcule par cas d’usage, jamais au niveau « l’IA dans l’entreprise ».
• Les coûts cachés dominent : préparation des données, intégration, supervision et consommation.
• La mesure avant déploiement est non négociable : sans baseline, il n’y a pas de ROI, seulement des impressions.
• Le coût évité est plus fiable que le chiffre d’affaires additionnel, plus difficile à attribuer.

Pourquoi si peu d’entreprises mesurent un ROI positif

Les données disponibles dessinent un paysage cohérent. Dans son enquête mondiale 2026 menée auprès de 1 719 répondants dans 97 pays, McKinsey observe que près de neuf organisations sur dix utilisent régulièrement l’IA dans au moins une fonction, que 44 % déclarent passer à l’échelle, mais que la part attribuant un effet à l’EBIT reste stable à 37 %. Les entreprises les plus performantes, celles qui rattachent au moins 5 % de leur EBIT à l’IA, ne représentent que 6 % des répondants.

Le trait distinctif de ce groupe est instructif : près des trois quarts d’entre elles ont fondamentalement redessiné leurs processus, contre un quart des autres. Autrement dit, le ROI n’apparaît pas quand on ajoute de l’IA à un processus existant, mais quand on reconstruit le processus autour de ce que l’IA permet.

Insérer de l’IA dans un processus inchangé produit un gain de confort. Redessiner le processus autour de l’IA produit un gain financier.

La formule, et ce qu’elle exige réellement

Le calcul est trivial ; la difficulté réside entièrement dans le remplissage des deux termes.

ROI = (Gains nets − Coûts totaux) / Coûts totaux, exprimé en pourcentage sur une période donnée.

Recenser les coûts totaux, pas la facture

Le poste consommation mérite une vigilance nouvelle : McKinsey relève qu’environ une organisation sur cinq voit son usage de l’IA limité par ses coûts d’exploitation. Un ROI calculé sur un volume pilote et extrapolé à un volume dix fois supérieur peut basculer en négatif.

Quantifier les gains : trois familles, trois niveaux de fiabilité

1. Coûts évités (fiabilité élevée) : heures de traitement supprimées, appels absorbés sans recrutement, erreurs de saisie évitées. Ce sont les gains les plus faciles à démontrer.
2. Revenus protégés (fiabilité moyenne) : appels manqués récupérés, clients retenus, opportunités relancées à temps.
3. Revenus additionnels (fiabilité faible) : ventes attribuées à une meilleure priorisation. À utiliser avec prudence, l’attribution étant contestable.

Une règle de rigueur : ne jamais additionner les trois familles dans un seul chiffre communiqué. Présentez le ROI sur les coûts évités, puis mentionnez les autres gains séparément.

La baseline : l’étape que tout le monde saute

Sans mesure de l’état initial, le ROI se réduit à un exercice de conviction. La baseline se construit sur deux à quatre semaines, avant tout déploiement, et documente pour le processus concerné :

• le volume traité sur la période ;
• le temps unitaire de traitement ;
• le taux d’erreur ou de reprise ;
• le coût complet de l’heure de travail concernée, charges comprises ;
• un indicateur de qualité perçue, quand il est pertinent.

Cette baseline sert deux fois : pour calculer le gain, et pour objectiver les discussions internes quand les avis divergent sur l’utilité de l’outil.

Mini-cas chiffré : automatisation des appels entrants

Prenons un exemple volontairement simple, à titre d’illustration méthodologique. Une entreprise reçoit 2 000 appels par mois. La baseline établit qu’un appel mobilise en moyenne 4 minutes de temps humain, pour un coût complet de 30 € de l’heure, soit 2 € par appel et 4 000 € par mois.

Après déploiement, 60 % des appels sont traités sans intervention humaine. Le calcul se pose ainsi :

• Gain brut mensuel : 1 200 appels × 2 € = 2 400 €
• Coût de la solution : abonnement et consommation, soit 900 € par mois dans cet exemple
• Coût amorti de mise en place : 6 000 € étalés sur 12 mois, soit 500 € par mois
• Gain net mensuel : 2 400 − 900 − 500 = 1 000 €
• ROI sur 12 mois : (28 800 − 16 800) / 16 800 = 71 %

Trois précautions rendent ce calcul honnête. Premièrement, le temps libéré doit être réaffecté à une tâche à valeur ; sinon le gain est théorique. Deuxièmement, le taux d’automatisation doit être mesuré sur des appels réels, pas estimé par le fournisseur. Troisièmement, la qualité de service ne doit pas se dégrader : un appel mal traité qui génère un rappel annule le gain.

Ce type de raisonnement s’applique à d’autres processus à fort volume : la prise de rendez-vous, le transfert d’appels qualifié, ou l’absorption des pics d’activité dans un centre d’appels.

