De la valeur de l'IA ? Quel(s) ROI(s) ? Quoi, Comment, Quand ?

 

Eneric Lopez

AI National Initiative & Social Impact Director at Microsoft

novembre 2024

​

Depuis deux ans, l’IA générative est au cœur de la transformation numérique, avec un engouement palpable, particulièrement chez les grandes entreprises qui ont déjà commencé à investir. Certaines d’entre elles, en dépit des premiers cas d’usages mis en œuvre commencent à se demander si elles atteignent véritablement le retour sur investissement attendu.

D’après une étude de BCG, cette dynamique peut rapidement mener à une phase de désillusion si la valeur ajoutée au P&L ne se matérialise pas. Le Gartner va même jusqu'à prédire que 30% des projets d'IA génératives pourraient être abandonnés en 2025 si (entre autres) la valeur métier n'était pas claire.

Alors, comment passer des cas d’usages au Business Case pour atteindre un ROI?

De leur côté, les plus petites organisations hésitent encore, notamment par manque de formation et de cas d’usages identifiés (cf étude BPIFrance Le Lab). En d’autres termes, derrière le besoin de trouver des cas d'usages, elles se posent la première question qui leur permettra de démarrer : « Quelle est la valeur de l’IA pour mon organisation ? »

C’est pourquoi, afin d’apporter des réponses et un éclairage sur quelques clés du succès, je vous propose d’aborder la valeur de l’IA générative à travers plusieurs « ROIs » : Return on Inclusiveness, Return on Individuals, Return on Industrialization, et Return on Impact.

Comme vous le découvrirez, cette proposition s’appuie à la fois sur des constats, des retours d’expérience terrain et des études, offrant une démarche accompagnée de clés de réussite. Je partage ici le fruit de nombreux échanges et observations réalisés auprès de diverses organisations.

Return On Inclusiveness : Pourquoi & Comment impliquer les collaborateurs ?

La première étape pour tirer parti de l’IA générative consiste à identifier des cas d’usages concrets. Répondre à la question « que peut faire l’IA générative pour moi ? » n’est pas vraiment la bonne question initiale, ce serait plutôt « Quelles sont mes problématiques métier que j'aimerais adresser ? »
 

En effet, un des écueils fréquemment observés dans l’adoption de l’IA générative est une approche trop techno centrée, où l’on considère l'outil technologique comme si, avec un nouveau marteau en main, tout devait ressembler à un clou. Cette vision peut pousser les entreprises à chercher des endroits où appliquer l’IA générative sans partir des besoins métiers réels, les faisant passer à côté de la vraie valeur attendue côté métiers et/ou à côté d’une adoption réussie.
 

Au lieu de cela, il est essentiel d’adopter une perspective orientée sur les problématiques métiers et la valeur à apporter. Cela signifie se demander : quel est le « caillou dans la chaussure » de mes « utilisateurs » (employés, clients, usagers…) ? Pour y répondre, il est crucial de se rapprocher des opérationnels, ceux qui ressentent directement les difficultés au quotidien.

Pour mieux identifier ces besoins, il conviendrait de sélectionner et d’impliquer des « ambassadeurs » ou des « futurs champions » de l’IA issus de diverses entités. On peut également adopter une démarche ouverte à tous les volontaires, offrant ainsi une opportunité à ceux qui souhaitent se lancer. Ne pas hésiter à aller chercher des « personae » qui sont au plus proches du terrain, représentatifs de certains rôles/métiers.

Les projets d’IA qui incluent les utilisateurs finaux dès le début ont plus de chances de réussir, car ils répondent aux défis spécifiques des équipes sur le terrain. Une approche plus "bottom up" que "Top down" dans l'identification des cas d'usages est donc à privilégier.
 

