Arrêtez de mesurer l’IA en heures économisées

Je n’ai rien contre les « heures économisées » comme signal de tendance. Ce n’est simplement pas un indicateur business. Cela mesure une activité, pas un résultat. Et dans beaucoup d’organisations, ces heures ne disparaissent même pas : elles sont réaffectées, rebaptisées, puis absorbées par le prochain goulot.

Quand je dirigeais une business unit internationale dans le smart-building et les connected controls, puis lorsque j’ai piloté des opérations couvrant l’ingénierie, la supply chain, la production et le service en électrification et stockage d’énergie, le tableau de bord n’a jamais été l’effort. C’étaient la livraison, les coûts, la qualité et le cash. L’IA doit être tenue au même standard. Sinon, vous obtenez un portefeuille de copilots ingénieux, une surface d’attaque plus large, et aucune marge durable.

Ma thèse est simple : si votre indicateur de « victoire » pour l’IA est le nombre d’heures économisées, vous passerez à côté du P&L comme du risque. Mesurez l’IA sur la qualité des résultats, puis concevez le modèle opérationnel pour que les gains tiennent dans le temps.

Pourquoi les « heures économisées » ne sont pas un bon indicateur de pilotage

Les heures économisées séduisent parce que cela raconte facilement une histoire. Et parce que cela se manipule facilement.

• Cela ignore la contrainte. Dans la plupart des équipes, la contrainte n’est pas la saisie. Ce sont les décisions, les validations, les handoffs et la reprise.
• Cela masque les pertes de qualité. Si l’IA accélère la production de travail incorrect, votre organisation devient « efficacement » dans l’erreur.
• Cela ne se convertit pas en cash. Le P&L s’améliore quand le cycle time baisse, que les défauts diminuent, que les fuites se referment, ou que le chiffre d’affaires par effectif contraint augmente. Pas quand quelqu’un a « l’impression » d’aller plus vite.
• Cela crée du risque non piloté. Vous pouvez mettre en production un outil périphérique sans audit trail, sans gestion des exceptions et sans rollback, puis découvrir la facture via des avoirs clients, des constats de non-conformité ou des dégâts d’image.

Dans l’industrie et la tech industrielle, personne n’accepte « on a économisé des heures opérateur » comme critère de mise en production. Vous démontrez le débit dans les tolérances. Vous démontrez la stabilité des rebuts. Vous démontrez que les interverrouillages de sécurité fonctionnent. Cette discipline doit aussi s’imposer dans les déploiements d’IA.

Évaluer l’IA comme un CFO : la qualité des résultats, pas l’activité

Si vous voulez une gouvernance de niveau CFO sans en faire une usine à gaz, partez de quatre catégories mesurables. Elles s’appliquent aussi bien au SaaS qu’à la fintech et aux opérations industrielles.

1) Cycle time : là où se cachent le cash et la capacité

Choisissez des processus bout en bout où le temps se convertit en argent :

• Order-to-cash. Justesse des devis, délai de contractualisation, vitesse de facturation, résolution des litiges.
• Close-to-report. Rapprochements, préparation des écritures, explications des écarts.
• Support-to-resolution. Délai de première réponse, temps de résolution, deflection avec exactitude vérifiée.

Une IA qui réduit le cycle time sans augmenter les défauts, c’est la forme la plus proche de « capacité gratuite » que vous trouverez.

2) Taux d’erreurs et de défauts : la taxe cachée de chaque promesse de « productivité »

Suivez la qualité comme une usine suit les rebuts et la reprise :

• Pourcentage de reprise par étape de workflow
• Avoirs, remboursements et gestes commerciaux
• Escalades pour 100 dossiers
• Défauts détectés après mise en production (pas seulement en test)

En tant qu’ex-responsable QA et tests en électronique grand public et en HVAC controls, j’ai appris qu’aller vite sans garde-fou qualité n’est pas un progrès. C’est une voie plus rapide vers les retours, l’érosion de la marque et les corrections terrain. L’IA peut amplifier ce phénomène, car elle produit à grande échelle des sorties plausibles.

3) Fuites : le P&L que vous perdez en silence

Les fuites sont l’endroit où les opérateurs gagnent des trimestres sans héroïsme. L’IA peut aider, à condition de mesurer.

• Conformité prix et remises. Écarts à la politique, validations contournées, impact marge.
• Exactitude de facturation. Défauts de facture, éléments non facturés, traitement fiscal incorrect (le cas échéant).
• Hygiène des claims et des garanties. Claims invalides acceptés, claims valides retardés, coût par claim.

Les indicateurs de fuite sont aussi des indicateurs de risque. Ils révèlent où l’IA prend des décisions qu’elle ne devrait pas prendre.

4) Chiffre d’affaires ou marge brute par effectif contraint

C’est le tableau de bord qui compte quand les embauches sont plafonnées, que les expertises sont rares ou que l’organisation est en transformation.

Mesurez le progrès dans les équipes qui sont réellement contraintes : key account managers, solution engineers, gestionnaires de claims, credit controllers, ou ces spécialistes embarqués qui sont systématiquement le goulot dans les programmes industriels.

Les gains tiennent uniquement si le modèle opérationnel change

Je retrouve le même schéma dans la tech industrielle, le SaaS et les platform builds : un outil ne transforme pas un processus. L’ownership et les contrôles, si.

