Retour sur investissement de l'IA : pourquoi les résultats ne sont pas à la hauteur et comment les améliorer

Les dépenses en IA sont aujourd’hui omniprésentes. Il est en revanche beaucoup plus difficile de trouver des preuves que ces investissements portent leurs fruits. La plupart des entreprises mènent des projets pilotes, achètent des outils et déploient des agents IA au sein de leurs équipes, dans l’espoir que les retours sur investissement finissent par se concrétiser. De nombreux dirigeants s’attendent à ce que l’IA soit rapidement rentabilisée, et de nombreuses organisations cherchent encore comment prouver que c’est le cas.

Le retour sur investissement (ROI) de l’IA mesure la valeur générée par un investissement dans l’IA par rapport à son coût total, et cette valeur dépend de bien plus que du simple choix du modèle ou du fournisseur. Le choix des cas d’utilisation, la qualité des données, l’intégration dans les flux de travail, l’adoption et les coûts récurrents qui s’accumulent après le lancement font trébucher de nombreuses organisations avant même qu’elles ne constatent un retour sur investissement. Cet article explique ce qu’est réellement le retour sur investissement de l’IA, pourquoi il est souvent insuffisant, comment le mesurer et dans quels domaines il tend à créer une valeur mesurable en matière d’expérience client, de commerce, de contenu et d’expérience employé.

Qu’est-ce que le retour sur investissement de l’IA ?

Le retour sur investissement de l’IA, ou ROI de l’intelligence artificielle, correspond au bénéfice qu’une organisation tire d’un investissement dans l’IA, mesuré par rapport au coût total de sa mise en œuvre et de son exploitation. La forme la plus évidente de ce retour sur investissement est financière (ou « ROI dur ») : elle se traduit par un bénéfice supplémentaire provenant d’une augmentation des ventes ou d’une réduction des coûts dans une partie de l’entreprise grâce à la mise en œuvre de l’IA.

Mais les retombées financières ne sont pas les seuls résultats qui comptent. La satisfaction des clients et des employés a également un impact sur l’entreprise. Elle met simplement plus de temps à se traduire en valeur commerciale que ne le font les réductions de coûts directes.

Cela ne signifie toutefois pas que chaque signe positif constitue une preuve en soi. L'utilisation de l'IA, l'accélération de l'exécution des tâches et la réussite d'un projet pilote sont autant de signaux utiles, mais aucun d'entre eux ne suffit à lui seul à établir un retour sur investissement financier. Une équipe peut utiliser un outil en permanence sans pour autant être en mesure de démontrer qu'il a fait progresser l'entreprise.

Pourquoi les investissements dans l’IA n’atteignent-ils pas les rendements escomptés ?

Les entreprises qui adoptent l’IA s’attendent souvent à ce que leurs initiatives portent leurs fruits rapidement et de manière prévisible, à l’instar d’une nouvelle machine ou d’un nouveau bâtiment. Mais l’IA fonctionne différemment de la manière dont les modèles traditionnels de retour sur investissement ont été conçus. Les gains de productivité liés à l’IA, par exemple, peuvent se manifester rapidement dans un flux de travail et prendre des mois de plus dans un autre, selon le modèle économique, le modèle opérationnel et l’importance du cas d’utilisation dans la stratégie d’entreprise.

Les dirigeants d’entreprise comme les responsables de l’IA ont tendance à se heurter aux mêmes problèmes récurrents, et chacun d’entre eux a un impact direct sur les coûts, l’adoption ou les résultats commerciaux.

Les cas d’utilisation ne s’accompagnent pas d’un résultat commercial clairement défini

De nombreuses initiatives d’IA avancent sans que personne ne s’accorde sur le problème à résoudre, sur la personne qui en est responsable, sur ce à quoi ressemble la situation de référence, ni même sur ce qui serait considéré comme un succès. Sans ces bases, il n’y a aucun repère par rapport auquel mesurer le retour sur investissement par la suite, de sorte que les résultats finissent par n’être, au mieux, qu’anecdotiques. Ce problème n’est d’ailleurs pas rare. Selon l’enquête « 2026 State of the CIO » menée par CIO.com, 32 % des DSI citent des indicateurs de retour sur investissement mal définis comme un obstacle au déploiement à grande échelle de l’IA, et cela remonte généralement à cette lacune précise.

