Mesurer la valeur business de l’IA dans la banque : des promesses de productivité à la réalisation de valeur fondée sur la preuve

Executive Summary

1Pourquoi la valeur business de l’IA est difficile à mesurer

La valeur de l’IA est difficile à mesurer parce que l’IA crée rarement de la valeur de manière isolée.

Un modèle peut résumer du texte, classifier des documents, prédire un risque, générer du code, détecter des anomalies ou recommander des actions. Mais la valeur n’est réalisée que lorsque le workflow environnant change. Si le processus reste identique, l’organisation peut simplement insérer l’IA dans un ancien operating model et appeler cela une transformation.

Ce n’est pas de la value realisation. C’est de la tool adoption.

Ce problème n’est pas nouveau. L’histoire de l’information technology comprend de nombreuses périodes où des technologies puissantes étaient visibles partout sauf dans les statistiques de productivité. Brynjolfsson, Rock et Syverson décrivent plusieurs explications possibles du productivity paradox moderne : false hopes, mismeasurement, redistribution et implementation lags. Ils estiment que les implementation lags sont probablement une partie importante de l’explication. ([nber.org](https://www.nber.org/papers/w24001))

La productivity J-Curve renforce ce point. Les nouvelles general-purpose technologies exigent souvent des investissements immatériels avant que les gains de productivité mesurables n’apparaissent. Les organisations doivent investir dans le process redesign, les skills, la data, les management systems et les capacités complémentaires. Pendant cette phase, les coûts sont visibles, mais les bénéfices ne sont pas encore pleinement mesurés. Plus tard, lorsque ces investissements immatériels commencent à produire leurs effets, la productivité peut accélérer. ([nber.org](https://www.nber.org/papers/w25148))

La même logique s’applique à l’IA.

Une banque peut payer pour AI infrastructure, cloud consumption, vendor tools, model development, data preparation, governance, training, change management et controls avant que les bénéfices financiers ne deviennent visibles. Si le modèle de mesure ne cherche qu’un impact P&L immédiat, il peut sous-estimer la valeur de long terme. S’il accepte chaque efficiency claim sans preuve, il peut surestimer la valeur.

Il existe aussi une prudence macroéconomique. L’analyse d’Acemoglu de 2024 sur l’IA part d’un modèle basé sur les tâches et soutient que les effets macroéconomiques agrégés pourraient être plus modestes que ne le suggèrent certaines grandes affirmations. Cela ne contredit pas les preuves fortes au niveau des tâches. Cela explique pourquoi les task gains ne se transforment pas automatiquement en gains de productivité larges sans changement organisationnel complémentaire. ([nber.org](https://www.nber.org/papers/w32487))

La réponse n’est pas le pessimisme.

La réponse est la discipline de mesure.

2La première règle : séparer adoption, productivité et valeur

La mesure de l’IA devrait commencer par trois concepts distincts.

Adoption signifie que des personnes ou des systèmes utilisent l’IA.

Productivity signifie qu’une tâche, activité ou processus est réalisé avec moins de temps, une meilleure qualité, un coût inférieur ou un throughput plus élevé.

Business value signifie que la productivité se traduit par un résultat important pour l’entreprise.

Ces trois niveaux sont liés, mais ils ne sont pas identiques.

Une adoption élevée peut produire peu de valeur si les utilisateurs appliquent l’IA à des tâches de faible valeur, dupliquent du travail, créent une charge de revue ou génèrent des outputs non fiables. Une forte productivité peut ne pas créer d’impact P&L si le temps économisé n’est pas redeployé, si les bottlenecks se situent ailleurs dans le processus ou si des problèmes de qualité créent de la remediation downstream.

C’est pourquoi la mesure doit suivre une value chain :

AI capability → task outcome → workflow outcome → business outcome → financial or strategic value.

Par exemple, un modèle de document intelligence peut classifier plus rapidement des documents entrants. C’est un task outcome. Si cette classification alimente un onboarding workflow redesigned, elle peut réduire le cycle time. C’est un workflow outcome. Si l’onboarding devient plus rapide sans augmenter le risque, le business peut améliorer customer conversion, capacity utilisation ou service quality. C’est de la business value.

