Pourquoi les gains de productivité individuelle n'atteignent jamais le compte de résultat
L'écart n'est plus anecdotique ; il apparaît dans les données de référence. Dans l'enquête mondiale de McKinsey sur l'IA publiée en août 2026, 80 % des répondants déclarent que l'IA a amélioré leur productivité individuelle, mais seuls 37 % font état d'une contribution positive à l'EBIT, un chiffre quasiment inchangé par rapport à l'année précédente, alors même que la part des organisations déployant l'IA à l'échelle de l'entreprise a atteint 44 %.[1] L'initiative NANDA du MIT est parvenue à une conclusion similaire sous un autre angle : son rapport 2025, The GenAI Divide: State of AI in Business, a révélé qu'environ 95 % des projets pilotes d'IA générative en entreprise ont eu un impact faible, voire nul, et non mesurable sur le compte de résultat.[2]
La vitesse des tâches n'est pas la vitesse de l'entreprise
La première raison est mécanique. Un rapport de huit heures réduit à deux heures attend toujours plusieurs jours la revue, l'approbation et l'exploitation en aval, si bien que le processus de bout en bout bouge à peine. L'accélération des tâches individuelles est absorbée par les transferts, les files d'attente et les points de décision que l'IA n'a jamais touchés. Comme le soutient Howard Rubin dans CIO, la plupart des métriques d'IA célébrées mesurent la constitution de capacités et l'activité, et non les résultats réellement obtenus par l'entreprise, et la chaîne causale entre les deux est souvent indirecte ou différée.[3]
La seconde raison est une décision manquante. Lorsque des heures sont gagnées mais que personne ne décide de leur sort, ces économies se dissipent dans les mêmes structures qui ont produit l'ancienne situation de référence :
- Les mêmes effectifs restent en place, car aucune décision de redéploiement n'a jamais été prise
- Le même carnet de commandes se remplit à nouveau, car la demande n'a jamais été redéfinie
- Les mêmes dépenses externes se poursuivent, car aucun contrat ou volume fournisseur n'a été renégocié
- Les mêmes délais de cycle persistent, car la chaîne d'approbation en amont et en aval n'a jamais été repensée
La troisième raison est celle que cet article aborde. Rien de tout cela n'est un échec technologique. C'est un échec d'architecture de mesure : l'entreprise n'a jamais construit la chaîne de preuve explicite qui relie l'usage de l'IA à la transformation des flux de travail, à un KPI opérationnel nommé, à un mécanisme financier précis, et enfin à l'EBIT (résultat d'exploitation). Le reste de cet article explique comment construire cette chaîne.
Le pont de valeur de l'IA : une architecture de mesure à cinq échelons
Nous appelons cette structure manquante le pont de valeur de l'IA. Il s'agit d'une architecture de mesure à cinq échelons qui impose que chaque cas d'usage de l'IA soit prouvé dans l'ordre, depuis le premier usage jusqu'au compte de résultat. Chaque échelon est une affirmation qui doit être démontrée avant que l'échelon suivant puisse même être avancé. Les échelons sont :
| Échelon | Ce qu'il affirme | Preuve requise avant l'échelon suivant |
|---|---|---|
| 1. Cas d'usage | Un processus défini, dont un responsable métier nommé a la charge, auquel l'IA est appliquée sur un travail réel | Problème délimité, responsable nommé, processus actuel documenté |
| 2. Adoption | Les gens utilisent réellement l'outil dans ce processus | Données d'usage liées au flux de travail spécifique, et non à un simple décompte de licences à l'échelle de l'entreprise |
| 3. Transformation du flux de travail | La manière de faire le travail a changé, et pas seulement sa vitesse | Cartographie du processus avant/après : étapes supprimées, transferts réduits, validations repensées |
| 4. KPI opérationnel | Une métrique que la finance reconnaît comme ayant bougé | Un KPI nommé avec une base figée et un écart mesuré |
| 5. Mécanisme financier | Le mouvement du KPI se convertit en argent via une voie comptable précise | Un mécanisme déclaré (voir la quatrième section) et une ligne comptable où il atterrit |
| 6. Impact sur l'EBIT ou la croissance | Le compte de résultat bouge | Chiffre validé par la finance dans le cycle de reporting, avec le contrefactuel documenté |
Comparez cela au tableau de bord IA typique, qui saute directement de l'échelon deux à l'échelon six : il rapporte les volumes de requêtes et les utilisateurs actifs d'un côté, et un montant en dollars de l'autre, sans rien entre les deux. Les échelons intermédiaires, là où la valeur se crée ou se détruit réellement, sont tout simplement absents. C'est pourquoi ces chiffres ne survivent pas à l'examen d'un directeur financier.