Quand j’ai reconstruit et mis à l’échelle une organisation R&D couvrant l’embedded software, le cloud, l’électronique, la mécanique et la QA, les plus grands progrès sont venus d’une clarification : qui décide, et où se trouvent les points de contrôle. La même logique vaut pour l’IA dans le back office, le support, l’ingénierie et les workflows commerciaux.

Voici le modèle opérationnel que j’utilise. Il est assez simple à piloter, et assez strict pour vous protéger.

1. Nommez un décisionnaire par processus. Pas un steering committee. Un seul responsable redevable pour « approbation de devis », « approbation de remboursement », « onboarding fournisseur », « clôture de dossier » ou « readiness de release ».
2. Définissez les points de contrôle. Où une revue humaine est-elle obligatoire, et qu’est-ce qui la déclenche ? Les seuils doivent être explicites : plafonds de montant, bandes de confiance, segmentation client, nouveauté de la demande, sensibilité réglementaire.
3. Instrumentez des audit logs. Qu’est-ce que l’IA a vu, qu’a-t-elle recommandé, qu’est-ce qui a été accepté, et par qui. Si vous ne pouvez pas reconstituer une décision, vous ne la contrôlez pas.
4. Concevez la gestion des exceptions. Chaque processus doit avoir une voie sûre quand le modèle est incertain, que les données manquent ou que le cas est atypique.
5. Mettez en place rollback et kill switches. Si la qualité dérive, vous revenez à un mode connu et sûr. Si vous ne pouvez pas arrêter, vous ne maîtrisez pas.

C’est aussi pour cela que je reviens toujours au même principe : la valeur de l’IA n’est pas dans l’organigramme. Elle est dans le bouton d’arrêt. J’en ai écrit davantage dans AI Value Isn’t in the Org Chart. It’s in the Stop Button et dans AI Moderation Needs an Error Budget and a Kill Switch.

Un prisme pratique : traiter l’IA comme une ligne de production

Dans mes années en électronique de puissance, les responsables qualité m’ont transmis un état d’esprit qui se transpose parfaitement à l’IA : on ne « fait pas confiance » à un système. On le qualifie. On le surveille. On le borne. On prouve qu’il reste dans les tolérances.

Je demande donc aux opérateurs de traduire leur initiative IA en termes de production :

• Quelle est l’unité de travail ? Un dossier support, une facture, une modification de design, un rapport de test, un claim.
• Quel est le débit ? Unités par jour, par personne, par file.
• Quelle est la qualité ? Défauts pour 100 unités, pondérés par sévérité.
• Quel est l’error budget ? Le taux de défaut toléré avant de ralentir ou d’arrêter.
• Où est l’interverrouillage de sécurité ? L’étape qui empêche une mauvaise sortie d’être livrée, payée ou engagée.

Une fois posé ainsi, les « heures économisées » deviennent un effet secondaire, pas l’objectif.

Ce que je mettrais en place ce trimestre (checklist)

Si vous êtes membre de board ou opérateur et que vous voulez du concret en un trimestre, voici le minimum.

1) Choisissez un processus contraint et une famille d’indicateurs

Ne commencez pas par « tout le monde a un copilot ». Commencez là où l’entreprise souffre, et là où la mesure est possible. Choisissez une des quatre familles : cycle time, défauts, fuites, ou marge par effectif contraint.

2) Établissez une baseline avec une honnêteté brute

Mesurez le cycle time et le taux de défaut de bout en bout. Incluez la reprise et les escalades. La baseline est votre contrat avec la réalité.

3) Tracez la frontière de décision

Écrivez ce que l’IA peut proposer, ce qu’elle peut rédiger, et ce qu’elle peut décider. La plupart des organisations laissent cette frontière dériver jusqu’à la rupture. Faites-le explicitement.

4) Mettez en place points de contrôle et kill switch avant de passer à l’échelle

Ce point ne se négocie pas. L’audit log, la voie d’exception et le rollback font partie du produit. Si vous ne feriez pas tourner une ligne sans arrêts d’urgence, ne faites pas tourner des workflows IA sans eux.

5) Publiez deux dashboards : débit et qualité

Un dashboard pour la vitesse et la capacité, un autre pour les défauts et les fuites. Si vous ne suivez que le premier, le second vous surprendra.

Dans mes venture builds, dont Shopeno et IBHQ, cette discipline est ce qui permet à de petites équipes de rester efficaces. Vous ne pouvez pas vous permettre un risque non maîtrisé quand les effectifs sont contraints. Et vous ne pouvez pas non plus vous permettre des vanity metrics. Il vous faut des systèmes maîtrisables, qui composent dans le temps.

L’opinion que je défends

L’IA doit se piloter comme n’importe quel système de production qui touche aux clients et au cash. Mesurez le débit et la qualité. Placez des points de contrôle là où une décision devient un engagement. Installez un bouton d’arrêt qui arrête réellement.

En procédant ainsi, vous obtiendrez toujours de la productivité. Simplement, vous l’obtiendrez sous la forme qui compte : des cycles plus rapides, moins de défauts, moins de fuites, et une marge plus élevée par équipe contrainte. C’est le type de « victoire » IA qu’un CFO peut considérer comme fiable, et qu’un opérateur peut mettre à l’échelle.