ROI: Mythe et réalité des économies grâce à l'IA
Prof. Dr. Thomas Rautenstrauch
Thomas Rautenstrauch est professeur pour la formation en économie d’entreprise et plus particulièrement en accounting et controlling. Il est d’ailleurs directeur du Center for Accounting & Controlling de la Haute école d’économie de Zürich. De plus, il enseigne, en qualité de professeur invité, le management accounting en Executive MBA au sein de l’Institute for Management in Technology (iimt) de l’Université de Fribourg. Thomas Rautenstrauch est l’auteur de plusieurs ouvrages spécialisés et de nombreux articles pour des revues et pour la presse économique.
Aides de travail appropriées
EN BREF
Le ROI de l’intelligence artificielle ne provient pas principalement de la réduction des effectifs, mais d’améliorations indirectes comme la diminution des erreurs, l’accélération des processus et la capacité à traiter plus de volume avec les mêmes ressources. Les gains sont réels, mais différés et dépendants de la qualité des données et de la maturité organisationnelle.
À retenir :
→ Les économies directes de personnel sont rares à court terme
→ Le ROI provient surtout de gains de productivité et de scalabilité
→ La qualité des données est le principal facteur de succès
→ Le ROI de l’IA se mesure sur 2 à 4 ans, pas en quelques mois
→ Les bénéfices incluent aussi des effets cachés (résilience, agilité)
Introduction
Selon les prévisions du cabinet d'études de marché Gartner, d'ici à 2027, environ 50 % des collaborateurs licenciés par les entreprises à la suite de l'introduction de l'intelligence artificielle seront réembauchés à ces mêmes postes. Les analystes expliquent ce phénomène par les limites de la technologie ainsi que par la valeur irremplaçable de l'expertise humaine. Selon le Hype Cycle de Gartner, l'IA générative se trouverait désormais dans ce que l'on appelle le « creux de la désillusion » (Trough of Disillusionment). Cette situation s'explique par des coûts élevés, des bénéfices encore incertains, des erreurs techniques ainsi qu'une qualité insuffisante des données. À cela s'ajoutent les problèmes bien connus des modèles de langage, tels que les réponses erronées, les biais présents dans les données d'entraînement et les besoins importants en puissance de calcul, qui compliquent l'intégration de l'IA dans le travail quotidien. Gartner souligne toutefois que cette phase marque généralement le passage de l'enthousiasme à la maturité et que le succès durable repose avant tout sur des fondations solides.
La réalité a déjà démontré, lors de précédents projets d'intelligence artificielle menés dans les entreprises, que les économies de coûts échouent bien souvent en raison d'une mauvaise qualité des données, de l'absence d'interfaces entre les systèmes et de coûts de mise en œuvre élevés. Mesurer le succès d'un projet d'IA uniquement à l'aune de la réduction des équivalents plein temps (EPT, Full-Time Equivalents – FTE) revient donc à ignorer les leviers bien plus importants que constituent l'optimisation des processus et la prévention des erreurs.
Les économies de coûts résultent, en réalité, le plus souvent de manière indirecte : grâce à la réduction des erreurs, à l'accélération des processus et à la capacité de traiter un volume d'activité plus important avec le même effectif (scalabilité).
À l'inverse, selon une étude du cabinet de conseil McKinsey, environ un tiers des entreprises dans le monde s'attendent à réduire leurs effectifs grâce à l'utilisation de l'intelligence artificielle d'ici 2026. Son étude The State of AI: Global Survey 2025 montre toutefois que la plupart des entreprises se trouvent encore au stade de l'expérimentation ou des projets pilotes et que l'intérêt se concentre principalement sur les agents d'IA. Quatre entreprises sur cinq indiquent que l'amélioration de l'efficacité constitue le principal moteur de leurs initiatives en matière d'IA et représente un facteur déterminant dans la refonte des processus de travail.
