Pourquoi les directeurs financiers réduisent-ils les budgets d’IA (et les 3 indicateurs qui les sauvent)
L’argumentaire de vente des fournisseurs d’IA suit toujours le même schéma : « Notre outil permet à votre équipe de gagner 40 % de temps sur la tâche X. »
La démonstration est impressionnante et le calculateur de retour sur investissement (ROI) confirme des économies de main-d’œuvre de plusieurs millions. Vous obtenez l’approbation budgétaire et déployez l’outil.
Six mois plus tard, votre directeur financier vous demande : « Où est le gain de productivité de 40 % dans notre chiffre d’affaires ? »
Vous réalisez alors que le temps économisé a été absorbé par des e-mails et des réunions, et non par un travail stratégique qui fait progresser l’entreprise.
Voici la crise de la mesure de l’IA qui se déroule actuellement dans les entreprises.
Selon le rapport de Fortune de décembre 2025, 61 % des PDG rapportent une pression accrue pour montrer des retours sur les investissements en IA. Pourtant, la plupart des organisations mesurent les mauvais éléments.
Il y a un problème dans notre façon de suivre la valeur de l’IA.
Pourquoi le « temps économisé » est un indicateur de vanité
Le gain de temps semble séduisant dans un argumentaire commercial. C’est concret, mesurable et facile à calculer.
Mais le temps économisé n’est pas synonyme de valeur créée.
La recherche de Anthropic de novembre 2025 sur 100 000 conversations réelles avec l’IA a révélé que l’IA réduit le temps de réalisation des tâches d’environ 80 %. Cela semble transformateur, non ?
Ce que cette statistique ne capture pas, c’est le paradoxe de Jevons de l’IA.
En économie, le paradoxe de Jevons se produit lorsque le progrès technologique augmente l’efficacité avec laquelle une ressource est utilisée, mais que le taux de consommation de cette ressource augmente plutôt que de diminuer.
Dans le monde de l’entreprise, c’est la fallacie de la réallocation. Le fait que l’IA achève une tâche plus rapidement ne signifie pas que votre équipe produit plus de valeur. Cela signifie qu’elle produit le même résultat en moins de temps, mais remplit ensuite ce temps économisé avec des tâches de moindre valeur. Pensez à plus de réunions, des fils de discussion d’e-mails plus longs et une dérive administrative.
Le rapport ROI de l’IA 2025 de Google Cloud, qui a interrogé 3 466 dirigeants d’entreprise, a révélé que 74 % d’entre eux constatent un retour sur investissement la première année, le plus souvent par le biais de gains de productivité et d’efficacité plutôt que d’amélioration des résultats.
Mais lorsque vous examinez ce qu’ils mesurent, il s’agit principalement de gains d’efficacité, et non d’améliorations des résultats.
Les directeurs financiers comprennent cela intuitivement. C’est pourquoi les indicateurs de « temps économisé » ne convainquent pas les équipes financières d’augmenter les budgets d’IA.
Ce qui les convainc, c’est de mesurer ce que l’IA vous permet de faire que vous ne pouviez pas faire auparavant.
Les trois types de valeur de l’IA que personne ne mesure
Des recherches récentes d’Anthropic, OpenAI et Google révèlent un schéma : les organisations qui voient un véritable retour sur investissement de l’IA mesurent l’expansion.
Trois types de valeur comptent réellement :
Type 1 : Amélioration de la qualité
L’IA peut accélérer le travail, et elle améliore également le bon travail.
Une équipe marketing utilisant l’IA pour des campagnes par e-mail peut envoyer des e-mails plus rapidement. Et elle dispose également de temps pour tester plusieurs lignes d’objet, personnaliser le contenu par segment et analyser les résultats pour améliorer la prochaine campagne.
L’indicateur n’est pas « temps économisé pour écrire des e-mails. » L’indicateur est « taux de conversion des e-mails supérieur de 15 %. »
Le rapport d’OpenAI sur l’état de l’IA en entreprise, basé sur 9 000 travailleurs dans près de 100 entreprises, a révélé que 85 % des utilisateurs marketing et produits rapportent une exécution de campagne plus rapide. Mais la vraie valeur se manifeste dans la performance des campagnes, pas dans leur rapidité.
Comment mesurer l’amélioration de la qualité :
- Amélioration des taux de conversion (pas seulement la vitesse d’achèvement des tâches).
- Scores de satisfaction client (pas seulement le temps de réponse).
- Taux de réduction des erreurs (pas seulement le débit).
- Revenu par campagne (pas seulement le nombre de campagnes lancées).
Une entreprise SaaS B2B avec laquelle j’ai parlé a déployé l’IA pour la création de contenu.