La question de mesure n’est donc pas : « Le modèle fonctionne-t-il ? »

Elle est : « Le modèle a-t-il changé le résultat de processus qui compte pour le business ? »

Cette distinction est le fondement de l’AI value governance.

3Les preuves sont réelles, mais contextuelles

Les meilleures preuves disponibles montrent que l’IA peut créer de grands gains de productivité dans des tâches spécifiques. Elles montrent aussi que l’impact est fortement dépendant du contexte.

Dans les writing tasks, Noy et Zhang ont constaté que l’accès à ChatGPT réduisait le temps moyen de réalisation de 40% et améliorait la qualité de l’output de 18%. C’est une preuve forte au niveau de la tâche, mais elle s’applique à un type spécifique de tâche d’écriture professionnelle sous conditions expérimentales. ([science.org](https://www.science.org/doi/10.1126/science.adh2586))

Dans le customer support, Brynjolfsson, Li et Raymond ont étudié l’introduction progressive d’un assistant conversationnel d’IA générative auprès de 5 172 agents. Ils ont observé une hausse moyenne de productivité de 15%, mesurée par les issues resolved per hour, avec des effets plus forts pour les travailleurs moins expérimentés et moins qualifiés. ([academic.oup.com](https://academic.oup.com/qje/article/140/2/889/7990658))

Dans le software development, Peng, Kalliamvakou, Cihon et Demirer ont constaté que les développeurs utilisant GitHub Copilot terminaient une tâche spécifique de programmation JavaScript 55,8% plus vite que le groupe de contrôle. ([arxiv.org](https://arxiv.org/abs/2302.06590))

En même temps, les preuves mettent en garde contre les généralisations simples. Dell’Acqua et ses co-auteurs décrivent une « jagged technological frontier » : l’IA peut améliorer la performance pour certaines tâches et la détériorer pour d’autres, même dans des contextes de knowledge work similaires. ([hbs.edu](https://www.hbs.edu/faculty/Pages/item.aspx?num=64700))

L’étude METR de 2025 sur des développeurs open-source expérimentés apporte un correctif important. Dans ce contexte, les développeurs utilisant des outils IA early-2025 ont pris 19% de temps en plus pour des tâches assignées dans des repositories matures où ils avaient une expérience substantielle. Les auteurs présentent ce résultat comme contextuel, et non comme un verdict universel sur les AI coding tools. ([metr.org](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/))

La leçon pour les executives est claire : la valeur de l’IA doit être mesurée au niveau de la tâche et du workflow. Les hypothèses génériques de productivité ne suffisent pas.

Un use case ne devrait pas hériter d’un pourcentage de bénéfice provenant d’une autre organisation, d’une autre fonction ou d’une autre étude. Il devrait définir sa propre baseline, test population, measurement period, control group ou counterfactual, ainsi que sa value logic.

4Un modèle pratique de mesure de la valeur IA

Un modèle utile de valeur IA devrait répondre à cinq questions.

1. 1Quel business outcome doit changer ?
2. 2Quel workflow doit changer pour que ce résultat s’améliore ?
3. 3Quelle amélioration task-level l’IA est-elle censée créer ?
4. 4Comment l’organisation mesurera-t-elle si le changement a eu lieu ?
5. 5Quelle décision sera prise si la valeur n’apparaît pas ?

Cela crée un modèle pratique de mesure avec cinq niveaux.

Layer One: Strategic Value

La strategic value décrit pourquoi le use case compte. Elle relie l’IA aux business priorities, pas à l’enthousiasme technologique.

Exemples : onboarding plus rapide, meilleure détection du risque, meilleure service quality, operational resilience renforcée, meilleure developer productivity, baisse du manual rework, meilleure control effectiveness ou meilleure knowledge reuse.

La strategic value statement devrait être courte et testable.

Version faible : « Use AI to improve operations. »

Version forte : « Reduce manual document triage in onboarding by 30% while maintaining quality-control thresholds and auditability. »

La deuxième version peut être mesurée.

