ROI de l'IA en entreprise : échec du calcul classique

Un comité exécutif demande rarement à voir une démonstration technique. Il demande un chiffre : combien cet investissement en intelligence artificielle rapporte-t-il, et en combien de temps ? La question paraît légitime, presque banale. Elle se heurte pourtant à une difficulté que peu de directions financières anticipent : les outils de calcul de rentabilité conçus pour une migration de serveurs ou un nouvel ERP s'appliquent mal à une technologie qui transforme les pratiques autant qu'elle automatise des tâches. Le Cigref, qui représente les grandes entreprises et administrations françaises utilisatrices du numérique, vient de publier un cadre pour sortir de cette impasse.

En résumé

Mesurer le retour sur investissement de l'intelligence artificielle générative et agentique avec les grilles comptables classiques conduit structurellement à sous-estimer, ou à mal attribuer, la valeur réellement créée. Le Cigref propose dans une note publiée en janvier 2026 de distinguer les IA horizontales, diffusées auprès du plus grand nombre, des IA verticales, intégrées à des processus métier précis, et d'intégrer des coûts de transformation qui peuvent représenter jusqu'à 30 à 40 % de la facture totale. La conséquence pour les dirigeants : évaluer chaque projet d'IA isolément, sans cadre de portefeuille, revient à se priver des informations nécessaires pour arbitrer entre les initiatives et décider lesquelles industrialiser.

Une question simple qui n'a pas de réponse simple

L'intelligence artificielle générative s'est installée dans les entreprises françaises à une vitesse inhabituelle pour une technologie professionnelle. Les assistants conversationnels ont d'abord servi à rédiger, résumer, traduire ou synthétiser. L'intelligence artificielle agentique, qui vise désormais l'exécution autonome d'actions et non plus seulement la production de contenu, élève encore le niveau d'ambition — et de dépense. Dans ce contexte, la question posée par les comités exécutifs devient de plus en plus pressante : quel est le retour sur cet investissement ?

Les enquêtes disponibles donnent des réponses contradictoires, ce qui devrait déjà alerter sur la fragilité de l'exercice. Une étude évoquée par plusieurs médias économiques indique qu'un ROI positif est constaté dans 74 % des entreprises ayant déployé de l'IA générative ; une autre, menée par PwC, souligne au contraire que les retours financiers restent limités au regard des sommes investies, avec seulement 18 % des entreprises françaises constatant déjà un ROI tangible¹. Ces écarts ne s'expliquent pas uniquement par des échantillons différents. Ils révèlent surtout que les organisations ne mesurent pas la même chose lorsqu'elles parlent de retour sur investissement.

Pourquoi les grilles habituelles échouent

Une migration technique classique se prête assez bien à un calcul de rentabilité traditionnel : un coût d'investissement identifiable, un gain de productivité mesurable, un délai de retour estimable. L'intelligence artificielle générative et agentique ne respecte aucune de ces trois conditions simplement. Le Cigref le formule sans détour dans sa note de janvier 2026 consacrée à l'évaluation du retour sur investissement de ces solutions : vouloir justifier un projet d'IA avec les mêmes outils qu'une migration de serveurs conduit à l'impasse, parce que l'IA transforme les pratiques, les processus, et parfois les modèles économiques eux-mêmes².

Le premier obstacle concerne les coûts. Au-delà des licences, de l'infrastructure et de l'inférence, le Cigref chiffre les coûts de transformation, souvent absents des business cases initiaux, entre 30 et 40 % du coût total. Formation des équipes, adaptation des processus, supervision, conduite du changement : ces postes ne figurent presque jamais dans le calcul présenté en comité d'investissement, alors qu'ils conditionnent directement la capacité de l'organisation à transformer un usage individuel en gain collectif.

