ROI de l'IA générative : pourquoi 95 % des projets ne rapportent rien, et la grille pour mesurer ceux qui paient

Ce qu'il faut retenir

La majorité des projets d'IA générative en entreprise ne produisent pas de retour financier mesurable : 95 % des organisations interrogées par le MIT n'en tirent aucun gain visible sur leur compte de résultat, et plus de 80 % des entreprises sondées par McKinsey ne constatent aucun impact sur leur résultat opérationnel. Le problème n'est pas la technologie : les études contrôlées montrent des gains de productivité réels, de 14 % à 40 % selon les tâches. L'écart vient de trois choses : un cas d'usage choisi sans référence de départ, un outil posé sur un processus inchangé, et un ROI calculé en « temps gagné » au lieu d'euros.

Pour une PME ou une scale-up B2B, le ROI de l'IA générative se mesure avec quatre éléments : une baseline avant déploiement, le volume réel traité, la qualité (taux de reprise) et le coût complet (licences, intégration, maintenance, temps humain). Sans ces quatre chiffres, un projet IA n'a pas de ROI : il a une impression.

Ce que disent vraiment les études sur le ROI de l'IA générative

Les chiffres qui circulent se contredisent en apparence. Les uns annoncent des gains spectaculaires, les autres un échec quasi généralisé. Les deux sont vrais, parce qu'ils ne mesurent pas la même chose.

Au niveau de l'entreprise : peu de valeur visible

• MIT NANDA, « The GenAI Divide » (août 2025) : 95 % des organisations étudiées n'obtiennent aucun retour mesurable de leurs projets d'IA générative, malgré 30 à 40 milliards de dollars investis. L'étude repose sur 150 entretiens, 350 salariés interrogés et l'analyse de 300 déploiements publics ; sa méthodologie a été discutée, mais l'ordre de grandeur rejoint les autres sources.
• McKinsey, « The State of AI » (mars 2025) : 78 % des organisations utilisent l'IA dans au moins une fonction, mais plus de 80 % déclarent ne voir aucun impact tangible de l'IA générative sur leur EBIT.
• BCG, « Where's the Value in AI? » (octobre 2024) : seulement 26 % des entreprises ont développé les capacités nécessaires pour dépasser le stade du prototype et générer une valeur tangible ; 74 % n'y parviennent pas.
• Gartner (juillet 2024) prévoyait qu'au moins 30 % des projets d'IA générative seraient abandonnés après la preuve de concept fin 2025, pour cause de données de mauvaise qualité, de coûts croissants ou de valeur métier floue. En juin 2025, le cabinet a ajouté que plus de 40 % des projets d'IA agentique seraient annulés d'ici fin 2027.

Au niveau de la tâche : des gains réels et mesurés

Les études contrôlées, qui comparent un groupe équipé d'IA à un groupe témoin sur la même tâche, donnent une image très différente :

• Sur 5 179 conseillers de support client, l'accès à un assistant d'IA générative a augmenté le nombre de demandes résolues par heure de 14 % en moyenne, et de 34 % pour les conseillers les moins expérimentés (Brynjolfsson, Li et Raymond, NBER, 2023).
• Sur 758 consultants du BCG, ceux équipés de GPT-4 ont réalisé 12,2 % de tâches en plus, 25,1 % plus vite, avec une qualité jugée 40 % supérieure (Dell'Acqua et al., Harvard Business School, 2023). Mais sur une tâche hors du périmètre de compétence du modèle, ils ont eu 19 points de moins de chances d'aboutir à la bonne réponse.

La conclusion est simple : l'IA générative fait gagner du temps sur des tâches bien choisies. Ce temps gagné ne devient du ROI que si l'entreprise le convertit en volume supplémentaire, en délai réduit ou en coût évité. C'est précisément l'étape que la plupart des projets sautent.

Pourquoi les projets d'IA générative ne rapportent rien

1. Le cas d'usage est choisi pour sa visibilité, pas pour son volume

L'étude du MIT relève que plus de la moitié des budgets d'IA générative vont aux fonctions ventes et marketing, alors que les retours les plus nets sont observés sur l'automatisation du back-office : traitement documentaire, saisie, rapprochements, réduction du recours à des prestataires externes. Un générateur de posts LinkedIn se voit en comité de direction ; un agent qui qualifie 400 fiches CRM par semaine se voit sur le compte de résultat.

2. L'outil est posé sur un processus inchangé

Selon McKinsey, la refonte des processus est le facteur qui a le plus d'effet sur l'impact financier de l'IA générative, et seulement 21 % des organisations utilisatrices ont repensé en profondeur au moins une partie de leurs workflows. Le BCG résume la même idée avec sa règle 10-20-70 : la valeur d'un projet IA dépend à 10 % des algorithmes, à 20 % de la technologie et des données, et à 70 % des personnes et des processus.

Concrètement : si un commercial gagne 30 minutes par jour sur la rédaction d'e-mails mais que personne ne fixe ce qu'il fait de ces 30 minutes, le gain se dissout dans la journée.

3. Il n'y a pas de baseline

C'est l'erreur la plus fréquente que nous constatons chez Uclic lors des audits : le projet démarre sans mesure de l'existant. Combien de temps prend aujourd'hui la qualification d'un lead ? Combien de demandes le support traite-t-il par jour ? Quel est le taux d'erreur de la saisie manuelle ? Sans ces chiffres, aucun ROI n'est calculable six mois plus tard, et le projet est jugé à l'enthousiasme de ses utilisateurs.