Layer Two: Baseline

Une baseline correspond à l’état actuel avant que l’IA ne modifie le processus.

Sans baseline, toute benefit claim est fragile.

Une baseline solide devrait inclure cycle time actuel, cost per transaction, manual effort, error rate, rework, backlog, quality score, customer satisfaction, risk indicators, control exceptions et handover points pertinents.

La baseline doit être mesurée avant le déploiement, et non reconstruite après que le succès a été revendiqué.

Layer Three: Task Effect

Le task effect mesure ce que l’IA change directement.

Cela peut être un drafting plus rapide, une classification plus rapide, un coding plus rapide, une summarisation plus rapide, une meilleure extraction accuracy, une meilleure anomaly prioritisation ou une réduction du search time.

Les task effects sont importants parce qu’ils sont les plus proches de l’AI capability. Mais ils ne suffisent pas. Une tâche 40% plus rapide ne produit pas automatiquement un processus 40% moins coûteux.

La tâche peut ne pas être le bottleneck. Le temps économisé peut ne pas être redeployé. La charge de revue peut augmenter. La qualité peut varier. Les fonctions downstream peuvent continuer à travailler à l’ancien rythme.

La mesure task-level est nécessaire. Elle n’est pas la réponse complète.

Layer Four: Workflow Effect

Le workflow effect mesure si le processus a changé.

C’est souvent là que la valeur IA est gagnée ou perdue.

Une bonne mesure workflow peut suivre end-to-end cycle time, nombre de handoffs, first-time-right rate, manual touches, exception queues, decision latency, rework loops, backlog ageing ou control review effort.

C’est aussi le niveau où le workflow redesign devient critique. La recherche McKinsey State of AI 2025 a constaté que 39% des répondants rapportaient un certain niveau d’impact EBIT enterprise-wide lié à l’IA, tandis que la plupart d’entre eux attribuaient moins de 5% de l’EBIT à l’IA. Le même rapport définit les AI high performers comme des répondants attribuant au moins 5% d’impact EBIT à l’IA et déclarant une valeur significative ; ce groupe représentait environ 6% des répondants. Le rapport a également constaté que les high performers étaient plus susceptibles de redesign workflows et que le workflow redesign contribuait fortement à un meaningful business impact parmi les facteurs testés. ([mckinsey.com](https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai))

Ce constat correspond à la logique de la J-Curve. L’IA ne crée pas d’enterprise value simplement parce qu’elle est disponible. Elle crée de la valeur lorsque l’organisation change la manière dont le travail est effectué.

Layer Five: Enterprise Value

L’enterprise value est le résultat final.

Elle peut être financière, opérationnelle, client, risque ou stratégique.

La financial value peut inclure cost reduction, avoided cost, revenue uplift, margin improvement, reduced external spend ou meilleure capital efficiency. L’operational value peut inclure faster throughput, higher capacity, shorter queues ou lower rework. La customer value peut inclure faster response, higher satisfaction ou improved availability. La risk value peut inclure moins de control breaks, meilleure detection, baisse des operational losses ou preuve plus forte. La strategic value peut inclure faster product delivery, meilleure decision quality ou stronger organisational learning.

Tous les use cases IA n’ont pas besoin d’une attribution directe au revenue. Mais chaque use case IA a besoin d’une value category.

Si la value category est floue, le use case n’est pas prêt pour le scale.

measuring-ai-value-2.jpg16:9 · /insights/img/

5La Task-to-P&L Cascade

La Task-to-P&L Cascade est le modèle à cinq niveaux en mouvement.

Elle force l’organisation à relier la model-level performance à la business value pour un use case spécifique.

Une cascade simple ressemble à ceci :

1. L’IA améliore une tâche.

2. La tâche améliorée change un workflow.

3. Le changement de workflow améliore une business metric.

4. La business metric affecte cost, revenue, risk, capital, customer experience ou strategic capacity.

5. L’impact est mesuré contre la baseline et comparé au total cost of ownership.

Cela évite deux erreurs fréquentes.

