Comment mesurer l’impact de l’IA en entreprise

Mesurer l’impact de l’IA en entreprise consiste à vérifier si elle améliore un résultat métier déjà suivi, puis à comparer des tâches équivalentes avec et sans IA lorsque c’est possible. Le nombre de requêtes, de jetons utilisés ou d’employés équipés indique une activité ou une adoption, pas à lui seul une valeur créée.

Pour évaluer un projet d’IA, partez du résultat recherché et comptez aussi le travail nécessaire pour l’obtenir.

Choisir un résultat métier concret

Colleen Aubrey, vice-présidente senior des solutions d’IA appliquée chez Amazon Web Services (AWS), recommande de mesurer les projets d’IA avec les indicateurs métier habituels plutôt qu’avec des mesures conçues uniquement pour l’IA. Dans un entretien publié par SiliconANGLE le 6 novembre 2026, elle prend l’exemple d’un résultat comme la gestion des stocks : une entreprise peut alors suivre l’évolution de ses stocks, au lieu de s’arrêter au volume d’utilisation d’un outil.

Avant un pilote, choisissez donc un indicateur lié au problème visé et notez son niveau de départ. Ce niveau de référence permet de comparer la situation avant et après le déploiement. Mais cette seule comparaison ne sépare pas l’effet de l’IA de celui d’autres changements survenus en même temps. Pour mieux examiner sa contribution, comparez des travaux similaires lorsque l’organisation le permet.

Comparer le même travail avec et sans IA

IBM décrit une méthode où des groupes similaires réalisent le même projet, l’un avec l’IA et l’autre avec des méthodes traditionnelles. L’entreprise compare ensuite la vitesse, la qualité, le coût et la précision. Ces dimensions empêchent de réduire le résultat à une tâche terminée plus vite : une économie de temps peut perdre de son intérêt si le travail revient ensuite sous forme de corrections ou de contrôles.

La comparaison gagne à tenir compte du type de tâche et des compétences nécessaires. IBM conseille aussi de suivre la façon dont les équipes s’adaptent à l’outil et son intégration à leurs outils de travail. Les résultats peuvent ainsi distinguer les contextes où l’usage de l’IA accompagne une amélioration de ceux où il ne fait qu’augmenter l’activité.

Ce que rapportent deux exemples d’AWS

L’entretien de SiliconANGLE attribue à AWS un recul de 7 % des stocks chez Wells Vehicle Electronics sur trois mois, tandis que le nombre de références suivies activement passait de 20 à 2 000. L’exemple relie un indicateur métier à une mesure d’activité plus large : le résultat rapporté porte sur les stocks, et non simplement sur le nombre de références surveillées.

Le même entretien rapporte que le groupe de Colleen Aubrey a doublé sa cadence de mises en production après avoir amélioré la couverture des tests et la santé de ses pipelines, c’est-à-dire les processus automatisés qui vérifient et livrent les changements logiciels. Cette évolution ne permet pas d’isoler l’effet d’un assistant de programmation : elle intervient après plusieurs améliorations du processus de développement.

Ces cas illustrent le type de résultat qu’une entreprise peut suivre. Ils ne remplacent pas une comparaison entre travaux équivalents, comme celle qu’IBM décrit pour ses propres mesures.

Pour le logiciel, suivre tout le cycle de développement

Pour évaluer l’IA dans le développement logiciel, GitLab recommande de regarder l’ensemble du cycle de vie du développement logiciel (SDLC), de la conception à la mise en production. Le volume de code généré ou la vitesse de rédaction ne disent pas combien de temps la revue, les tests, la maintenance ou la correction de problèmes de sécurité demanderont ensuite. IBM rapporte aussi qu’une étude sur les assistants de programmation a vu certaines équipes produire moins de lignes de code pour obtenir le même résultat.

Les indicateurs DORA ne sont pas des mesures universelles pour tous les projets d’IA. Pour une équipe logicielle, ils complètent le suivi de la qualité et de la sécurité en couvrant aussi la livraison et les conséquences des changements en production. La revue, les tests et la maintenance restent à compter dans le bilan du travail généré avec l’IA.