80% des entreprises ne voient aucun ROI sur l'IA (voici pourquoi)

Tout le monde parle d’IA. Mais dans les faits, l’adoption réelle est très en retard sur la hype.

Je prends souvent pour exemple cette image sur la population mondiale : 84% des humains n’ont jamais utilisé l’IA, et seuls 0,3% paient un abonnement à 20$/mois. C’est peu quand on voit le bruit médiatique autour du sujet.

Et côté entreprises, c’est pas beaucoup mieux. McKinsey a partagé un chiffre assez marquant : plus de 80% des entreprises ne voient toujours pas d’impact sur leur bottom line, malgré les millions investis sur le sujet.

Avec Tandem, on a accompagné +40 entreprises (+60 projets IA) sur des contextes très variés (PayFit, InfraVia, Doctolib, Nomination, KparK, …). Je voulais prendre le temps de partager ce qu’on observe sur le terrain : la logique qui fonctionne, et les étapes qu’on suit pour exploiter tout le potentiel de l’IA.

Voici les 5 grandes étapes de cette section :

1. Le diagnostic
2. Le déploiement d’un copilot IA
3. L’automatisation des tâches
4. Les conditions de succès à mettre en place
5. Un nouveau rôle à définir : l’AI builder

Spoiler : l’erreur la plus fréquente, c’est de griller les étapes. On veut tout de suite “un agent IA” alors que les deux premières étapes ne sont pas en place.

1️⃣ Comprendre avant de déployer

Le réflexe classique, c’est de vouloir brancher le dernier outil IA à la mode sans comprendre en profondeur comment fonctionne l’entreprise, on passe à côté de la majorité de la valeur…

Voici les éléments qu’on regarde systématiquement avant de proposer qqchose :

• L’organisation interne : qui fait quoi, la taille des équipes, le temps passé par les équipes sur les différentes tâches…
• Les process existants : ceux qui sont documentés, ceux qui ne le sont pas (et souvent, beaucoup ne le sont pas)
• L’architecture technique : quels outils utilisés au quotidien, quel CRM, quelle stack, quelles données accessibles
• Les OKR et priorités business : ce que l’entreprise cherche à améliorer cette année

Prioriser par impact (pas seulement financier)

Une fois qu’on a la cartographie des tâches, on priorise. Et là aussi, erreur classique : raisonner uniquement en ROI financier direct.

L’impact peut prendre plusieurs formes :

• Gain de temps sur des tâches répétitives
• Réduction du taux d’erreur (qualité du travail)
• Expérience collaborateur (faire disparaître les tâches ingrates)
• Expérience client (temps de réponse, personnalisation)

En pratique, les départements qui ressortent le plus souvent dans nos missions sont le support et le sales pour les process opérationnels. Et c’est cohérent avec ce qu’on observe à plus grande échelle. a16z (fonds VC) a partagé un rapport récent : le code, le support et la recherche d’information sont les 3 usages dominants dans les entreprises qui déploient vraiment l’IA aux US.

Pourquoi ces départements ? Parce que ce sont des fonctions souvent avec le plus de collaborateurs, des process structurés, des tâches répétitives et chronophages, et surtout des KPI clairs pour mesurer l’impact (tickets résolus, leads qualifiés, taux de conversion).

J’en profite d’ailleurs pour partager cette édition où je revenais sur le top 5 des cas d’usage d’IA en entreprise :

Top cas d'usage IA en entreprise : retour concret et impact

Chiffrer le ROI en amont

Il y a tellement de cas d’usage possibles aujourd’hui sur l’IA, dans tous les départements, qu’on peut vite s’éparpiller et lancer 10 chantiers en parallèle sans savoir lesquels vont vraiment payer.

Pour éviter ça, on structure l’estimation d’impact en 3 temps :

1. Analyse de la structure d’équipe : nombre de FTEs, coût complet par collaborateur, coût par ticket ou par opération
2. Compréhension des flux et frictions : volumes, durées moyennes, % d’appels manqués, points de friction dans le parcours
3. Estimation des gains annuels vs coût de mise en place + coût à l’usage (les modèles IA ont un coût par appel qu’il faut intégrer dès le départ)

Un récap avec un exemple concret :

Les chiffres ont été modifiés, mais dans l’exemple, c’était un projet d’agent vocal pour du support client. Le payback était en moins de 2 mois. Mais le chiffre brut n’est pas tout. Sur ce projet, l’agent vocal apportait aussi une meilleure expérience client (moins d’appels manqués, disponibilité 24/7), un monitoring beaucoup plus fin (catégorisation auto des demandes, détection des insatisfactions) et des actions déclenchables derrière (alerting, routage intelligent). Ces éléments pèsent autant que le ROI direct.