La première erreur consiste à s’arrêter à la model performance. Un modèle peut avoir une forte accuracy et ne créer aucune business value s’il ne change aucun résultat de processus.

La deuxième erreur consiste à aller directement au financial benefit. Un business case qui revendique des cost savings sans montrer le pont entre task et workflow est généralement trop faible pour l’executive decision-making.

Par exemple :

AI capability : un modèle résume les customer-service interactions.

Task effect : les agents passent moins de temps à lire les case histories.

Workflow effect : l’average handling time baisse et le first-contact resolution s’améliore.

Business outcome : davantage de cases sont résolus par heure avec une qualité stable.

Enterprise value : la capacity augmente, le backlog diminue, la customer satisfaction s’améliore ou le cost-to-serve baisse.

La cascade rend la value logic auditable.

C’est pourquoi elle est particulièrement utile dans la banque. Elle soutient la management discipline sans transformer l’AI value measurement en exercice purement compliance.

6Pourquoi le Workflow Redesign est le multiplicateur de valeur

L’IA améliore souvent les tâches avant d’améliorer les processus.

C’est pourquoi le workflow redesign est essentiel.

Si l’IA rend une étape plus rapide mais que le reste du workflow reste inchangé, le gain peut disparaître. Le bottleneck peut se déplacer. La queue peut se déplacer vers un human reviewer. Une control function peut avoir besoin de plus de temps pour revoir un AI-generated output. Un business owner peut ne pas faire confiance au résultat. Un processus orienté client peut toujours attendre des approvals que l’IA n’affecte pas.

C’est ainsi que la task productivity devient piégée.

Le workflow redesign pose une autre question :

Si l’IA change ce qui est possible, comment le processus devrait-il désormais fonctionner ?

Cela peut impliquer de supprimer des handoffs inutiles, modifier les review thresholds, redesign exception management, ajuster les responsabilités de rôle, créer de nouveaux quality checks, changer l’approval logic, améliorer la data capture ou redéfinir les service-level expectations.

Ce n’est pas une technology implementation. C’est un operating-model design.

Les business cases IA les plus solides contiennent donc deux plans : un technology plan et un workflow plan.

Le technology plan explique le modèle, l’outil, les données, l’architecture et les controls.

Le workflow plan explique comment le travail change, qui fait quoi, quelles étapes disparaissent, quels controls restent, où le human judgement est requis et comment la valeur sera mesurée.

Sans workflow plan, le value case est incomplet.

7Le Total Cost of Ownership doit être réel

La valeur business de l’IA ne peut pas être mesurée uniquement par rapport au coût de licence.

Le total cost of ownership est plus large.

Il peut inclure infrastructure, cloud consumption, model access, vendor fees, internal engineering, data preparation, data quality remediation, integration, testing, validation, monitoring, user training, change management, control design, legal review, information security, privacy review, operational support, auditability et incident handling.

Pour la generative AI, les coûts peuvent aussi inclure prompt management, guardrails, retrieval infrastructure, knowledge-base maintenance, human review, output testing, content evaluation et model-risk documentation.

Le côté coûts devrait aussi inclure l’opportunity cost. Le temps du senior management, la rare engineering capacity et la business change capacity ne sont pas gratuits.

C’est pourquoi l’AI value measurement devrait utiliser une vue net-value :

Gross benefit moins total cost of ownership moins risk-adjustment cost égale net value.

Le risk-adjustment cost est important. Un use case qui crée de l’efficience mais exige beaucoup de revue, remediation, correction manuelle ou effort de contrôle peut avoir une net value inférieure à ce que suggère le business case initial.

Ce n’est pas un argument contre l’IA.

C’est un argument pour une mesure sérieuse.

8La Risk Value est de la Business Value

Dans la banque, la business value n’est pas seulement le revenue ou le cost.

La risk value compte.