Cette contradiction apparente disparaît dès lors que l'on distingue les secteurs d'activité et le degré de maturité des entreprises. Les entreprises encore en phase pilote surestiment les effets à court terme sur les effectifs, tandis que celles qui disposent d'une infrastructure d'IA mature obtiennent effectivement des gains d'efficacité, mais principalement grâce à la montée en charge (scalabilité) et non par des suppressions de postes.
Les économies de coûts générées par l'IA sont donc bien réelles. Elles se matérialisent toutefois de manière indirecte, avec un certain décalage dans le temps et dans des conditions très différentes de celles que laisse croire l'engouement actuel. Cet article montre où se crée réellement le ROI et quelles mesures les CFO doivent concrètement mettre en œuvre pour le réaliser.
Le retour sur investissement de l'IA (ROI) et sa mesure
La mesure du retour sur investissement de l'intelligence artificielle (ROAI) est plus complexe que celle d'un ROI classique. L'évaluation du ROI de l'IA constitue un défi plus important, notamment en raison de la complexité des effets immatériels, de la qualité des données et de leur allocation. Il en résulte des difficultés dans l'attribution précise des bénéfices.
En principe, il convient de prendre en compte aussi bien des facteurs quantitatifs que qualitatifs.
Facteurs quantitatifs (« hard factors »)
- Équivalents plein temps (EPT) : combien d'heures de travail par mois la solution d'IA permet-elle d'économiser pour chaque étape du processus ?
- Taux d'erreur : réduction des coûts liés aux corrections ou aux erreurs d'imputation (par exemple dans la comptabilité fournisseurs).
- Vitesse des processus (temps de traitement ou Cycle Time) : réduction du délai entre la réception des données et la production du rapport final ou la prise de décision.
Les études disponibles montrent que les économies mesurables proviennent principalement des gains de productivité et de l'augmentation du chiffre d'affaires :
| Étude | Indicateur clé | Résultat |
|---|---|---|
| Deloitte Suisse | ROI atteint en moins d'un an | 52 % en Suisse (contre 38 % en Europe) |
| KPMG | ROI de la fonction Finance supérieur aux attentes | 57 % des entreprises leaders |
| McKinsey | Économies de coûts | 35 à 45 % sur les processus ; 44 % obtiennent plus de 10 % d'économies |
| Gartner | Réduction des coûts opérationnels | 35 à 45 % |
Ces résultats concernent principalement de grandes entreprises technologiques et des établissements de services financiers disposant d'une infrastructure de données mature. Pour les PME suisses, des résultats sensiblement plus modestes sont à prévoir.
Il apparaît clairement que les principaux défis concernent les données et leur qualité. En règle générale, le retour sur investissement (ROI) ne se concrétise qu'après deux à quatre ans, et non après sept à douze mois comme c'est souvent le cas pour d'autres projets informatiques. Il subsiste en outre une incertitude quant à la part du bénéfice effectivement attribuable à l'intelligence artificielle. À cela s'ajoutent un manque d'expertise ainsi que des difficultés à identifier des cas d'utilisation (use cases) réellement pertinents.
Facteurs qualitatifs (« soft factors »)
La mesure et la prise en compte des avantages immatériels ou qualitatifs constituent également un défi majeur. Parmi ceux-ci figurent notamment :
- Qualité des décisions : des prévisions plus précises générées par l'IA permettent-elles d'améliorer les marges ?
- Satisfaction des collaborateurs : le taux de rotation du personnel diminue-t-il parce que les tâches répétitives disparaissent ?
La véritable valeur de l'intelligence artificielle se révèle souvent dans ce que l'on appelle le « ROI caché » (Shadow ROI). Alors que la comptabilité recherche les francs économisés, la direction identifie la création de valeur dans une résilience accrue et une organisation plus agile. Se limiter aux seuls coûts directs revient à ignorer que l'IA réduit avant tout les coûts de la complexité (Cost of Complexity).
L'arbre des inducteurs de valeur comme outil d'aide à la décision
Pour démontrer la rentabilité d'un projet d'intelligence artificielle, il est recommandé d'utiliser des arbres des inducteurs de valeur (Value Driver Trees).
