Julhiet Sterwen : « La mesure du ROI de l’IA doit être totalement repensée »

Communiqué de presse : Le cabinet Julhiet Sterwen, conseil en stratégie, transformation et innovation, partage son analyse de l’approche du ROI de l’IA. Il met en avant la multiplicité de failles dans les traitements qui en sont le plus souvent fait.

Paris, le 06 juillet 2026 – Julhiet Sterwen s’est emparé d’une question que tous les comités de direction se posent aujourd’hui. Les investissements dans l’intelligence artificielle ont explosé. Les annonces de gains, notamment de productivité, se multiplient… Mais ces chiffres restent bien souvent fragiles. En effet, de nombreuses organisations attribuent à l’IA des résultats qui relèvent, parfois en partie, d’autres phénomènes. Transformations organisationnelles, évolutions du marché, changements de pratiques peuvent les expliquer. Dans le même temps, certains indicateurs perdent leur sens dans un contexte aussi nouveau. Mesurer le ROI de l’IA suppose donc de dépasser les intuitions pour s’appuyer sur une démarche robuste. Il s’agit de d’apprendre à se poser les bonnes questions dans un univers en transition.

ROI de l’IA : quelle définition ?

Comme le souligne Harmonie Reybaud, directrice au sein de Julhiet Sterwen, « Le ROI d’un projet d’IA ne se résume pas à une hausse de productivité ou à une réduction des coûts. Il correspond à la valeur économique réellement attribuable à l’IA, ni plus, ni moins ». La première conséquence ? Cela suppose d’intégrer l’ensemble des coûts de développement, d’intégration, d’exploitation et de conduite du changement… qui sont souvent ignorés.
Une fois que le périmètre réel des coûts est bien délimité, un autre sujet se pose : l’ampleur du changement lié à l’IA est souvent mal estimé. Certains choisissent de comparer une situation « avant » et « après » le déploiement. Certes, c’est simple… mais ça néglige tous les changements intervenus simultanément et qui ont pu avoir un impact. De la même façon, d’autres utilisent le taux d’adoption comme indicateur. Or cela traduit un usage, pas ce qui en est fait, et donc pas nécessairement une création de valeur. Autre erreur fréquente : réduire le ROI au gain de productivité, et au nombre d’équivalents temps plein économisés. Non seulement cela réduit un sujet stratégique à une seule variable financière, mais cela implique également un output à iso… Est-ce vraiment le gain attendu ?

ROI de l’IA : quelle clé réellement fiable ?

La difficulté réside finalement dans une question simple : que ce serait-il passé sans l’IA ? L’idée est donc de dépasser la lecture « brute » de l’évolution de l’indicateur, pour détecter ce qui est directement imputable à l’intelligence artificielle.
Prenons l’exemple d’un centre de relation client qui s’équipe d’un assistant IA. Si les délais de traitement diminuent, l’explication peut s’expliquer par d’autre facteurs : meilleure organisation, baisse du volume d’appels, montée en compétence des équipes… Sans scénario de comparaison, impossible d’attribuer avec certitude ce résultat à l’IA. C’est cette confusion entre corrélation et causalité qui conduit souvent à des décisions d’investissement contestables.

Quelle mesure robuste pour piloter les investissements ?

Mesurer l’impact de l’IA ne consiste pas seulement à regarder ce qui a changé, mais à comprendre ce qui aurait changé sans elle. La différence est subtile mais décisive. Il s’agit donc d’observer deux mondes similaires, l’un avec IA, l’autre sans. Problème : ce second monde n’existe pas, car une fois l’IA déployée, le monde sans IA disparaît et on ne peut plus revenir en arrière. Mais on peut reconstruire un scénario alternatif.
Deux voies permettent concrètement de construire ce scénario alternatif. La première : piloter le déploiement en conditions contrôlées : tester l’IA sur un périmètre A, pas sur un périmètre B, dans des conditions comparables. L’IA devient la seule variable qui différencie les deux groupes, et son effet s’isole mécaniquement. La seconde, applicable lorsque l’IA est déjà déployée : reconstituer un « monde sans IA » à partir de données historiques ou d’entités comparables sur la même période. C’est l’objet des méthodes d’inférence causale — difference-in-differences, contrôles synthétiques, modèles à variable instrumentale — utilisées depuis des décennies dans la recherche et transposables directement aux cas d’usage IA.
Harmonie Reybaud le précise : « La méthode n’est pas une question académique. C’est ce qui fait la différence entre une décision défendable et un pari. Un A/B test bien construit peut être mis en place en quelques semaines sur la plupart des cas d’usage IA, et il produit une réponse que vous pouvez porter devant votre board. »
Pour qu’une mesure soit fiable, trois conditions sont non négociables : un contrefactuel formalisé avant le déploiement, une identification exhaustive des variables concomitantes susceptibles d’influencer les résultats, et une baseline dont la robustesse a été testée — c’est-à-dire qui tient si l’on modifie le groupe de comparaison ou la période d’analyse. Si l’une de ces trois conditions manque, ce n’est pas un ROI. C’est une estimation.

Faire du ROI un levier concurrentiel

« Aujourd’hui, la question n’est plus de savoir s’il faut investir dans l’IA », indique Harmonie Reybaud. « Le vrai sujet est de savoir où investir, où pivoter, et avec quel niveau d’exigence. Les organisations capables de mesurer l’impact réel de leurs projets disposeront d’un avantage concurrentiel inestimable. »

Vous souhaitez en savoir plus ? Contactez nous.