Un ROI n’est crédible que si l’on peut nommer ce que devient le temps libéré.

Les indicateurs à suivre selon la fonction

Le principe est constant : à chaque indicateur de gain doit correspondre un indicateur de contrôle qualité. Un gain de productivité obtenu au prix d’une dégradation de service n’est pas un gain, c’est un transfert de coût vers le futur.

Six erreurs qui faussent le calcul

1. Comparer à un scénario idéal plutôt qu’à la situation réelle antérieure.
2. Compter en heures théoriques sans vérifier que ces heures sont effectivement réaffectées.
3. Extrapoler un pilote sans tenir compte des cas particuliers, qui apparaissent au passage à l’échelle.
4. Oublier la supervision : un système automatisé demande un contrôle humain régulier, qui a un coût.
5. Attribuer à l’IA des variations dues à la saisonnalité ou à d’autres actions menées en parallèle.
6. Mesurer trop tôt : les premières semaines cumulent apprentissage et corrections, et sous-estiment le résultat stabilisé.

Sur quel horizon raisonner ?

Trois horizons cohabitent et se confondent souvent dans les discussions internes.

• Court terme (0 à 3 mois) : gains de temps individuels, faciles à observer, difficiles à monétiser.
• Moyen terme (3 à 12 mois) : gains de processus, mesurables en coût par unité traitée. C’est l’horizon du ROI démontrable.
• Long terme (au-delà de 12 mois) : effets sur la croissance, la qualité de service et la capacité à absorber du volume sans recruter.

Exiger un effet sur l’EBIT au bout de trois mois conduit mécaniquement à conclure à l’échec. À l’inverse, repousser indéfiniment la mesure conduit à financer des outils dont personne ne sait s’ils servent.

Le facteur décisif : la refonte du processus

Le constat de McKinsey sur les entreprises performantes mérite d’être pris au sérieux, parce qu’il oriente la décision d’investissement. Ces organisations ne se distinguent pas par la sophistication de leurs modèles, mais par trois pratiques : elles poursuivent la croissance ou l’innovation en plus de l’efficacité, elles redessinent les processus au lieu d’insérer l’IA dans l’existant, et elles disposent de procédés définis pour mesurer l’impact de leurs initiatives — elles sont deux fois plus nombreuses que les autres à en avoir formalisé.

La conséquence pratique est nette : le budget de mesure fait partie du budget du projet. Une entreprise qui ne finance pas la mesure ne saura jamais si elle a un ROI, et arbitrera à l’aveugle l’année suivante.

FAQ : mesurer le ROI de ses outils IA

Comment calculer le ROI d’un outil d’IA ?

En rapportant les gains nets aux coûts totaux sur une période donnée, pour un cas d’usage précis. Les gains doivent être mesurés par rapport à une baseline établie avant le déploiement, et les coûts doivent inclure la préparation des données, l’intégration, la formation, la consommation et la supervision.

En combien de temps un projet d’IA devient-il rentable ?

Sur un processus à fort volume et bien délimité, un retour se constate généralement entre six et douze mois. Les projets transversaux, qui touchent plusieurs fonctions, demandent davantage de temps car ils supposent une refonte des processus.

Quels indicateurs suivre en priorité ?

Le coût par unité traitée pour le gain, et un indicateur de qualité pour le contrôle. Ce couple suffit à trancher la plupart des décisions. Les tableaux de bord à quinze indicateurs sont rarement consultés après le troisième mois.

Faut-il compter les gains de temps des salariés comme un ROI ?

Uniquement si ce temps est réaffecté à une activité identifiée. Un gain de temps diffus améliore le confort de travail, ce qui est appréciable, mais ne constitue pas un retour financier tant qu’il ne se traduit pas par du volume supplémentaire traité ou par un recrutement évité.

Pourquoi tant d’entreprises ne constatent-elles aucun effet financier ?

Parce qu’elles ajoutent l’IA à des processus inchangés. Les organisations qui obtiennent un impact mesurable sont majoritairement celles qui ont reconstruit leurs processus, et elles restent minoritaires : environ 6 % des répondants à l’enquête McKinsey 2026.

Comment éviter que les coûts d’usage dérapent ?

En modélisant le coût unitaire de traitement dès le pilote, en fixant un plafond mensuel et en suivant la consommation chaque mois. Le passage à l’échelle multiplie les volumes, et donc les coûts variables, ce que le budget initial anticipe rarement.

Sources

• McKinsey, The state of AI in 2026: On the road to ROI (enquête menée du 4 mai au 8 juin 2026)
• INSEE, Les TIC dans les entreprises en 2025 (Insee Première n° 2120)
• Brynjolfsson, Li, Raymond, Generative AI at Work, NBER 31161