Calcul du ROI: ce qui change avec L’IA

Dans notre pratique, cette situation se répète avec une régularité qui mérite attention :

Prenez un même cas d'usage IA confié à trois équipes d'une même organisation : vous obtenez trois évaluations qui n'ont presque rien en commun.

Le directeur financier part des coûts évités et projette un retour rapide. La direction de l'innovation raisonne en termes de nouvelles capacités et arrive à une estimation bien plus élevée. La DSI intègre les contraintes d'intégration, de supervision et de risque, et conclut qu'il est impossible de se prononcer.

Le problème n'est pas dans les chiffres. Il est dans les fondations. Chaque équipe a développé sa propre manière de modéliser le ROI, en croyant parler de la même chose.

C'est là que réside le problème central dans la façon dont les organisations évaluent l'IA aujourd'hui. Le numérateur et le dénominateur sont tous deux instables : les bénéfices apparaissent là où la finance traditionnelle ne regarde pas, les coûts s'accumulent dans des catégories que le porteur de projet ne maîtrise pas, et la valeur optionnelle se construit sur des cas d'usage que personne n'a encore imaginés.

La plupart des business cases IA ne sont pas incorrects. Ils sont incomplets, et systématiquement de la même façon.

Ce qui suit est un cadre complet : un TCO (Total Cost of Ownership) structuré, un modèle de valeur en quatre composantes, un calcul de NPV (Net Present Value) ajustée au risque, et une grille de scoring par portefeuille, appliqués de bout en bout à un seul cas d'usage, avec les chiffres.

Le ROI classique a été conçu pour des projets d'investissement à périmètre stable, dont les coûts sont maîtrisés et les bénéfices se réalisent selon des mécanismes bien connus. Les projets IA contredisent ces trois hypothèses.

Les projets IA ne laissent presque jamais le processus d'origine intact. En cherchant à accélérer un flux de travail, le système révèle souvent des redondances, des dépendances cachées ou des problèmes de qualité que personne n'avait encore eu l'occasion de voir.

L'état"après"n'est pas simplement un état"avant" plus rapide, c'est un processus transformé. Les calculs de ROI qui restent ancrés sur la baseline initiale passent à côté d'une partie significative de la valeur créée.

Trop souvent, le calcul de rentabilité se limite au coût des modèles et des licences logicielles. Or la structure de coûts réelle est sensiblement plus étendue : préparation des données, intégration aux systèmes existants, évaluation, gouvernance, supervision continue, accompagnement du changement. Autant de leviers qui mobilisent, dans la durée, des équipes que le sponsor du projet ne pilote pas directement.

Mis bout à bout, ces coûts pèsent en général trois à cinq fois plus que les dépenses technologiques apparentes.

Un premier cas d'usage IA constitue le socle sur lequel les suivants se déploient à moindre coût. Connecteurs réutilisables, jeux de données d'évaluation, schémas de gouvernance : autant d'actifs qui deviennent les intrants du deuxième, puis du troisième cas d'usage. Un modèle de ROI complet doit donc intégrer la valeur d'option, c'est-à-dire la NPV attendue des investissements ultérieurs que rend possibles l'existence du premier. La NPV classique ne sait pas la capter, sauf à la rendre explicite.

Tout cadre d'analyse qui fait abstraction de ces trois propriétés produit des chiffres en apparence précis, mais systématiquement biaisés

L'IA est trop souvent traitée comme un projet parmi d'autres, en concurrence pour les arbitrages budgétaires. Elle gagne à être pensée comme une capacité organisationnelle, qui se renforce à l'usage

Le premier cas d'usage paraît coûteux parce qu'il finance l'apprentissage. Le dixième paraît bon marché parce que cet apprentissage est devenu une infrastructure. C'est pourquoi les investissements IA doivent s'évaluer sur un horizon de trois ans, et non comme une succession de projets isolés.

La première discipline consiste à refuser d'évaluer les bénéfices sans disposer d'un modèle de coûts complet. Le coût total de possession (TCO) d'un projet IA se répartit en huit catégories :

Deux constats méritent qu'on s'y arrête. D'abord, la technologie est rarement le poste dominant. Les dirigeants habitués à l'économie du SaaS sous-estiment le reste d'un ordre de grandeur. Ensuite, le profil évolue dans le temps : intégration, préparation des données et évaluation sont fortement concentrées en amont, tandis que maintenance, supervision et technologie constituent le régime de croisière à partir de l'année 2, typiquement 30 à 50 % du coût de l'année 1.

Ce qui paraît marginal en année 1 devient souvent remarquable sur trois ans. À l'inverse, le pilote jugé sur sa seule première année est presque toujours arrêté trop tôt, juste avant le seuil où la valeur apparaît.