En impliquant les collaborateurs dès le départ, on se garantit un véritable Return On Inclusiveness, car cela permet non seulement de s’assurer que l’IA répond aux besoins réels, mais aussi de lutter contre deux phénomènes fréquents : le FOMO (Fear Of Missing Out), qui peut pousser les entreprises à adopter la technologie précipitamment, avec une approche parfois trop « top down » et déconnectée, et le FOBO (Fear Of Being Obsolete) des individus, qui suscite des craintes chez les collaborateurs quant à l’obsolescence de leurs métiers fasse à l’IA.

Pour ce faire, la sensibilisation de l’ensemble des collaborateurs est une étape cruciale pour dissiper les peurs, démystifier l’IA et donner à chacun les moyens de devenir acteur de la transformation. Cette sensibilisation doit donner les clés à chacun pour être des acteurs « éclairés » sur l’IA Générative. Comprendre ce qu'est l'IA et l'IA générative, ce que cela n’est pas (ni véritablement intelligent, ni réellement artificiel d'ailleurs), ce que cela peut faire, les enjeux autour des data, de l’éthique, de la confiance, mais également les bases pour l'utiliser (les clés du prompt par ex.) sont quelques fondamentaux à inclure.

Je ne peux que vous inviter à aller faire un tour sur notre Hub (le AI Skills Navigator) pour retrouver ce type de contenus et également à travailler avec des acteurs de la formation. Un contenu bien fait, même « light » vaut mieux qu’une longue formation de plusieurs heures.
Mettre en place des dispositifs qui passent à l'échelle et compléter la sensibilisation avec de la prise en main est une bonne pratique.

Si le framework de conduite du changement Prosci propose de commencer par cette phase d’Awareness (Sensibilisation), il préconise de la faire suivre par une phase dite « Desire », qui consiste à susciter l’envie et à identifier les problématiques que l’IA générative pourrait résoudre. C’est là que vous pourrez identifier les fameux « cas d’usages » pour s'attaquer aux « cailloux dans la chaussure » de vos usagers/collaborateurs et leur apporter la valeur métier attendue.

A l'issue de la sensibilisation, des initiatives telles que des sessions d’idéations, de hackathons ou des « prompt challenges » peuvent soutenir cette démarche d'identification des cas d'usages dans l'expression des "désirs". Les entreprises qui impliquent activement leurs employés dans l’identification des cas d’usages rencontrent moins de résistance et bénéficient d’un meilleur engagement. En intégrant les collaborateurs dès le départ, ils deviennent des acteurs de la transformation, renforçant ainsi leur adhésion et générant des cas d’usages concrets et directement applicables.

C’est notre quotidien chez Microsoft, et dans notre écosystèmes que de mener ce type de sessions au sein de nos Innovation Hub, nos AI Labs en régions en mobilisant notre écosystème. C’est d’ailleurs tout le sens et l’objectif de notre initiative A Vous l’IA que de sensibiliser, former 1 Million de Français à l'IA et accompagner des centaines d'entreprises à trouver leurs cas d’usages.

​

​

 

​

​

​

​

​

 

​

​

​

​

​Return On Individuals : De la valeur dans chaque cas d’usage mais dans quelle mesure ?

Après avoir inclus les collaborateurs et identifié des cas d’usages concrets, il est essentiel de se pencher sur la valeur que l’on souhaite créée et de lui associer des indicateurs. La valeur souhaitée doit relever du « Désir » exprimé par les opérationnels d’améliorer un élément de leur quotidien, dans les actions inhérentes à leur métier et plus particulièrement en s’attachant à un processus en allant parfois au niveau de la tâche même.

Il peut être essentiel pour la définir de ne pas rester sur des valeurs génériques (ex : améliorer l’efficacité) et les exemples d’indicateurs ci-dessous peuvent aider. On peut vouloir combiner des indicateurs quantitatifs et qualitatifs pour évaluer correctement l’impact de l’IA générative. Parmi ces indicateurs, trois se démarquent : vitesse, qualité, et profondeur.