Un arbre des inducteurs de valeur constitue une véritable carte cognitive pour le CFO. Il montre comment un investissement dans la qualité des données (intrant) se traduit, via les étapes intermédiaires que sont une meilleure précision des prévisions et une réduction des stocks de sécurité (leviers opérationnels), par une amélioration directe du cycle du fonds de roulement (Working Capital Cycle), soit le résultat financier recherché. L'intelligence artificielle cesse ainsi d'être une « boîte noire » pour devenir un moteur de création de valeur transparent.
Cette logique peut être illustrée par l'exemple du traitement automatisé des factures assisté par l'intelligence artificielle :
| Niveau qualitatif | Niveau opérationnel | Niveau financier |
|---|---|---|
| Meilleure expérience utilisateur (UX) : les collaborateurs doivent effectuer moins de corrections manuelles. | Réduction du temps de traitement : les factures sont validées trois fois plus rapidement. | Optimisation des escomptes : augmentation des escomptes obtenus grâce à un paiement plus rapide des factures. |
| Précision de l'algorithme : diminution des erreurs d'imputation et des doublons. | Réduction des coûts liés aux erreurs : moins d'interventions manuelles pour les annulations et corrections. | Réduction des frais administratifs (SG&A) : moins de ressources consacrées aux opérations de correction. |
| Satisfaction au travail : la suppression des tâches répétitives réduit le risque de burn-out. | Diminution du taux de rotation du personnel : les connaissances restent dans l'entreprise. | Réduction des coûts de recrutement : économies réalisées à chaque nouveau recrutement évité. |
Cet exemple montre clairement qu'un nettoyage des données assisté par l'intelligence artificielle (intrant) ne réduit pas directement les coûts de personnel. Il diminue d'abord le taux d'erreur dans la logistique (niveau opérationnel), ce qui allège ensuite le besoin en fonds de roulement (Working Capital) et améliore ainsi les flux de trésorerie (cash-flow) au niveau financier.
La formule du ROAI
Une méthode simple, mais précise, pour calculer le retour sur investissement de l'intelligence artificielle (ROAI) est la suivante :
ROAI =
(Total des économies de coûts de processus + gain de création de valeur)
÷
(Coûts de développement + coûts d'exploitation + coûts de formation)
Exemple
Supposons qu'une PME investisse CHF 80 000.– dans une solution de traitement des factures assistée par l'intelligence artificielle, répartis comme suit :
- coûts de développement : CHF 50 000.– ;
- coûts d'exploitation : CHF 20 000.– par an ;
- coûts de formation : CHF 10 000.–.
Les coûts de traitement passent de CHF 120 000.– à CHF 75 000.– par an, soit une économie annuelle de CHF 45 000.–.
En outre, l'entreprise réalise un gain supplémentaire de CHF 15 000.– grâce aux escomptes obtenus en réglant les factures fournisseurs dans le délai prévu. Cette situation est réaliste, car sans intelligence artificielle, l'ensemble du processus Purchase-to-Pay, depuis la réception des marchandises jusqu'à la validation et la comptabilisation des factures, prend nettement plus de temps.
Dans cet exemple, le ROAI de la première année est donc le suivant :
(45 000 + 15 000) ÷ 80 000 = 75 %
À partir de la deuxième année, lorsque seuls les coûts d'exploitation subsistent, le ROAI s'établit à :
60 000 ÷ 20 000 = 300 %
Le cabinet de conseil KPMG souligne, dans son Global Tech Report 2026, que le retour sur investissement (ROI) des investissements technologiques varie fortement selon plusieurs facteurs. Parmi ceux-ci figurent la volonté de conduire le projet avec rigueur, la qualité de la gouvernance d'entreprise, la discipline dans la mise en œuvre ainsi que l'agilité organisationnelle.
Selon KPMG, les décisions d'investissement, notamment concernant les nouveaux outils d'intelligence artificielle, reposent souvent sur des bénéfices indirects et hypothétiques, ce qui accroît encore la complexité d'une mise en œuvre réussie. Les responsables des technologies devraient donc s'appuyer sur les schémas de ROI habituellement observés et adapter leurs indicateurs afin qu'ils reflètent davantage la valeur ajoutée que l'IA est susceptible de générer. En revanche, le rapport ne précise pas concrètement comment cette adaptation devrait être réalisée.
