Les dépenses d'intelligence artificielle atteignent désormais 3,3 % du chiffre d'affaires, contre environ 1 % début 2025, selon l'Applied AI Index 2026 du Boston Consulting Group, et plus de 80 % d'entre elles se situent en dehors du budget informatique central.

L'IA devient ainsi un sujet d'allocation du capital, de contrôle de gestion et de gouvernance de la performance, alors que le lien entre ces dépenses et la marge, les coûts, la croissance ou le cash reste souvent mal défini.

Le même rapport indique que les entreprises qui suivent directement l'impact de l'IA dans leur compte de résultat déclarent environ trois fois plus de valeur que celles qui n'ont pas de mesure financière formalisée, soit 3,6 % contre 1,2 %. Ce constat ne prouve pas que la mesure produise à elle seule la performance : ces entreprises disposent peut-être aussi d'une meilleure organisation, d'une plus grande maturité ou d'une sélection plus rigoureuse de leurs investissements. Il suggère néanmoins que la capacité à mesurer la valeur économique et celle à la capturer sont étroitement liées.

Pour les directions financières, cette évolution revient à distinguer les progrès technologiques et opérationnels de l'IA de leur contribution effective à la performance de l'entreprise. Une entreprise peut déployer des solutions performantes, enregistrer une forte adoption et constater des gains de productivité sans que son résultat opérationnel ou sa trésorerie s'améliore, faute de mécanismes explicites qui convertissent ces bénéfices en résultats financiers. L'évaluation doit donc examiner la chaîne économique complète, de l'investissement initial à la valeur effectivement capturée.

Une dépense significative dont la visibilité reste fragmentée

Dans de nombreuses entreprises, les dépenses d'IA ne correspondent à aucune ligne budgétaire identifiable.

Elles se répartissent entre abonnements logiciels, fonctionnalités intégrées aux applications existantes, développements internes, prestations externes, infrastructures, données, formation et transformation des processus. Chaque initiative peut être pertinente à son niveau, mais leur consolidation reste difficile tant que les dépenses sont classées par budget fonctionnel et non par capacité développée et utilisée.

Qu'une grande partie de ces dépenses échappe au budget informatique central ne signifie pas qu'elle échappe au contrôle financier, mais son pilotage ne peut plus être celui d'un programme informatique centralisé.

Le périmètre des coûts pose une seconde difficulté. Le coût d'une solution comprend, outre l'abonnement, le développement ou la consommation de ressources, les données nécessaires, l'intégration aux systèmes existants, la modification des processus, la formation, les contrôles, la maintenance et les adaptations successives. Certains de ces coûts sont directement attribuables à une initiative, d'autres sont mutualisés entre projets ou absorbés par les équipes existantes, ce qui conduit à sous-estimer le coût économique réel. L'écart se creuse au passage de l'expérimentation à l'industrialisation : un pilote fonctionne avec une équipe restreinte, des données préparées manuellement et une supervision rapprochée, alors que le déploiement à grande échelle exige disponibilité, sécurité, qualité, contrôle et continuité.

La direction financière a donc besoin d'une vision consolidée de l'engagement IA, sans chercher à centraliser les décisions technologiques. Cette vision indique le montant réellement investi, les objectifs économiques visés et les résultats attendus, et elle conditionne une allocation cohérente des ressources entre les initiatives.

Productivité produite et productivité capturée

L'évaluation des initiatives repose encore souvent sur des indicateurs d'activité : licences déployées, taux d'adoption, nombre de requêtes, volumes de documents traités, temps économisé, proportion de tâches automatisées. Ils renseignent sur l'usage et le déploiement, mais ils ne suffisent pas à conclure à la rentabilité. Le nombre d'utilisateurs actifs mesure l'adoption, le volume d'opérations automatisées mesure une capacité de traitement sans démontrer que le coût complet du processus a baissé, et une tâche raccourcie améliore la disponibilité des équipes sans produire nécessairement une économie financière.