 

• Vitesse : L’IA générative permet de gagner du temps en automatisant des tâches répétitives. Dans le marketing, elle peut générer des ébauches de contenu en quelques secondes, libérant ainsi les équipes pour des activités plus stratégiques. Dans les achats, elle peut trier rapidement les réponses à un appel d’offres, ce qui permet de gagner du temps lors de l’évaluation initiale des fournisseurs. Enfin, dans le service client, elle peut répondre aux questions de niveau 1 en temps réel, permettant aux agents de se concentrer sur des demandes plus complexes. Selon une des premières études sur l'IA génératives en entreprise menée par Stanford, l’IA a montré une amélioration de la productivité de 14 % dans les centres d’appels, avec des gains allant jusqu’à 35 % pour les agents débutants.

• Qualité : L’IA peut aider les développeurs à améliorer la qualité de leur code en automatisant les revues de code et en proposant des corrections optimisées. Cela réduit les erreurs et améliore la fiabilité des applications. Selon une étude de GitHub, les développeurs utilisant des outils d’IA générative rapportent une diminution des bugs et une meilleure cohérence dans leur code, ce qui se traduit par une augmentation de la qualité du développement logiciel. De plus, dans le domaine juridique, l’IA peut analyser des documents complexes pour repérer des incohérences et assurer la conformité des dossiers. Enfin, dans le secteur de la finance, l’IA peut identifier des erreurs ou des anomalies dans les transactions, contribuant ainsi à renforcer la précision et la qualité des processus financiers.

• Profondeur et personnalisation : Enfin, l’IA générative permet d’accéder rapidement à des connaissances spécifiques et d’offrir des réponses personnalisées. Par exemple, dans le domaine juridique, elle peut fournir des résumés sur des questions de droit, facilitant l’accès à l’information pour des collaborateurs non-experts. En éducation, elle permet de répondre aux questions des étudiants de manière personnalisée, favorisant ainsi une meilleure compréhension des sujets. Dans le domaine de la recherche, elle peut permettre aux chercheurs d'accéder à des informations issues des dernières publications. (cf lnstitut Curie) Dans les interactions avec les clients, l’IA générative aide à adapter les réponses en fonction des besoins individuels, améliorant ainsi l’expérience client. McKinsey a constaté que l’IA favorise l’accès à des informations spécialisées, ce qui soutient la montée en compétences et l’autonomie des employés.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

                                       3 indicateurs de valeur de la GenAI

​

​

Ces indicateurs sont des éléments « micros » qui permettent d’évaluer plus finement la valeur métier que l’IA générative peut apporter. Que ce soit de façon plus "macro" pour améliorer la satisfaction client, optimiser un service opérationnel, ou enrichir l’expérience utilisateur, ils offrent une meilleure mesure des bénéfices concrets et immédiats dans les différents domaines d’application. On peut inclure ces indicateurs dès la phase « d’idéation » et de remontée des cas d’usages pour avoir des critères de priorisation. Ils sont en tout cas clés pour mesurer et piloter les apports aux individus : le Return On Individuals.

Vous aurez à nouveau noté que sur les cas d’usage l’indicateur n’est pas directement le ROI que l’on connaît habituellement. Non seulement parce qu’avoir une approche purement et uniquement financière biaise la conversation de « valeur », parce que parfois à la première expression du cas d’usage il est difficile de le quantifier, mais surtout parce qu’il nous faut passer par une dernière étape… Notez toutefois que l'on peut déjà commencer à chiffrer/estimer le ROI à cette phase mais la transformation en Business Case ne viendra qu'après la phase d'industrialisation.

Vous l'aurez compris je souhaite mettre en avant la valeur apporter par l'IA comme clé de voute du choix des cas d'usages. Bien entendu, d'autres éléments sont à prendre en compte pour les prioriser à l'issue de la phase d'identification :faisabilité, technologie sur étagère ou à développer, disponibilité de la data, QuickWin vs cas complexe etc... Je suis certain que vous trouverez vos propres axes et critères, sinon je vous invite à regarder cet article qui vous en propose.
 

