Pour attribuer de manière fiable les revenus à l'IA, il faut relier les actions pilotées par l'IA à des résultats commerciaux mesurables via une chaîne causale bien définie. La difficulté réside dans le fait que l'IA génère rarement des revenus de manière isolée. Elle accélère les décisions, améliore les processus ou facilite la mise au point de produits, ce qui signifie que son impact financier est bien réel, mais indirect. Les questions ci-dessous expliquent pourquoi cela est difficile, quels cadres conceptuels peuvent aider et comment mettre en place un système d’attribution capable de résister à un examen minutieux.
Pourquoi est-il si difficile d'attribuer le chiffre d'affaires à l'IA ?
Il est difficile d'attribuer un chiffre d'affaires à l'IA, car celle-ci influence généralement les résultats plutôt que de les provoquer directement. Contrairement à une transaction commerciale ou à une campagne marketing comportant un événement de conversion clair, l'IA fonctionne comme une couche facilitatrice. Elle améliore une recommandation, accélère une décision ou réduit les erreurs, et ces améliorations se répercutent ensuite sur le chiffre d'affaires. Isoler cette contribution de toutes les autres variables est véritablement complexe.
Plusieurs facteurs viennent aggraver cette difficulté :
- Causalité multi-touch : Le chiffre d'affaires résulte généralement d'une succession d'événements. Un modèle d'IA peut signaler un client à forte valeur ajoutée, un commercial donne alors suite à ce signalement, et une vente est conclue quelques semaines plus tard. À quelle étape de cette chaîne revient le mérite ?
- Incertitude contrefactuelle : On ne peut pas toujours savoir ce qui se serait passé sans l'IA. Si les taux de conversion s'améliorent après le déploiement d'un moteur de recommandation, une partie de cette amélioration peut s'expliquer par les tendances du marché, des effets saisonniers ou d'autres changements concomitants.
- Boucles de rétroaction longues : Les avantages de l'IA dans des domaines tels que la fidélisation de la clientèle ou la réduction des risques se concrétisent souvent au bout de plusieurs mois, voire plusieurs années, bien après la décision d'investissement initiale.
- Infrastructure partagée : De nombreux systèmes d'IA fonctionnent sur des plateformes cloud et de données partagées, ce qui rend difficile l'évaluation précise du coût et de la valeur d'un modèle ou d'un cas d'utilisation spécifique.
Ce ne sont pas là des raisons d'abandonner la mesure. Ce sont des raisons de mettre en place, dès le départ, une méthodologie d'attribution plus réfléchie.
Quels sont les modèles d'attribution existants pour les revenus générés par l'IA ?
Plusieurs modèles d'attribution peuvent être appliqués aux revenus générés par l'IA, allant de simples heuristiques à des protocoles expérimentaux rigoureux. Le choix du modèle approprié dépend du type de cas d'utilisation de l'IA, des données disponibles et du niveau de précision requis par l'entreprise.
Attribution par expérience contrôlée
L'approche la plus fiable consiste à réaliser un test A/B ou un test de validation, dans lequel un groupe témoin ne bénéficie pas de l'intervention basée sur l'IA, contrairement au groupe expérimental. La différence de chiffre d'affaires entre les deux groupes, ajustée en fonction de la signification statistique, représente la contribution supplémentaire de l'IA. Cette méthode est largement utilisée dans le commerce électronique et les services financiers, mais elle nécessite un volume suffisant et un environnement de test stable.
Évaluation des contributions et répartition pondérée
Lorsque des expériences contrôlées ne sont pas envisageables, l'évaluation des contributions attribue une part pondérée du chiffre d'affaires à chaque facteur de la chaîne décisionnelle, y compris la composante IA. Ce principe s'apparente à l'attribution « multi-touch » utilisée en marketing. Il est moins précis, mais s'avère pratique dans les environnements d'entreprise complexes où il est difficile de mener des expérimentations. Les pondérations doivent reposer sur des données opérationnelles, et non sur des hypothèses.
Attribution des métriques par proxy
Certains cas d'utilisation de l'IA s'évaluent au mieux à l'aide d'indicateurs indirects dont le lien avec le chiffre d'affaires est avéré. Par exemple, on peut attribuer une valeur à un système d'IA qui réduit le taux de désabonnement des clients en multipliant le chiffre d'affaires moyen par client fidélisé par le nombre de clients que le modèle a manifestement fidélisés. Cette méthode fonctionne lorsque le lien entre l'indicateur indirect et le chiffre d'affaires est bien établi et stable.