L’IA ne peut pas accéder à des données fiables ni s’intégrer dans les flux de travail existants

Les informations sont souvent dispersées dans des systèmes qui ne communiquent pas entre eux, et les données de haute qualité dont les systèmes d’IA ont besoin sont plus difficiles à obtenir que ne le pensent la plupart des équipes. Même lorsque les outils d’IA produisent des résultats utiles, les employés ou les clients doivent souvent les copier ailleurs, les reformater ou les vérifier avant de pouvoir les exploiter, ce qui réduit progressivement les gains d’efficacité que le projet était censé apporter.

Les coûts et l’effort humain sont sous-estimés

Le prix affiché de la plupart des solutions d’IA reflète rarement leur coût réel d’exploitation. Les travaux d’intégration, la préparation et l’analyse des données, la formation, la vérification humaine, la maintenance continue et les coûts d’utilisation qui augmentent proportionnellement à l’adoption de la technologie s’additionnent. Embaucher des spécialistes de l’IA pour gérer tout cela n’est pas gratuit non plus. La plupart de ces éléments sont omis de l’analyse de rentabilité initiale, en particulier le coût de la mise à l’échelle de l’IA au-delà du premier projet pilote.

Retard dans l’adoption et la qualité des résultats

Une adoption limitée de l’IA, des résultats peu fiables et le temps passé à vérifier ou à corriger le travail généré par l’IA peuvent tous, à leur insu, annuler la valeur qu’un cas d’utilisation était censé apporter. La gestion du changement revêt ici plus d’importance que ne le pensent la plupart des équipes. Un outil auquel personne ne fait suffisamment confiance pour l’utiliser, ou qui nécessite une intervention humaine constante pour détecter les erreurs, ne fait en réalité gagner de temps à personne.

Comment mesurer le retour sur investissement de l’IA ?

La mesure du retour sur investissement de l’IA commence avant même que celle-ci n’entre en jeu, et pour la réaliser correctement, il faut être capable de mesurer avec précision les deux côtés de l’équation, et pas seulement les avantages que tout le monde espère voir. La méthode reste cohérente à partir de là, même si les détails varient selon chaque cas d’utilisation.

1. Établir une base de référence

Choisissez un cas d’utilisation spécifique et enregistrez les performances actuelles de ce processus métier, avant tout changement. Définissez le résultat que ce cas d’utilisation est réellement censé améliorer : un indicateur concret, tel que le coût par résolution de service ou le taux de conversion commerciale, et non une vague impression que les choses vont plus vite.

2. Identifier les avantages et les coûts

Identifiez les avantages financiers mesurables, une réduction réelle des coûts de service ou un bénéfice supplémentaire lié à des ventes supplémentaires. Suivez séparément tout élément de valeur auquel il n’est pas encore possible d’attribuer une valeur monétaire justifiable, plutôt que de l’intégrer dans le même chiffre. Les coûts doivent inclure les dépenses de mise en œuvre et les frais d’exploitation courants sur la même période de mesure que les avantages, et pas seulement l’investissement initial.

3. Calculez le retour sur investissement

Le calcul du retour sur investissement devient simple une fois que les données de base sont fiables :

• Soustrayez le coût total de l’IA des avantages financiers mesurables.
• Divisez le résultat par le total des coûts liés à l’IA.
• Multipliez par 100.

Voici un exemple concret. Si un processus de service assisté par l’IA réduit les dépenses réelles d’assistance de 12 000 $ sur six mois et que sa mise en œuvre et son exploitation coûtent 8 000 $ sur cette même période, son retour sur investissement s’élève à 50 %. Ces mêmes chiffres mettent également en évidence un délai de rentabilité qui mérite d’être pris en compte en soi, et pas seulement un simple pourcentage.

4. Attribuez soigneusement les résultats

Le niveau de retour sur investissement dépend des spécificités du cas d’utilisation, mais la méthode de mesure reste la même. Les résultats financiers ne constituent qu’une partie du tableau, même s’ils constituent le lien le plus évident avec la performance globale de l’entreprise. Comparez, dans la mesure du possible, les résultats obtenus grâce à l’IA à ceux d’un groupe témoin approprié, car une simple comparaison « avant-après » peut surestimer la contribution de l’IA si d’autres processus, équipes ou technologies évoluent simultanément.