Le second obstacle concerne les bénéfices. Un gain de temps individuel, aussi réel soit-il, ne se traduit pas mécaniquement en économie financière. Le Cigref évoque des gains pouvant dépasser cinquante minutes par jour pour certains profils grâce aux assistants génératifs, tout en posant la question qui fâche les directions financières : ce temps libéré devient-il un bénéfice tangible, ou se dilue-t-il dans la journée de travail sans jamais être réalloué à une tâche à plus forte valeur ? Multiplier un temps gagné par un coût salarial produit un chiffre séduisant sur une diapositive, mais souvent trompeur dans les faits.

Une distinction utile : IA horizontales, IA verticales

Le Cigref propose une clé de lecture qui mérite de s'installer durablement dans le vocabulaire des directions générales : la différence entre IA horizontales et IA verticales. Les premières, des assistants capables de synthétiser, classer, traduire ou rédiger, touchent potentiellement l'ensemble des collaborateurs. Leur défi n'est pas technique, il est organisationnel : réussir une conduite du changement à grande échelle, sans pouvoir rattacher chaque usage à un indicateur métier précis.

Les secondes s'inscrivent dans un processus métier identifié — finance, chaîne logistique, service juridique, marketing, maintenance. Leur valeur se construit en co-conception avec les équipes concernées, souvent en mode agile, et leurs gains peuvent être rattachés à des indicateurs métier déjà suivis par l'organisation. La logique de retour sur investissement y redevient plus classique, à condition de ne pas s'enfermer dans des métriques purement techniques.

Confondre ces deux logiques revient à appliquer aux IA verticales la patience qu'exigent les IA horizontales, ou inversement à exiger des assistants transverses une preuve financière immédiate qu'ils ne peuvent structurellement pas fournir avant que l'organisation n'ait appris à réallouer le temps qu'ils libèrent. Cette confusion, plus que l'absence de valeur réelle, explique une bonne partie des résultats mitigés régulièrement rapportés par les études sur le sujet.

Le problème que révèle l'évaluation projet par projet

La difficulté la plus profonde ne tient pourtant pas à la définition des indicateurs, mais à l'unité d'évaluation elle-même. Tant qu'une entreprise évalue chaque cas d'usage d'intelligence artificielle isolément, elle se prive d'informations essentielles : elle ne peut pas comparer un projet qui pose des fondations, comme la modernisation d'une plateforme de données, à un projet qui produit un résultat immédiat, comme l'automatisation d'un processus de facturation. Or ces deux catégories d'investissement ne se justifient pas de la même manière, et ne se mesurent pas au même rythme.

C'est pourquoi le Cigref recommande de basculer vers une logique de portefeuille, distinguant trois couches d'initiatives. Les fondations d'abord — modernisation logicielle, gouvernance des données, plateforme technologique — dont le retour est indirect et se mesure davantage en réduction du délai de mise sur le marché de futurs cas d'usage qu'en gain financier immédiat. Les initiatives horizontales ensuite, où l'enjeu prioritaire est de documenter l'adoption réelle et la réallocation du temps gagné, plutôt que de prouver un gain financier isolé. Les initiatives verticales enfin, construites à partir d'un objectif business explicite, décliné en leviers opérationnels sur lesquels l'IA peut agir concrètement.

Cette architecture change la nature du débat en comité exécutif. Il ne s'agit plus de défendre un projet d'IA à la fois, mais d'arbitrer entre plusieurs catégories d'investissement dont les échéances de retour diffèrent structurellement. Une organisation qui l'ignore prend le risque d'abandonner prématurément des initiatives de fondation faute de résultats immédiats, ou à l'inverse de sur-financer des projets horizontaux dont la valeur reste difficile à objectiver sans discipline de mesure.

De la productivité à la compétitivité

Un dernier déplacement mérite l'attention des dirigeants, sans doute le plus stratégique. Le Cigref observe que des gains de productivité fondés sur des outils accessibles à l'ensemble d'un secteur deviennent rapidement une norme partagée par tous les concurrents, plutôt qu'un avantage durable pour l'un d'entre eux. Autrement dit, l'IA générative peut élever le niveau moyen d'un secteur sans créer de différenciation réelle, sauf lorsqu'elle sert à construire des propositions de valeur que la concurrence ne peut pas reproduire aussi facilement.

