Après plusieurs années d’expérimentation, le retour sur investissement de l’intelligence artificielle s’impose comme une préoccupation centrale des directions générales. Les entreprises ne peuvent plus se contenter d’accumuler les preuves de concept, les assistants génératifs et les démonstrateurs. Elles doivent désormais répondre à une question plus exigeante : quelle valeur économique l’intelligence artificielle produit-elle réellement ?

Une étude publiée le 15 juillet 2026 par SAP, en partenariat avec Oxford Economics, apporte de nouveaux éléments à ce débat. Réalisée auprès de 2 600 dirigeants dans treize pays, elle indique que les entreprises interrogées consacrent en moyenne 28 millions de dollars à l’IA. Elles estiment leur retour sur investissement à 21 % en 2026, contre 16 % en 2025, et anticipent un taux de 38 % dans les deux prochaines années. La valeur financière attendue passerait ainsi de 6,3 millions à 15,9 millions de dollars.

Ces chiffres semblent confirmer que l’intelligence artificielle quitte progressivement les laboratoires d’innovation pour entrer dans les opérations. Ils doivent néanmoins être interprétés avec prudence. L’étude mesure des retours déclarés et des anticipations de dirigeants. Elle ne constitue pas une consolidation indépendante des résultats comptables produits par chaque projet.

La nuance est essentielle. Une attente de rentabilité n’est pas encore une valeur réalisée. Une capacité technique n’est pas encore un résultat économique.

Le véritable enjeu consiste à comprendre comment une entreprise convertit une amélioration technologique en performance mesurable. L’intelligence artificielle peut accélérer une tâche, produire une analyse ou automatiser une action. Elle ne crée toutefois pas, à elle seule, de valeur économique. Celle-ci dépend des choix stratégiques, de la qualité des données, de l’organisation du travail, des processus de décision et de la capacité des équipes à utiliser le temps ou les ressources ainsi libérés.

De l’expérimentation à l’exécution

Selon l’étude SAP, environ 30 % des tâches effectuées dans l’entreprise moyenne sont désormais soutenues par une forme d’intelligence artificielle. Cette proportion pourrait atteindre 48 % dans les deux prochaines années. Dans le même temps, la part des investissements qualifiés de stratégiques aurait presque doublé pour atteindre 17 %. Pourtant, 41 % des organisations continuent à déployer l’IA sous la forme d’initiatives fragmentées.

Cette situation révèle une contradiction fréquente. Les entreprises utilisent davantage l’IA, mais elles ne disposent pas toujours d’une stratégie commune pour sélectionner les cas d’usage, coordonner les investissements et mesurer les résultats.

Un assistant interne peut fournir des synthèses de qualité. Un agent peut accélérer le traitement des demandes clients. Un modèle prédictif peut améliorer la détection d’anomalies. Ces résultats attestent du bon fonctionnement d’une technologie. Ils ne constituent pas automatiquement un retour sur investissement.

Pour produire une valeur économique, la capacité technique doit entraîner une amélioration observable d’un processus métier. Elle peut se traduire par une réduction du temps de traitement, une baisse du coût unitaire, une diminution du taux d’erreur. Ou encore une progression du chiffre d’affaires, une amélioration de la qualité ou une meilleure maîtrise d’un risque.

Deux entreprises peuvent utiliser le même modèle et obtenir des résultats très différents. L’une peut intégrer l’outil dans un processus clairement défini, former les équipes, organiser la validation des résultats et mesurer l’évolution de la performance. L’autre peut mettre le même outil à disposition des collaborateurs sans modifier les responsabilités ni les modes de travail.

La différence ne vient alors pas du modèle. Elle vient de l’organisation.

Le temps économisé n’est pas encore du ROI

Une grande partie des bénéfices associés à l’intelligence artificielle est aujourd’hui exprimée en heures gagnées.

Un collaborateur peut préparer un document en trente minutes au lieu de deux heures. Un développeur peut produire plus rapidement une première version de code. Un service client peut automatiser une partie de ses réponses. Un analyste peut parcourir un ensemble documentaire en quelques minutes.

Ces gains sont réels. Ils constituent néanmoins une amélioration de productivité, pas nécessairement une économie financière.

