ROI de l’IA : pourquoi la formation ne suffit pas
La formation à l’IA ne garantit pas de résultats. Découvrez comment fixer des objectifs, relier les données et mesurer les gains réels pour votre organisation.

L'IA est adoptée, mais où sont les résultats ?
Les entreprises multiplient les assistants, les outils de génération et les formations à l'intelligence artificielle. Et pourtant, au moment de faire le bilan, une question revient toujours : est-ce que les équipes travaillent réellement mieux, ou est-ce qu'elles produisent surtout davantage de contenus, plus vite ? Confondre ces deux choses fait partie des raisons pour lesquelles il est si dur de prouver le retour sur investissement (ROI) de l'IA.
Une enquête menée auprès de plus de 800 professionnels de la formation en entreprise, dans plus de 25 pays, met justement le doigt sur ce décalage. Soixante-quinze pour cent des répondants citent la création de contenus plus rapide parmi les impacts les plus visibles, mais seuls 11 % mentionnent une amélioration des performances au travail. La formation compte, mais elle ne suffit pas quand les objectifs restent vagues, que les données sont inaccessibles ou que des règles empêchent l'équipe d'essayer et d'ajuster.
Pour passer de l'adoption aux résultats, il faut traiter l'IA comme un changement opérationnel, pas comme un simple thème de montée en compétences. Dans cet article, je propose une méthode pour définir les résultats attendus, choisir des indicateurs utiles, lever les freins organisationnels et décider quand la formation est (ou n'est pas) le bon levier.
Pourquoi l'adoption de l'IA ne garantit-elle pas un retour sur investissement ?
Déployer un outil et obtenir des résultats, ce n'est pas la même chose. Une entreprise peut donner accès à un assistant génératif, lancer des ateliers et voir l'utilisation augmenter sans savoir si, au final, les décisions sont meilleures, les délais se réduisent vraiment ou la qualité du travail progresse. L'adoption décrit un comportement. Le ROI suppose de relier ce comportement à un effet utile pour l'activité.
L'usage devient une fin quand le résultat reste flou
Quand la direction demande aux équipes d'« utiliser davantage l'IA » sans préciser pourquoi, elles se dirigent naturellement vers les usages les plus faciles à montrer. En formation, ça se traduit souvent par plus vite des modules, des supports ou des vidéos. On gagne en capacité, oui. Mais rien ne prouve pour autant que les salariés appliquent mieux une procédure, ni qu'ils deviennent autonomes plus rapidement.
Le même décalage se retrouve ailleurs. Une équipe commerciale peut produire plus de propositions sans que le taux de conversion bouge. Un service client peut répondre plus vite sans réduire les demandes répétées. Une équipe produit peut accélérer la synthèse des retours sans prendre de meilleures décisions. Dans tous les cas, l'activité augmente. Le résultat métier, lui, reste à prouver.
Le souci n'est donc pas que la rapidité soit sans intérêt. Elle peut réduire un coût ou libérer du temps pour des tâches plus à forte valeur. Mais il faut le dire clairement : qu'est-ce qu'on fera de ce temps gagné, et comment vérifiera-t-on que ça apporte un bénéfice ? Sans réponse, l'entreprise risque de payer une hausse de volume plutôt qu'une amélioration de performance.
Le décalage entre contenus produits et résultats observés
Dans l'enquête, 75 % des professionnels identifient la création plus rapide de contenus comme un impact clair de l'IA. Seuls 11 % citent une amélioration des performances sur le poste. Bien sûr, ces chiffres reflètent les réponses de l'enquête, pas toutes les entreprises. Mais ils pointent quand même un problème fréquent de pilotage : le résultat le plus visible n'est pas forcément celui que l'organisation cherche à obtenir.
Or, la formation cherche souvent à faire évoluer des comportements, des compétences ou des résultats opérationnels. Si on mesure seulement le nombre de modules produits ou de personnes formées, on mesure surtout la capacité de production et la participation. Pour savoir si l'IA aide vraiment à atteindre l'objectif initial, il faut regarder ce qui change dans le travail après la formation, puis distinguer l'effet de l'IA des autres facteurs : nouveaux outils, évolution des processus, changement d'équipe, variation de la demande.