En quoi l'attribution des revenus liée à l'IA diffère-t-elle du retour sur investissement informatique traditionnel ?
L'attribution des revenus liés à l'IA diffère du retour sur investissement (ROI) informatique traditionnel, car ce dernier mesure généralement les économies réalisées et les gains d'efficacité par rapport à un investissement défini, tandis que l'attribution liée à l'IA doit retracer le cheminement entre les résultats du modèle et les résultats commerciaux. Les projets informatiques traditionnels apportent des bénéfices prévisibles et limités. Les systèmes d'IA génèrent une valeur probabiliste, souvent émergente, qui évolue à mesure que le modèle apprend.
Les calculs traditionnels du retour sur investissement (ROI) dans le domaine informatique suivent une logique relativement linéaire : on investit dans un système, celui-ci permet de réduire les heures de travail manuel ou les coûts de licence, puis on calcule le retour sur investissement. L'IA bouleverse cette approche de trois manières :
- Performances dynamiques : La précision des modèles d'IA et leur impact sur l'activité évoluent au fil du temps, ce qui rend trompeurs les calculs de retour sur investissement effectués à un moment donné.
- Augmentation des recettes ou réduction des coûts : Le retour sur investissement (ROI) traditionnel dans le domaine informatique est souvent axé sur la réduction des coûts. Le ROI de l'IA repose de plus en plus sur la génération de revenus, qui est plus difficile à attribuer de manière précise.
- Dépendance du modèle : La valeur d'un système d'IA dépend de la qualité des données, du niveau d'intégration et de l'adoption par les utilisateurs, ce qui n'est pas le cas pour un déploiement logiciel classique.
Cela signifie que la mesure de l'impact financier de l'IA nécessite un suivi continu, et non un simple bilan ponctuel après la mise en œuvre.
Quelles sont les données nécessaires pour attribuer de manière fiable les revenus liés à l'IA ?
Pour établir de manière fiable l'attribution des revenus à l'IA, quatre catégories de données sont nécessaires : les données de sortie de l'IA (ce que le modèle a prédit ou recommandé), les données de décision (si et comment les humains ont donné suite à ces sorties), les données de résultat (le résultat commercial qui en a découlé) et les données de référence (ce qui se serait passé sans l'IA). Sans ces quatre catégories, tout chiffre d'attribution est incomplet.
Concrètement, cela signifie que vous devez :
- Résultats du modèle enregistrés avec horodatage et scores de confiance
- Enregistrement des mesures prises en réponse aux résultats du modèle, de préférence au niveau de la transaction ou du client
- Données relatives au chiffre d'affaires ou aux résultats pouvant être associées à ces actions avec le même niveau de détail
- Une référence fiable, qu'elle provienne d'un groupe témoin, d'une période antérieure au déploiement ou d'un contrôle statistique
- Métadonnées relatives aux variables de confusion telles que les variations de prix, les conditions du marché ou les actions de campagne menées pendant la période de mesure
La qualité des données constitue la contrainte déterminante. De nombreuses organisations disposent des outils nécessaires pour réaliser des analyses d'attribution, mais ne possèdent pas l'infrastructure de données requise pour relier les résultats générés par l'IA aux résultats commerciaux en aval. La mise en place de cette infrastructure est une condition préalable, et non une réflexion après coup.
Comment les cadres de gestion financière informatique peuvent-ils faciliter l'attribution des résultats à l'IA ?
Les cadres de gestion financière informatique facilitent l'attribution des revenus liés à l'IA en instaurant la transparence nécessaire en matière de coûts et de valeur pour établir un lien entre les investissements dans l'IA et les résultats commerciaux. Sans une approche structurée permettant de suivre la destination des dépenses consacrées à l'IA et les résultats qu'elles génèrent, cette attribution reste purement anecdotique. Des cadres tels que le Technology Business Management (TBM) et Pratiques FinOps mettre en place les taxonomies et les structures de gouvernance qui permettent cette traçabilité.
Plus précisément, les cadres ITFM apportent une aide à trois égards :
- Répartition des coûts : Ils attribuent les coûts liés à l'infrastructure d'IA, notamment les dépenses en puissance de calcul, en stockage et en plateformes de données, à des cas d'utilisation ou à des entités opérationnelles spécifiques. Cela vous fournit le dénominateur nécessaire à tout calcul de retour sur investissement.
- Étiquetage des valeurs : En associant les charges de travail liées à l'IA à des services ou produits métier au sein d'une taxonomie TBM, vous établissez un lien structurel entre les dépenses technologiques et les sources de revenus qu'elles génèrent.