4. Le coût complet est sous-estimé

Le coût d'un projet IA ne se limite pas à l'abonnement. Il faut compter l'intégration aux outils existants (CRM, ERP, outil de support), le temps de préparation des données, la supervision humaine des sorties, la maintenance des prompts et des connecteurs, et la consommation d'API qui croît avec l'usage. C'est cette dérive des coûts que Gartner cite parmi les premières causes d'abandon après la preuve de concept.

La grille de mesure du ROI IA en 4 métriques

Voici la grille que nous utilisons pour cadrer un projet d'IA générative avant de le lancer, puis pour décider à 90 jours s'il passe en production. Elle tient sur une page.

Métrique	Ce qu'on mesure	Quand	Exemple (qualification de leads)
1. Baseline	Temps unitaire et volume de la tâche sans IA	Avant le projet, sur 2 à 4 semaines	12 min par lead, 300 leads par mois
2. Volume réellement traité	Part de la tâche effectivement passée par l'IA (adoption)	Chaque semaine	75 % des leads qualifiés par l'agent
3. Qualité	Taux de reprise ou de correction humaine des sorties	Échantillon hebdomadaire	10 % des fiches corrigées
4. Coût complet	Licences, API, intégration amortie, maintenance, supervision	Mensuel	350 € par mois tout compris

La formule

Gain mensuel = (temps unitaire avant − temps unitaire après) × volume traité par l'IA × coût horaire chargé − temps de reprise des erreurs.
ROI = (gain mensuel − coût complet mensuel) ÷ coût complet mensuel.

Un exemple chiffré

Reprenons l'exemple du tableau, avec des hypothèses volontairement prudentes : 300 leads par mois, dont 225 traités par l'agent (75 %). Le temps de qualification passe de 12 à 3 minutes par lead (relecture comprise), soit 9 minutes gagnées sur 225 leads : environ 34 heures par mois. Les 10 % de fiches à corriger coûtent 22 reprises de 10 minutes, soit près de 4 heures. Gain net : environ 30 heures. À un coût horaire chargé de 45 €, le gain représente 1 350 € par mois pour un coût de 350 € : un ROI d'environ 2,9, soit 290 %.

Le même calcul peut aussi donner un ROI négatif : si l'adoption plafonne à 30 % ou si un quart des sorties doit être repris, le projet ne couvre plus son coût. C'est tout l'intérêt de la grille : elle montre en 90 jours si le projet doit être arrêté, corrigé ou étendu.

La règle de conversion du temps gagné

Un gain de temps n'est un gain financier que s'il est réaffecté. Avant le lancement, nous fixons par écrit ce que deviendront les heures libérées : plus de rendez-vous commerciaux, un délai de réponse réduit, un recrutement évité ou une prestation externe internalisée. Si personne ne peut répondre à cette question, le cas d'usage n'est pas prêt.

Quels cas d'usage d'IA générative rapportent en B2B

En croisant les études citées et nos déploiements, les cas d'usage qui passent le plus souvent la barre des 90 jours partagent trois caractéristiques : une tâche répétitive à fort volume, une sortie facile à vérifier, et une intégration directe dans l'outil où le travail se fait déjà.

• Qualification et enrichissement de leads dans le CRM : volume élevé, critères explicites, contrôle par échantillon.
• Tri et première réponse au support : c'est le terrain des gains les mieux documentés (+14 % de productivité en moyenne).
• Extraction de données documentaires : bons de commande, factures, appels d'offres, contrats. C'est le back-office que le MIT identifie comme le plus rentable.
• Préparation de rendez-vous commerciaux : synthèse du compte, de l'historique CRM et des signaux récents, relue par le commercial.

À l'inverse, les projets qui échouent le plus souvent sont les assistants généralistes déployés « pour tout le monde » sans tâche cible, et les cas où l'erreur coûte cher et se détecte mal (conseil juridique, chiffrage complexe sans relecture).

Construire, acheter ou faire accompagner ?

L'étude du MIT apporte un chiffre utile pour cette décision : les projets menés avec des solutions achetées ou des partenaires spécialisés réussissent dans environ 67 % des cas, contre environ un tiers pour les développements internes. Pour une PME B2B, cela ne signifie pas qu'il faut tout externaliser, mais qu'il est rarement rentable de partir de zéro. L'ordre que nous recommandons :

1. Utiliser d'abord les fonctions IA des outils déjà en place (CRM, outil de support, suite bureautique), qui ne demandent pas d'intégration.
2. Passer à un agent sur mesure quand la tâche est spécifique à votre métier, que le volume justifie l'investissement et que la baseline montre un gain potentiel clair.
3. Garder en interne la propriété de la mesure : même accompagné, c'est l'entreprise qui doit suivre la baseline, l'adoption et la qualité.

Où en sont les entreprises françaises

L'adoption reste minoritaire en France. Selon Eurostat, 13,5 % des entreprises de l'Union européenne de 10 salariés ou plus utilisaient au moins une technologie d'IA en 2024, et environ 10 % en France, contre 6 % un an plus tôt selon l'Insee. Autrement dit, la plupart des PME B2B françaises n'ont pas encore fait leurs premiers choix. C'est une occasion de démarrer avec une méthode de mesure plutôt que de rattraper un portefeuille de pilotes sans résultat.

FAQ — ROI de l'IA générative en entreprise