Return on Industrialization : De la sédimentation de la valeur comme gisement pour l’organisation…

La phase suivante est celle de la consolidation qui consiste à intégrer l’IA générative dans les processus existants pour en faire une pratique standardisée. Par exemple, dans un centre d’appel, il est important de réorganiser les processus pour que l’IA devienne un soutien naturel au travail des agents. Cela peut nécessiter une réorganisation des processus entre les niveaux de support pour prendre en compte les gains opérationnels, mais aussi l’usage de l’IA dans le fonctionnement global du centre d’appel. La généralisation de cette valeur au sein du processus concerné pourra avoir une dimension technologique (généralisation, standardisation de l'usage de l'IA Générative, voire création d'agents IA au service des acteurs du processus) mais nécessitera la refonte du process lui même.

Dans son étude "Turning GenAI Magic into Business Impact" le BCG parle de cette phase de "reshape" après la phase « Deploy » (de déploiement des cas d’usages).

Du côté conduite du changement, si l'on se réfère aux phases suivantes du référentiel Prosci et de son modèle ADKAR (Awareness, Desire, Knowledge, Ability, Reinforcement), je souhaite attirer votre attention sur la partie "Knowledge".

Deuxième volet du fameux triptyque « Process / People / Tools », le passage à l’échelle de cette transformation outillée par l’IA générative doit forcément inclure un volet People. Dans ce contexte, il est essentiel de former les collaborateurs pour les équiper avec les compétences nécessaires pour utiliser l’IA de manière optimale, mais cela peut également impliquer de nouvelles formations pour s’assurer qu’ils sont à l’aise avec les nouvelles tâches et processus. Si l’arrivée de l’IA générative implique de nouvelles « hard skills » pour maîtriser l’IA, de nouvelles formations sur ses opérations et son métier, cela peut amener le management à vouloir investir encore plus dans le renforcement des compétences transversales, comme la gestion des situations complexes ou l’intelligence émotionnelle, dans notre cas de centre d’appel. Ainsi, l’IA pourrait également être une opportunité de remettre plus d’humain au cœur des métiers: l'IA pour amplifier notre ingéniosité !

L’industrialisation, au-delà d’une multiplicité de cas d’usages, doit être conduite par une stratégie plus holistique de la DATA et de l’IA, permettant d’embarquer l’ensemble de l’organisation, et de toucher toutes les structures et métiers. La planification à 3 horizons, la feuille de route stratégique, et la formalisation de « business cases » sont des outils et des étapes suivantes.

Passer à l’industrialisation de l’IA requiert également une évolution de la culture d’entreprise. Forcément « data-driven », elle doit valoriser l’empowerment et l’inclusivité pour mettre l’IA au service de chacun, tout en intégrant les principes d’IA responsable comme troisième pilier et fondation de cette culture. Enfin, il sera important de revoir l’organisation de l’entreprise pour éliminer les goulots d’étranglement au niveau des ressources IA.

Si certaines organisations déjà bien matures en ont créé, le rôle des centres d’excellence IA ou des AI Factories sera alors de définir et de mettre en place des socles communs : technologiques, principes de gouvernance, outils d’IA responsable et socles de compétences et de formation nécessaires, soutenant ainsi la transversalité en diffusant l’IA dans toutes les business units. En adoptant une approche horizontale, où chaque unité peut utiliser l’IA pour soutenir ses objectifs stratégiques, l’IA deviendra une composante essentielle de chaque fonction, permettant à l’organisation de tirer pleinement parti de cette technologie.

Notez que la dimension "organisation" est aussi clé, dès le départ, dans la partie identification et réalisation des cas d'usages. En effet, il sera là important de pouvoir mobiliser une sorte de "triade" organisationnelle mêlant fonction métiers, responsables IT et "expert Data".

On le voit donc, une grande part de l’industrialisation pour la réalisation de la valeur réelle passe par l’adoption/la formation des individus et la transformation des modèles organisationnel voire de la culture. C’est tout sauf de la technologie et cela nécessite d’y mettre les efforts et le temps nécessaire à la consolidation. L’étude toute récente du BCG : The Stairway to GenAI impact l’illustre également.