Le pont est le tissu conjonctif qui manque actuellement aux équipes de direction. L'enquête 2026 de McKinsey montre un impact financier à l'échelle de l'entreprise qui stagne alors même que le passage à l'échelle atteint 44 pour cent des répondants, ce qui signifie que la contrainte n'est plus le déploiement. C'est l'absence d'un chemin traçable du déploiement vers les résultats.[1]
Métriques d'activité vs KPI opérationnels : ce que la finance acceptera de valider
Le pont ne fonctionne que si l'échelon quatre est soumis à une exigence stricte, et la plupart des organisations échouent à ce test. Les métriques d'adoption mesurent l'usage, et l'usage n'est pas la valeur. Mille utilisateurs superficiels qui sollicitent l'outil de temps en temps peuvent perdre face à cinquante utilisateurs intensifs intégrés dans un processus repensé. L'analyse de CIO établit la même distinction : les décomptes de requêtes exécutées, de jetons consommés et d'employés utilisant des outils d'IA révèlent l'adoption et l'activité, mais en disent peu sur l'amélioration réelle de la performance opérationnelle.[3]
| Métriques d'activité (échelon 2, au mieux) | KPI opérationnels (échelon 4) |
|---|---|
| Nombre de licences et taux d'utilisation des licences | Délai moyen de recouvrement (DSO) |
| Volumes de requêtes et jetons consommés | Coût par résultat vérifié |
| Estimations d'heures économisées | Durée de cycle du processus |
| Taux d'adoption et de formation | Taux d'erreurs et de reprises |
| Nombre de cas d'usage déployés | Revenu par ETP |
Une conversion illustrée
Prenons une métrique d'activité courante : l'équipe comptable clients annonce 30 pour cent d'heures économisées sur la relance des factures grâce à des rappels rédigés par l'IA. Telle quelle, c'est un chiffre de présentation. Convertissons-le : ces heures sont consacrées à des relances plus rapides et plus cohérentes, ce qui raccourcit le délai moyen de recouvrement. Le KPI opérationnel est le délai moyen de recouvrement (DSO), avec une base figée avant le déploiement, disons la moyenne des douze derniers mois. L'écart entre la base et le DSO actuel, multiplié par le revenu quotidien, est ce que la finance peut réellement comptabiliser. Si le DSO ne bouge pas, les heures économisées étaient de l'activité, pas de la valeur, et le cas d'usage est redéfini ou abandonné.
Le test décisif derrière cet exemple est simple : si un cas d'usage ne peut pas être rattaché à une ligne financière précise, il appartient à un laboratoire de R&D, pas au budget de fonctionnement. Un récent reportage de CFO.com souligne clairement l'enjeu : malgré une adoption généralisée, l'IA s'est rarement traduite par des améliorations mesurables de l'EBITDA, des flux de trésorerie ou du retour sur capitaux investis.[4]
Les mécanismes comptables : comment les gains de temps deviennent de la marge
L'échelon cinq est celui où la plupart des cas de valeur tournent mal en silence, car les heures économisées ne constituent pas un mécanisme financier. Les heures économisées n'atteignent le compte de résultat que par l'une de trois voies précises, et chaque cas d'usage déclenche exactement l'une d'elles en premier :
| Mécanisme | Comment il fonctionne | Où il se situe dans le compte de résultat |
|---|---|---|
| Évitement de coûts SG&A | Les heures économisées ne sont pas pourvues : le poste vacant reste non pourvu, les dépenses externes (agences, BPO, prestataires) sont réduites | Baisse des charges SG&A ; se manifeste comme un coût évité, pas comme une réduction d'une ligne existante |
| Libération de capacité | Les heures redéployées sont réorientées vers des activités génératrices de revenus ou des goulots d'étranglement, à effectifs constants | Marge grâce à une production supérieure à coût de personnel constant ; suppose une décision explicite de redéploiement |
| Revenu par ETP | La production croît sans croissance des effectifs, donc la productivité par salarié augmente | Ligne de revenu à coût de personnel constant ; l'histoire de croissance la plus crédible et la plus difficile à isoler |
Choisir le mécanisme n'est pas une formalité comptable : cela détermine ce qui doit être décidé sur le plan opérationnel. L'évitement de coûts exige la discipline de laisser un poste vacant non pourvu. La libération de capacité exige une destination nommée pour les heures redéployées. Le revenu par ETP exige un dénominateur sur lequel les deux parties s'accordent. Si le mécanisme n'est pas choisi à l'avance, les économies restent un chiffre sur une diapositive, car personne n'a jamais été responsable de leur conversion.
