L’adoption de l’IA progresse. Mais qu’en est-il des performances des entreprises ?

Les entreprises peinent à tirer des rendements significatifs de leurs investissements dans l’IA. Son utilisation progresse, mais seules 13 % des organisations déclarent en tirer une valeur transformationnelle importante. Cet écart devrait inciter les dirigeants à prendre du recul et à se demander s’ils mesurent l’activité ou un changement significatif.

Sous pression pour démontrer clairement le retour sur investissement de l’IA, les organisations se tournent souvent vers des indicateurs faciles à communiquer, comme l’utilisation des outils, le nombre d’utilisateurs actifs ou les taux d’adoption. Ces mesures montrent si les employés utilisent l’IA. Elles nous renseignent peu sur l’amélioration du travail ou sur la valeur générée par l’investissement.

PwC a ainsi constaté que 64 % des travailleurs interrogés avaient utilisé l’IA au travail au cours des 12 derniers mois, soit une hausse de dix points de pourcentage sur un an. À première vue, cette progression est prometteuse, mais elle ne démontre pas d’impact sur les résultats financiers. L’adoption de l’IA devient un indicateur de vanité lorsque les dirigeants y voient une preuve de transformation. Un indicateur plus probant consiste à mesurer dans quelle mesure l’IA aide à transformer les enseignements tirés de projets antérieurs en cadres, outils et accélérateurs qui améliorent la manière dont les équipes obtiennent des résultats.

Le problème sous-jacent : l’IA peut accélérer un travail qui doit être repensé

Avant d’ajouter de l’IA, les organisations doivent comprendre l’objectif du flux de travail, repérer les étapes superflues et repenser la manière dont le travail devrait être effectué. C’est important, car l’IA peut accélérer un processus inefficace, déplacer les goulots d’étranglement vers les étapes suivantes et entraîner davantage de vérifications ou de reprises.

Cette même compréhension devrait guider les mesures choisies par les organisations. En examinant l’ensemble du flux de travail, les équipes peuvent voir comment les changements apportés à une tâche influent sur toutes les étapes suivantes et déterminer si les gains apparents réduisent réellement l’effort ou le transfèrent simplement à quelqu’un d’autre.

L’IA peut accélérer des tâches individuelles, comme la rédaction de contenu, la synthèse d’informations ou l’analyse plus rapide de données, sans améliorer les processus. Par exemple, la production plus rapide de contenu peut accroître le travail des personnes chargées de le vérifier et de l’approuver en aval. Le goulot d’étranglement se déplace, même si les employés déclarent gagner du temps.

C’est là que les indicateurs de productivité peuvent devenir des indicateurs de vanité. Réaliser une tâche plus rapidement peut sembler être un gain immédiat, mais cela risque de ne pas tenir compte de l’effort nécessaire pour transformer le résultat en quelque chose d’utile à l’étape suivante. La refonte du flux de travail devrait partir du résultat visé, puis déterminer où l’IA apporte de la valeur et quelles étapes doivent changer.

La productivité des tâches et celle des flux de travail comptent toutes deux. Pour les mesurer ensemble, les équipes doivent aller au-delà du temps gagné individuellement et évaluer les reprises liées à la qualité ainsi que l’effort humain total nécessaire pour obtenir le résultat.

Ce que nous avons appris en devenant notre propre client de l’IA

Chez Arionkoder, nous avons créé Socrates, notre programme interne de transformation, pour faire de notre organisation une organisation native de l’IA. En testant l’IA sur notre propre « cas zéro », nous avons découvert que les gains de productivité sur certaines tâches pouvaient masquer des problèmes touchant l’ensemble du flux de travail. Par exemple, dans nos processus de gestion de projet, nous avons d’abord supposé que l’utilisation de l’IA pour produire des comptes rendus de réunion, des listes de tâches et des mises à jour de projet rendrait ces tâches plus efficaces. Pourtant, le volume accru d’informations nécessitait toujours des vérifications manuelles, une hiérarchisation des priorités et une coordination entre les équipes. La charge de travail s’en trouvait déplacée vers les étapes suivantes, au lieu d’être réduite. Nous avons compris qu’accélérer des tâches individuelles ne rend pas nécessairement l’ensemble du flux de travail plus efficace. L’objectif de Socrates restait pertinent, mais le programme devait aider les équipes à délaisser l’accélération de tâches isolées au profit de la refonte de flux de travail de bout en bout.

Ce revers s’est révélé utile lorsque nous avons analysé ce qui s’était passé et appliqué nos conclusions à notre tentative suivante. Il nous a rappelé que la transformation par l’IA ne consiste pas seulement à introduire une technologie. Elle exige de changer la manière dont les personnes tirent des enseignements des expériences, prennent des décisions et travaillent ensemble. Socrates devait aider les employés à relier ce qu’ils avaient créé individuellement à la manière dont le travail s’effectuait.

L’approche révisée donne à cette expérimentation une progression claire. Un employé pourrait commencer par utiliser l’IA pour résoudre un petit problème concret. L’étape suivante consisterait à vérifier si quelqu’un d’autre peut utiliser ce qu’il a créé. L’entreprise pourrait ensuite examiner le flux de travail dans son ensemble, repérer les points de friction et relier les activités aux capacités développées par d’autres équipes. Le partage des enseignements entre employés permet de déterminer si une amélioration reste utile au-delà de la tâche qu’elle était initialement censée faciliter.

