Le ROI IA : qui règne vraiment sur la création de valeur ?

Le ROI. Le roi.

Il est partout. Dans les stratégies, les conférences, les publications, les tableaux de bord. À peine avons-nous commencé à parler d’intelligence artificielle qu’il entre dans la conversation, presque comme une autorité à laquelle il faudrait rendre des comptes.

Le ROI IA est devenu l’une des grandes préoccupations des entreprises. Mais derrière le retour sur investissement se cache une question moins souvent posée : comment transformer les capacités de l’intelligence artificielle en décisions, en actions et en valeur réellement mesurable ?

Et finalement, pourquoi pas ?

Après tout, le Return on Investment, ou retour sur investissement, est une question parfaitement légitime. Quand une entreprise engage des moyens, mobilise ses collaborateurs, transforme ses outils, elle est en droit de se demander ce qu’elle y gagne.

Mais à force de chercher le ROI IA, ne risquons-nous pas d’oublier ce que nous avons réellement investi ? Et surtout, ce que nous avons — ou n’avons pas — transformé ?

Des études qui racontent une même difficulté

Les publications récentes sont particulièrement éclairantes.

Dans son étude State of AI in the Enterprise 2026, Deloitte indique que seulement 25 % des organisations interrogées ont mis en production au moins 40 % de leurs pilotes IA. L’expérimentation avance, mais l’industrialisation demeure difficile.

De son côté, McKinsey, dans The State of AI, met en évidence le décalage entre les gains de productivité constatés à l’échelle individuelle et leur traduction dans les résultats économiques de l’entreprise.

Et le BCG, dans son Applied AI Index 2026, constate que près de la moitié des entreprises étudiées génèrent désormais une certaine valeur grâce à l’IA. Les organisations les plus avancées associent cependant la technologie à une stratégie claire et à une transformation de leur fonctionnement.

Ces études ne racontent pas l’échec de l’intelligence artificielle. Elles montrent plutôt que sa valeur ne se diffuse pas spontanément dans l’organisation.

Elles ne mesurent d’ailleurs pas toutes la même chose. Il serait hasardeux de comparer directement un taux de mise en production, un gain de productivité et un résultat financier.

En revanche, elles nous invitent à regarder ce qui se passe entre l’introduction d’une technologie et la création de valeur.

Et c’est précisément là que les choses deviennent intéressantes.

Nous ajoutons de l’intelligence à des organisations que nous n’avons pas toujours repensées

J’ai souvent retrouvé cette situation au cours des transformations que j’ai accompagnées.

Un nouvel outil arrive. Il apporte des fonctionnalités, accélère certaines tâches, facilite l’accès à l’information.

Mais autour de lui, les systèmes d’information restent largement inchangés.

Les données sont réparties entre plusieurs applications. Leur qualité est parfois discutée, leur propriété mal définie. Les processus continuent de traverser les mêmes services, avec les mêmes validations, les mêmes attentes et les mêmes exceptions.

Pour répondre à une nouvelle difficulté, nous ajoutons alors un contrôle, une interface, un comité, un indicateur ou une procédure.

Chaque ajout peut être justifié individuellement.

Mais l’ensemble devient progressivement plus difficile à comprendre et à piloter.

Tout s’empile sans nécessairement se simplifier.

L’IA arrive dans cet environnement. Elle peut lire, classer, rapprocher, synthétiser, recommander. Elle peut même, dans certaines conditions, exécuter des actions.

Mais elle ne réorganise pas à elle seule les systèmes d’information, ne désigne pas le propriétaire d’une donnée et ne redistribue pas automatiquement les responsabilités.

La technologie change de vitesse. L’organisation, pas toujours.

Le BCG insiste d’ailleurs sur ce point : dans son modèle 10-20-70, l’essentiel de l’effort de transformation porte sur les personnes, l’organisation et les processus, bien davantage que sur les seuls algorithmes.

Le constat est partagé.

La question devient alors : comment intervenir sur cette complexité sans ajouter une nouvelle couche au mille-feuille ?

Quand un dossier va plus vite, mais que la décision attend toujours

Imaginons un dossier qui arrive dans une organisation.

Il contient des pièces justificatives, des informations à contrôler, peut-être quelques anomalies. Plusieurs personnes doivent intervenir avant qu’une réponse puisse être donnée.

Nous introduisons une IA.

En quelques secondes, elle vérifie la présence des documents, repère les incohérences, rapproche les informations disponibles et prépare les éléments nécessaires au traitement.

C’est impressionnant. Et utile.

Mais que se passe-t-il ensuite ?

Une anomalie est signalée. Qui décide de sa gravité ?

Une pièce semble contradictoire. Qui détermine si le dossier peut continuer ?

Deux règles donnent des indications différentes. Laquelle prévaut ?

L’IA a préparé le travail. Mais la décision peut rester suspendue à une responsabilité mal définie, à une validation supplémentaire ou à un arbitrage qui n’a jamais été formalisé.

C’est notamment cette situation que j’ai voulu rendre visible dans le démonstrateur d’architecture décisionnelle de DECIACT.