Un système IA peut créer de la valeur en améliorant fraud detection, en réduisant les false positives, en renforçant le monitoring, en priorisant les alerts, en améliorant la data quality, en renforçant les controls, en réduisant les operational errors ou en soutenant la regulatory evidence. Ces outcomes n’apparaissent pas toujours comme du revenue immédiat. Mais ils peuvent être économiquement significatifs.

La Financial Stability Review de la BCE note que l’IA pourrait renforcer les capacités de risk management, y compris une risk assessment et des predictions plus précises ainsi qu’une planification plus efficiente du capital et de la liquidité, tout en reconnaissant que les bénéfices dépendent de la manière dont les défis liés aux données, au développement des modèles et au déploiement sont traités. ([ecb.europa.eu](https://www.ecb.europa.eu/press/financial-stability-publications/fsr/special/html/ecb.fsrart202405_02~58c3ce5246.en.html))

La BIS cadre également l’IA dans la finance à travers des fonctions clés du système financier telles que intermediation, insurance, asset management et payments, tout en analysant les implications pour la financial stability et la prudential policy. ([bis.org](https://www.bis.org/publ/work1194.htm))

Cela compte pour la mesure de la valeur. Une banque ne devrait pas forcer tous les use cases IA dans un modèle étroit de cost-saving. Certains use cases IA créent de la valeur en améliorant les décisions, les controls ou la resilience.

Exemples de risk-value metrics :

• réduction des false negatives ;
• réduction des false positives sans baisse de detection quality ;
• alert triage plus rapide ;
• meilleure case prioritisation ;
• moins de manual control breaks ;
• meilleure completeness of evidence ;
• incident-analysis time plus court ;
• meilleur model monitoring ;
• meilleure data-quality remediation ;
• stronger audit trail.

La risk value doit quand même être mesurée. Elle ne doit pas être traitée comme un bénéfice qualitatif vague.

9AI Value dans la banque : la bonne unité de mesure

Pour les banques, la bonne unité de mesure n’est souvent pas le modèle. C’est le business service ou le workflow.

Les modèles IA ne créent pas de valeur en abstraction. Ils créent de la valeur dans lending, onboarding, payments, operations, compliance, technology delivery, customer service, treasury, risk management, financial crime, reporting ou software engineering.

L’EBA a observé une utilisation croissante de l’IA dans les secteurs EU banking et payments. Son matériel de 2025 indique que 92% des banques de l’UE déploient actuellement l’IA et que 8% pilotent ou discutent des use cases IA. ([eba.europa.eu](https://www.eba.europa.eu/sites/default/files/2025-09/146b3558-d026-47bf-a872-f05e93ed30d2/Rising%20application%20of%20AI%20in%20EU%20banking%20and%20payments%20sector.pdf))

Cela rend la mesure de la valeur plus importante, pas moins.

À mesure que l’IA devient plus commune, le différenciateur n’est plus de savoir si une institution possède de l’IA. Le différenciateur est de savoir si elle peut transformer l’IA en business outcomes mesurés, gouvernés et scalables.

Une taxonomy utile de la valeur IA bancaire peut inclure cinq catégories.

Productivity Value

L’IA réduit le temps, l’effort ou le travail manuel.

Exemples : drafting, summarisation, coding assistance, document triage, case preparation, knowledge search.

Quality Value

L’IA améliore accuracy, consistency ou completeness.

Exemples : meilleure classification, moins de missing fields, meilleurs evidence packs, meilleure documentation quality.

Risk Value

L’IA améliore detection, monitoring, control ou resilience.

Exemples : fraud analytics, alert prioritisation, anomaly detection, control testing, operational-risk insight.

Customer Value

L’IA améliore speed, personalisation, clarity ou availability.

Exemples : onboarding plus rapide, meilleure customer response, meilleur service routing, communication plus cohérente.

Strategic Capacity Value

L’IA augmente la capacité d’exécution de l’organisation.

Exemples : product development plus rapide, meilleure knowledge reuse, meilleur decision support, plus grande change capacity.

Cette taxonomy évite que la value discussion soit trop étroite.

10Le rôle de Finance

Finance devrait être impliquée tôt.