Un business case IA se construit sur trois ans au minimum, avec une décomposition des coûts de l'année 1 entre mise en place et fonctionnement récurrent.

Si les coûts se listent facilement, c'est qu'ils ont une traduction immédiate en trésorerie. Les bénéfices n'offrent pas cette commodité : ils se manifestent sous quatre formes, dont chacune se mesure à sa façon.

Un gain de productivité immédiatement chiffrable sur la tâche ciblée : heures économisées, embauches évitées, coût unitaire réduit. Le calcul standard s'écrit :

Ce chiffre est juste, mais incomplet. Un cas d'usage qui ne se justifie que par V_d se résume le plus souvent à une automatisation de back-office : un point de départ légitime, qui laisse pourtant de côté les sources de valeur les plus importantes.

L'amélioration directement convertible en trésorerie du taux d'erreur, de la conformité, de la régularité ou de l'exposition au risque. Le calcul suppose un taux d'erreur de référence, un taux d'erreur estimé après IA, et un coût par erreur :

C'est sur cette dimension que l'IA produit souvent ses effets les plus significatifs. Une réduction de deux points de pourcentage sur les réclamations mal orientées ou les tickets de support mal classifiés génère régulièrement plus de valeur que l'ensemble du gain de temps direct.

Dans la plupart des organisations, le savoir existe en abondance mais circule mal. Il est là, dans les documents, les bases, les têtes, et pourtant hors de portée au moment où il faudrait. L'IA change l'économie de cet accès.

V_k mesure des effets de second ordre : le travail des experts s'accélère, les réponses aux clients gagnent en pertinence, les escalades liées au manque de contexte se raréfient.

La discipline tient en trois gestes : poser une estimation explicite, documenter les hypothèses qui la sous-tendent, les ajuster à l'issue de la première fenêtre de mesure.

La NPV attendue des cas d'usage ultérieurs qui ne deviennent viables qu'à partir du moment où le premier existe. Dès lors qu'un premier déploiement installe le pipeline de données, le cadre d'évaluation et le modèle de gouvernance dont les cas d'usage suivants vont hériter, une part de leur NPV revient légitimement à ce premier investissement :

Tout l'enjeu consiste à rendre cette valeur explicite, plutôt que de la laisser disparaître sous l'étiquette des « bénéfices stratégiques ».

Le facteur de probabilité pt impose de reconnaître, dès le calcul, l'existence d'un risque d'exécution. En année 1, une valeur honnête se situe entre 0,6 et 0,8 mais jamais à 1,0.

À partir de l'année 2, une fois le système stabilisé et l'adoption documentée, pt peut raisonnablement remonter entre 0,85 et 0,95.

Les cas d'usage IA les plus réussis sont rarement ceux qui produisent les démos les plus impressionnantes. Ce sont ceux où les directions métiers, IT, données, risque et opérations s'accordent sur la même unité de valeur.

Cas pratique : un assureur européen de taille moyenne, sur le marché dommages et responsabilité civile, évalue un système de triage des sinistres assisté par LLM. L'IA propose routage et raisonnement ; le gestionnaire valide avant toute action.

240 000 sinistres par an.

Triage actuel : 12 minutes par sinistre à 42 €/heure en coût chargé.

Taux de mauvais routage : 8 %, soit 180 € par cas en reprise et délais.

Le temps de triage tombe à quatre minutes. Le taux de mauvais routage recule de 8 % à 3 %, chiffre confirmé par un pilote de quatre semaines.

Pendant le pilote, les gestionnaires ont consulté plus souvent des cas historiques similaires, parce que l'IA faisait remonter les précédents pertinents en même temps que sa recommandation de routage. Cela a permis de réduire les escalades vers les gestionnaires seniors d'environ 1 500 par an, chacune libérant à peu près 25 minutes de temps senior à 78 € de l'heure. Modeste face à V_d et V_q, mais bien réel et invisible sans modélisation explicite.

L'investissement installe également un pipeline d'indexation des documents de sinistres, un cadre d'évaluation et un modèle de gouvernance, dont trois cas d'usage ultérieurs identifiés vont hériter : détection de fraude, rédaction de correspondance client, traitement des demandes des courtiers.

Estimations prudentes : 40 % de coût de construction en moins par cas grâce aux actifs réutilisables, NPV cumulée à trois ans d'environ 4,2 M€, probabilité de 60 % d'être engagés. C'est une attribution, pas un flux de trésorerie. Elle relève du dossier stratégique, pas de la NPV en trésorerie.

Année 1 : coûts de mise en place et coûts récurrents :

Les coûts récurrents des années 2 et 3 redescendent autour de 350 000 € par an, à mesure que les coûts non récurrents de mise en place disparaissent et que la charge de supervision diminue.