5. Réexaminez régulièrement les chiffres

Réévaluez vos calculs à mesure que l’utilisation et les coûts évoluent, et continuez à suivre le taux d’adoption, la qualité des résultats ainsi que les retours des clients ou des collaborateurs, parallèlement aux résultats financiers. Les heures économisées, le temps gagné et les gains de temps sont bien réels, mais aucun d’entre eux ne compte dans le retour sur investissement de l’IA tant qu’ils ne se traduisent pas par un résultat concret, qu’il s’agisse d’une réduction des erreurs, d’une baisse des coûts ou d’une réaffectation des ressources vers un domaine générateur de chiffre d’affaires. Résistez à la tentation de considérer chaque heure économisée comme une économie d’argent directe, à moins qu’elle ne produise un bénéfice financier mesurable.

Dans quels domaines l’IA peut-elle créer de la valeur mesurable dans les expériences numériques ?

L’IA a tendance à créer le plus de valeur dans une poignée d’expériences numériques récurrentes, bien que les indicateurs précis à suivre varient selon chacune d’entre elles, et que la chaîne de valeur dans laquelle s’inscrit chaque expérience détermine ce qui importe réellement.

L’indicateur approprié dépend toujours du résultat commercial qu’une fonctionnalité d’IA donnée est censée améliorer. Une équipe de service client utilisant déjà l’IA pour réduire les coûts et traiter plus rapidement les demandes doit tout de même suivre la satisfaction parallèlement à la rapidité, car une réponse erronée donnée plus rapidement ne constitue pas un avantage stratégique ; il s’agit simplement d’une réponse erronée donnée plus rapidement. La même logique s’applique, qu’il s’agisse d’un détaillant du Moyen-Orient cherchant à conquérir de nouveaux marchés ou d’un fabricant souhaitant simplement améliorer la qualité des décisions prises en atelier. C’est l’impact mesurable, et non l’activité, qui distingue le succès de l’IA d’une expérience coûteuse.

Comment les organisations peuvent-elles améliorer le retour sur investissement de l’IA ?

La plupart des facteurs qui affaiblissent le retour sur investissement de l’IA peuvent être corrigés, une fois que l’on a clairement identifié où se situent réellement les problèmes. Cet écart mérite également d’être pris au sérieux. Selon PwC, les 20 % des entreprises les plus performantes captent 74 % de l’ensemble des retours générés par l’IA ; combler cet écart n’est donc pas une question de chance. L’objectif n’est pas de déployer l’IA sur tous les processus d’un seul coup, mais de démontrer sa valeur, un flux de travail à la fois. L’IA tend à produire ses résultats les plus rapides lorsqu’elle est utilisée pour automatiser des tâches répétitives, libérant ainsi les collaborateurs pour qu’ils puissent se consacrer à des prises de décision qu’un système ne peut pas effectuer seul. Quelques mesures concrètes ont tendance à faire toute la différence :

• Donnez la priorité aux cas d’utilisation répondant à un besoin métier clair. Attribuez à chacun d’eux un responsable et un résultat mesurable dès le départ, et non a posteriori.
• Donnez à l’IA accès à des informations précises et pertinentes. Connectez-la aux systèmes déjà impliqués dans le flux de travail au lieu de demander aux collaborateurs de s’adapter à elle. Intégrer l’IA directement dans un outil existant favorise généralement son adoption bien plus qu’un assistant autonome.
• Intégrez les résultats de l’IA là où les utilisateurs travaillent déjà. Rendez-les disponibles au sein des outils existants plutôt que d’ajouter un énième outil isolé que personne ne souhaite ouvrir.
• Définissez des autorisations appropriées, des points de vérification humaine et des contrôles qualité. Ce ne sont pas des obstacles ; ce sont les éléments qui permettent au jugement humain et aux résultats de l’IA de fonctionner ensemble plutôt que l’un contre l’autre.
• Formez les utilisateurs et recueillez leurs retours d’expérience. Améliorez le flux de travail à mesure que l’adoption progresse, plutôt que de considérer le jour du lancement comme la ligne d’arrivée.
• Utilisez les résultats mesurés pour décider de la suite. Affinez, développez ou arrêtez un cas d’utilisation en vous basant sur des données concrètes, et continuez à surveiller ses coûts et ses résultats même après qu’il ait été considéré comme un succès.

Rien de tout cela n’oblige les entreprises à considérer l’IA comme une sorte de solution miracle. Bien utiliser l’IA signifie traiter chaque cas d’utilisation comme n’importe quel autre investissement commercial s’inscrivant dans une stratégie d’IA plus large, une stratégie qui doit faire ses preuves.