La productivité produite correspond à l'amélioration constatée dans l'exécution d'une activité, par exemple une tâche passée de trente à vingt minutes. La productivité capturée dépend de ce que l'entreprise fait de la capacité libérée : traiter davantage de dossiers à ressources constantes, éviter des recrutements qui auraient été nécessaires, réduire des dépenses ou développer des activités génératrices de marge. Lorsque le gain reste dispersé entre de nombreuses tâches et ne modifie ni les ressources mobilisées, ni les volumes produits, ni les résultats, sa traduction financière reste limitée.

Ces gains conservent leur intérêt, puisqu'ils peuvent améliorer la qualité, réduire les délais, renforcer la résilience des équipes ou la satisfaction des clients, mais ils doivent être présentés pour ce qu'ils sont, sans conversion automatique en économies comptables. Une organisation qui économise théoriquement plusieurs milliers d'heures ne peut pas valoriser ces heures au coût horaire moyen : il faut vérifier la part effectivement mobilisable, les contraintes d'organisation du travail et les décisions qui convertissent cette capacité en bénéfice. Le temps économisé mesure la productivité ; il ne mesure la rentabilité qu'à partir du moment où son utilisation et sa contribution économique sont démontrées. Cette discipline limite la surestimation des business cases, en particulier dans les fonctions support et les processus de traitement de l'information.

Une passerelle entre les résultats opérationnels et le P&L

La contribution de l'IA au résultat doit pouvoir s'expliquer par une chaîne économique identifiable. Elle commence par la situation de référence (coûts actuels, volumes traités, qualité de service, niveau d'erreur, productivité, marges ou pertes avant l'intervention), se poursuit par l'amélioration mesurée sur un périmètre défini et par les changements opérationnels qui la convertissent en valeur, puis rapproche cette valeur des coûts complets de la solution. Un dispositif de type AI Value Bridge permet de structurer cette analyse en distinguant les économies effectivement réalisées, la marge additionnelle, les coûts ou pertes évités, la capacité productive redéployée et les coûts récurrents ou non récurrents.

À titre d'illustration, prenons une initiative dont les effets annuels vérifiés représentent 300 000 euros d'économies effectivement capturées et 200 000 euros de marge contributive additionnelle. Si ses coûts récurrents s'élèvent à 120 000 euros et ses charges de transformation imputables à l'exercice à 80 000 euros, sa contribution nette au résultat de l'exercice est de 300 000 euros, sous réserve de l'absence de doubles comptes et du traitement comptable approprié.

Dans la pratique, il faut distinguer les économies récurrentes des gains ponctuels, les coûts évités des dépenses effectivement réduites, et les revenus supplémentaires de leur contribution nette à la marge. Une amélioration de productivité déjà traduite en réduction de coûts ne peut pas être comptée une seconde fois au titre des heures économisées, et une hausse du chiffre d'affaires ne crée de la valeur qu'après déduction des coûts nécessaires pour la réaliser.



Les effets sur le besoin en fonds de roulement demandent une attention particulière : une réduction des stocks ou une accélération des encaissements libère du cash sans produire un gain équivalent au compte de résultat, tandis qu'une amélioration de marge accroît le résultat sans générer immédiatement le même montant de trésorerie.

La contribution au P&L, la rentabilité économique d'un projet (fondée sur ses flux de trésorerie futurs, son horizon d'investissement et ses risques) et l'effet sur le cash se mesurent donc séparément, avant d'être rapprochés dans une appréciation globale. La fonction financière établit à cet effet des conventions de mesure cohérentes, vérifie les hypothèses et rapproche les résultats déclarés des évolutions observées dans l'entreprise.

Mesurer le coût par résultat obtenu

Les coûts techniques, notamment la consommation des modèles, servent à comparer des architectures ou à optimiser une solution, mais ils ne suffisent pas à juger son efficacité économique. Un système peu coûteux à l'usage peut produire de nombreux résultats inexacts, mobiliser des contrôles humains importants ou nécessiter des corrections fréquentes, alors qu'une solution plus chère techniquement peut être préférable si elle résout davantage de situations avec moins d'interventions et d'erreurs. L'indicateur pertinent est le coût complet par résultat correctement obtenu.