Intégrer la faisabilité technique

Dernier axe souvent sous-estimé : qu’est-ce que l’IA sait vraiment faire aujourd’hui sur votre cas précis ?

Parce qu’automatiser ne veut pas dire 100%. L’IA couvre très bien 80% des cas standards mais pas tous les cas particuliers. Et ça change complètement la manière de concevoir la solution (avec du human in the loop notamment).

Quelques exemples concrets où on recommande aujourd’hui d’attendre :

• Les agents vocaux pour du démarchage commercial à froid : pas encore mature, on tombe vite dans l’uncanny valley et ça peut dégrader la marque
• Les workflows très longs avec beaucoup d’interdépendances : les agents autonomes plafonnent encore sur ce type de tâches

Dire “ce n’est pas mature aujourd’hui” ne veut pas dire que l’IA n’est pas pertinente pour l’entreprise. Ça veut dire que ce cas d’usage précis est mal choisi. Il y en a souvent 5 ou 10 autres juste à côté qui, eux, sont parfaitement matures et à fort impact.

Quick wins vs projets long terme

Une fois qu’on a croisé impact et faisabilité, on sort une matrice simple par département du type :

L’objectif : une vision globale et documentée pour prendre des décisions simples. On démarre avec 2-3 quick wins pour faire monter l’équipe en compétence et générer du ROI rapide, et on embarque 1-2 projets long terme en parallèle sur les gros enjeux stratégiques.

Deux exemples de pièges classiques à éviter :

• L’ambition trop grande : attaquer direct le projet le plus complexe alors qu’on n’a ni la maturité interne ni les cas d’usage simples pour apprendre. Si vous cherchez du 100%, ce n’est pas de l’IA qu’il vous faut.
• Le réflexe “build” au lieu de “buy” : certaines entreprises partent développer en interne une solution custom (chatGPT interne, solution de génération d’images..) alors que par exemple Midjourney, Krea, Leonardo sortent de nouvelles fonctionnalités toutes les semaines. Les devs passent leur temps à rattraper l’état de l’art au lieu de créer de la valeur. Sur les briques standards (génération, transcription, recherche web), privilégiez très souvent les solutions sur étagère.

2️⃣ Le copilot IA : par où toutes les entreprises devraient commencer

Quel que soit votre secteur, votre taille, votre maturité, vous êtes concerné par cette étape. Un chatGPT interne, peu importe la solution (Claude, Copilot, Dust, Mistral, …), c’est le point de départ qui débloque le plus de valeur pour le moins d’effort.

L’enjeu est double : permettre une recherche intelligente sur vos données internes (sharepoint, drive, CRM, outils métier…) et créer des assistants spécialisés connectés aux bonnes sources pour booster la productivité des équipes.

En termes de coût, on parle de 30 à 45$/utilisateur/mois → 1h de gagné par mois rentabilise déjà la licence.

La vraie difficulté arrive quand on veut pousser plus loin : créer des assistants vraiment pertinents. On parle alors de skills (des instructions spécialisées par tâche), de connecteurs (pour brancher l’assistant à vos outils), de MCP (pour aller plus loin dans les actions). Ce sont des sujets techniques, et rendre les équipes autonomes là-dessus n’est pas évident.

Deux points systématiquement sous-estimés sur cette étape :

• La conduite du changement : installer un outil ne suffit pas. Il faut le configurer, former, accompagner, montrer des cas d’usage concrets... Sans ça, ça ne fonctionne pas.
• La mesure de l’adoption : combien de personnes utilisent vraiment l’outil, sur quelles tâches, avec quel impact. Sans métriques, impossible de piloter les prochaines étapes.

Et il faut aussi intégrer que ces plateformes évoluent vite (tous les 3-6 mois), avec de nouvelles fonctionnalités à tester, adopter, former. Ce n’est pas un projet “one-shot”, c’est une capacité à développer en continu. Est-ce que les équipes ont la bande passante pour le faire ?

3️⃣ L’automatisation : le vrai effet de levier

Une fois que le copilot est bien ancré, on passe à l’étape suivante : l’automatisation. L’humain n’est plus dans la boucle en permanence, l’IA exécute de bout en bout et on valide ponctuellement (ou plus du tout).

C’est ici que l’effet de levier devient massif.

Trois grandes familles (surtout 2) ici, qu’il faut bien distinguer :

• Les workflows IA : un scénario défini à l’avance, avec une ou plusieurs étapes d’IA au milieu. Logique hybride (règles + probabiliste). Adapté à 90% des cas d’automatisation en entreprise aujourd’hui.
• Les agents IA : un système autonome qui décide lui-même des actions à lancer, des outils à utiliser, du nombre d’itérations. Logique probabiliste pure. Beaucoup plus puissant, mais beaucoup moins déterministe, et donc plus risqué à déployer en production.

