Mesurer le ROI d'un agent IA

Pourquoi le ROI des agents IA est si difficile à prouver

Les chiffres macro sur le sujet sont sans appel. Dans son enquête State of AI 2026, McKinsey constate que 37 % des entreprises interrogées attribuent au moins une part de leur impact sur l'EBIT à l'usage de l'IA, une proportion quasiment stable par rapport à 2025, et que seulement 6 % font partie des organisations les plus performantes, celles qui attribuent un impact significatif (au moins 5 % de l'EBIT) à l'IA (source : McKinsey, "The state of AI in 2026: On the road to ROI", https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai, consulté le 2026-09-04 ; chiffres également repris par The Register, https://www.theregister.com/ai-and-ml/2026/08/25/mckinsey-says-enterprise-ai-is-finally-on-the-road-to-roi/5292388, consulté le 2026-09-04). Dans le même temps, 40 % des entreprises de plus d'un milliard de dollars de chiffre d'affaires disent mettre à l'échelle des agents IA, contre 27 % un an plus tôt (mêmes sources). L'investissement grandit plus vite que la preuve de sa rentabilité.

Un agent IA autonome coûte du temps de déploiement, de l'inférence et de la supervision. Sans méthode de mesure, impossible de savoir si ce coût se justifie. Gartner va plus loin sur les projets d'IA agentique spécifiquement : plus de 40 % d'entre eux devraient être abandonnés d'ici fin 2027, à cause de coûts qui dérapent, d'une valeur métier mal définie dès le départ, ou de contrôles de risque insuffisants (source : Gartner, https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027, consulté le 2026-09-04). "Valeur métier mal définie" revient presque toujours à la même cause : personne n'a mesuré la situation de départ, donc personne ne peut prouver l'amélioration ensuite.

Étape 1 : établir une baseline avant le déploiement

C'est l'étape que presque tout le monde saute, et c'est la plus importante. Avant de brancher un agent sur un processus, il faut mesurer ce processus tel qu'il fonctionne aujourd'hui : volume traité par période, temps de traitement moyen par dossier, taux d'erreur ou de reprise, délai entre la demande et la résolution. Sans ces chiffres de départ, toute comparaison ultérieure repose sur des souvenirs approximatifs plutôt que sur des données. Un agent déployé pendant six mois puis évalué après coup, sans point de comparaison initial, ne peut pas produire un ROI crédible : il ne reste qu'une impression.

Étape 2 : mesurer le temps économisé, et sa vraie valeur

Le temps économisé est l'indicateur le plus facile à mesurer et le plus facile à mal interpréter. Un agent qui traite en dix minutes une tâche qui prenait une heure fait bien gagner cinquante minutes, à condition que ce temps libéré serve à autre chose de mesurable. Si les collaborateurs concernés se retrouvent simplement avec plus de réunions ou plus de temps mort, le temps a été déplacé, pas économisé. Pour que ce gain compte vraiment dans un calcul de ROI, il doit se traduire soit par une réduction de coût réelle (moins d'heures supplémentaires, un recrutement évité), soit par une augmentation de production identifiable (plus de dossiers traités, plus de tickets fermés).

Étape 3 : mesurer le coût évité

À côté du temps, il y a le coût évité : les erreurs qui n'ont pas eu lieu, les escalades qui n'ont pas été nécessaires, les délais de traitement qui n'ont pas généré de pénalité contractuelle ou d'insatisfaction client. C'est plus difficile à isoler qu'un gain de temps, parce que ça suppose de comparer à un scénario qui ne s'est pas produit. La méthode la plus fiable reste de suivre un taux d'incident ou d'erreur avant et après, sur une période comparable, plutôt que d'estimer un coût évité de façon théorique.

Étape 4 : ne pas oublier la qualité

Un agent plus rapide qui produit un travail de moins bonne qualité n'a pas amélioré le ROI, il l'a juste déplacé vers un poste de coût invisible : les corrections, les reprises, l'insatisfaction client qui remonte plus tard. La qualité doit se mesurer avec les mêmes critères qu'avant l'agent, taux de satisfaction, taux de résolution au premier contact, taux d'erreur, pas avec des critères inventés après coup pour valoriser artificiellement le déploiement.

