Mesurer le ROI d'un projet d'IA en entreprise : indicateurs, mesure de référence et méthode, sans chiffres inventés

Le ROI d'un projet d'IA (retour sur investissement) rapporte les gains nets obtenus grâce à l'outil à ce qu'il a coûté au total. La formule est connue ; ce qui manque presque toujours, ce sont les deux termes. Les gains sont rarement mesurés par rapport à une situation de départ, et les coûts oublient le temps passé à relire, corriger et superviser l'IA. Résultat : des chiffres de « gain de productivité » qui circulent sans qu'on sache d'où ils viennent.

Ce guide propose une autre approche, adaptée aux petites structures et aux professions réglementées : mesurer avant de déployer, suivre cinq familles d'indicateurs plutôt qu'un seul chiffre, calculer un gain net et fixer un point de décision où l'on choisit d'étendre, d'ajuster ou d'arrêter. Il distingue ce que disent les études (faits), ce que nous en tirons (analyse) et les exemples chiffrés, qui sont des illustrations. Il fait partie de notre série sur le deuxième cerveau, l'IA agentique et l'IA en environnement réglementé.

ROI, valeur, indicateur : trois notions à distinguer avant de mesurer un projet d'IA

Définition courte : le ROI est un ratio financier, (gains nets − coût complet) ÷ coût complet, sur une période donnée. La valeur d'un projet d'IA est plus large : elle inclut des effets qui ne se convertissent pas directement en euros, comme une erreur évitée, une information retrouvée ou un dossier mieux documenté. Un indicateur est une mesure observable qui renseigne sur l'un de ces effets. La mesure de référence (« baseline ») est la valeur de cet indicateur avant le déploiement : sans elle, aucun écart ne peut être établi.

Analyse. Dans une grande entreprise, le ROI d'un projet d'IA se discute en comité d'investissement. Dans un cabinet de quatre personnes, la question est plus simple et plus exigeante : l'outil fait-il gagner du temps à quelqu'un, sur une tâche identifiée, sans dégrader la qualité ni augmenter le risque ? Le ROI au sens strict n'est alors qu'une des réponses. Pour une profession réglementée, la valeur passe aussi par la traçabilité et la maîtrise de l'information, qui ne se mesurent pas en euros mais se constatent lors d'un contrôle ou d'une réclamation.

Ce que disent les études : des gains réels, inégaux et souvent mal mesurés

Les faits. Les données publiques convergent sur un constat : l'IA produit des gains mesurables sur certaines tâches, mais la plupart des organisations peinent à les démontrer à leur échelle.

• La valeur est la première cause d'abandon. En juillet 2024, Gartner prévoyait qu'au moins 30 % des projets d'IA générative seraient abandonnés après la preuve de concept d'ici fin 2025, en raison de données de mauvaise qualité, de contrôles des risques insuffisants, de coûts croissants ou d'une valeur métier peu claire (communiqué Gartner du 29 juillet 2024). Le cabinet d'études y soulignait la difficulté à traduire des gains de productivité en bénéfice financier.
• L'effet sur le résultat reste modeste. Dans l'enquête State of AI 2025 de McKinsey, 39 % des répondants attribuent à l'IA un effet sur le résultat opérationnel (EBIT) de leur organisation, et la plupart d'entre eux l'estiment à moins de 5 %. Les bénéfices de coûts sont surtout rapportés au niveau des cas d'usage, pas de l'entreprise entière.
• Les gains se concentrent sur certaines tâches et certains profils. L'étude de Brynjolfsson, Li et Raymond sur 5 172 agents de support client, publiée en 2025 dans le Quarterly Journal of Economics, mesure une hausse de 15 % du nombre de demandes résolues par heure ; la version de travail précisait un gain de 34 % pour les agents débutants ou les moins qualifiés et un effet minime pour les plus expérimentés (NBER, document de travail w31161).
• Hors de sa « frontière », l'IA peut dégrader le travail. L'expérience menée avec 758 consultants du Boston Consulting Group (Dell'Acqua et al., 2023) a mesuré, sur des tâches adaptées à l'IA, des gains de plus de 25 % en vitesse et de plus de 40 % en qualité jugée ; sur une tâche située hors de ce périmètre, les consultants aidés de l'IA ont moins souvent trouvé la bonne réponse. Les auteurs parlent d'une frontière technologique irrégulière (synthèse de la Harvard Business School).
• Le ressenti n'est pas une mesure. Dans un essai contrôlé publié par METR en juillet 2025, seize développeurs expérimentés travaillant sur 246 tâches réelles ont mis 19 % de temps en plus avec l'IA. Ils avaient prévu un gain de 24 % et estimaient encore, après coup, avoir été accélérés d'environ 20 %. Les auteurs insistent sur les limites de l'échantillon et précisent que ce résultat ne vaut pas pour toutes les situations.