Recommandations de produits
Trois niveaux d'économies de coûts
Aujourd'hui, les économies de coûts liées à l'utilisation de l'intelligence artificielle peuvent essentiellement être identifiées à trois niveaux :
- Économies directes : automatisation des tâches routinières (par exemple le contrôle automatisé des factures ou le reporting assisté par l'IA dans le contrôle de gestion).
- Réduction des coûts d'opportunité : de meilleures prévisions (Predictive Analytics) permettent d'éviter les surstocks ou les erreurs d'investissement et génèrent ainsi des économies.
- Gain de productivité : les spécialistes sont déchargés des tâches administratives et peuvent se consacrer à des analyses créatrices de valeur, un aspect particulièrement important au regard de la pénurie de main-d'œuvre qualifiée en Suisse.
Les coûts d'opportunité, en particulier, sont souvent sous-estimés en tant que source indirecte d'économies. Ils comprennent notamment les réductions de coûts résultant d'une amélioration de la qualité et d'une diminution des risques, par exemple grâce à la détection des fraudes (Fraud Detection), qui permet d'éviter des sanctions financières et de renforcer la conformité (compliance). De même, les effets d'échelle obtenus grâce à l'optimisation des chaînes d'approvisionnement ou aux analyses en temps réel peuvent contribuer à réduire les coûts des matières premières et de l'énergie.
Les inducteurs de coûts « cachés »
- Nettoyage des données (Data Cleaning) : jusqu'à 80 % des efforts sont souvent consacrés à la préparation des données.
- Conformité et sécurité : en Suisse, la protection des données (LPD) ainsi que les exigences réglementaires (notamment celles de la FINMA pour les établissements financiers) constituent des facteurs de coûts importants lors de l'introduction de solutions d'IA.
- Gestion du changement (Change Management) : les collaborateurs doivent être formés afin d'utiliser efficacement les outils d'intelligence artificielle.
Le tableau suivant présente les principaux inducteurs de coûts, leur part approximative dans le budget ainsi que leurs causes possibles :
| Inducteur de coûts | Part du budget | Causes |
|---|---|---|
| Nettoyage des données (Data Cleaning) | 30 à 50 % | exigences élevées en matière de qualité des données |
| Conformité / sécurité | 5 à 15 % | exigences de la LPD et directives de la FINMA |
| Gestion du changement | 10 à 15 % | formation et accompagnement pour surmonter les résistances |
| Infrastructure | 20 à 30 % | augmentation des coûts du cloud |
| Talents / développement | 20 à 35 % | pénurie de spécialistes |
| Maintenance | 10 à 20 % par an | coûts récurrents |
Un autre poste de coûts important des solutions modernes d'intelligence artificielle concerne les coûts liés aux API des modèles d'IA générative. Ceux-ci sont généralement facturés par tranche de 1 000 jetons (tokens), soit environ 750 à 1 000 mots, et peuvent rapidement représenter plusieurs milliers de francs par mois en cas d'utilisation intensive, par exemple dans le service à la clientèle.
Outre les coûts des API, des dépenses d'infrastructure supplémentaires peuvent s'ajouter selon le mode d'implémentation retenu, notamment pour l'hébergement dans le cloud, l'utilisation de bases de données (par exemple pour le stockage des données d'entraînement), ainsi que pour la puissance de calcul et le transfert de données.
Les limites de l'intelligence artificielle
La vague de réembauches annoncée par Gartner ne constitue pas le signe d'un échec de l'intelligence artificielle, mais plutôt celui d'un processus d'apprentissage. Les entreprises prennent conscience que les agents d'IA ne remplacent pas l'être humain, mais augmentent ses capacités.
Les économies de coûts ne résultent donc pas de la suppression de postes, mais d'une réduction massive du coût par transaction, à qualité constante.