- Leur ancien indicateur était « articles de blog publiés par mois. »
- Leur nouvel indicateur est devenu « trafic organique provenant de contenu assisté par IA vs. contenu uniquement humain. »
Le contenu assisté par IA a généré 23 % de trafic organique en plus car l’équipe a eu le temps d’optimiser pour l’intention de recherche, pas seulement le nombre de mots.
C’est ce qu’on appelle l’amélioration de la qualité.
Type 2 : Expansion du champ d’application (l’avantage du Shadow IT)
C’est l’indicateur que la plupart des organisations manquent complètement.
La recherche d’Anthropic sur la manière dont leurs propres ingénieurs utilisent Claude a révélé que 27 % du travail assisté par IA n’aurait pas été réalisé autrement.
Plus d’un quart de la valeur créée par l’IA ne provient pas de l’exécution plus rapide d’un travail existant ; elle provient de la réalisation de tâches qui étaient auparavant impossibles en raison des contraintes de temps et de budget.
À quoi ressemble l’expansion du champ d’application ? Cela ressemble souvent à un Shadow IT positif.
Le phénomène des « coups de papier » : de petits bogues qui n’étaient jamais prioritaires sont enfin corrigés. La dette technique est traitée. Des outils internes qui étaient des projets « un jour » sont réellement créés car un non-ingénieur pourrait les construire avec l’IA.
Le déblocage des capacités : les équipes marketing effectuent des analyses de données qu’elles ne pouvaient pas faire auparavant. Les équipes de vente créent des documents personnalisés pour chaque prospect au lieu d’utiliser des présentations génériques. Les équipes de réussite client contactent de manière proactive au lieu d’attendre les problèmes.
Les données de Google Cloud montrent que 70 % des dirigeants rapportent des gains de productivité, 39 % voyant un retour sur investissement spécifiquement dû à l’IA permettant un travail qui n’était pas dans le champ d’origine.
Comment mesurer l’expansion du champ d’application :
- Suivre les projets terminés qui n’étaient pas dans la feuille de route d’origine.
- Ratio des fonctionnalités en attente réalisées par des non-ingénieurs.
- Mesurer les demandes clients satisfaites qui auraient été refusées en raison de contraintes de ressources.
- Documenter les outils internes créés qui étaient auparavant des projets « un jour ».
Une entreprise de logiciels d’entreprise a utilisé cet indicateur pour justifier son investissement dans l’IA. Elle a suivi :
- 47 demandes de fonctionnalités client mises en œuvre qui auraient été refusées.
- 12 améliorations de processus internes qui étaient en attente depuis plus d’un an.
- 8 vulnérabilités concurrentielles traitées qui étaient auparavant des « problèmes connus ».
Aucun de ces éléments n’apparaît dans les calculs de « temps économisé ». Mais il est apparu clairement dans les taux de rétention client et les taux de victoire compétitive.
Type 3 : Déblocage des capacités (l’employé Full-Stack)
Nous avions l’habitude d’embaucher pour une spécialisation approfondie. L’IA inaugure l’ère du « Spécialiste Généraliste ».
La recherche interne d’Anthropic a révélé que les équipes de sécurité construisent des visualisations de données. Les chercheurs en alignement expédient du code front-end. Les ingénieurs créent des supports marketing.
L’IA abaisse la barrière à l’entrée pour les compétences difficiles.
Un responsable marketing n’a plus besoin de connaître SQL pour interroger une base de données ; elle doit simplement savoir quelle question poser à l’IA. Cela va bien au-delà de la vitesse ou du temps économisé pour supprimer le goulot d’étranglement de la dépendance.
Lorsqu’un marketeur peut mener sa propre analyse sans attendre trois semaines pour l’équipe Data Science, la vitesse de l’organisation entière s’accélère. Le généraliste marketing est maintenant un développeur front-end, un analyste de données et un rédacteur à la fois.
Les données d’entreprise d’OpenAI montrent que 75 % des utilisateurs rapportent être capables de réaliser de nouvelles tâches qu’ils ne pouvaient pas effectuer auparavant. Les messages liés au codage ont augmenté de 36 % pour les travailleurs en dehors des fonctions techniques.
Comment mesurer le déblocage des capacités :
- Compétences accessibles (pas seulement possédées).
- Travail interfonctionnel réalisé sans transfert.
- Vitesse d’exécution des idées qui auraient nécessité une embauche ou une sous-traitance.
- Projets lancés sans augmentation des effectifs.
Un responsable marketing d’une entreprise B2B de taille moyenne m’a dit que son équipe peut désormais gérer les rapports de routine et les analyses standard avec le soutien de l’IA, un travail qui nécessitait auparavant des semaines sur la file d’attente de l’équipe analytique.
Leur cycle d’optimisation des campagnes a été accéléré 4x, entraînant une performance des campagnes supérieure de 31 %.