Analyse. Ces études ne disent pas que l'IA est inutile. Elles disent trois choses utiles à une petite structure. D'abord, les gains dépendent de la tâche : il faut mesurer tâche par tâche, pas « l'IA » en général. Ensuite, ils dépendent du profil : le collaborateur qui débute et l'associé qui connaît ses dossiers par cœur ne gagneront pas la même chose. Enfin, le ressenti des utilisateurs, même sincère, peut s'écarter de la réalité, dans un sens comme dans l'autre. En France, l'usage reste en phase d'installation : selon l'Insee (Insee Première n° 2120), 18 % des entreprises d'au moins dix salariés déclaraient utiliser au moins une technologie d'IA en 2025. C'est précisément le moment de prévoir la mesure, avant que les habitudes ne rendent la situation de départ impossible à retrouver.

Les cinq familles d'indicateurs d'un projet d'IA : usage, temps, qualité, risque, connaissance

Un projet d'IA ne se pilote pas avec un indicateur unique. Un outil très utilisé peut ne rien faire gagner ; un outil qui fait gagner du temps peut introduire des erreurs. Les cinq familles ci-dessous se contrôlent mutuellement. Pour une petite structure, deux ou trois indicateurs par famille suffisent largement.

Les familles 3 et 4 sont celles que les tableaux de bord oublient le plus souvent. Elles sont pourtant décisives en environnement réglementé : un gain de temps obtenu au prix d'une erreur dans un document remis à un client n'est pas un gain. Les méthodes pour les mesurer sont détaillées dans nos articles sur la fiabilité des réponses d'une IA d'entreprise et sur la validation humaine, qui décrit notamment les indicateurs de vigilance d'un relecteur.

La famille 5 mérite une attention particulière. Une ressaisie supprimée est un gain qui se répète chaque jour ; une information retrouvée en dix secondes plutôt qu'en interrompant un collègue est une valeur que personne ne chronomètre. Pour un deuxième cerveau, c'est souvent là que se trouve l'essentiel, et c'est aussi ce qui fait de la mémoire d'entreprise un actif.

Une méthode qui prévoit le point de décision dès le départ

Les indicateurs n'ont de sens que si une décision est prévue au bout. La méthode publiée par Brain en tient compte : tests sur vos dossiers réels avant d'aller plus loin (« tant qu'une réponse n'est pas juste et sourcée, on ne passe pas à la suite »), suivi rapproché des premières semaines d'usage, puis un point de décision où le cabinet choisit entre relier une autre source, automatiser, remplacer un outil… ou arrêter. C'est la lecture utile avant de fixer vos propres critères.

Lire la méthode en six étapes Voir les usages au quotidien

Tests sur dossiers réels • Point de décision après usage • L'arrêt fait partie des issues prévues

La mesure de référence : mesurer avant de déployer l'IA

Définition courte : la mesure de référence est la photographie, prise avant le déploiement, des indicateurs que l'on veut voir évoluer. Elle porte sur un nombre limité de tâches, mesurées sur un échantillon réel, pendant une période courte. C'est l'étape la plus souvent sautée, parce qu'elle paraît retarder le projet ; c'est aussi la seule qui rende les résultats démontrables.

