L'IA est partout mais ses bénéfices restent difficiles à mesurer en entreprise

Un email rédigé en trente secondes. Une réunion résumée automatiquement. Une proposition commerciale préparée en quelques minutes.

Pour ceux qui l'utilisent régulièrement, l'intelligence artificielle apporte des gains bien visibles. Pourtant, une question reste souvent sans réponse : où retrouve-t-on ces gains dans les résultats de l'entreprise ?

Entre le temps économisé par un collaborateur et une hausse du chiffre d'affaires ou de la marge, le lien est moins direct qu'il n'y paraît.

Ce décalage rappelle une énigme ancienne en économie : le paradoxe de Solow. Il éclaire aussi un défi très actuel pour les directions commerciales : transformer une technologie utile en performance mesurable.

01Le paradoxe de Solow et les gains qui tardent

En 1987, l'économiste Robert Solow résumait le paradoxe de l'informatisation par une formule devenue célèbre : on voyait l'ère de l'ordinateur partout, sauf dans les statistiques de productivité.

Les entreprises s'équipaient. Les usages se développaient. Mais l'accélération attendue de la productivité restait difficile à observer.

La productivité mesure, dans sa forme la plus courante, la quantité produite par heure travaillée. À l'échelle d'une entreprise, l'enjeu est comparable : créer davantage de valeur avec les ressources mobilisées.

Or, installer des ordinateurs ne suffisait pas. Il fallait aussi modifier les méthodes de travail, former les équipes, réorganiser la circulation de l'information et concevoir de nouveaux services.

Cette idée a depuis été approfondie par les économistes Erik Brynjolfsson, Daniel Rock et Chad Syverson : les grandes technologies nécessitent des investissements complémentaires dans les compétences, les processus et l'organisation. Ces efforts peuvent précéder les bénéfices mesurables, dessinant une « courbe en J » de la productivité. [1]

L'IA soulève aujourd'hui une question similaire. Nous savons qu'elle peut accélérer certaines tâches. Nous maîtrisons beaucoup moins bien les conditions qui permettent de transformer cette accélération en valeur à l'échelle d'une entreprise.

L'histoire des ordinateurs apporte une explication possible. Elle ne garantit ni le calendrier ni l'ampleur des bénéfices futurs de l'IA.

02Gagner du temps est le début de l'équation

Prenons un commercial qui consacre une heure à préparer un rendez-vous. Avec l'IA, il réalise cette préparation en vingt minutes.

Le gain paraît évident : quarante minutes économisées. Mais pour évaluer le bénéfice économique, il faut poursuivre le raisonnement.

La préparation est-elle aussi pertinente ? Les informations sont-elles exactes ? Le commercial utilise-t-il le temps libéré pour développer une opportunité, mieux qualifier un prospect ou rencontrer un client supplémentaire ?

Il faut distinguer trois niveaux :

• Le gain sur la tâche : la préparation prend moins de temps.
• Le gain pour l'équipe : davantage de rendez-vous utiles sont préparés et menés.
• Le résultat économique : les ventes ou la marge progressent, ou des coûts sont effectivement évités.

Le passage d'un niveau au suivant demande des décisions d'organisation. Du temps libéré représente une capacité disponible. Sa valeur dépend de ce que l'entreprise en fait.

03Pourquoi les gains se diluent dans les entreprises

Une entreprise peut multiplier les usages de l'IA tout en laissant subsister les obstacles qui freinent sa performance.

Une proposition commerciale est rédigée plus vite, mais attend toujours plusieurs jours une validation interne. Un compte rendu est généré automatiquement, mais personne ne suit les actions décidées. Une campagne de prospection produit davantage de messages, mais cible les mêmes contacts peu pertinents.

Dans ces situations, l'IA accélère une étape sans résoudre le problème principal. Quatre difficultés méritent une attention particulière.

Des processus inchangés

Ajouter un assistant à un parcours de travail ne supprime pas les validations inutiles, les responsabilités floues ou les informations dispersées.

Pour obtenir un résultat, il faut regarder le parcours complet : où le travail attend-il ? Où se produisent les erreurs ? Quelle étape limite réellement la capacité de l'équipe ?

Des données insuffisantes

Une recommandation commerciale dépend des informations disponibles.

Si le CRM contient des opportunités obsolètes, des comptes mal renseignés ou des historiques incomplets, l'entreprise devra vérifier et compléter les réponses de l'outil. Ce travail réduit le gain attendu.

Des coûts sous-estimés

Le prix de l'abonnement ne représente qu'une partie du coût.

Il faut aussi prendre en compte l'intégration, la formation, la maintenance, les vérifications et les corrections. Une tâche peut devenir plus rapide pour son auteur tout en créant du travail supplémentaire pour son responsable ou ses collègues.

Des indicateurs centrés sur l'utilisation

Le nombre de licences activées, de requêtes envoyées ou de documents générés permet de suivre l'adoption. Il renseigne beaucoup moins sur la performance.

Une équipe peut utiliser intensivement l'IA sans améliorer ses résultats. Elle peut aussi créer une valeur importante avec un usage limité, concentré sur un problème précis.

04Des bénéfices existent déjà dans des contextes précis

Il serait excessif de conclure que l'IA ne produit aucun gain concret.