Cette logique devrait guider toute initiative IA : partir du problème métier, puis choisir l'usage et l'indicateur, au lieu de commencer par l'outil et de chercher ensuite une justification. C'est ce qui évite de confondre un déploiement « réussi » et un investissement rentable.
Pourquoi les indicateurs d'activité ne prouvent-ils pas la performance ?
Les indicateurs d'activité sont simples à suivre. Un tableau de bord peut afficher le nombre de connexions, de requêtes, de formations terminées ou de contenus générés. Ces données servent à savoir si l'outil est utilisé et à repérer des problèmes d'adoption. En revanche, elles ne répondent pas à la question centrale : quelle valeur a été créée ?
Mesurer la chaîne complète, pas seulement le premier maillon
Pour une initiative de formation à l'IA, on peut voir la chaîne de résultats comme ceci :
- Accès : les personnes concernées peuvent-elles utiliser l'outil dans un cadre défini ?
- Usage : l'outil est-il utilisé dans les tâches ciblées, et dans quelles conditions ?
- Apprentissage : les salariés ont-ils acquis une compétence vérifiable ?
- Comportement : cette compétence est-elle appliquée dans le travail réel ?
- Résultat métier : cette application améliore-t-elle un indicateur pertinent pour l'activité ?
Chaque niveau compte. Mais il ne faut pas les traiter comme s'ils se valaient. Un taux de complétion élevé peut montrer que les salariés ont suivi le parcours. Ça ne prouve pas qu'ils savent utiliser l'IA correctement, ni que leur travail s'améliore.
Dans l'enquête, 72 % des équipes interrogées mesurent régulièrement la participation et les formations terminées, contre 35 % qui mesurent de façon constante les performances sur le poste. L'écart ne signifie pas que toutes les entreprises doivent se lancer dans un dispositif d'évaluation complexe. Il montre surtout que l'on collecte plus facilement des preuves « d'activité » que des preuves « d'effet ».
Choisir peu d'indicateurs, mais les relier à une décision
Un indicateur n'a de valeur que s'il peut faire évoluer une décision. Avant de lancer un projet, définissez trois éléments :
- Le résultat visé : réduire les erreurs sur une étape précise, accélérer l'autonomie d'un nouvel arrivant, améliorer la qualité des réponses client.
- Le point de comparaison : la situation de départ, une équipe comparable ou la période précédente, en tenant compte des différences de contexte.
- La règle de décision : poursuivre, modifier, étendre ou arrêter l'expérimentation selon les résultats.
Évitez aussi de promettre une causalité parfaite. En entreprise, les résultats dépendent souvent de plusieurs changements en parallèle. Une comparaison avant-après peut être utile, mais elle ne suffit pas toujours à démontrer que l'IA est la cause unique. Une expérimentation limitée, un groupe de comparaison quand c'est possible, et une lecture qualitative des cas d'usage peuvent améliorer l'interprétation.
L'objectif n'est pas de transformer chaque pilote en étude académique. Il s'agit de documenter assez clairement les hypothèses et les limites pour ne pas présenter une corrélation comme une preuve. Cette discipline évite aussi de généraliser un succès local à un autre métier ou à un autre contexte.
Quels freins empêchent les équipes de mesurer l'impact de l'IA ?
On ne peut pas produire des preuves qu'on n'a ni les moyens ni l'autorisation de recueillir. Un programme de formation peut être très bien cadré sur le papier et rester impossible à évaluer si les données de départ sont dispersées, si l'équipe n'a pas accès aux outils nécessaires, ou si les règles d'expérimentation sont floues.
Des permissions et des règles qui ralentissent l'expérimentation
Selon l'enquête, 73 % des équipes de formation dont l'adoption de l'IA découle d'une directive de la direction ont encore besoin d'une autorisation de leur département (ou d'autres fonctions) pour tester un nouvel outil. Dans certains cas, l'équipe n'a le droit d'utiliser que des solutions déjà approuvées. Cette prudence peut se comprendre : sécurité, confidentialité, propriété intellectuelle et conformité ne sont pas des détails. Mais si la gouvernance ne prévoit aucun processus de test contrôlé, la « volonté d'adoption » risque de se transformer en attente sans fin.