Pour une petite structure, une mesure de référence raisonnable tient en deux semaines et cinq gestes :

1. Choisir trois à cinq tâches cibles. Des tâches fréquentes, identifiables et répétitives : préparer un rendez-vous, rédiger un compte rendu, répondre à une question réglementaire, retrouver une pièce, relancer un client. Pas « l'administratif » en général.
2. Chronométrer un échantillon. Dix à vingt occurrences par tâche, notées par la personne qui la réalise (début, fin, interruptions). L'objectif n'est pas la précision à la minute, mais un ordre de grandeur honnête.
3. Tenir un journal des ressaisies. Chaque fois qu'une information est recopiée d'un outil vers un autre, une ligne : quoi, d'où, vers où, combien de temps. C'est l'outil le plus révélateur de la cartographie des sources.
4. Noter les ratés. Ce qui « passe entre les mailles du filet » : relance oubliée, pièce introuvable, information donnée par un collègue absent. Un simple registre suffit.
5. Relever la qualité actuelle. Sur quelques documents produits sans IA, le nombre de corrections nécessaires à la relecture. Sans ce point de comparaison, on attribuera à l'IA des erreurs qui existaient déjà, ou l'inverse.

Analyse. Ces questions recoupent celles qu'un diagnostic sérieux pose avant tout projet : qu'est-ce qui est ressaisi, qu'est-ce qui prend du temps, qu'est-ce qui passe parfois entre les mailles du filet. Ce sont, à la lettre, trois des sept questions de l'audit proposé sur brain.majors.fr. La différence entre un diagnostic et une mesure de référence est simple : le premier identifie les tâches, la seconde les chiffre avant que l'outil ne change les habitudes.

Une précaution : la mesure ne doit pas devenir une surveillance individuelle. On mesure des tâches, pas des personnes ; les résultats se présentent de façon agrégée, et l'équipe sait ce qui est mesuré et pourquoi. Notre article sur la charte d'usage de l'IA rappelle le cadre applicable à l'information des salariés.

Calculer le gain net et le coût complet d'un projet d'IA

Le calcul du ROI échoue rarement sur la formule. Il échoue sur ce qu'on met dedans. Deux corrections changent tout : compter le gain net plutôt que le gain brut, et le coût complet plutôt que le prix de l'abonnement.

Gain net de temps par tâche = temps avant − (temps avec l'IA + temps de relecture + temps de correction). Le temps de relecture n'est pas une option : c'est la condition d'un usage responsable de l'IA, surtout pour un document remis à un client. L'ignorer revient à surestimer systématiquement le gain.

Illustration chiffrée (hypothèses fictives). Prenons un cabinet fictif qui mesure, avant déploiement, 45 minutes en moyenne pour préparer un rendez-vous client, sur vingt rendez-vous chronométrés. Avec l'IA, la synthèse est produite en quelques minutes, mais la relecture et les compléments prennent encore 25 minutes : le gain net est de 20 minutes, pas de 40. À raison de 40 rendez-vous par mois, cela représente environ 13 heures par mois. Ces chiffres ne sont pas des résultats observés : ils montrent seulement comment l'écart entre gain brut et gain net se construit.

Le temps libéré n'est pas encore une valeur. Treize heures gagnées ne valent quelque chose que si elles sont réaffectées : davantage de rendez-vous, un délai de réponse aux clients raccourci, moins de travail le soir, du temps consacré à la conformité. Il faut donc nommer, dès le départ, ce que deviendra le temps libéré, et le vérifier au point de décision. Sinon, le gain se dissout dans le quotidien et le ROI reste théorique. Notre article sur la réduction du temps administratif en cabinet donne des pistes de réaffectation propres au conseil patrimonial.