Le démonstrateur ne cherche pas simplement à montrer qu’une IA sait contrôler un dossier fictif. Il permet d’explorer ce qui relève d’une règle explicite, ce qui doit être signalé comme exception et ce qui nécessite une vérification métier.

Autrement dit, il ne s’agit pas seulement de savoir ce que la machine peut faire.

Il s’agit de comprendre comment son intervention s’inscrit dans une chaîne de décisions dont les responsabilités doivent rester identifiables.

Et cela change la manière d’envisager la valeur.

Le constat, le déplacement, la transformation

Reprenons le raisonnement.

Le constat : les données sont fragmentées, les systèmes d’information insuffisamment intégrés, les processus rarement revisités dans leur ensemble, les responsabilités parfois dispersées. L’IA accélère certaines activités, mais les résultats ne suivent pas toujours.

Le déplacement : plutôt que d’examiner uniquement les fonctionnalités de l’outil ou la succession des tâches, observons comment l’organisation construit, arbitre, assume et met en œuvre ses décisions.

La transformation recherchée : relier l’intention initiale aux informations mobilisées, à la compréhension de la situation, à la décision, à la responsabilité, à l’action et à l’impact.

C’est le cheminement que j’explore avec DECIACT, à travers une architecture décisionnelle qui relie la donnée, la décision et l’action.

Ce schéma n’est pas une représentation supplémentaire du processus métier.

Il permet de poser des questions que les processus et les organigrammes ne rendent pas toujours visibles.

Quelle intention poursuivons-nous réellement ? De quelles informations disposons-nous ? Qui possède l’autorité nécessaire pour décider ? À quel moment faut-il agir ? Qui s’engage à mettre en œuvre la décision ? Et comment en apprécions-nous les conséquences ?

Pour explorer ces questions, le diagnostic DECIACT examine six dimensions : décision, donnée, responsabilité, temps, intention et engagement.

Il ne s’agit pas de créer six nouveaux silos.

Il s’agit au contraire de rendre visibles leurs interdépendances.

Et la création de valeur, dans tout cela ?

C’est ici que je voudrais revenir au ROI.

Au cours d’une transformation menée dans un environnement bancaire, nous avions travaillé sur le traitement des réclamations.

L’enjeu n’était pas simplement de traiter plus vite les demandes, mais de comprendre lesquelles pouvaient être résolues directement et lesquelles nécessitaient un autre niveau d’intervention.

En clarifiant les situations, les modalités de traitement et les responsabilités, environ 80 % des cas du périmètre travaillé pouvaient être clôturés directement.

Ce résultat ne constitue pas une mesure du ROI de l’intelligence artificielle. Il illustre autre chose : la manière dont une clarification du fonctionnement décisionnel peut modifier concrètement la capacité d’action d’une organisation.

Le gain ne se situe pas nécessairement dans une tâche automatisée.

Il peut apparaître dans une décision prise au bon niveau, une validation devenue inutile, une exception mieux orientée, un délai réduit ou une action qui n’attend plus un arbitrage implicite.

Pour établir un retour sur investissement, encore faut-il mesurer ces effets : temps de traitement de bout en bout, coûts réellement évités, qualité du service, taux de reprise, risques maîtrisés ou capacité supplémentaire créée.

Une minute économisée par un collaborateur n’est pas automatiquement une minute de coût supprimée pour l’entreprise.

De même, un dossier préparé plus rapidement ne signifie pas nécessairement un dossier résolu plus rapidement.

C’est toute la différence entre une productivité locale et une valeur organisationnelle.

Les études stratégiques présentées sur DECIACT prolongent cette observation dans différents environnements, où la qualité des arbitrages et la cohérence entre stratégie, données et responsabilités deviennent déterminantes.

Le ROI n’est peut-être pas là où nous le cherchons

L’intelligence artificielle ne crée pas toutes les difficultés qu’elle révèle.

Les systèmes fragmentés, les règles implicites, les responsabilités mal distribuées et les circuits de validation complexes existaient avant elle.

Mais en accélérant la production et le traitement de l’information, l’IA rend parfois ces contradictions beaucoup plus visibles.

Nous pouvons continuer à ajouter des outils, des automatisations et des contrôles.

Ou nous pouvons profiter de cette accélération pour examiner ce que nous n’avions pas pris le temps de simplifier.

Cela ne signifie pas que l’architecture décisionnelle garantit un retour sur investissement. Ce serait lui attribuer une efficacité qu’il faut précisément mesurer.

Elle propose plutôt de regarder à quel endroit la valeur se crée, se perd ou reste bloquée.

Et de rendre explicites les décisions qui permettraient de la faire circuler.

Alors, qui règne vraiment sur le ROI de l’IA ?

L’algorithme ? Le système d’information ? Le processus ? Le décideur ?

Peut-être aucun d’eux isolément.

Car la valeur ne naît pas seulement de ce que l’IA sait faire, mais de ce que l’organisation devient capable de décider et d’accomplir grâce à elle.

C’est là que commence, pour moi, l’architecture décisionnelle.