- Rythme de gouvernance : Les cycles de révision réguliers intégrés à la gouvernance de l'ITFM garantissent que les investissements dans l'IA sont évalués au regard des résultats obtenus de manière récurrente, et non pas uniquement à la clôture du projet.
L'intégration de FinOps et de TBM s'avère particulièrement utile pour les charges de travail d'IA exécutées dans le cloud, où les coûts liés à la consommation peuvent varier considérablement et où l'imputation des coûts exige à la fois une discipline financière et une visibilité technique.
Quelles sont les erreurs les plus courantes commises lors de l'évaluation de la valeur commerciale de l'IA ?
L'erreur la plus courante dans l'évaluation de la valeur commerciale de l'IA consiste à attribuer des résultats sans établir de lien de causalité. Les entreprises mettent souvent en avant une augmentation du chiffre d'affaires survenue après le déploiement d'une solution d'IA et considèrent cette coïncidence temporelle comme une preuve de son impact. Cela revient à confondre corrélation et contribution, et aboutit à des chiffres qui ne résistent pas à l'examen minutieux des services financiers ou du conseil d'administration.
Parmi les autres erreurs fréquentes, on peut citer :
- Se limiter à mesurer les gains d'efficacité : De nombreuses initiatives visant à évaluer l'IA se concentrent exclusivement sur la réduction des coûts et le gain de temps, en négligeant complètement les aspects liés à la génération de chiffre d'affaires et à la réduction des risques.
- Utilisation d'indicateurs de vanité : La précision d'un modèle, le volume des prévisions ou le nombre d'appels API sont des indicateurs techniques, et non des indicateurs de valeur commerciale. Ils doivent être traduits en résultats compréhensibles par les services financiers et la direction.
- Mesure ponctuelle : Considérer le retour sur investissement de l'IA comme un calcul effectué à la fin d'un projet plutôt que comme un suivi continu revient à passer à côté de l'évolution de la valeur à mesure que le modèle mûrit et que son adoption se généralise.
- Sans tenir compte des coûts : L'attribution des revenus sans visibilité complète sur les coûts conduit à des chiffres de retour sur investissement (ROI) surévalués. Les coûts liés au cloud computing, à l'ingénierie des données, à la maintenance des modèles et à leur réentraînement doivent tous être pris en compte.
- Absence de méthodologie convenue dès le départ : Lorsque les équipes financières, informatiques et commerciales ne s'accordent pas sur la méthode d'attribution avant le déploiement, elles finissent par se disputer au sujet des chiffres plutôt que d'agir en fonction de ceux-ci.
Comment nous vous aidons à mesurer et à attribuer la valeur commerciale de l'IA
Nous aidons les organisations à mettre en place l'infrastructure financière et de gouvernance nécessaire pour rendre l'attribution des revenus liés à l'IA crédible et reproductible. Plutôt que de considérer la mesure de l'IA comme un exercice ponctuel, nous l'intégrons dans le cadre plus large de la gestion financière des technologies de l'information, afin que les investissements dans l'IA soient suivis avec la même rigueur que n'importe quelle autre dépense technologique.
Voici à quoi cela ressemble concrètement :
- Nous mettons en correspondance vos charges de travail liées à l'IA avec les services métier et les centres de coûts à l'aide des cadres TBM et FinOps, ce qui vous offre une vision claire du coût et des résultats de chaque initiative.
- Nous vous aidons à définir dès le départ les méthodologies d'attribution, afin que les acteurs des services financiers, informatiques et opérationnels s'accordent sur la manière dont la valeur sera mesurée avant le début du déploiement.
- Nous mettons en place des cycles de gouvernance qui permettent d'assurer un suivi continu de la valeur apportée par l'IA, et pas seulement à la fin du projet.
- Nous intégrons les données relatives aux coûts du cloud issues de votre infrastructure d'IA dans votre environnement global Modèle opérationnel FinOps, en veillant à ce que les coûts liés à la puissance de calcul et à la plateforme soient imputés avec précision aux cas d'utilisation qui les génèrent
- Nous traduisons les résultats techniques issus de l'IA en un langage financier et commercial qui trouve toute sa place dans les discussions au sein du conseil d'administration.
Si vous souhaitez passer de simples affirmations anecdotiques sur la valeur de l'IA à une analyse d'attribution à laquelle les services financiers et la direction accordent leur confiance, contactez-nous pour discuter de la manière de s'y prendre.