Des délais honnêtes comptent autant que des mécanismes honnêtes. L'enquête 2025 de Deloitte auprès de 1 854 dirigeants en Europe et au Moyen-Orient a révélé que la plupart des répondants obtiennent un retour sur investissement satisfaisant sur un cas d'usage typique d'IA en deux à quatre ans, contre les sept à douze mois généralement attendus pour des investissements technologiques, et seuls 6 pour cent ont déclaré un retour sur investissement en moins d'un an.[5] Un pont bâti sur une promesse de retour sur investissement en deux trimestres échouera, non pas parce que la valeur est absente, mais parce que l'attente a été mal fixée.
Concevoir le contrefactuel : prouver que le delta est réel
Même un KPI opérationnel et un mécanisme bien choisis ne prouvent rien si le delta ne peut être attribué. L'IA est rarement déployée dans un environnement statique. Les dirigeants interrogés par Deloitte sont explicites à ce sujet : l'IA est généralement introduite en parallèle d'efforts visant à améliorer la qualité des données, à reconfigurer les équipes ou à rationaliser les opérations, ce qui rend sa valeur difficile à isoler. Un dirigeant du secteur de l'énergie a décrit le fait de ne disposer que d'une estimation approximative des bénéfices, car les gains de l'IA ne pouvaient être séparés des programmes d'excellence opérationnelle et des réorganisations menés en même temps.[5]
La réponse pratique consiste à figer la base avant le déploiement et à choisir délibérément un dispositif d'attribution. Trois dispositifs couvrent la plupart des situations :
- Déploiement échelonné avec groupe de contrôle : déployer le cas d'usage d'abord dans certaines unités ou régions et considérer les unités non encore déployées comme point de comparaison, afin que les tendances de fond s'annulent
- Avant-après sur un processus stable : lorsque le processus lui-même est réellement inchangé hormis l'IA, une base figée avec une fenêtre d'observation définie est défendable
- Différence de différences entre unités comparables : comparer l'évolution du KPI dans les unités dotées d'IA à celle d'unités comparables non dotées sur la même période
Quel que soit le dispositif choisi, la base doit être figée avant le déploiement, et non reconstituée après coup à partir de la mémoire de l'équipe propriétaire de l'outil. Une base construite après coup est une négociation, pas une mesure.
Le contrefactuel a également besoin d'un responsable financier désigné. Dans la plupart des organisations, les pilotes sont menés par celui qui a commandité la technologie, sans que personne de la finance ne détienne la base ni le standard d'attribution. Quand personne ne possède le contrefactuel, le succès est indéterminable par construction : tout gain rapporté peut être contesté, et tout déficit peut être expliqué. C'est précisément la position qu'un directeur financier ne peut défendre devant un conseil d'administration, et c'est un problème de responsabilité, pas un problème d'analyse.
Pourquoi la finance et les responsables métier doivent co-posséder le pont
Aucune fonction seule ne peut construire le pont. Le responsable métier connaît le flux de travail : quelles étapes ont réellement disparu, quels transferts ont été supprimés, où sont allées les heures redéployées. La finance connaît le mécanisme et le standard contrefactuel : dans quelle ligne comptable la valeur se situe, quelles preuves résistent à un audit, quelle base est défendable. Un pont construit uniquement par le côté métier produit une arithmétique d'heures économisées ; un pont construit uniquement par la finance produit du scepticisme. La valeur naît du travail conjoint.