Cette distinction est importante. Créer quelque chose qui fonctionne pour une seule personne constitue un point de départ. Pour produire de la valeur à l’échelle de l’organisation, il faut comprendre comment les autres l’utilisent et ce qui change lorsqu’il s’intègre à un processus plus vaste.

Notre remise à plat a donc commencé par la définition du résultat visé. Qu’est-ce que l’équipe devait accomplir ? Quelles étapes contribuaient à ce résultat, et lesquelles subsistaient simplement parce qu’elles faisaient partie d’un processus établi qui n’était plus adapté ? Ces questions ont permis de passer de l’ajout de l’IA à des tâches individuelles à la refonte du flux de travail autour d’un objectif plus clair.

Nous avons ensuite défini des valeurs de référence et des critères adaptés à chaque flux de travail. Nous avons examiné la qualité, les reprises et l’effort fourni par les employés, ainsi que le temps nécessaire à l’exécution. Ces mesures nous ont aidés à évaluer les progrès sur l’ensemble du processus.

Dans l’ensemble de Socrates, nous avons repensé plus de 20 processus, transformant des expérimentations menées autour de problèmes concrets de l’entreprise en capacités dont d’autres pourraient bénéficier. La production des rapports financiers est passée de quatre heures à 20 minutes, tandis que le service informatique a fait état de 40 % de tâches répétitives en moins et d’une réduction de 60 % des délais de réponse. Ces résultats témoignaient de progrès opérationnels. Pour comprendre comment ces indicateurs se traduisent en valeur pour l’entreprise, il faut évaluer si la charge de travail a diminué tout au long du processus et comment les équipes ont utilisé la capacité ainsi dégagée.

Pour nous, la leçon était de suivre les améliorations jusqu’à leur aboutissement. Les gains de temps individuels comptent, mais ils prennent une valeur organisationnelle lorsqu’ils permettent à la personne suivante de mieux travailler et rapprochent l’équipe du résultat visé.

Ce que les DSI devraient mesurer à la place

Pour suivre une amélioration jusqu’à ses retombées pour l’entreprise, il ne suffit pas de mesurer l’utilisation de l’IA ou le temps gagné. Les dirigeants doivent relier l’adoption à l’amélioration des méthodes de travail et aux résultats obtenus. Les progrès doivent être mesurés à trois niveaux distincts :

1. Adoption : les employés utilisent-ils l’IA ?

   L’adoption reste un indicateur de diagnostic utile. Les données d’utilisation, la participation aux expérimentations et les retours des employés peuvent révéler où les équipes gagnent en confiance et où elles ont besoin de soutien.

   Ces signaux aident les dirigeants à comprendre le niveau de préparation de l’organisation, mais ils ne permettent pas d’établir le retour sur investissement. Une forte utilisation est un point de départ pour approfondir l’analyse, et non une preuve de transformation.

2. Performance des processus : le travail s’améliore-t-il réellement ?

   Les critères de réussite doivent refléter l’objectif visé par le processus. Selon le cas d’usage, une amélioration peut se traduire par des informations plus exactes, moins d’erreurs ou une résolution plus rapide.

   Comparez les performances à une référence établie pour l’ensemble du processus. Suivez les étapes inutiles éliminées, les reprises, la qualité et l’effort total fourni par les employés. Prenez en compte les personnes qui reçoivent les résultats générés par l’IA et qui les utilisent. Une tâche n’est pas nécessairement devenue plus efficace si elle entraîne des vérifications ou des corrections supplémentaires ailleurs.

3. Impact sur l’entreprise : le processus faisant appel à l’IA améliore-t-il les résultats de l’entreprise ?

   Reliez les améliorations des processus aux résultats auxquels les dirigeants accordent déjà de l’importance, comme la fidélisation de la clientèle, le chiffre d’affaires, la qualité du service ou le coût par problème résolu. Produire davantage de contenu, par exemple, témoigne d’une hausse de la production. La valeur de celle-ci pour l’entreprise dépend du contenu produit.

   Suivez l’utilisation du temps gagné. La capacité supplémentaire a-t-elle permis d’améliorer le service, de soutenir la croissance ou de réduire les coûts d’exploitation ? Évaluez la valeur au regard du coût total nécessaire pour l’obtenir, notamment l’effort humain, la consommation d’IA, l’intégration, la supervision, la formation et la maintenance.

Ensemble, ces mesures aident les dirigeants à suivre le cheminement de l’adoption de l’IA jusqu’à l’amélioration des processus et aux résultats pour l’entreprise. Si l’utilisation de l’IA augmente sans réduire l’effort humain, améliorer la qualité ou apporter une valeur à l’entreprise, les dirigeants doivent revoir leur approche avant de la déployer à plus grande échelle.

Les dirigeants doivent redéfinir les progrès de l’IA

Les données sur l’adoption aident les entreprises à déterminer qui utilise l’IA et où un soutien supplémentaire est nécessaire. Pour comprendre sa valeur, il faut écouter les personnes qui effectuent le travail et évaluer si les gains améliorent l’ensemble du processus. Les dirigeants doivent donner aux employés l’assurance nécessaire pour signaler les approches qui alourdissent leur travail sans améliorer les résultats, puis agir en conséquence. Modifier ou abandonner une approche inefficace constitue un progrès lorsque les enseignements tirés permettent de prendre une meilleure décision par la suite.

Une transformation significative se traduit par l’élimination du travail inutile, l’obtention de meilleurs résultats et une capacité accrue à se consacrer aux tâches qui comptent. Voilà les résultats sur lesquels les dirigeants devraient s’appuyer pour évaluer les progrès de l’IA et orienter les investissements futurs.