L’AI value measurement échoue souvent lorsque Finance n’est impliquée qu’à la fin pour valider des bénéfices déjà revendiqués. Le meilleur modèle consiste à impliquer Finance avant le déploiement, lorsque les baselines, benefit logic, cost categories et measurement periods sont définies.

Finance devrait aider à distinguer hard savings, soft savings, avoided cost, capacity release, productivity gain, risk reduction et revenue effect.

Ces catégories ne devraient pas être mélangées.

Un productivity gain ne devient un hard saving que si l’organisation peut réduire les coûts, éviter des recrutements prévus, augmenter le throughput avec la même capacity, réduire les external spend ou redeployer la capacity vers un travail mesurable de plus grande valeur.

Saved minutes are not automatically saved money.

Ce point est essentiel. Si l’IA fait gagner du temps aux employés mais que l’organisation ne sait pas ce qu’il advient de ce temps, le value case reste incomplet.

Finance devrait donc exiger une capacity-redeployment logic :

• Quel temps est économisé?
• Où est-il capturé?
• Qui le possède?
• Comment est-il redeployé?
• Réduit-il des coûts, évite-t-il des coûts, augmente-t-il le throughput, améliore-t-il la quality ou soutient-il la growth?
• Comment cela sera-t-il mesuré?

Cela fait passer l’AI value de l’enthousiasme au management accounting.

11Le rôle de Risk et des Control Functions

Risk et les control functions ne devraient pas être traités comme des blockers dans l’AI value measurement. Ils font partie du value system.

Ils aident à définir si la valeur est durable.

Un use case qui produit de l’efficience à court terme mais crée data risk, model risk, conduct risk, privacy risk, cyber risk, outsourcing risk ou operational risk peut ne pas être un bon value case. À l’inverse, un use case qui renforce la control quality peut créer de la valeur même s’il ne réduit pas directement le headcount ou n’augmente pas le revenue.

Risk et control functions devraient aider à définir :

• acceptable use ;
• risk appetite ;
• model criticality ;
• evidence requirements ;
• human oversight ;
• data lineage ;
• monitoring expectations ;
• exception handling ;
• auditability ;
• kill criteria.

C’est ainsi que la mesure de la valeur devient crédible.

L’objectif n’est pas de ralentir l’IA. L’objectif est d’éviter de mesurer la valeur d’une manière qui ignore le cost of control.

Un bon AI value model inclut control by design.

12Les Kill Criteria font partie de la Value Governance

Chaque use case IA devrait avoir des kill criteria.

Cela ne signifie pas que les organisations doivent être négatives. Cela signifie qu’elles doivent être disciplinées.

Un use case devrait être arrêté, redesigned ou maintenu en pilote s’il n’atteint pas les seuils convenus. Ces seuils peuvent concerner business value, quality, adoption, risk, cost, explainability, user trust, operational fit ou control evidence.

Exemples de kill criteria :

• aucune workflow improvement mesurable après une période définie ;
• bénéfices inférieurs au seuil convenu ;
• charge élevée de manual review ;
• faible user adoption après training et workflow redesign ;
• error profile inacceptable ;
• model performance instable ;
• unresolved data-quality issues ;
• total cost of ownership excessif ;
• inability to evidence control ;
• meilleure performance d’une solution plus simple.

Les kill criteria ne sont pas un signe d’échec.

Ils sont un signe de capital allocation mature.

Dans l’IA, l’opportunity cost des use cases faibles est élevé. Chaque low-value use case consomme attention, data, engineering capacity, governance capacity et change capacity qui pourraient être utilisées ailleurs.

Une banque n’a pas besoin de scaler chaque idée IA.

Elle a besoin d’une manière disciplinée de décider lesquelles doivent l’être.

measuring-ai-value-3.jpg16:9 · /insights/img/

13Un Board-Level AI Value Dashboard

Les boards n’ont pas besoin d’un rapport technique modèle par modèle.

Ils ont besoin d’un value dashboard.