Les données probantes soutiennent le volet flux de travail de ce partenariat. Les recherches de McKinsey montrent que la refonte des flux de travail a le plus grand effet sur l'impact EBIT (résultat d'exploitation) perçu de l'IA générative, et son enquête 2026 révèle que les plus performants - les quelque 6 pour cent d'organisations attribuant au moins 5 pour cent de leur EBIT (résultat d'exploitation) à l'IA - sont bien plus susceptibles que les autres d'avoir fondamentalement refondu leurs flux de travail plutôt que d'y insérer l'IA, avec près de trois quarts l'ayant fait.[6]
En pratique, la co-propriété se résume en trois disciplines :
- Une feuille de pont de valeur par cas d'usage, signée à la fois par le responsable métier et par le responsable financier, chaque barreau étant prouvé dans l'ordre avant de revendiquer le suivant
- Une cadence de réévaluation trimestrielle : les barreaux sont revérifiés, pas supposés, car les flux de travail et les bases dérivent
- Des décisions d'abandon ou de passage à l'échelle prises uniquement aux barreaux quatre et cinq, lorsque le delta du KPI et le mécanisme sont prouvés, jamais sur les seules données d'adoption
La cadence compte autant que la feuille de calcul. Une renotation trimestrielle maintient le pont de valeur honnête à mesure que les conditions évoluent, et le fait de limiter les décisions d'abandon ou passage à l'échelle aux barreaux supérieurs prévient la défaillance de gouvernance la plus fréquente : annuler des cas d'usage sur la base de chiffres d'adoption faibles, tout en faisant passer à l'échelle des cas d'usage qui affichent de l'usage mais aucun mouvement de KPI.
Pourquoi la plupart des présentations de ROI de l'IA échouent au test du CFO, et comment le réussir
Armé du pont de valeur, un regard sur la présentation de ROI de l'IA typique suffit à nommer facilement ses modes d'échec :
- Des chiffres de référence non attribués : des résultats d'enquêtes sectorielles présentés comme s'il s'agissait des résultats de votre entreprise
- Une arithmétique des heures économisées sans mécanisme : 40 000 heures multipliées par un taux chargé, sans réponse à la question de savoir sur quelle ligne du compte de résultat l'argent atterrit
- Aucun contrefactuel : un delta revendiqué par rapport à une base qui n'a jamais été figée, dans un environnement où cinq autres programmes de transformation ont été menés simultanément
- Aucun poste financier nommé : une valeur décrite dans le langage de la productivité, jamais dans celui du plan comptable
Le test du CFO condense tout cela en une phrase : nommez le KPI, nommez le mécanisme, nommez le contrefactuel, sinon le chiffre ne compte pas. Une présentation construite sur le pont de valeur répond à chaque objection dans l'ordre. À la question de savoir si l'outil est utilisé, elle montre les preuves du deuxième barreau, liées au flux de travail précis. À la question de savoir si quelque chose a changé, elle montre la cartographie des processus avant-après au troisième barreau. À la question de savoir si le KPI a bougé, elle montre la base figée et le delta mesuré au quatrième barreau. À la question de savoir où est l'argent, elle nomme le mécanisme et le poste financier au cinquième barreau. Et à la question de savoir si l'IA en est la cause, elle montre le dispositif d'attribution au niveau du contrefactuel. Chaque affirmation se situe un barreau au-dessus de la question qui la suscite, et rien ne repose sur une référence empruntée à l'enquête d'une autre entreprise.
C'est également là que le travail d'analyse lui-même a besoin de structure. Decisity est une plateforme de stratégie nativement IA utilisée par les directions financières et les directions de la stratégie pour construire précisément ce type d'analyse en pont de valeur à partir des documents de l'entreprise : les briefs de cadrage, la documentation des processus, les bases de référence et les données financières entrent, et le pont de valeur par cas d'usage sort sous la forme d'une présentation prête pour le comité de direction, chaque affirmation étant reliée à sa source. Lorsque le test du CFO est appliqué en réunion, les preuves derr[7]ière chaque barreau sont à un clic, ce qui fait la différence entre un chiffre qui survit à l'examen et un chiffre qui n'y survit pas. Vous pouvez voir comment la plateforme structure ce travail sur Decisity platform.
