Pourquoi autant de projets IA échouent-ils encore à générer un ROI mesurable ?

Benoit Postic : le problème, c’est qu’un modèle IA, même très performant, ne génère pas de ROI à lui seul. Le ROI vient de la capacité à transformer un processus métier : réduire un centre de coûts, accélérer un workflow, limiter un risque opérationnel. Dans notre étude Enterprise AI ROI, une très grande majorité des pilotes GenAI déclarés ne débouchent pas encore sur un impact métier mesurable, et seulement 10 à 20 % des insights générés par l’IA ont un impact concret sur les revenus .

Pour nous, il faut inverser la logique. Le point de départ ne doit pas être “où mettre de l’IA ?”, mais : quel workflow métier freine l’activité ? Où sont les coûts, les retards, les frictions ou pertes de revenus ? À partir de là, on peut définir des KPI métiers et construire un projet IA réellement connecté au business.

Quels sont aujourd’hui les principaux freins rencontrés par les entreprises ?

B. P. : beaucoup d’organisations ont lancé des POC parce qu’il fallait prendre le virage IA, mais sans toujours définir des critères de succès permettant ensuite de passer à l’échelle.

L’enjeu pour les entreprises n’est pas d’obtenir une démo impressionnante, mais plutôt de percevoir clairement les gains dans leur environnement réel : avec leurs données, leurs utilisateurs, leurs exceptions métier, leurs contraintes de sécurité et leurs workflows, parfois complexes.

Un POC doit donc déjà être une préproduction mesurable. Les équipes doivent pouvoir se projeter immédiatement sur la scalabilité de la solution et sur sa capacité à délivrer un ROI concret.

Comment entendez-vous accélérer le passage de l’IA du POC à la production ?

B. P. : nous partons toujours d’un premier cas d’usage métier très concret, mais l’objectif n’est pas simplement de répondre à un besoin ponctuel. Dès ce premier projet, nous construisons une architecture pensée pour le passage à l’échelle : contexte partagé, composants réutilisables et gouvernance.

Cette approche permet de comprendre l’environnement du client, ses interactions, ses données et ses spécificités métier. Ainsi, chaque nouveau cas d’usage métier peut être déployé beaucoup plus rapidement et avec davantage de fiabilité.

L’autre sujet clé, c’est la sécurisation de l’exécution. Nous intégrons dès le départ les problématiques de droits d’accès, de contrôle humain, de logs, de conformité ou encore de gouvernance des workflows. Le but étant d’installer une IA à la fois fiable, sécurisée, déployable à grande échelle et réellement utile pour les métiers.

La rapidité de déploiement est donc pour vous un élément disruptif ?

B. P. : oui, parce qu’aujourd’hui beaucoup de porteurs de projet ressentent une vraie fatigue des projets IA : ils ont le sentiment que les initiatives sont longues, coûteuses, très théoriques, parfois déconnectées des enjeux métiers. Ils doivent souvent engager des budgets importants avant d’avoir la certitude que la solution générera réellement de la valeur.

En quelques jours, l’entreprise peut généralement tester une première version d’Unframe fonctionnelle sur un workflow réel, avec ses données ou un échantillon représentatif, et des critères de succès définis dès le départ. Il ne s’agit pas de réaliser un POC théorique, mais plutôt un MVP (Minimum Viable Product), avec des critères de succès définis en amont, et sans engagement financier initial : le client peut tester la solution avant de s’engager financièrement.

Comment cette vitesse d’exécution est-elle possible d’un point de vue technologique ?

B. P. : cette rapidité repose en partie sur l’architecture d’Unframe. Nous avons construit une plateforme basée sur des “building blocks”, des briques techniques réutilisables qui fonctionnent comme des Lego. Chaque composant possède une fonction précise : connexion sécurisée à une donnée, orchestration de workflows, optimisation des requêtes LLM, traitement documentaire, etc.

Cela nous permet d’aller vite tout en gardant un niveau d’adaptation très élevé. Notre différence, c’est de ne pas choisir entre produit standard et adapté aux besoins métier. Nous réutilisons des briques déjà éprouvées – connecteurs, traitement documentaire, orchestration, gouvernance – ce qui nous permet de livrer rapidement sans repartir de zéro.

A l’heure où la flambée des coûts liés aux LLM devient un sujet critique, quelles réponses apportez-vous ?

B. P. : effectivement, beaucoup d’entreprises commencent à réaliser que certains modèles économiques peuvent devenir très difficiles à maîtriser à grande échelle.

L’architecture d’Unframe a été pensée pour optimiser la consommation des modèles. Une partie du traitement est réalisée en amont avant de solliciter les LLM, ce qui permet de limiter les appels inutiles et de mieux contrôler les coûts.

Par ailleurs, nous ne sommes liés à aucun modèle spécifique. Cette posture agnostique nous permet d’utiliser, selon les besoins, aussi bien des LLM internationaux que des alternatives souveraines comme Mistral lorsque les enjeux réglementaires ou stratégiques l’imposent.

Notre approche apporte aussi une vraie visibilité financière. Dès la phase de cadrage, nous travaillons avec les équipes sur un business case précis : impact métier attendu, volumétrie, intégrations, nombre d’utilisateurs, coûts associés. Nos clients savent rapidement si le ROI est crédible et disposent d’une visibilité claire sur les coûts et la valeur créée.

En conclusion, peut-on dire que l’IA ouvre une nouvelle manière d’aborder certains problèmes opérationnels historiquement traités par de grands projets SI ?

B. P. : oui, tout à fait. Nous travaillons par exemple avec un grand retailer. Dans ce cas, l’enjeu n’est pas de ‘faire de l’IA’, mais d’identifier plus tôt les commandes incomplètes ou à risque, d’alerter les bonnes équipes et de recommander les actions à mener avant que le problème ne se transforme en retard, rupture ou insatisfaction client.

En travaillant avec le directeur Supply Chain, nous avons pu chiffrer un impact potentiel de plusieurs millions d’euros par an. Pendant longtemps, résoudre ce type de workflow complexe impliquait presque automatiquement de lancer un grand projet ERP ou une transformation SI structurante.

Désormais, un projet IA, lorsqu’il est mené de manière pragmatique, permet de traiter ces workflows de manière beaucoup plus agile et ciblé, le tout avec un impact directement mesurable et un time to value beaucoup plus court.