Data / IA
ROI de l’IA générative et agentique, le Cigref éclaire un sujet devenu inflammable…
Par Laurent Delattre, publié le 20 janvier 2026
Les assistants ont envahi les équipes, et voilà que les agents veulent exécuter à votre place. Problème : le ROI ne rentre pas dans un tableur classique quand les coûts d’inférence, de data, de sécurité et de conduite du changement explosent en même temps. Le CIGREF s’est emparé du sujet et lance un premier guide éclairant.
2026 s’annonce une année particulièrement intense pour les DSI, notamment en matière d’exploitation rentable de l’IA. L’IA générative s’est installée dans le quotidien des métiers, souvent via des assistants transverses qui promettent des gains rapides. En 2026, l’IA agentique arrive avec une ambition autrement plus disruptive, puisqu’elle vise l’exécution autonome d’actions et de décisions. Dans les deux cas, il va falloir gérer les dépenses liées à une adoption qui grimpe en flèche et le besoin de moderniser les infrastructures pour les aligner sur les exigences des workloads de l’IA. Des réalités que les derniers rapports de Sopra Steria Next (CIO Compass 2026) et de Capgemini (TechnoVision 2026) ont très clairement mis en avant.
Bien évidemment, dans le même temps, Comex et directions générales, eux, veulent qu’on leur prouve la valeur, chiffre l’impact, sécurise les investissements. Or, l’IA ne se laisse pas enfermer dans les grilles classiques du ROI. Et c’est précisément le point de départ du nouveau document du Cigref, consacré à l’évaluation du retour sur investissement des solutions d’IA générative et agentique.
Le guide part d’un constat que vous vivez déjà sur le terrain : les expérimentations se multiplient mais la quête de gains tangibles se heurte à l’absence de métrique universelle pour quantifier la valeur créée par ces technologies.
Le Cigref assume une idée simple, tenter de justifier un projet d’IA générative avec les mêmes outils qu’une migration de serveurs conduit à l’impasse, car l’IA transforme les pratiques, les processus, et parfois les Business modèles eux-mêmes. D’où l’intérêt de ce guide qui vous aide à défricher ce nouveau terrain.
Un ROI qui déborde la comptabilité
La force du document tient à la manière dont il élargit le sujet. Ce n’est jamais simple à faire avaler à un COMEX, mais mesurer la valeur d’une solution d’IA ne se limite pas à faire la différence entre bénéfices et coûts. Il faut aussi comprendre ce qui relève de l’outil, de l’adoption, et de la transformation organisationnelle rendue nécessaire par l’IA.
Si le guide insiste sur ce point, c’est parce que l’IA n’agit jamais seule. Pour produire un impact, elle impose des prérequis sur la qualité et la gouvernance des données, l’outillage, la sécurité, la conformité, et une conduite du changement structurée, autant d’éléments qui créent aussi de la valeur mais qui brouillent l’attribution.
Le Cigref pousse donc les DSI à sortir des approches comptables traditionnelles et à construire un cadre d’évaluation adapté à chaque organisation. Ce cadre doit évidemment intégrer les coûts visibles, comme l’ingénierie, l’infrastructure, le cloud, les licences, les modèles, l’inférence et l’accès aux données, mais aussi les coûts plus discrets de transformation. Le document cite des estimations qui placent ces coûts cachés à un niveau très significatif, jusqu’à 30 à 40 pour cent !
Deux IA, deux logiques d’évaluation
Un des enseignements les plus utiles du guide est la distinction entre IA horizontales et IA verticales. Les premières sont destinées au plus grand nombre. Elles reposent sur des assistants capables de synthétiser, classer, traduire, rédiger, et elles posent surtout un défi de conduite du changement à grande échelle. Le Cigref évoque des études qui estiment des gains de temps pouvant dépasser 50 minutes par jour pour certains profils, mais pose immédiatement la question qui fâche : ce temps libéré devient-il un bénéfice tangible, et comment se reflète-t-il dans l’équation économique ?