La bonne approche n'est pas de laisser chaque équipe choisir à sa guise. Il faut au contraire poser un chemin praticable : outils autorisés, données utilisables, cas interdits, critères de sécurité, durée du pilote, responsable de validation. En France et dans l'Union européenne, la protection des données personnelles doit être intégrée dès la conception du projet, conformément au RGPD. Une revue par les fonctions compétentes peut réduire le risque sans empêcher toute expérimentation.
Des données utiles, mais réparties entre plusieurs systèmes
L'évaluation dépend souvent de données stockées dans plusieurs environnements : Système de gestion de la formation, outils RH, enquêtes internes, logiciels métiers, plateformes de génération de contenus. Si l'équipe ne peut pas rapprocher ces informations, elle peut connaître le nombre de personnes formées... sans savoir si leurs pratiques ont changé.
Dans l'enquête, 53 % des répondants citent une contrainte organisationnelle parmi les principaux obstacles à la preuve d'impact. Cela inclut notamment l'absence d'indicateurs de réussite partagés, ainsi que des difficultés d'accès aux données ou aux outils de mesure. Plus d'un répondant sur cinq mentionne aussi le manque d'accord sur les critères de réussite comme obstacle majeur. Le problème ne se résume donc pas à un manque de compétence analytique côté formation.
Avant d'automatiser à grande échelle, vérifiez quels événements peuvent être mesurés, qui peut consulter les données, à quelle fréquence, et pour quelle finalité. L'intégration n'exige pas forcément de construire un nouvel entrepôt de données. Un pilote peut démarrer avec un jeu limité d'indicateurs disponibles, à condition de documenter les manques et de respecter les règles de confidentialité.
Quand la formation n'est pas la bonne réponse
Si un salarié ne peut pas appliquer une nouvelle compétence parce que le processus est mal conçu, parce que l'accès à l'outil est refusé, ou parce que les consignes se contredisent, ajouter de la formation ne résoudra pas le problème. Ça peut même déplacer la responsabilité vers les personnes, alors que le blocage vient du système de travail.
Avant de prescrire un parcours, regardez plutôt les conditions d'usage : droits d'accès, qualité des données, validation des résultats générés, temps disponible, responsabilité en cas d'erreur, compatibilité avec les outils existants. La formation est pertinente quand un manque de compétence constitue réellement l'obstacle principal. Elle est insuffisante lorsque les contraintes sont structurelles.
Comment construire une stratégie IA orientée résultats ?
Une stratégie utile ne commence pas par une liste d'outils. Elle commence par un résultat à obtenir, puis vérifie si l'IA est le bon moyen pour y arriver. Les équipes de formation peuvent aider, mais elles ne doivent pas porter seules le ROI : métiers, direction, équipes de données et fonctions de contrôle ont chacune une part des leviers.
1. Définir le résultat avant de choisir l'usage
Formulez un objectif de façon vérifiable : « réduire les erreurs de traitement sur cette étape » est plus utile que « déployer un assistant IA ». Précisez la population concernée, le processus visé, l'échéance et le niveau de risque acceptable. Distinguez ce qui relève du résultat métier (qualité, délai, coût, satisfaction, sécurité) des indicateurs d'adoption qui l'accompagnent.
Ensuite, posez la question simple : l'IA est-elle nécessaire ? Parfois, améliorer un texte, simplifier une interface ou clarifier une règle de validation suffit à résoudre le problème avec moins de complexité. Si l'IA reste pertinente, définissez ce qu'elle prend en charge, ce qui reste humain, et les cas où une vérification est obligatoire.
2. Construire une mesure proportionnée au pilote
Avant de lancer quoi que ce soit, définissez la situation de départ. Choisissez un indicateur principal et quelques indicateurs de garde-fou. Par exemple, un service client qui teste une aide à la rédaction peut suivre le délai de réponse, mais aussi les corrections nécessaires, les réouvertures de demandes et les erreurs constatées. Accélérer une réponse au prix d'une hausse d'erreurs n'est pas un « gain net ».