Un facteur souvent sous-estimé dans l'évaluation de la rentabilité concerne toutefois les coûts d'exploitation des modèles ainsi que les dépenses liées à la conformité continue, notamment au regard de l'AI Act de l'Union européenne et de la loi fédérale sur la protection des données (LPD). Un ROI positif n'est atteint que lorsque les effets de la montée en charge (scalabilité) compensent ces coûts d'exploitation récurrents.
Les quatre principales limites de l'intelligence artificielle et leurs implications pratiques sont résumées ci-dessous :
| Limite | Implication pratique |
|---|---|
| Hallucinations des grands modèles de langage (LLM) | Le principe du Human in the Loop doit être une obligation et non une option. |
| Besoin important en données : l'IA nécessite des données de qualité en quantité suffisante | Mettre en place une gouvernance des données avant toute introduction de l'IA. |
| Problème de la « boîte noire » des modèles de Machine Learning | Faire de l'explicabilité (Explainable AI – XAI) un critère d'évaluation essentiel. |
| Réglementation : AI Act de l'UE et LPD suisse | Intégrer dès le départ les coûts liés à la conformité. |
Cinq mesures du point de vue d'un CFO
Mesure 1 : Clarifier les responsabilités en matière de données.
Pour chaque domaine clé, il convient de désigner un Data Owner et de documenter par écrit le System of Record des cinq principaux indicateurs. La loi fédérale révisée sur la protection des données (LPD) exige implicitement ce niveau de clarté. Les entreprises qui l'ont mis en place sont mieux préparées, tant sur le plan réglementaire qu'opérationnel.
Mesure 2 : Mesurer et rendre visible la qualité des données.
Définir trois à cinq indicateurs clés de qualité (KPI), assortis d'un système de feux de signalisation, par exemple :
- taux d'erreurs comptables ;
- Time-to-Close (délai de clôture) ;
- taux de doublons dans le fichier des débiteurs.
Ces indicateurs constituent la base indispensable à toute mesure ultérieure du ROAI.
Mesure 3 : Automatiser un processus récurrent à l'aide de Power Query.
L'export mensuel de l'ERP, le rapprochement des comptes débiteurs ou encore l'analyse des centres de coûts sont des candidats idéaux. Power Query, intégré à Excel, ne nécessite aucune connaissance en programmation et permet d'obtenir rapidement des bénéfices mesurables.
Mesure 4 : Intégrer des assistants d'intelligence artificielle dans le quotidien du CFO.
Dans un premier temps, il est recommandé d'utiliser au minimum des prompts standardisés pour l'analyse des écarts et les commentaires de clôture mensuelle, ainsi qu'une politique interne d'utilisation de l'IA tenant sur une page. En revanche, les données salariales, les informations relatives aux opérations de fusion-acquisition (M&A) ainsi que les données clients à caractère personnel doivent être exclues de ces traitements.
Mesure 5 : Mesurer le ROAI.
Avant toute mise en œuvre d'un cas d'utilisation de l'intelligence artificielle, il est recommandé d'établir un arbre des inducteurs de valeur, de relever les valeurs de référence (baseline) et de préparer le calcul du ROAI. Une mesure au moins trimestrielle est vivement conseillée.
Checklist : réussir le ROI d’un projet IA
→ Définir un cas d’usage concret avec indicateurs mesurables
→ Établir une baseline avant implémentation (coûts, délais, erreurs)
→ Vérifier la qualité et la disponibilité des données
→ Nommer des responsables des données (Data Owners)
→ Intégrer les coûts cachés (data cleaning, conformité, formation)
→ Prioriser un processus répétitif à forte valeur (ex. facturation)
→ Mettre en place un suivi trimestriel du ROAI
→ Assurer un « Human in the Loop » pour limiter les erreurs IA
→ Former les collaborateurs à l’utilisation des outils IA
→ Aligner le projet IA avec la stratégie globale de l’entreprise
ROI: Conclusion
Les économies de coûts générées par l'intelligence artificielle ne relèvent pas du mythe, mais elles ne constituent pas non plus une conséquence automatique de l'utilisation de cette technologie. Elles deviennent une réalité lorsque l'IA n'est pas considérée comme un simple projet informatique isolé, mais comme un investissement stratégique dans les processus de l'entreprise.