Le temps libéré ne devient une valeur économique que lorsqu’il est réaffecté à une activité utile. Il peut permettre de traiter davantage de dossiers, de répondre à plus de clients, d’accélérer un projet, de réduire le recours à des prestataires ou d’améliorer la qualité d’un service.

Lorsque cette réaffectation n’est ni organisée ni mesurée, le gain reste théorique.

Une entreprise ne devrait donc pas annoncer un retour sur investissement en multipliant simplement le nombre d’heures économisées par le coût horaire moyen des salariés. Ce calcul suppose que chaque heure gagnée est immédiatement convertie en réduction de coûts ou en activité supplémentaire. Dans la pratique, cette conversion dépend des choix de management, de la charge de travail disponible et de la capacité des équipes à absorber de nouvelles missions.

Pour mesurer la création de valeur, il convient de distinguer plusieurs étapes.

  • La première correspond à la capacité technique. L’IA accélère, automatise ou assiste une tâche.
  • La deuxième concerne le gain opérationnel. Le délai diminue, le volume traité augmente ou le nombre d’erreurs recule.
  • La troisième suppose une transformation du fonctionnement de l’entreprise. Les rôles, les processus ou les circuits de décision sont adaptés.
  • La dernière correspond à la valeur économique réalisée. Les revenus progressent, les coûts diminuent, les marges s’améliorent ou un risque est réduit.

De nombreuses organisations atteignent les deux premières étapes. Beaucoup moins parviennent à convertir durablement ces améliorations en performance financière.

L’IA agentique augmente les attentes

L’intelligence artificielle agentique occupe une place importante dans les anticipations décrites par l’étude SAP.

À la différence d’un assistant génératif, qui produit principalement une réponse, un résumé ou un contenu, un agent peut exécuter une séquence d’actions. Il peut rechercher des informations, consulter différents systèmes, interpréter une situation, proposer une décision, déclencher une opération et vérifier le résultat.

Les entreprises interrogées anticipent un retour moyen de 17,6 millions de dollars lié à l’IA agentique dans les deux prochaines années, soit plus de quatre fois l’estimation formulée l’année précédente. Par ailleurs, 83 % des dirigeants attribuent aux agents un potentiel de transformation modéré à très élevé. Pourtant, seuls 3 % des organisations se déclarent pleinement préparées à leur déploiement.

L’écart entre les ambitions et le niveau de préparation constitue un signal d’alerte. Un agent ne se contente pas de générer un texte. Il peut agir sur un processus, accéder à des données, communiquer avec des applications et déclencher des conséquences opérationnelles, économiques ou juridiques. Plus son autonomie augmente, plus l’entreprise doit clarifier la répartition des responsabilités entre les personnes, les agents et les systèmes d’information. La performance d’un agent ne peut donc pas être évaluée uniquement par sa vitesse d’exécution ou par le nombre de tâches automatisées. Elle doit également intégrer sa fiabilité, son taux d’erreur, son niveau d’autonomie, la qualité de ses décisions, sa traçabilité et le coût de sa supervision.

L’étude indique que 38 % des entreprises ne disposent pas encore d’un processus systématique de supervision humaine pour leurs workflows agentiques. Environ 37 % n’ont pas mis en place de contrôles adaptés concernant les droits et les accès, tandis que seules 44 % tiennent un registre des agents présents dans leur organisation.

Un agent peut réduire un coût opérationnel, mais il peut aussi amplifier une erreur à grande échelle. Il peut fluidifier un processus, mais également introduire un risque de conformité, de cybersécurité ou de perte de contrôle. Le potentiel économique de l’IA agentique reste donc indissociable de la qualité de son intégration dans l’entreprise.

La donnée conditionne la création de valeur

L’étude SAP identifie la qualité des données comme l’un des principaux obstacles au retour sur investissement. Près de 73 % des organisations interrogées signalent des difficultés liées à des données incomplètes. En parallèle, 79 % déclarent subir des reprises, des retards ou des accumulations de tâches provoqués par des résultats d’IA de qualité insuffisante.

Ces résultats rappellent une réalité souvent occultée par les discours technologiques : l’intelligence artificielle ne compense pas automatiquement les faiblesses informationnelles de l’entreprise.