Comme le rappelle le Cigref, un rapport “temps gagné x coût salarial” peut sembler séduisant, mais il est souvent trompeur si l’organisation n’est pas capable de réallouer ce temps vers des tâches à plus forte valeur. Ainsi, le guide rappelle à quel, quand on parle d’IA, il est essentiel de faire la distinction entre les hard savings, directement mesurables dans un compte de résultat, et les soft savings, plus indirects mais porteurs de gains futurs, par exemple via la réduction d’erreurs ou l’accélération de workflows.
Les IA verticales, elles, s’inscrivent dans des processus métier précis, finance, supply chain, juridique, marketing, maintenance. Leur valeur se construit davantage en co-conception avec les métiers, parfois en équipes pluridisciplinaires et en mode agile, et leurs gains peuvent être plus directement rattachés à des KPI métier existants. La logique de ROI redevient alors plus “classique”, à condition de ne pas rester prisonnier de métriques IT et de penser métriques métiers.
Piloter un portefeuille plutôt que des projets isolés
Le Cigref propose un changement de méthode qui devrait parler à la gouvernance des DSI. Plutôt que d’évaluer chaque cas d’usage isolément, certaines organisations se tournent vers une logique de gestion de portefeuille. L’objectif consiste à équilibrer et piloter un ensemble d’initiatives, chacune avec ses métriques de succès, en séparant trois couches.
Il y a d’abord les fondations, c’est-à-dire les prérequis, modernisation logicielle, gouvernance data, mise en place d’une plateforme technologique IA interconnectée à l’existant. Dans cette phase, le ROI est indirect. La métrique devient le time-to-market pour de futurs cas d’usage, et la réduction des risques.
Viennent ensuite les initiatives horizontales, où l’enjeu est moins de “prouver” un gain financier immédiat que de mesurer l’adoption, de comprendre comment le temps est réinvesti, et de documenter les transformations du travail via des approches qualitatives.
Enfin, les initiatives verticales, où le guide donne un exemple très parlant de co-construction avec les métiers, en partant d’un objectif stratégique d’entreprise, puis en le déclinant en leviers opérationnels sur lesquels l’IA peut agir, au sein d’un arbre de création de valeur. L’objectif est bien ici de s’affranchir de promesses génériques non tangibles pour rattacher l’IA à des drivers business.
Une grille de lecture coûts-bénéfices plus réaliste
Mais le principal mérite de ce guide du Cigref est, à nos yeux, de proposer une typologie assez riche des bénéfices et des coûts à prendre en compte, tout en assumant que cette grille est non exhaustive et amenée à s’enrichir.
Côté bénéfices, il balaye des gains opérationnels, comme la productivité, la réduction d’erreurs, l’accélération de décisions, mais aussi des dimensions organisationnelles, valorisation de données propriétaires, marque employeur, allocation des ressources, et des dimensions stratégiques, innovation, nouveaux business models, expérience client, génération de revenus.
Côté coûts, le guide rappelle que la facture IA dépasse largement licences et GPU. Il faut compter l’intégration, l’interopérabilité, la formation, la supervision, le monitoring, les mises à jour, et une discipline FinOps adaptée, sans oublier le coût des échecs et des mauvaises décisions. Il détaille aussi les arbitrages techniques du moment, comme le compromis entre RAG et fine tuning, ainsi que l’empreinte énergétique (et le choix géographique de consommation des IA génératives en fonction du mix électrique et de la stabilité des réseaux).
Industrialiser avec une AI Factory
Pour franchir le cap entre PoC et production, le Cigref met clairement en avant l’approche “AI Factory”, inspirée des Centres d’Excellence, avec une équipe et une plateforme visant à accélérer, sécuriser, standardiser et gouverner. L’idée est de mutualiser les briques réutilisables, d’aider les métiers à prioriser, de définir des indicateurs, d’imposer des standards de qualité de données, de sécurité, de conformité à l’AI Act, et d’apporter des outils d’observabilité qui servent de garde-fous.
Avec un sous-entendu qui sonnera comme un rappel : La DSI ne peut plus être seulement un fournisseur de technologie. Elle devient architecte de transformation, capable de piloter un portefeuille de valeur, d’orchestrer la double stratégie horizontale et verticale, et de construire une capacité durable à produire de l’impact avec l’IA.