Pour produire des données fiables, disposer de processus clairement définis et garantir une stabilité technique, des mesures appropriées sont indispensables. Cette réalité apparaît particulièrement avec les agents d'IA, actuellement très recherchés, capables d'exécuter des tâches de manière autonome. Ces agents imposent des exigences élevées quant à la qualité et à la structure des données sous-jacentes. Les données doivent donc être préparées de manière à pouvoir être effectivement exploitées par des solutions d'intelligence artificielle.
À long terme, les entreprises qui tireront le meilleur parti de l'IA seront celles qui auront appris des excès de la période d'engouement initial et qui miseront sur des processus solides, une gestion responsable des données et des règles clairement définies.
Pour les entreprises suisses, cela signifie qu'investir aujourd'hui dans des structures de données fiables et dans les compétences numériques des collaborateurs permettra demain de bénéficier d'une réduction sensible des coûts marginaux et d'une augmentation importante de la capacité de montée en charge (scalabilité). Le véritable ROI de l'intelligence artificielle ne réside pas dans le remplacement des personnes, mais dans celui des structures inefficaces.
En définitive, la rentabilité de l'intelligence artificielle n'est pas un mythe, mais elle s'inscrit dans le temps. Elle suppose le courage d'investir dans les infrastructures avant même de pouvoir réaliser la moindre économie sur les effectifs. Les entreprises suisses devraient donc évaluer le succès de leurs initiatives d'IA non seulement à l'aune des réductions budgétaires à court terme, mais également en fonction de leur rendement en matière de résilience, c'est-à-dire de leur capacité à absorber les fluctuations du marché sans forte augmentation des coûts. La véritable efficacité naît lorsque l'intelligence artificielle libère l'être humain de la gestion des données afin qu'il puisse se consacrer pleinement à la prise de décision.
FAQ
Le ROI de l’IA est-il rapide ?
Non. Dans la plupart des cas, le ROI se matérialise après 2 à 4 ans en raison des investissements initiaux et du temps nécessaire à l’optimisation des processus.
Peut-on réduire les effectifs grâce à l’IA ?
C’est rarement le principal levier. L’IA augmente surtout la productivité et permet de traiter plus d’activité avec les mêmes équipes.
Quels sont les principaux coûts cachés de l’IA ?
Le nettoyage des données, la conformité réglementaire, la formation des collaborateurs et les coûts d’infrastructure.
Comment mesurer efficacement le ROAI ?
En combinant des indicateurs quantitatifs (coûts, temps, erreurs) et qualitatifs (qualité des décisions, satisfaction des collaborateurs).
Pourquoi parle-t-on de “ROI caché” ?
Parce que les gains les plus importants concernent la réduction de la complexité, l’agilité organisationnelle et la résilience, souvent non visibles immédiatement.
Pour aller plus loin
- Planification du budget: Etapes pour une gestion efficace (W+)
- Budgétisation traditionnelle: Avantages et inconvénients de la budgétisation classique
- Planification budgétaire: Comment mettre en place un processus budgétaire rapide
Sources
Demary, V. et al. (2025) : Wie wird KI die Produktivität in Deutschland verändern? Gutachten im Auftrag des Gemeinschaftsausschusses der Deutschen Gewerblichen Wirtschaft. Cologne : Institut der deutschen Wirtschaft (IW).
Gartner (2025) : The Latest Hype Cycle for Artificial Intelligence Goes Beyond GenAI. En ligne.
ICV/CPMC (2025) : Digitalisierung im Controlling – Benchmarking Studie. Ergebnisbericht (Auszug). Wörthsee : Internationaler Controller Verein.
Kintz, M. et al. (2024) : Potenziale Generativer KI für den Mittelstand. Wie große KI-Modelle die Arbeitswelt verändern. Stuttgart : Fraunhofer IAO.
KPMG (2025) : Global Tech Report 2026. En ligne.
McKinsey (2025) : The State of AI in 2025. En ligne.