​

​

​

​

​

​

​

​

​

​

 

 

                                                 

Clés pour le passage à l'industrialisation

 

Responsibility Of Investment vs Return On Impact

Au-delà des gains financiers et organisationnels, l’IA générative soulève des questions cruciales quant à son impact, touchant à des enjeux sociétaux et environnementaux. Il ne suffit pas seulement d’améliorer la productivité ou la qualité des services, il est aussi important de réfléchir aux impacts plus larges de l’IA. Cela peut impliquer d'inclure des critères d’impact social et de responsabilité environnementale dès la phase de sélection des cas d’usages.

Il est essentiel de se poser des questions aussi simples que : « A-t-on vraiment besoin de l’IA générative pour cela ? » Parfois, la tentation d’utiliser l’IA comme solution systématique peut amener à surinvestir dans des domaines où des approches plus légères suffiraient (rappel de la métaphore du marteau et du clou). D'autres questionnement sur l'impact environnemental, l'inclusivité de la solution, le respect des principes d'IA Responsable de l'organisation (en complément de la conformité au cadre règlementaire), sont aussi aussi à considérer.

En tout état de cause, incorporer un cadre de responsabilité dans l’investissement dans l’IA permet d’aligner les objectifs financiers avec des engagements sociétaux. Les entreprises peuvent, par exemple, évaluer les projets en fonction de leur impact positif sur l’inclusion sociale, leur potentiel à réduire l’empreinte carbone, ou leur alignement avec des critères ESG (environnementaux, sociaux et de gouvernance). En complément de la recherche de ROI traditionnel, intégrer des critères d’impact permet aux entreprises de s’assurer que l’IA génère des bénéfices durables et responsables. Il est possible de mener cette démarche de façon plus ou moins poussée et outillée. Vous trouverez dans cette étude un exemple très complet de cadre pour intégrer les critères ESG dans vos réflexions sur l'IA.

 

 

​

​

​

​

​

​

​

​

 

 

 

 

 

Conclusion

Nous l’avons vu, la valeur de l'IA générative doit se considérer avec une approche de "ROI global"qui, même si les premiers retours peuvent être rapides et mesurables, se construit progressivement, en consolidant plusieurs dimensions clés. Chaque étape – l'inclusion des collaborateurs, la définition et la mesure de la valeur, puis l'industrialisation des processus – joue un rôle essentiel dans la formation d'un tout cohérent. Ce retour sur investissement ne résulte pas simplement d'une addition de gains, mais bien d'une dynamique de consolidation et de sédimentation des différents efforts. Ainsi, le ROI global pourrait être formulé comme suit :

​

​

​

​

​

​

​

​

​

​

​

​

​

 

Proposition de formule de ROIs

Cette équation illustre que le ROI ne se construit pas de façon linéaire. Il évolue et se sédimente progressivement, avec chaque dimension – humaine, organisationnelle, et stratégique – contribuant à un impact durable. Le facteur d'impact environnemental et sociétal (f) venant ensuite amplifier ou pondérer ce retour, rappelant que l'IA ne peut se déployer pleinement sans tenir compte de ses effets à long terme.

Autrement dit, le ROI global est le fruit d'une approche évolutive, qui valorise la participation des collaborateurs, la transformation des processus, et la prise en compte des enjeux sociétaux. C’est cette synergie qui permet de tirer pleinement parti de l’IA générative tout en respectant des engagements éthiques et responsables.

Au cœur de la réalisation de ce ROI, vous aurez noté la dimension incontournable de la formation, dès les toutes premières phases, et la nécessité de mêler approche à la fois inclusive, au niveau de l’individu mais aussi vision et transformation plus globale au niveau de la stratégie, de la culture et de l'organisation.

Je vous invite à réfléchir à ma proposition d'approche intégrée et à partager vos bonnes pratiques. Comment voyez vous le(s) ROI(s) se sédimenter dans votre organisation ? Quelles dimensions sont les plus importantes pour vous ?