L’indicateur de « temps économisé » dirait : « L’IA économise deux heures par analyse. »
L’indicateur de déblocage des capacités dit : « Nous pouvons désormais réaliser 4x plus de tests par trimestre, et notre équipe analytique s’attaque à un travail stratégique plus approfondi. »
Construire un cadre de ROI d’IA adapté aux finances
Les directeurs financiers se soucient de trois questions :
- Est-ce que cela augmente les revenus ? (Pas seulement réduire les coûts.)
- Est-ce que cela crée un avantage concurrentiel ? (Pas seulement égaler les concurrents.)
- Est-ce durable ? (Pas seulement une augmentation de productivité à court terme.)
Comment construire un cadre de mesure de l’IA qui répond réellement à ces questions :
Étape 1 : Établir votre état « avant IA »
Ne sautez pas cette étape, sinon il sera impossible de prouver l’impact de l’IA plus tard. Avant de déployer l’IA, documentez le débit actuel, les indicateurs de qualité et les limitations de la portée.
Étape 2 : Définir des indicateurs avancés et retardés
Vous devez suivre à la fois l’efficacité et l’expansion, mais vous devez les cadrer correctement pour les finances.
- Indicateur avancé (Efficacité) : Temps économisé sur les tâches existantes. Cela prédit la capacité potentielle.
- Indicateur retardé (Expansion) : Nouveau travail permis et impact sur le revenu. Cela prouve que la valeur a été réalisée.
Étape 3 : Suivre l’impact de l’IA sur le revenu, pas seulement le coût
Connectez les indicateurs de l’IA directement aux résultats commerciaux :
- Si l’IA aide les équipes de réussite client → Suivre les changements de taux de rétention.
- Si l’IA aide les équipes de vente → Suivre les changements de taux de victoire et de vitesse de conclusion des affaires.
- Si l’IA aide les équipes marketing → Suivre les contributions au pipeline et les changements de taux de conversion.
- Si l’IA aide les équipes produit → Suivre l’adoption des fonctionnalités et les changements de satisfaction client.
Étape 4 : Mesurer l’écart de « frontière »
La recherche d’entreprise d’OpenAI a révélé un écart croissant entre les travailleurs « de pointe » et les travailleurs moyens. Les entreprises de pointe envoient 2x plus de messages par siège.
Cela signifie identifier les équipes qui extraient une valeur réelle par rapport aux équipes qui ne font qu’expérimenter.
Étape 5 : Construire l’infrastructure de mesure en premier
Les prévisions sur l’IA de PwC pour 2026 avertissent que mesurer les itérations au lieu des résultats est insuffisant lorsque l’IA gère des flux de travail complexes.
Comme le note PwC : « Si un résultat qui prenait autrefois cinq jours et deux itérations en prend maintenant quinze mais seulement deux jours, vous êtes en avance. »
L’infrastructure dont vous avez besoin avant de déployer l’IA implique des indicateurs de base, des modèles d’attribution clairs et un soutien exécutif pour agir sur les insights.
Le paradoxe de la mesure
Les organisations les mieux placées pour mesurer le ROI de l’IA sont celles qui disposaient déjà d’une bonne infrastructure de mesure.
Selon le rapport de préparation 2025 de Kyndryl, la plupart des entreprises ne sont pas en mesure de prouver le ROI de l’IA car elles manquent de discipline de données fondamentale.
Ça vous dit quelque chose ? Cela se connecte directement au défi de l’hygiène des données que j’ai abordé précédemment. Vous ne pouvez pas mesurer l’impact de l’IA si vos données sont en désordre, conflictuelles ou cloisonnées.
Conclusion
La révolution de la productivité de l’IA est bien en cours. Selon la recherche d’Anthropic, l’IA de génération actuelle pourrait augmenter la croissance de la productivité du travail aux États-Unis de 1,8 % par an au cours de la prochaine décennie, doublant pratiquement les taux récents.
Mais capturer cette valeur nécessite de mesurer les bonnes choses.
Oubliez de demander : « Combien de temps cela économise-t-il ? »
Au lieu de cela, concentrez-vous sur :
- « Quelles améliorations de qualité voyons-nous dans les résultats ? »
- « Quel travail est désormais possible alors qu’il ne l’était pas auparavant ? »
- « Quelles capacités pouvons-nous accéder sans augmenter les effectifs ? »
Ce sont les indicateurs qui convainquent les directeurs financiers d’augmenter les budgets d’IA. Ce sont les indicateurs qui révèlent si l’IA transforme réellement votre entreprise ou simplement si elle vous rend occupé plus rapidement.
Le temps économisé est un indicateur de vanité. L’expansion permise est le véritable ROI.
Mesurez en conséquence.
Ressources supplémentaires :
Image en vedette : SvetaZi/Shutterstock