Pour un parcours de formation, reliez les étapes : la personne a-t-elle suivi le module ? A-t-elle réussi une mise en situation ? A-t-elle appliqué la méthode ? A-t-elle obtenu un résultat observable ? Ne collectez pas plus de données que nécessaire. Clarifiez qui les consulte, combien de temps elles sont conservées, surtout quand des données personnelles entrent en jeu.
Et n'oubliez pas les retours qualitatifs. Les échanges avec les équipes peuvent révéler qu'un outil fait gagner du temps sur une tâche, tout en créant un effort de vérification ailleurs. Ce ne sont pas des « preuves » à elles seules, mais ces informations expliquent souvent les écarts qu'on ne voit pas dans les tableaux de bord.
3. Donner aux équipes un cadre pour tester et apprendre
Un pilote utile a un périmètre limité et reste assez représentatif pour éclairer une décision. Il précise qui utilise quoi, pendant combien de temps, quelles données sont autorisées, qui est responsable, quels critères arrêtent l'essai, et comment la revue sera faite. Cette structure évite deux pièges : tester sans garde-fous, ou attendre qu'une politique parfaite soit prête avant même d'essayer.
Surtout, associez les équipes qui connaissent le travail réel. Les spécialistes L&D peuvent cadrer les compétences à développer et construire des mises en situation. Les responsables métier vérifient que les indicateurs correspondent à la réalité opérationnelle. Les équipes informatique, sécurité, juridique et protection des données encadrent l'accès et les risques. La valeur vient de cette coordination, pas du fait de déplacer la responsabilité sur une seule fonction.
Dans l'enquête, environ un tiers des équipes déclarent observer des gains de performance : par exemple, un accès plus rapide à la maîtrise d'un poste, ou une amélioration du travail. Les équipes capables de tester plus librement, ou d'utiliser l'IA pour évaluer leur travail, ressortent aussi. Ce constat ne prouve pas que la liberté, à elle seule, produit de meilleurs résultats : elle peut aussi aller de pair avec une gouvernance plus solide et des moyens mieux cadrés. La leçon pratique reste la même : autoriser des tests encadrés, puis organiser l'apprentissage à partir de ce qui sort réellement.
4. Décider d'étendre, de corriger ou d'arrêter
À la fin du pilote, comparez les résultats aux critères fixés avant le lancement. Si l'objectif est atteint sans dégrader les indicateurs de garde-fou, vous pouvez envisager l'extension. Si l'usage est élevé mais que le résultat métier ne change pas, il faut chercher où la chaîne se casse : compétence, intégration au processus, qualité des données, ou pertinence de l'outil. Si les effets sont négatifs ou trop incertains, corrigez ou arrêtez.
Une décision d'extension doit aussi regarder la réalité à grande échelle : coûts de licences, support, formation continue, sécurité, qualité des réponses et charge de supervision. Un pilote peut bien fonctionner grâce à l'attention d'une petite équipe, sans être soutenable pour plusieurs milliers de salariés. L'évaluation doit donc porter sur l'efficacité... et sur les conditions de fonctionnement dans la durée.
Conclusion : financer des résultats, pas seulement des usages
L'IA peut accélérer la création de contenus et faciliter certaines tâches. Mais produire plus vite ne prouve pas, à lui seul, une amélioration du travail ni un retour sur investissement. Les chiffres de l'enquête - 75 % pour la création plus rapide de contenus, 11 % pour la performance sur le poste - montrent bien qu'il faut distinguer les résultats visibles des effets réellement recherchés.
Pour réduire cet écart, commencez par un problème métier, définissez les indicateurs avant le déploiement et vérifiez que les équipes ont accès aux données et aux autorisations nécessaires. Utilisez la formation quand les compétences sont un frein, mais ne lui demandez pas de compenser des processus cassés ou une gouvernance impossible.
La prochaine étape est simple et concrète : choisissez un cas d'usage, formulez le résultat attendu en une phrase, puis identifiez les preuves qui permettront de décider de continuer ou non. Si ces preuves sont impossibles à obtenir, le travail à faire est d'abord organisationnel, pas pédagogique.