Dans un processus de recouvrement client, le nombre de relances automatisées ne mesure pas la valeur créée. L'objectif économique est d'améliorer le recouvrement des créances, de réduire les retards d'encaissement et de maîtriser les coûts et les risques associés. L'efficacité de la solution s'apprécie au regard des dossiers correctement traités, du coût total des actions engagées, des encaissements obtenus et des conséquences sur la relation client. Il faut en outre distinguer un encaissement simplement accéléré, qui améliore le profil de trésorerie et le besoin en fonds de roulement, d'un encaissement qui n'aurait probablement pas eu lieu sans intervention, lequel peut aussi réduire une perte économique selon le traitement du risque de crédit.

La comparaison se fait avec la méthode antérieure ou avec une alternative plus simple, en tenant compte de la nature des dossiers et des autres facteurs susceptibles d'influencer les résultats. Un système de règles ou une automatisation classique peut présenter un coût par résultat inférieur à celui du modèle le plus avancé lorsque les situations à traiter sont suffisamment standardisées.

Le rôle de la direction financière

Selon le programme AI Strategy and Leadership du MIT, la création de valeur ne relève pas d'une seule fonction : les équipes technologiques sélectionnent, intègrent et maintiennent les solutions, les métiers connaissent les décisions à améliorer, la direction générale arbitre les ressources, et la fonction financière rend les engagements et leurs résultats économiquement lisibles.

Son rôle consiste à établir une discipline d'investissement adaptée à la nature des projets, à vérifier les hypothèses de création de valeur et à organiser le suivi des bénéfices attendus, sans valider chaque choix de modèle ni intervenir dans les décisions d'architecture. Cette discipline est proportionnée au stade de maturité. Une expérimentation exploratoire n'a pas vocation à démontrer immédiatement un retour financier, mais son budget, sa durée et ses critères d'apprentissage sont explicites. Un pilote opérationnel compare la solution à une situation de référence, mesure son impact sur un processus réel et précise les conditions de capture de valeur. Un déploiement à grande échelle appelle une justification complète : coûts totaux, bénéfices capturables, responsabilités, risques et conditions de suivi après mise en production. Cette gradation évite à la fois de financer durablement des expérimentations sans perspective économique et d'imposer trop tôt des exigences de rentabilité qui bloqueraient l'exploration.

Le pilotage se poursuit après le lancement. Les gains inférieurs aux attentes conduisent à en examiner les causes (estimation initiale erronée, adoption insuffisante, contraintes opérationnelles, coûts sous-évalués ou performance technique insuffisante), et les résultats positifs sont vérifiés avant toute extension du périmètre. Chaque initiative significative requiert une responsabilité économique clairement attribuée et un dispositif de suivi associant la finance, les métiers et les équipes technologiques.

De l'investissement à la valeur capturée

Quatre niveaux de performance se distinguent. La performance technique démontre qu'une solution fonctionne, la performance opérationnelle établit qu'elle améliore un processus ou une décision, la valeur économique apparaît lorsque cette amélioration produit un bénéfice supérieur aux coûts et aux risques qu'elle entraîne, et la valeur financière capturée correspond à la part de ce bénéfice effectivement convertie en marge, en économies, en trésorerie ou en réduction mesurable de l'exposition aux risques. Aucun de ces niveaux ne garantit automatiquement le suivant.

Les entreprises qui construisent cette continuité obtiennent une meilleure visibilité sur leurs investissements : elles identifient les initiatives à développer, celles à adapter et celles dont les bénéfices ne justifient pas la poursuite, et elles comparent l'IA aux autres projets de transformation selon des critères économiques cohérents. La création de valeur par l'IA ne se limite d'ailleurs pas à la réduction des coûts, puisqu'elle peut soutenir la croissance, la qualité des décisions et la capacité d'exécution ; la mesure financière distingue alors ce qui est démontré, ce qui peut être raisonnablement estimé et ce qui relève encore d'une hypothèse. Elle fait ainsi partie de la stratégie IA dès l'origine, et non d'une vérification réalisée après le déploiement.

Pour une direction financière, la mesure utile porte sur la part de l'investissement qui améliore effectivement les résultats de l'entreprise, sur les mécanismes qui la produisent et sur le degré de certitude associé, davantage que sur le montant engagé.

Références

• Boston Consulting Group, The Formula for Agentic AI Value: The Applied AI Index 2026
• People Matters, Nearly half of companies are now generating value from AI: BCG