Cette observation invite à reformuler la question initiale posée par les comités exécutifs. Plutôt que de demander uniquement combien un projet d'IA rapporte, il devient pertinent de demander ce qu'il rend possible et que l'entreprise ne pouvait pas faire auparavant. Un cabinet du secteur du conseil comme Deloitte rejoint cette lecture dans ses travaux sur l'adoption de l'intelligence artificielle en entreprise, en observant que les organisations les plus avancées associent systématiquement leurs initiatives d'IA à des objectifs de transformation métier plutôt qu'à de simples objectifs de réduction de coûts³.

Conclusion

La question à laquelle un comité exécutif devrait pouvoir répondre n'est donc pas seulement « combien avons-nous dépensé et combien cela rapporte-t-il ? », mais « dans quelle catégorie de valeur cet investissement se situe-t-il, et avec quel horizon de retour ? ». Tant que cette distinction reste implicite, chaque projet d'IA continuera d'être jugé avec une grille qui ne lui correspond pas — et l'entreprise continuera de sous-estimer, ou de survaloriser, une part significative de ce qu'elle a réellement produit.

Le regard de digitalie

Chez digitalie, nous considérons que la question du ROI de l'IA ne se résout pas en cherchant une formule universelle, mais en construisant, pour chaque organisation, une grille de lecture qui distingue les fondations, les usages horizontaux et les cas d'usage verticaux à fort enjeu métier. C'est la démarche que nous mettons en œuvre avec les directions qui souhaitent passer d'une accumulation d'expérimentations à un portefeuille priorisé et mesuré. Un échange de 30 minutes permet généralement de clarifier dans quelle catégorie se situent vos projets d'IA en cours, et selon quel horizon ils doivent être évalués.

Questions fréquentes

Comment mesurer le retour sur investissement d'un projet d'intelligence artificielle ?

Il faut distinguer la nature du projet avant de choisir l'indicateur : un projet de fondation (données, infrastructure) se mesure en réduction du délai de mise en œuvre de futurs projets, un projet horizontal (assistant transverse) se mesure par l'adoption et la réallocation du temps gagné, et un projet vertical, rattaché à un processus métier précis, peut être évalué avec des indicateurs financiers plus classiques.

Pourquoi les études sur le ROI de l'IA donnent-elles des résultats aussi différents ?

Parce qu'elles ne mesurent souvent pas la même chose. Certaines enquêtes agrègent tous les types de projets d'IA sous un seul chiffre de rentabilité, ce qui masque des réalités très différentes entre les initiatives de fondation, à retour indirect, et les projets métier ciblés, dont les gains sont plus directement mesurables.

Quels coûts cachés faut-il intégrer dans le calcul du ROI de l'IA ?

Au-delà des licences, de l'infrastructure et des coûts d'inférence, le Cigref estime que les coûts de transformation — formation, adaptation des processus, supervision, conduite du changement — peuvent représenter 30 à 40 % du coût total d'un projet d'IA générative ou agentique, et sont pourtant rarement intégrés dans les business cases initiaux.

Quelle différence entre IA horizontale et IA verticale en entreprise ?

Une IA horizontale, comme un assistant conversationnel généraliste, s'adresse au plus grand nombre de collaborateurs et pose un défi de conduite du changement à grande échelle. Une IA verticale s'intègre à un processus métier précis (finance, logistique, juridique) et se construit en co-conception avec les équipes concernées, avec des gains plus directement rattachables à des indicateurs métier existants.

Comment passer des expérimentations d'IA à un déploiement structuré ?

Le passage à l'échelle suppose de sortir de l'évaluation projet par projet pour adopter une logique de portefeuille, distinguant les initiatives de fondation, horizontales et verticales, chacune avec ses propres indicateurs et son propre horizon de retour. Une structure de type « AI Factory », mutualisant les briques réutilisables et les standards de gouvernance, facilite ce passage à l'échelle.

ROI de l'IA en entreprise : pourquoi les grilles de calcul classiques ratent une partie de la valeur créée