Une étude de terrain consacrée à l'assistance client a observé une hausse moyenne d'environ 14 % de la productivité, mesurée par le nombre de problèmes résolus par heure, avec des effets plus importants chez les collaborateurs les moins expérimentés. [2]

Ce résultat est intéressant pour sa précision : une activité définie, un outil intégré au travail et une mesure observable.

Il ne permet pas de promettre le même gain à toutes les équipes. Il montre en revanche comment chercher une preuve utile.

À l'inverse, l'absence d'une accélération clairement identifiable dans les statistiques globales ne suffit pas à démontrer que tous les usages sont inefficaces. Les résultats d'une tâche, ceux d'une entreprise et ceux d'une économie se mesurent à des échelles différentes.

05Dans la vente le volume ne suffit pas à mesurer la performance

Pour les directions commerciales, le risque est de reproduire une confusion ancienne : assimiler le volume de travail à son efficacité.

L'IA permet de rédiger davantage d'emails. Mais si ces messages n'obtiennent pas de réponses pertinentes, l'activité supplémentaire apporte peu de valeur.

Elle permet de préparer davantage de propositions. Mais si les opportunités sont mal qualifiées, elle accélère surtout la production d'offres qui ne seront pas signées.

Le choix des indicateurs devient donc décisif.

Ces résultats dépendent aussi du marché, des prospects et des pratiques de l'équipe. Pour évaluer la contribution de l'IA, une comparaison pertinente reste nécessaire.

06Avant d'ajouter de l'IA repenser le travail

Pour maximiser les bénéfices de l'IA, la première étape consiste à examiner les processus qu'elle doit améliorer. Certains méritent d'être simplifiés, d'autres entièrement repensés, voire supprimés.

Un reporting que personne n'utilise n'a pas besoin d'être généré plus vite. Il peut disparaître. Une proposition commerciale qui traverse cinq niveaux de validation mérite d'abord une révision de ses règles d'approbation. Un commercial qui ressaisit les mêmes informations dans trois outils a besoin d'un parcours simplifié.

Automatiser une tâche inutile lui permet surtout de continuer à exister.

Avant chaque projet d'IA, trois questions permettent de prendre du recul :

• Supprimer : cette tâche apporte-t-elle encore une valeur à un client ou à l'entreprise ?
• Simplifier : peut-on réduire les étapes, les validations ou les saisies nécessaires ?
• Reconcevoir : comment organiser le travail avec les capacités désormais disponibles ?

C'est ensuite que l'on peut déterminer où l'IA apporte une contribution utile.

Prenons le suivi après un rendez-vous commercial. L'approche immédiate consiste à générer automatiquement un compte rendu. Une approche plus ambitieuse examine tout le parcours : quelles informations faut-il conserver ? Qui en a besoin ? Quelles actions doivent suivre ? Quelles saisies peuvent disparaître ?

L'objectif devient alors un suivi plus fiable, avec moins de manipulations et des prochaines étapes clairement attribuées. Le compte rendu est un moyen au service de ce résultat.

07Tester un nouveau fonctionnement et mesurer ses effets

Une fois le processus repensé, l'entreprise peut tester l'apport de l'IA sur un périmètre limité :

1. Définir le résultat attendu : raccourcir un délai, améliorer la qualification ou réduire les erreurs.
2. Mesurer la situation de départ, en incluant le temps de toutes les personnes impliquées.
3. Tester le nouveau fonctionnement, avec une comparaison pertinente.
4. Calculer le bénéfice net, après intégration des coûts de formation, de contrôle et de correction.
5. Étendre, ajuster ou arrêter selon les résultats observés.

Il faut aussi décider comment utiliser la capacité libérée : davantage de temps auprès des clients, un meilleur accompagnement des opportunités ou une réduction des coûts. Cette décision fait partie du projet.

08La valeur de l'IA se construit dans l'organisation

Le paradoxe de Solow nous rappelle que l'adoption d'une technologie et l'amélioration de la performance suivent des rythmes différents.

Pour les directions commerciales, les bénéfices de l'IA dépendent donc aussi de leur capacité à remettre en question les habitudes : supprimer un reporting devenu inutile, raccourcir une chaîne de validation, revoir la répartition des rôles ou éliminer les doubles saisies.

Ces changements demandent des arbitrages managériaux. Acheter un outil ne les remplace pas.

Pour maximiser les bénéfices de l'IA, il faut accepter de changer le travail lui-même, y compris de supprimer certaines tâches avant de chercher à les automatiser.

Dans votre équipe commerciale, quel processus faudrait-il simplifier ou supprimer avant d'y ajouter de l'IA ?

09Sources

[1] Erik Brynjolfsson, Daniel Rock et Chad Syverson, The Productivity J-Curve: How Intangibles Complement General Purpose Technologies, NBER, 2018.
https://www.nber.org/papers/w25148

[2] Erik Brynjolfsson, Danielle Li et Lindsey R. Raymond, Generative AI at Work, version de travail du NBER, 2023. Le chiffre de 14 % correspond à cette version.
https://www.nber.org/system/files/working_papers/w31161/revisions/w31161.rev0.pdf