La crise du ROI de l'IA en entreprise : 186 millions de dollars par an, mais seulement 5 à 8 % de retours mesurables

En moyenne, une entreprise dépense aujourd'hui 186 millions de dollars par an en intelligence artificielle. Pourtant, seules 5 à 8 % d'entre elles déclarent un retour financier mesurable et à grande échelle . Ce n'est pas un échec technologique, mais un échec de mesure. La plupart des organisations ne disposent tout simplement pas des cadres, des référentiels et des indicateurs standardisés nécessaires pour relier le coût des tokens de l'IA aux résultats commerciaux .

Un nombre croissant d'initiatives sectorielles — d'OpenAI et Anthropic à la « Tokenomics Foundation » de la Linux Foundation, lancée récemment — s'efforcent désormais de combler ce fossé. Le consensus émergent : s'éloigner des décomptes bruts de tokens pour adopter des indicateurs de coût unitaire liés aux résultats, tels que le coût par tâche accomplie, le coût par ticket résolu, ou l'« effectif bionique » .

Pourquoi mesurer le ROI de l'IA est-il si difficile ?

Les défis se concentrent sur quatre axes principaux :

Absence de référentiels préétablis. La plupart des déploiements d'IA ne commencent à suivre des métriques qu'après le lancement, rendant toute attribution de valeur impossible . Une enquête de ModelOp en 2026 a révélé que plus des deux tiers des entreprises s'appuient encore sur des estimations plutôt que sur des résultats financiers mesurés pour évaluer le retour sur investissement .

Prédominance des métriques « vanité ». De nombreuses entreprises suivent le nombre d'utilisateurs actifs, de sessions ou de requêtes par jour — des indicateurs qui ne révèlent rien de la valeur réelle produite par l'IA . La métrique de 2025 était le « nombre d'utilisateurs ». Celle de 2026 doit être les « résultats vérifiables » .

Le fossé entre la production et le ROI. Le rapport 2026 des DSI de Gartner, qui a interrogé 11 000 DSI, a révélé que 59 % des initiatives d'IA n'atteignent jamais la phase de production, et que 71 % des DSI peinent à prioriser les cas d'usage qui généreront des résultats mesurables .

Explosion des dépenses sans visibilité. Les coûts de l'IA sont répartis entre plusieurs fournisseurs, modèles et départements, sans cadre comptable unifié . Des recherches de Forrester montrent que les entreprises reportent 25 % des dépenses d'IA prévues à 2027, alors que l'examen financier se renforce .

Comment OpenAI, Anthropic et l'industrie réagissent-ils ?

OpenAI — L'« Utilité intelligente par dollar »

Sarah Friar, directrice financière d'OpenAI, a introduit une grille d'évaluation en quatre questions : l'IA fonctionne-t-elle ? Est-elle rentable ? La valeur qu'elle crée croît-elle plus vite que son coût ? Ce cadre déplace la conversation de la consommation brute de tokens vers une économie unitaire ajustée aux résultats .

Anthropic — Les « Primitives économiques »

Anthropic a publié un cadre fondé sur les « primitives économiques » qui mesure la complexité des tâches, le niveau d'autonomie et le temps gagné par rapport au coût par tâche — plutôt que l'utilisation générique . Leurs recommandations internes pour les entreprises mettent l'accent sur des indicateurs de succès liés à des seuils de performance, à la précision, aux gains de vitesse et aux réductions de coûts .

La Tokenomics Foundation de la Linux Foundation

Lancée le 4 août 2026 avec une trentaine de membres fondateurs, dont JPMorgan Chase, Accenture, IBM, SAP, BNY et Booking.com, cet organisme de normalisation neutre vise à faire pour les coûts des tokens d'IA ce que la FinOps Foundation a fait pour les dépenses cloud . Son premier projet, la notation « Big-T », propose de standardiser le coût par appel API (et non le coût par token), afin que la métrique corresponde directement à une unité de travail effectuée . La Foundation définit également des métriques de coût de service qui n'existent actuellement sous aucune forme standardisée .

Elisity — L'« Effectif bionique »

Cette entreprise de cybersécurité a créé une métrique qui divise les dépenses totales d'IA par le coût salarial moyen, puis compare la production combinée des travailleurs humains et de l'IA au chiffre d'affaires. Cela fournit aux directeurs financiers un analogue direct de la productivité du travail pour l'investissement dans l'IA .

Efforts à l'échelle de l'industrie

La FinOps Foundation a publié des cadres spécifiques à l'IA recommandant des métriques de coût unitaire (coût par requête, coût par utilisateur, coût par workflow) pour rendre les dépenses de tokens compréhensibles pour les parties prenantes commerciales . Oracle, Jellyfish et d'autres proposent désormais des tableaux de bord d'économies de tokens qui cartographient la consommation en fonction des résultats commerciaux au niveau du workflow . Le BCG propose un ratio formel de « Retour sur l'IA » (RoAI) : Retour économique / (Coût de l'intelligence humaine + Coût des tokens) .

Ce qui fonctionne : le consensus émergent sur les métriques liées aux résultats

À travers tous ces cadres, un modèle clair se dégage. Les approches les plus efficaces partagent une structure commune :

1. Définir ce qu'est un « résultat » avant le déploiement. Au lieu de suivre une utilisation générique, commencez par un seul workflow et définissez ce que signifie un résultat réussi .
2. Mesurer le coût par résultat, et non le coût par token. Exemples : coût par ticket de support résolu, coût par pull request acceptée, coût par fonctionnalité livrée, ou coût par contenu marketing produit .
3. Attribuer les dépenses à des responsables. Chaque workflow important doit être associé à un responsable, une fonction, une utilisation produit versus interne, une ligne budgétaire, un modèle et un résultat attendu .

En résumé

Aucun standard unique n'a encore été largement adopté. Mais la direction est claire : un consensus croissant se forme autour des indicateurs de coût unitaire liés aux résultats — coût par tâche accomplie, coût par ticket résolu, effectif bionique — plutôt que des décomptes bruts de tokens. Pour les DAF et les DSI qui cherchent un point de départ, le conseil de Sarah Friar (OpenAI) reste le plus pratique : « Le meilleur endroit pour commencer est un seul workflow. Définissez ce que signifie ‘terminé’ et mesurez ce résultat dans le système où le travail a lieu » .