Lorsqu’un modèle est relié à des données incohérentes, obsolètes ou dispersées, il peut accélérer la production d’erreurs. Lorsqu’il ne dispose pas du contexte métier nécessaire, il peut fournir des réponses plausibles, mais peu exploitables. Lorsqu’il reste isolé des systèmes de l’entreprise, sa contribution à la performance demeure limitée.

La donnée ne constitue donc pas uniquement une ressource technique. Elle représente une infrastructure économique. Une entreprise souhaitant mesurer le retour sur investissement de son IA doit intégrer les dépenses nécessaires pour rendre ses données accessibles, documentées, sécurisées et utilisables. Ces dépenses peuvent inclure le nettoyage, l’intégration, la normalisation, la gestion des droits d’accès et la mise en place de mécanismes de traçabilité.

Un calcul qui exclut ces éléments risque de surestimer la rentabilité réelle du projet.

Calculer le coût total de l’intelligence artificielle

Le retour sur investissement de l’IA est souvent surévalué parce que les organisations sous-estiment les coûts nécessaires au déploiement.

Elles prennent généralement en compte les licences, l’accès aux modèles et les dépenses d’infrastructure. Elles oublient parfois des coûts moins visibles : intégration aux systèmes existants, préparation des données, formation, contrôle, cybersécurité, conformité, maintenance et conduite du changement.

Le calcul doit également inclure le temps consacré par les experts métiers à la conception du dispositif, à la validation des résultats et à la correction des erreurs.

Dans certains projets, l’IA accélère la production d’une première version, mais augmente simultanément la charge de vérification. Dans d’autres, les limites des données obligent les équipes à reprendre manuellement une partie des résultats. Ces coûts doivent apparaître dans l’évaluation.

Une formule simplifiée peut être utilisée :

ROI de l’IA = (valeur financière réalisée − coût total de possession)/coût total de possession

La principale difficulté ne réside pas dans la formule, mais dans la définition de la valeur financière réalisée.

Celle-ci peut provenir de plusieurs sources :

  • réduction effective des dépenses ;
  • augmentation des revenus ;
  • amélioration des marges ;
  • accélération du cycle de vente ;
  • diminution du taux d’erreur ;
  • baisse du coût d’acquisition ;
  • réduction des incidents ;
  • limitation d’un risque financier ou réglementaire.

Ces indicateurs doivent être définis avant le déploiement et comparés à une situation de référence. Sans point de départ, il devient difficile d’attribuer une amélioration à l’intelligence artificielle plutôt qu’à une évolution du marché, à une réorganisation ou à un autre investissement.

Il est également nécessaire de distinguer trois formes de valeur. La valeur réalisée est déjà visible dans les comptes ou dans les indicateurs opérationnels. La valeur évitée correspond à un coût, une erreur ou un risque qui ne s’est pas produit. La valeur potentielle repose sur une projection ou une capacité qui n’a pas encore été convertie en résultat.

Confondre ces catégories conduit à présenter des bénéfices anticipés comme des résultats acquis.

La gouvernance possède aussi une fonction économique

La gouvernance de l’intelligence artificielle est encore parfois perçue comme une contrainte susceptible de ralentir les projets. Elle peut pourtant contribuer directement à leur rentabilité.

Selon l’étude, seuls 12 % des entreprises considèrent leurs compétences, leurs processus ou leurs cadres pleinement prêts à encadrer efficacement l’IA. Dans le même temps, 69 % déclarent constater au moins occasionnellement l’utilisation d’outils non approuvés, généralement qualifiée de « shadow AI ».

Cette situation crée des coûts cachés : multiplication des abonnements, duplication des solutions, exposition d’informations sensibles, absence de suivi des données et difficulté à identifier les responsabilités. La gouvernance ne doit donc pas être réduite à la conformité réglementaire. Elle permet également de sélectionner les investissements, d’éviter les redondances, d’attribuer les responsabilités, de définir les niveaux de supervision et de comparer les résultats entre plusieurs projets. Elle fournit les règles nécessaires pour poursuivre, corriger ou interrompre une initiative en fonction de la valeur produite.

Il ne s’agit pas de ralentir systématiquement l’innovation. Il s’agit de déterminer quelles décisions peuvent être automatisées, lesquelles doivent rester supervisées et dans quelles circonstances une intervention humaine devient nécessaire.