Les pièges de mesure qui faussent le ROI de l'IA

Même avec de bons indicateurs, certains biais reviennent dans presque tous les projets. Les connaître permet de les neutraliser à peu de frais.

Analyse. Le piège le plus coûteux pour une profession réglementée est celui des tâches faciles. Les études citées plus haut montrent qu'en dehors de son périmètre de compétence, l'IA peut dégrader la qualité du travail de personnes compétentes. Un projet mesuré uniquement sur les synthèses simples peut donc afficher un excellent ROI et produire, sur un dossier complexe (succession, structuration de société, situation de vulnérabilité), une erreur que personne n'a prévu de détecter.

Méthode en sept étapes : piloter un projet d'IA par la mesure jusqu'au point de décision

Voici une méthode adaptée à une petite structure, qui s'articule avec un déploiement progressif : un périmètre limité, des critères de passage écrits, une décision au bout.

1. Formuler l'hypothèse de valeur. Une phrase par tâche cible : « l'IA réduit le temps de préparation des rendez-vous sans dégrader la qualité des synthèses ». Une hypothèse qu'on ne peut pas réfuter n'est pas mesurable.
2. Prendre la mesure de référence. Deux semaines, trois à cinq tâches, les cinq gestes décrits plus haut.
3. Fixer les critères de décision à l'avance. Par exemple : gain net positif sur au moins deux tâches, aucune erreur non détectée dans un document remis à un client, part des réponses justes et sourcées au-dessus d'un seuil défini sur le jeu de test, usage régulier par les personnes concernées. Écrits avant, pas ajustés après.
4. Tester sur dossiers réels avant l'usage courant. Le jeu de test vérifie que les réponses sont justes et sourcées avant que l'outil n'entre dans le travail quotidien.
5. Mesurer pendant l'usage réel. Mêmes tâches, même méthode de chronométrage, même grille de qualité, sur un échantillon équivalent. Tenir le registre des erreurs et la liste des questions sans réponse.
6. Décider. Au point de décision, quatre issues : étendre (nouvelle tâche ou nouvelle source), ajuster (données, consignes, formation), maintenir en l'état ou arrêter. L'arrêt est une issue normale, pas un échec, s'il est décidé sur des faits.
7. Remesurer régulièrement. Après deux ou trois mois (effet nouveauté), puis à chaque changement de modèle, de source ou d'équipe. Les résultats se consignent : ils servent aussi de trace en cas de contrôle.

Le cas d'un cabinet patrimonial (illustration). Prenons un cabinet fictif de conseil en gestion de patrimoine, trois conseillers et une assistante. Il retient trois tâches : préparation des rendez-vous, rédaction des comptes rendus, recherche de pièces dans les dossiers. Sa mesure de référence révèle que la recherche de pièces, qu'il n'avait pas jugée prioritaire, est la plus coûteuse en ressaisies et en interruptions. Ses critères incluent un indicateur de conformité : aucun compte rendu transmis sans relecture, et des comptes rendus qui reprennent fidèlement les éléments du rendez-vous. Au point de décision, il étend l'usage à la recherche de pièces, ajuste les consignes de rédaction des comptes rendus et renonce provisoirement à une automatisation des relances qui ne fait pas gagner de temps net. Pour la production des documents réglementaires eux-mêmes, un outil dédié comme la Suite Majors® se mesure avec les mêmes indicateurs de temps et de qualité.

Comment Brain traite ce point. Le site de Brain n'affiche pas de gain chiffré ni de promesse de ROI. Sa méthode repose sur ce qui rend la mesure possible : un audit qui part de ce qui est ressaisi et de ce qui prend du temps, un premier périmètre de deux ou trois sources, des tests sur dossiers réels, un suivi rapproché des premières semaines et un point de décision dont l'arrêt fait partie. La logique est celle de cet article : prouver sur un périmètre réduit avant d'étendre. Notre présentation de Majors Brain et du deuxième cerveau d'entreprise replace cette démarche dans l'ensemble.