Étape 5 : le délai, un indicateur sous-estimé

Le délai de traitement, combien de temps s'écoule entre une demande et sa résolution, est souvent le grand oublié des calculs de ROI, alors qu'il a un impact direct sur la satisfaction client et, dans certains métiers, sur des engagements contractuels. Un agent qui ne réduit pas le coût unitaire d'un dossier mais qui divise par trois le délai de traitement peut avoir un impact business réel, notamment sur la rétention client, même si ce n'est pas la première chose qu'on pense à mesurer.

Séparer les coûts qui varient des coûts qui ne varient pas

Un calcul de ROI sérieux distingue aussi deux types de coûts du côté de l'agent lui-même. D'un côté, les coûts qui varient avec le volume traité : l'inférence du modèle, principalement, qui augmente mécaniquement avec le nombre de tâches. De l'autre, les coûts qui ne varient pas ou peu : l'abonnement à la plateforme, le temps de configuration initiale, la supervision humaine qui reste stable même si le volume double. Confondre les deux fausse la projection : un ROI qui semble excellent sur un petit volume peut se dégrader si les coûts variables grimpent plus vite que prévu une fois le déploiement généralisé à toute une équipe.

Les pièges classiques de mesure

Quelques erreurs reviennent systématiquement dans les calculs de ROI d'agents IA. La confusion entre temps économisé et argent économisé, déjà évoquée plus haut, en fait partie. Le double comptage en est une autre : si l'équipe support revendique un gain de temps et que l'équipe commerciale revendique en parallèle un gain de revenu généré par le même agent, il faut vérifier que ce n'est pas la même amélioration comptée deux fois sous deux angles différents. L'oubli des coûts continus (supervision, monitoring, ajustement des instructions) fausse aussi le calcul dans l'autre sens : un ROI calculé uniquement sur les gains, sans les coûts récurrents de maintenance, est structurellement optimiste. Enfin, supposer une adoption à 100 % dès le premier jour est une erreur fréquente : le déploiement d'un agent est un processus progressif, pas un interrupteur qu'on bascule.

Un exemple chiffré, à prendre comme illustration

Le tableau ci-dessous n'est pas une statistique de marché, c'est un exemple construit pour illustrer la méthode, sur un cas de triage de support client proche de ce que couvre un agent comme celui-ci. Les chiffres sont fictifs et servent uniquement à montrer comment structurer le calcul, pas à annoncer un résultat garanti.

Indicateur	Avant l'agent (baseline)	Après l'agent	Lecture
Tickets traités par jour et par personne	25	60	Gain de capacité, à confirmer par un vrai suivi de charge
Délai moyen de première réponse	4 heures	20 minutes	Impact direct sur la satisfaction client
Taux d'escalade vers un humain	35 %	20 %	Le reste nécessite toujours une validation humaine
Taux d'erreur de catégorisation	12 %	8 %	À suivre sur plusieurs mois, pas sur les premières semaines

Observer en continu plutôt que mesurer une fois

Le ROI d'un agent IA n'est pas un chiffre qu'on calcule une fois et qu'on range. Un agent qui fonctionne bien au lancement peut dériver trois mois plus tard si le processus qu'il automatise change, ou si le volume de sollicitations augmente au-delà de ce qui a été testé au départ. C'est pour ça que l'observabilité, le suivi en continu de ce que fait réellement un agent, action par action, est indissociable d'une démarche de ROI sérieuse : sans ce suivi, la mesure initiale devient vite obsolète, et on revient au problème de départ, un jugement basé sur une impression plutôt que sur des données. Sur ce point, le sujet du coût et celui de l'organisation en plusieurs agents sont les deux autres faces du même calcul : mesurer un ROI n'a de sens que si on connaît aussi précisément ce que l'agent coûte.