Une gouvernance proportionnée améliore la qualité des arbitrages et réduit le coût des erreurs. À ce titre, elle contribue à la création de valeur.

Cinq questions pour les directions générales

Avant d’augmenter les budgets consacrés à l’intelligence artificielle, un comité de direction devrait examiner cinq questions.

Quel problème économique voulons-nous résoudre ?

Le projet doit partir d’une difficulté métier ou d’une opportunité clairement identifiée, et non d’une technologie disponible.

Quel indicateur doit évoluer ?

Le résultat attendu doit être mesurable : coût, délai, revenu, qualité, risque, satisfaction client ou capacité de traitement.

Quelle était la situation avant le déploiement ?

Une référence initiale est indispensable pour mesurer l’évolution et attribuer correctement les résultats.

Quels coûts avons-nous réellement intégrés ?

Le calcul doit comprendre les données, l’intégration, la formation, la supervision, la maintenance et la conduite du changement.

Quelle évolution du fonctionnement est nécessaire ?

L’entreprise doit déterminer comment le travail, les décisions, les compétences et les responsabilités évolueront après le déploiement.

Ces questions déplacent le débat. Elles obligent les dirigeants à ne plus considérer l’intelligence artificielle comme un simple achat technologique. Elles en font une décision stratégique et organisationnelle.

Du catalogue de cas d’usage au portefeuille de valeur

De nombreuses entreprises ont constitué des catalogues de cas d’usage. Elles doivent désormais construire des portefeuilles de valeur. Chaque initiative devrait disposer d’un responsable métier, d’un indicateur économique, d’un coût complet, d’une situation de référence, d’une trajectoire de déploiement et de critères d’arrêt. Les projets peuvent ensuite être regroupés selon plusieurs finalités : efficacité opérationnelle, croissance des revenus, amélioration de l’expérience client, maîtrise des risques ou innovation du modèle économique. Cette approche permet de comparer des initiatives très différentes et d’arbitrer les investissements selon leur contribution réelle à la stratégie. Elle évite également de concentrer tous les efforts sur les gains de productivité les plus faciles à mesurer. Certaines applications produisent une valeur plus indirecte, comme l’amélioration de la qualité des décisions, la réduction du risque ou l’accélération de l’apprentissage organisationnel. Ces bénéfices peuvent être stratégiques, mais ils doivent être documentés avec la même rigueur.

La question n’est donc plus seulement : combien d’heures avons-nous économisées ? Elle devient : quel résultat économique avons-nous obtenu, pour quel coût total, avec quel niveau de fiabilité et au service de quelle priorité stratégique ?

Les organisations feront la différence

L’étude SAP confirme que les entreprises attendent désormais des retours plus importants sur leurs investissements dans l’intelligence artificielle. Elle montre également que leur niveau de préparation reste inégal.

Les usages progressent plus rapidement que la qualité des données, les compétences, les processus et les mécanismes de contrôle. Les ambitions liées aux agents dépassent parfois la capacité réelle des organisations à les intégrer et à les superviser.

Le retour sur investissement ne dépend donc pas uniquement de la puissance des modèles.Il dépend de la capacité de l’entreprise à relier la technologie à ses objectifs, à ses données, à ses processus et à ses responsabilités.

L’intelligence artificielle crée de nouvelles possibilités d’action. Elle peut accélérer, analyser, recommander et automatiser. Mais elle ne décide pas de la manière dont le temps libéré doit être utilisé, des processus qui doivent évoluer ni des priorités économiques à poursuivre.

Ces décisions restent du ressort de l’organisation.

Les modèles continueront de progresser. Les coûts évolueront. Les capacités techniques deviendront plus accessibles. À mesure que les outils se diffusent, l’avantage concurrentiel se déplacera vers la qualité de leur intégration.

Pour les dirigeants, la question n’est donc plus de savoir combien d’outils ont été déployés.

Elle est de déterminer quels résultats ont été obtenus, pour quel coût total et au service de quelle stratégie.

C’est à cette condition que l’intelligence artificielle pourra devenir un actif économique durable plutôt qu’une succession d’expérimentations coûteuses.