Intégrer l’IA aux expériences numériques avec Liferay DXP

Liferay DXP relie le contenu, les données, les systèmes et les expériences numériques au sein desquels les organisations mettent réellement l’IA à contribution, qu’il s’agisse d’un portail client, d’une boutique en ligne, d’une plateforme de gestion de contenu ou d’un outil destiné aux employés et conçu pour les ressources humaines ou d’autres équipes internes. C’est souvent la mise en place de fonctionnalités basées sur l’IA et d’une IA « agentique » au sein des bons systèmes et avec les autorisations appropriées qui fait la différence entre un projet pilote prometteur et une solution qui soutient réellement les objectifs métier.

Avec Liferay DXP, les équipes peuvent :

• Afficher des réponses et des recommandations générées par l’IA directement au sein des portails clients et des expériences en libre-service
• Connecter des modèles d’IA aux données commerciales afin que les recommandations et le contenu reflètent fidèlement le catalogue
• Gérer et réguler le contenu assisté par l’IA parallèlement à l’ensemble des autres éléments gérés par les mêmes opérations de gestion de contenu
• Définir des autorisations et des points de contrôle pour atténuer les risques, afin que les résultats de l’IA parviennent aux bonnes personnes au bon moment
• Fournir aux collaborateurs des outils et des informations via la même interface qu’ils utilisent déjà

Rien de tout cela ne remplace le travail de mesure évoqué précédemment, et rien de tout cela ne constitue à lui seul un raccourci vers un avantage concurrentiel. Tout ce qui est mis en place doit encore être évalué par rapport à l’objectif commercial initial qu’il était censé améliorer, afin de favoriser une meilleure prise de décision plutôt que de simplement ajouter un tableau de bord de plus que personne ne consulte.

Tirer parti des investissements dans l’IA

Pour améliorer le retour sur investissement de l’IA, il faut un cas d’utilisation qui mérite d’être résolu, une voie réalisable vers les opérations quotidiennes et un moyen de mesurer réellement le résultat. Rien de tout cela n’exige de tout résoudre d’un seul coup.

Commencez par un flux de travail bien défini, évaluez ses performances, puis développez-le à partir de là en vous appuyant sur des données concrètes plutôt que sur un simple élan. Explorez les capacités d'IA de Liferay DXP pour découvrir comment l'IA peut s'intégrer au contenu, aux systèmes et aux expériences où elle est censée créer de la valeur.

Foire aux questions sur le retour sur investissement de l'IA

Combien de temps faut-il pour constater le retour sur investissement de l'IA ?

Cela dépend fortement du cas d’utilisation, de l’effort de mise en œuvre requis, de la rapidité avec laquelle les utilisateurs l’adoptent et des résultats mesurés au départ. Un workflow ciblé et bien défini peut donner des résultats en quelques mois, tandis qu’une initiative plus large impliquant plusieurs systèmes et équipes prend souvent beaucoup plus de temps à faire ses preuves.

Quels coûts faut-il prendre en compte lors du calcul du retour sur investissement de l’IA ?

Les frais d’utilisation des logiciels ou des modèles d’IA, les travaux d’intégration, la préparation des données, la formation, la supervision humaine et la maintenance continue doivent tous être pris en compte dans le calcul. Omettre l’un de ces éléments a tendance à donner une image plus favorable des chiffres initiaux de retour sur investissement qu’elle ne le sera en réalité.

Quels indicateurs les entreprises peuvent-elles utiliser pour mesurer le retour sur investissement de l’IA ?

Les résultats financiers, tels que la réduction des coûts ou l’augmentation du chiffre d’affaires, constituent les indicateurs les plus évidents, mais les mesures spécifiques à chaque cas d’utilisation ont également leur importance. Le coût par résolution, le taux de conversion et le temps de traitement sont autant d’exemples courants. Le bon équilibre dépend de l’objectif pour lequel le cas d’utilisation a été initialement conçu.

Pourquoi un projet pilote d’IA peut-il réussir sans générer de retour sur investissement commercial ?

Un projet pilote peut démontrer que la technologie fonctionne sans pour autant prouver que les utilisateurs l’adopteront réellement, qu’elle génère une réelle valeur financière ou qu’elle s’intègre dans un flux de travail métier complet et complexe. La réussite technique et le retour sur investissement commercial sont liés, mais ce ne sont pas la même chose.