Le 22 septembre, nous étions au Salon de la Data et de l’IA de Nantes, répartis entre les conférences. En comparant nos notes, nous avons retrouvé la même scène d’une salle à l’autre. Au moment des questions, quelqu’un dans le public demande ce que le projet a coûté et ce qu’il rapporte. Sur le coût, la réponse vient sans peine. Sur le gain, elle est plus hésitante, et s’appuie le plus souvent sur des indicateurs d’usage.
Nous rencontrons la même problématique chez nos clients. Ca n’a rien d’un manque de sincérité : les retours d’expérience étaient précis, les recommandations justes. Elle montre un marché arrivé à un palier, où l’adoption avance plus vite que la capacité à en mesurer les effets. Quelques interventions ont pourtant approché la réponse. Leur point commun tient en une décision, que l’on peut prendre avant même de déployer.
Les gains individuels de l’IA générative ne font plus vraiment débat. Les études de référence mesurent un gain de productivité de 14 % en moyenne, qui monte à 34 % pour les profils les moins expérimentés, et un temps de rédaction professionnelle réduit de 40 %. Dans les comptes, ces gains se font attendre. Les statistiques macroéconomiques n’en portent pas encore la trace, et peu de décideurs déclarent un effet mesurable sur leur résultat d’exploitation.
Plusieurs salles présentaient des tableaux de bord du même type : taux d’utilisateurs actifs, nombre d’assistants créés, outils raccordés. Ces indicateurs ont leur utilité. Mais un outil utilisé par 60 % des collaborateurs peut faire gagner beaucoup d’argent ou n’en faire gagner aucun, avec exactement les mêmes courbes d’usage. L’adoption est une condition de la valeur, pas sa preuve. Elle peut même faire durer ce que nous appelons le gadget. Le système fonctionne, les équipes l’apprécient, quelqu’un l’a défendu en comité, et pourtant ses gains n’arrivent jamais jusqu’au compte de résultat.
À Nantes, les cas présentés se rangeaient, en gros, dans deux familles. Dans la première, la plus fréquente, un assistant aide chaque collaborateur à rédiger ses comptes rendus et ses courriels. Le gain est réel : quelques minutes par jour et par personne. Mais ces minutes se dispersent dans les agendas et ne forment jamais une ligne que quelqu’un pourrait constater.
La seconde famille est plus rare. L’IA y intervient sur un processus dont le coût est déjà suivi, par exemple un contrôle qualité assisté au moment où le défaut apparaît, et non plusieurs étapes plus loin, quand il faut défaire puis refaire. Le gain se lit alors dans le coût des reprises, que l’entreprise suit déjà, avec un historique et un responsable.
L’écart ne vient pas de la qualité de l’outil. Il vient d’une décision prise en amont. Dans le second cas, on savait avant de déployer où le gain apparaîtrait et qui pourrait le relever. Ce double repère, un endroit dans les comptes et une personne pour le constater, c’est ce que nous appelons le point de relevé.
Avant de déployer, savoir où le gain apparaîtra et qui sera en position de le constater.
Fixer un point de relevé, c’est répondre à trois questions avant tout lancement :
Si aucune ligne ne répond à la première question, le projet n’est pas forcément inutile. Il faut alors le présenter pour ce qu’il est, un investissement de confort ou de capacité, au lieu de le défendre sur une promesse de rendement.
Les interventions les plus convaincantes de la journée allaient plus loin. Plutôt que d’ajouter un outil à l’organisation existante, elles redessinaient le processus en y plaçant ensemble les personnes et l’IA. L’histoire économique connaît bien ce décalage. L’électricité est disponible dans l’industrie dès les années 1880, mais ses effets sur la productivité n’apparaissent dans les statistiques que dans les années 1920, quand les usines cessent de la substituer à la vapeur et réorganisent leurs ateliers autour d’elle. Le gain est venu moins de la technique que de l’organisation construite autour.
On comprend la réticence. Un taux d’adoption progresse presque toujours. Un gain chiffré, lui, engage celui qui l’annonce et peut se retourner contre lui. Mais les budgets ouverts en 2023 et 2024 arrivent au stade où les comités demandent des comptes, et un taux d’usage aura du mal à défendre une ligne budgétaire.
Pris tôt, cet engagement change de nature. Avec un point de relevé fixé au lancement, on peut arrêter un gadget au bout de trois mois au lieu de le financer pendant trois ans. Au moment des arbitrages, le sponsor dispose d’une preuve qu’il n’aurait pas pu produire autrement. La mesure qui semblait l’exposer devient sa protection.
C’est là que nous plaçons notre rôle. Annoncer un retour sur investissement ne serait qu’une promesse. Nous préférons installer avec nos clients une capacité de mesure fondée sur leurs propres chiffres, relevée aux endroits qu’ils ont choisis, et qui continue de fonctionner après notre intervention.
Depuis la rentrée, l’équipe Conseil & Transformation de JEMS mène un travail de recherche sur les liens entre l’IA et le compte de résultat des entreprises. L’objectif : projeter le gain d’un projet avant de le déployer, en désignant d’avance les lignes et les personnes qui serviront à le vérifier. Nous partagerons ici les premiers enseignements.
Nous retournerons au salon l’an prochain. Nous aimerions y entendre davantage de retours d’expérience qui commencent par la fin : quelle ligne devait bouger, de combien elle a bougé, qui l’a constaté. Ce palier ne se franchira ni avec de la prospective sur ce que l’IA pourrait devenir, ni avec la seule course à l’adoption. Cette année déjà, ceux qui parlaient de coûts évités plutôt que de licences déployées montraient le chemin.
Vous souhaitez poursuivre la discussion ?
Brynjolfsson, Li et Raymond, « Generative AI at Work », Quarterly Journal of Economics, 2025.
Noy et Zhang, « Experimental evidence on the productivity effects of generative artificial intelligence », Science, 2023.
Paul A. David, « The Dynamo and the Computer », American Economic Review, 1990.
Notes de l’équipe JEMS+, Salon de la Data et de l’IA, Nantes, 22 septembre 2026.
Rapport Entreprises & IA 2026
88 % des POC IA n’atteignent pas un déploiement à grande échelle (source IDC et Lenovo). Le premier rapport JEMS analyse les 6 facteurs qui maintiennent l’IA au stade de l’expérimentation, avec les retours d’expérience de Renault, Michelin, CACIB, Artelia et Manitou.