Un AI value dashboard utile devrait montrer :

• nombre de use cases IA par value category ;
• use cases en pilot, production et scale ;
• baseline established ou missing ;
• measured task-level impact ;
• measured workflow impact ;
• financial value realised ;
• risk ou control value realised ;
• total cost of ownership ;
• adoption et active usage ;
• quality et error indicators ;
• human oversight metrics ;
• open issues ;
• kill, pivot ou scale decisions ;
• benefits signed off by Finance ;
• control status signed off by Risk ou les control functions pertinentes.

Le dashboard devrait séparer claimed value et evidenced value.

C’est critique.

Un board devrait pouvoir voir quels use cases IA produisent des outcomes mesurables, lesquels restent des hypothèses, lesquels exigent du workflow redesign et lesquels devraient être arrêtés.

La colonne la plus importante du dashboard peut être simple :

« What decision is required? »

Scale, hold, redesign, stop ou monitor.

Cela transforme l’AI reporting en gouvernance.

14L’AI Business Value Operating Model

Pour mesurer la valeur business de l’IA de manière cohérente, les organisations ont besoin d’un operating model.

Un modèle pratique comporte sept composants.

1. Value Thesis

Chaque use case commence par une déclaration claire de la valeur attendue.

2. Baseline

Le résultat actuel du processus est mesuré avant le déploiement.

3. Ownership

Un business owner, technology owner, data owner et value owner sont assignés.

4. Measurement Design

L’organisation définit comment la valeur sera mesurée : before-and-after, A/B test, control group, phased rollout, matched comparison, time-and-motion study ou operational metric tracking.

5. Workflow Redesign

Le processus est redesigned afin que la task-level productivity devienne workflow-level value.

6. Control by Design

Risk, compliance, data protection, cyber, model risk et operational control requirements sont intégrés dans le value model.

7. Decision Cadence

Un governance forum examine les preuves et décide s’il faut scaler, redesign, stop ou continuer.

Cet operating model est assez simple pour être utilisé et assez robuste pour résister à l’executive scrutiny.

15Ce que les Executives devraient demander

Les executives devraient poser moins de questions génériques sur l’IA et davantage de value questions.

Pas : « Combien de pilotes IA avons-nous ? »

Mais :

• Quels business outcomes cherchons-nous à améliorer ?
• Quels workflows sont redesigned ?
• Avons-nous une baseline avant le déploiement ?
• Quel est le task-level effect ?
• Quel est le workflow-level effect ?
• Quel est l’enterprise-value effect ?
• Finance a-t-elle validé la benefit logic ?
• Risk et les control functions ont-ils validé la control logic ?
• Quel est le total cost of ownership ?
• Où voyons-nous une valeur mesurable ?
• Où voyons-nous seulement de l’usage ?
• Quels use cases devraient être scalés ?
• Lesquels devraient être arrêtés ?

Les questions elles-mêmes créent la management discipline.

16Conclusion : la valeur IA est une discipline de management

La question centrale n’est pas de savoir si l’IA peut créer de la valeur. Elle le peut.

Les preuves sont déjà fortes dans des tâches spécifiques : writing, customer support, coding, summarisation, knowledge work et certains analytical workflows. Mais les preuves montrent aussi clairement que la valeur IA est inégale, contextuelle et dépendante du workflow redesign. La même technologie peut accélérer une tâche, ralentir une autre et ne créer aucune enterprise value si l’operating model environnant ne change pas. ([science.org](https://www.science.org/doi/10.1126/science.adh2586))

C’est pourquoi mesurer la valeur business de l’IA n’est pas un reporting exercise. C’est une management discipline.

Elle exige des baselines avant déploiement, des value hypotheses claires, une task-level measurement, une workflow-level measurement, une Finance validation, un risk-adjusted cost, control by design, des kill criteria et une board-level decision-making.

Les meilleures organisations ne seront pas celles qui possèdent la plus longue liste de pilotes IA.

Ce seront celles qui peuvent répondre à une question plus difficile :

Où l’IA change-t-elle des business outcomes mesurables, et pouvons-nous le prouver ?

C’est le standard pour la valeur IA.

Et c’est le standard qui transforme l’IA de l’experimentation en execution.