Chez Tandem, on utilise énormément n8n sur cette partie. C’est open-source, auto-hébergeable, et ça permet de construire aussi bien des workflows simples que des agents complexes dans le même outil.

Pour creuser les niveaux d’automatisation possibles (de l’assistant à l’agent autonome) et savoir lequel choisir en fonction de votre cas, je vous renvoie à cette édition qui rentre dans le détail.

Le point clé à retenir : ne sautez pas directement à l’agent autonome parce que c’est la hype du moment. Dans 80% des cas, un workflow IA bien conçu vous donnera un meilleur ROI, plus vite, avec beaucoup moins de risques.

4️⃣ Les conditions de succès

Au-delà du choix de la bonne étape et du bon cas d’usage, il y a des critères transverses qu’on retrouve systématiquement chez les entreprises qui réussissent leur déploiement IA.

Rien de révolutionnaire : tester, mesurer, itérer, repeat.

Voici les 5 critères qu’on observe chez ceux qui tirent vraiment de la valeur :

• Documenter le contexte : plus vous structurez vos process, vos règles métier, votre base de connaissance, plus l’IA devient pertinente. C’est une grosse partie du boulot sur un projet IA, et c’est rarement sexy. Mais c’est ce qui fait la différence
• Expérimenter en continu : lancer rapidement des POC sur des sprints courts. Le coût d’un POC IA aujourd’hui est très faible, le vrai coût c’est l’inaction.
• Mesurer ce qui compte : temps gagné, taux d’adoption, qualité du résultat, satisfaction utilisateur, ROI financier. Sans métriques, impossible de savoir ce qui marche et ce qui mérite d’être scalé.
• Une stack technique accessible : l'IA a besoin d'interagir avec vos outils pour être vraiment utile. Un ERP custom, un CRM maison, des applications métier sans API … ça bloque tout. C'est souvent un chantier à part entière..
• La formation continue : les outils évoluent tous les 3 mois. Il faut accepter que la montée en compétence n’est jamais finie, et prévoir du temps récurrent pour que les équipes testent, explorent, partagent leurs trouvailles.

Le point commun de ces 5 critères : ce n’est pas un projet avec un début et une fin, c’est une capacité organisationnelle à développer. Les entreprises qui bloquent sont souvent celles qui traitent l’IA comme un projet IT classique, avec un cahier des charges figé et un go-live unique.

5️⃣ Un nouveau rôle à définir : l’AI builder

C’est un fait : depuis la sortie de ChatGPT il y a +3 ans, l’IA a déjà changé la manière de travailler dans la plupart des entreprises.

On écrit plus vite. On analyse plus de données. On automatise des tâches qui prenaient des heures.

Mais la vraie transformation n’est pas que dans les outils. Elle est aussi organisationnelle, dans les nouveaux rôles qui émergent.

Chez Palantir, ils ont inventé le rôle de Forward Deployed Engineer pour décrire ces profils hybrides capables de connecter technologie et besoins terrain.

Aujourd’hui, des centaines d’entreprises recrutent ce type de profils. Et on voit la même chose arriver avec l’IA.

Dans cette vidéo, j’explique pourquoi le rôle d’AI Builder devient central dans les entreprises (et pourquoi les entreprises recherchent autant ce profil)

Le rôle : transformer l’IA en impact concret. Il agit sur deux axes que j’ai présenté plus haut (copilot et autopilot)

Le point à ne pas sous-estimé, c’est que l’IA ne fonctionne pas seule. Il y a toute la logique métier :
➡️ reproduire la logique opérationnelle
➡️ connecter l’écosystème d’outils
➡️ gérer sécurité, gouvernance et contraintes internes

C’est précisément là que les AI Builders apportent de la valeur.

Et c’est comme ça que l’IA va vraiment transformer les entreprises. Pas seulement avec de nouveaux outils. Mais avec de nouveaux rôles.

À chaque rupture technologique, les rôles évoluent pour refléter la nouvelle valeur créée. Et l’IA est en train de provoquer exactement la même chose.

Les grandes transformations dans les entreprises ne viennent pas d’abord des logiciels.
Elles viennent de personnes qui utilisent ces outils pour résoudre des problèmes différemment.

Et ces personnes finissent souvent par créer… leur propre rôle.

Qui sera alors l’AI Builder dans votre entreprise ? Si vous cherchez encore, on peut peut-être échanger.