Productivité versus compétitivité
La partie la plus originale du guide, parce qu’elle dépasse les réflexes de justification budgétaire, est celle qui oppose productivité et compétitivité. Le guide rappelle que des gains d’efficience fondés sur des outils accessibles à tous deviennent vite une norme sectorielle. Autrement dit, l’IA peut élever le niveau moyen sans créer de différenciation durable, sauf si elle sert à inventer des propositions de valeur nouvelles.
Le Cigref introduit ainsi un angle rarement documenté dans les business cases, les effets collatéraux humains et sociaux. Il cite des organisations ayant abandonné certains cas d’usage pourtant pertinents car l’automatisation avait réduit des interactions essentielles entre les équipes.
Une telle lucidité est évidemment précieuse pour les DSI car elle replace la valeur dans le fonctionnement réel de l’entreprise, pas seulement dans des métriques de tickets ou de minutes économisées. Mais elle est aussi là où finalement ce guide pêche le plus : le manque de retours d’expérience illustratifs. Difficile de le reprocher aux auteurs : tout le monde manque encore clairement de retours. Il y a trois ans, l’IA générative n’existait même pas (hors de quelques labos).
Un guide précieux… à suivre !
Ce nouveau guide du Cigref a le mérite d’apporter une clarification utile dans un marché saturé de promesses.
Il donne aux DSI un vocabulaire et une structuration qui manquent encore souvent dans les discussions internes, comme distinguer horizontal et vertical, raisonner en portefeuille, accepter l’idée d’un ROI indirect sur les fondations, et intégrer les coûts cachés de transformation. Il rappelle aussi que l’IA doit être pensée comme un investissement dans la capacité d’innovation, pas uniquement comme un outil d’optimisation.
Pour être totalement complet, il lui manque toutefois ce que beaucoup de DSI attendent lorsqu’ils doivent arbitrer en comité d’investissement. Le guide reste une note d’orientation et de bonnes pratiques, il gagnerait à proposer davantage de formats opérationnels prêts à l’emploi. On pense à des modèles de calcul comparables, des exemples chiffrés qui puissent servir de bases de comparaison, des gabarits d’enquêtes d’adoption et de réallocation du temps, des indicateurs standardisés pour suivre la performance d’agents ou évaluer les coûts d’inférence, coûts de transformation, qualité, risques et impacts métier. Des pistes qui seront à n’en pas douter explorées dans les mises à jour qui vont s’imposer tant l’IA évolue rapidement et maintenant que les premières expérimentations passent en production et servent de retours d’expérience.
Certains thèmes sont évoqués mais mériteraient à nos yeux d’être approfondis et plus éclairés comme la volatilité économique propre aux LLM, les coûts très variables d’inférence, la dépendance à des modèles tarifés à l’usage, les effets d’échelle parfois contre-intuitifs, sans parler des sujets contractuels et de réversibilité qui conditionnent toujours le ROI.
Deux autres pans mériteront également probablement plus d’attention dans une prochaine mouture :
Le premier, c’est la souveraineté et l’autonomie numérique avec une mise en avant des acteurs et solutions open source et purement européennes.
Le second, c’est l’énergie et l’environnement. Il y a beaucoup à dire sur la manière de quantifier et d’arbitrer l’impact environnemental de l’IA, au-delà des principes, notamment lorsque l’IA devient un service industriel consommé à grande échelle.
Reste au final un premier guide qui cherche à poser des fondations de dialogue, de réflexion et de mesures encore inexistantes dans bien des organisations. À un moment où le marketing US nous a envahis de promesses irréalistes sur l’IA agentique, il rappelle que l’Intelligence artificielle ne se justifie plus par la démonstration technologique, elle se défend par une capacité à piloter la valeur dans la durée, à industrialiser sans perdre le contrôle, et à faire de la productivité un levier de compétitivité plutôt qu’une fin en soi.
Le guide du Cigref est à télécharger ici : « Évaluer le retour sur investissement des solutions d’IA générative et agentique«
À LIRE AUSSI :
À LIRE AUSSI :
À LIRE AUSSI :
À LIRE AUSSI :
À LIRE AUSSI :