Valeur en trésorerie de l'année 1, avant ajustement du risque :

En appliquant p₁ = 0,7 pour tenir compte du risque d'exécution en année 1 :

Net année 1 : 2 486 925 € − 910 000 € = 1 576 925 €

Aux années 2 et 3, p_t remonte à 0,9, en cohérence avec un système désormais stabilisé :

NPV sur trois ans, avec un taux d'actualisation de 10 % :

Délai de retour : environ quatre mois sur les 760 000 € d'investissement non récurrent (intégration, préparation des données, cadre d'évaluation, mise en place de la gouvernance et adoption)

Réduit à V_d seul, le dossier reste rentable, mais perd près de 60 % de sa portée, et le récit stratégique autour des cas d'usage ultérieurs disparaît entièrement. Les composantes comptent, non parce qu'elles font grossir le chiffre, mais parce qu'elles le rendent honnête.

Le cadre proposé permet de juger s'il faut investir. Il ne dit rien du moment où le faire.

En matière d'IA, le moment de l'investissement pèse souvent plus que l'investissement lui-même. Un report de douze mois peut effacer une part significative de la valeur de la première année, pendant que les concurrents construisent les mêmes capacités et accumulent l'apprentissage organisationnel qui les accompagne.

En pratique, « attendre » n'a de sens que lorsque l'organisation met activement à profit ce délai pour construire les capacités nécessaires à une adoption ultérieure : maturité des données, discipline de gouvernance, infrastructure d'évaluation. Sans cela, ce n'est pas une stratégie. C'est une manière de prendre du retard.

Ce que l'on développe sur mesure aujourd'hui deviendra demain une fonctionnalité standard. Attendre, donc, c'est réduire le coût de construction. C'est parfois vrai. Mais l'argument sert plus souvent à justifier l'inaction qu'à formuler une stratégie.

L'organisation met-elle à profit la période d'attente pour bâtir les capacités qui rendront l'adoption plus rapide le moment venu ? Si la réponse est non, alors « nous attendrons » n'est qu'un euphémisme pour « nous prenons du retard ».

Le calcul de ROI d'un cas d'usage pris isolément éclaire une décision d'investissement. Il n'éclaire pas une décision de portefeuille. Pour arbitrer entre plusieurs investissements IA en concurrence, les dirigeants ont besoin d'un modèle de notation multicritères.

Quatre dimensions. Voici les pondérations qui valent dans la plupart des contextes d'entreprise :

Le cadre exposé permet d'évaluer les cas d'usage tels qu'ils sont proposés. Il ne répond pas à une question plus difficile : quels cas d'usage l'organisation devrait-elle imaginer en premier lieu ? Trois horizons aident à y répondre :

La plupart des entreprises surinvestissent en H1 et sous-investissent en H2 et H3. Le cadre de ROI proposé corrige naturellement ce biais, parce que V_q, V_k et V_O y figurent comme composantes explicites à condition que l'équipe accepte de les estimer plutôt que de les arrondir à zéro.

Dans toute revue de portefeuille IA, la part des cas d'usage strictement positionnés sur l'horizon 1 ne devrait pas dépasser 60 %. Au-delà, l'organisation traite l'IA comme une démarche d'automatisation, plutôt que comme une nouvelle capacité opérationnelle.

Avant de valider un cas d'usage IA, les dirigeants devraient pouvoir répondre par écrit aux douze questions suivantes :

La dernière question est la plus déterminante. Dans un investissement classique, ne pas investir, c'est préserver son capital. Dans un investissement IA, ne pas investir, c'est souvent prendre du retard sur une capacité qui deviendra, tôt ou tard, incontournable. Cet écart se voit rarement dans un tableur mais il finit toujours par se voir dans la stratégie.

Le retour sur investissement reste nécessaire. En matière d'IA, il est devenu incomplet. Un investissement IA produit un second type de retour, que la finance classique ne sait pas capter : une amélioration de la capacité de l'organisation à transformer ses données, ses savoirs et son expertise en action.

Appelons celale Return on Intelligence.Ce n'est pas un concept flou : il se mesure opérationnellement. À quelle vitesse l'organisation peut-elle mobiliser son savoir existant pour éclairer une nouvelle décision ? En combien de temps un nouveau collaborateur atteint-il sa pleine productivité ? Combien de décisions sont prises chaque semaine avec le bon contexte, plutôt qu'à partir d'informations parcellaires ?

La bonne question, en comité, n'est plus :« Combien ce cas d'usage IA permettra-t-il d'économiser ? »Elle est désormais : « Quelle entreprise deviendrons-nous si nous traitons l'intelligence comme une infrastructure ? Et que nous coûte le fait d'attendre ? »