Le tableau de bord qui ment par omission
Quand on automatise un processus, la première chose qu'on mesure, c'est le temps gagné. Nombre d'heures libérées par semaine, nombre de factures traitées automatiquement, taux d'erreur avant/après. Ces indicateurs KPI de réussite projet IA sont utiles. Personne ne dit le contraire. Mais ils racontent une histoire partielle, et une histoire partielle peut devenir trompeuse quand il s'agit de défendre un budget l'année suivante.
Prends un exemple simple. Tu automatises la saisie de tes notes de frais. Le KPI visible dit que tu gagnes 4 heures par semaine. Très bien. Mais est-ce que quelqu'un mesure le temps que ton équipe passe à corriger les cas que l'automatisation ne gère pas bien? Est-ce que quelqu'un note les 45 minutes hebdomadaires où ta comptable vérifie manuellement ce que le système a produit, parce qu'elle ne lui fait pas encore confiance? Ces coûts-là n'apparaissent nulle part. Et pourtant, ils grignotent le gain affiché. Ce que j'observe souvent, c'est que le ROI présenté au moment du bilan ne correspond pas à ce que les gens vivent au quotidien. L'écart entre les deux crée du scepticisme, et le scepticisme tue les projets suivants.
Les dépendances que personne ne budgétise
Un projet d'automatisation IA ne vit pas en vase clos. Il se branche sur des outils existants, il consomme des API, il dépend de formats de données qui peuvent changer. Chaque connexion crée une dépendance. Et chaque dépendance a un coût de maintenance que personne n'inscrit dans le business plan initial.
Pose-toi la question suivante. Si ton fournisseur de logiciel comptable change son interface demain, combien de tes automatisations tombent? Si l'API d'un service tiers double son tarif, comme ça arrive régulièrement, est-ce que ton calcul de rentabilité tient encore? Ces scénarios ne sont pas théoriques. Ils arrivent. Et quand ils arrivent, le coût de réparation n'est jamais imputé au projet IA d'origine. Il est absorbé silencieusement dans le budget IT général. Résultat, le projet IA garde son joli ROI sur le papier, alors que la réalité comptable est différente. Si tu veux des indicateurs de réussite projet IA qui tiennent la route, il faudrait y intégrer un poste "maintenance des dépendances". Pas glamour, mais honnête. C'est d'ailleurs une des raisons pour lesquelles choisir un accompagnement qui pense au-delà du déploiement change la donne sur le long terme.
La dette technique, cet indicateur fantôme
En informatique, on parle de dette technique pour désigner les raccourcis pris aujourd'hui qui coûteront cher demain. L'automatisation IA génère sa propre forme de dette, souvent invisible pour un dirigeant non technique. Un workflow monté rapidement avec des règles rigides fonctionne parfaitement pendant six mois. Puis les cas particuliers s'accumulent, les exceptions se multiplient, et le système devient fragile sans que personne ne sache exactement pourquoi.
Le problème, c'est qu'aucun KPI standard ne capture cette dégradation progressive. Ton taux d'erreur peut rester stable pendant des mois avant de grimper brutalement. Le temps gagné peut se réduire graduellement sans déclencher d'alerte. J'ai vu des situations où l'on automatise par réflexe sans questionner ce qu'on automatise, et la dette s'accumule en silence. Une piste serait de suivre un indicateur simple. Le nombre d'interventions manuelles nécessaires par semaine pour que l'automatisation continue de tourner. Si ce chiffre monte, même doucement, c'est un signal. Pas un signal de panique, mais un signal qui mérite d'apparaître quelque part dans ton évaluation de projet. Selon BAK Economics dans son étude pour Innosuisse, le taux d'adoption de l'IA en Suisse était de 18% en 2021. Beaucoup d'entreprises en sont donc à leurs premiers projets. C'est le moment idéal pour ne pas attendre que la dette s'installe avant de mesurer correctement.
Fais le calcul avec tes propres chiffres
Plutôt que de te donner une liste de KPI à copier-coller, essaie cet exercice. Prends ton dernier projet d'automatisation, ou celui que tu envisages. Note le gain de temps hebdomadaire attendu en heures. Multiplie par le coût horaire chargé de la personne concernée. Multiplie par 48 semaines. Tu obtiens ton gain brut annuel. Maintenant, soustrais le coût de la licence ou de l'abonnement aux outils utilisés. Soustrais le temps passé en formation et en adaptation. Soustrais une estimation, même grossière, du temps de maintenance et de correction. Ce qui reste, c'est ton gain net réel. Il est probablement positif, et c'est tant mieux. Mais il est aussi probablement inférieur au chiffre que tu aurais présenté sans cette soustraction.
La question n'est pas de savoir si l'IA est rentable. Dans beaucoup de cas, elle l'est. La question, c'est de savoir si ta mesure de rentabilité est assez honnête pour survivre à un conseil d'administration, à un associé sceptique, ou simplement à ta propre lucidité dans six mois. Un indicateur de réussite qui ne résiste pas à l'examen, c'est un indicateur qui fragilise tous les projets qui viendront après. Et ça, c'est le vrai coût caché que personne ne mesure.
