83 % des entreprises attendent un retour sur leur investissement IA sous 12 mois. Seules 15 % parviennent à calculer ce ROI sans rencontrer de blocages majeurs. C'est ce que révèle notre étude, une enquête menée auprès de 500 directeurs financiers par Sapio Research. Cet écart ne relève ni de la patience, ni de la maturité. C'est un problème de mesure, qui commence par un calcul que la plupart des équipes finance n'ont pas encore remis en question.
Ce que veut dire aujourd'hui mesurer le ROI de l'IA
Mesurer le ROI de l'IA, c'est relier les dépenses IA aux résultats qu'elles produisent — impact sur le chiffre d'affaires, rétention, gains de productivité, économies — et exprimer cette relation sous forme d'un retour actionnable pour la finance. En pratique, cela se décompose en quelques éléments clés.
Suivi des coûts. Établir ce qui a réellement été dépensé : tokens consommés, compute utilisé, infrastructure derrière un modèle ou une fonctionnalité donnée. Comprendre comment un LLM traite réellement une requête est un bon point de départ pour identifier l'origine réelle de ce coût.
Attribution de la valeur. Rattacher cette dépense à un résultat métier : un renouvellement, un gain de productivité, une fonctionnalité qui génère de l'upsell, un ticket de support évité.
Calcul du délai de retour sur investissement. Traduire la relation coût-valeur dans un horizon que la finance reconnaît : quand cet investissement atteint-il son point mort, et à partir de quand génère-t-il du retour ?
Suivi continu des marges. Le ROI n'est pas un calcul ponctuel. À mesure que l'usage monte en charge, le coût par résultat peut dériver — parfois favorablement, parfois non — et il faut suivre cette dérive en continu plutôt que se contenter d'un instantané trimestriel.
Pour les investissements IA au périmètre net et borné — un modèle dédié à une seule fonctionnalité, un outil sous licence claire à coût mensuel fixe — le calcul est généralement direct. Eduardo Mota, chez DoiT, a détaillé un cadre pratique en 5 étapes pour évaluer le ROI précisément dans ces cas. Le problème commence ailleurs.
Pourquoi la formule classique du ROI se brise côté coûts
Le ROI est censé être un ratio simple : valeur générée divisée par coût engagé. La plupart des équipes supposent que la moitié difficile de l'équation, c'est la valeur — prouver qu'une fonctionnalité IA a réellement fait bouger un indicateur métier. En pratique, la moitié la plus difficile est presque toujours celle du coût.
On parvient généralement à identifier le résultat. Un renouvellement a eu lieu. Un ticket de support a été évité. Une fonctionnalité a été livrée, son adoption a grimpé. Ce qui est bien plus difficile à cerner, c'est ce qu'il a réellement coûté de produire ce résultat, car les dépenses IA apparaissent rarement sous la forme d'un chiffre net et attribuable.
C'est le même problème d'attribution qui fait dérailler le FinOps pour l'IA, appliqué cette fois à une question financière plutôt qu'à une question de gestion des coûts. Une API de modèle managé sert des dizaines d'équipes depuis une seule ligne de facturation. Un cluster GPU partagé exécute l'inférence pour plusieurs produits à la fois. Une passerelle LLM agrège le trafic et efface l'identité de l'appelant avant qu'elle n'atteigne le fournisseur. Un workload agentique génère des sous-agents qui déclenchent de vrais coûts d'infrastructure sans lien clair avec la fonctionnalité à l'origine de l'appel.
Mesurer le ROI, c'est résoudre un problème d'attribution déguisé en question financière. Sans attribution du coût, pas de calcul possible du ratio. Vous ne pouvez que l'estimer — et les estimations amplifient l'erreur précisément dans le sens qui fait paraître les investissements IA pires, ou meilleurs, qu'ils ne le sont réellement.
Là où l'ancien playbook du ROI tient encore, et là où il craque
La facturation au niveau du compte donne la dépense totale, pas le coût par fonctionnalité
Une facture fournisseur indique ce que l'organisation a dépensé sur un modèle le mois dernier. Elle ne dit pas ce qu'a coûté la fonctionnalité qui alimente vos renouvellements par rapport à celle, expérimentale, qui n'a pas encore été livrée. Sans cette ventilation, tout calcul de ROI se rabat sur une moyenne à l'échelle de l'organisation, qui ne dit à peu près rien sur la rentabilité d'un investissement précis.
L'infrastructure partagée rend le dénominateur peu fiable
Quand un cluster GPU ou un compte modèle sert plusieurs produits, le dénominateur coût de votre ratio ROI repose sur une hypothèse de répartition, pas sur un chiffre mesuré. Modifiez l'hypothèse et le ROI change avec elle, alors même que rien dans le résultat métier n'a bougé.
Les workloads agentiques évoluent vite : le modèle du trimestre dernier est déjà obsolète
Une fonctionnalité agentique peut modifier son propre profil de coût du jour au lendemain — générer davantage de sous-agents, appeler des modèles plus onéreux, exécuter des chaînes plus longues — sans que personne ne mette à jour le modèle de ROI conçu au moment de la mise en production. Le temps que la finance s'aperçoive que l'économie unitaire a basculé, plusieurs mois de décisions auront été prises sur des chiffres périmés.
Un exemple concret : la surprise à 44 000 $
Une équipe produit livre une nouvelle fonctionnalité IA associée à une release majeure. Elle fonctionne bien. L'adoption est forte. Puis la finance clôture le mois et découvre une ligne supplémentaire de 44 000 dollars liée à cette fonctionnalité — bien au-delà de ce que quiconque avait modélisé au lancement.
Personne ne s'est trompé volontairement dans ses prévisions. Le modèle qui avait chiffré le coût IA de la fonctionnalité reposait sur une estimation de tokens par utilisateur, tirée des tests initiaux. En production, les usages étaient différents : sessions plus longues, prompts plus complexes, un sous-ensemble de power users générant une consommation disproportionnée. Rien de tout cela n'était visible avant l'arrivée de la facture, car rien dans la stack n'attribuait le coût au niveau de détail nécessaire pour le repérer plus tôt.
C'est ce type de scénario qui fait de la mesure du ROI de l'IA un sujet de conseil d'administration, et non une simple tâche d'intendance financière. La fonctionnalité reste peut-être un bon investissement. Personne ne peut l'affirmer avec certitude, faute de voir suffisamment clairement le côté coût pour terminer le calcul.
Mesurer le ROI, avant et après l'attribution au niveau du token
| Estimation au niveau du compte | Attribution au niveau du kernel | |
|---|---|---|
| Visibilité sur les coûts | Dépense totale par fournisseur ou par compte | Coût par token, par fonctionnalité, par client |
| Délai de détection d'un problème | Fin du cycle de facturation, souvent un mois ou plus | Quasi temps réel, au fil de la consommation |
| Confiance dans le chiffre | Fondée sur des hypothèses de répartition | Fondée sur la consommation runtime mesurée |
| Qui peut agir | La finance, a posteriori | Finance et Engineers, en temps réel |
L'attribution au niveau du token, socle du ROI
On ne peut pas calculer un ratio qu'on ne peut pas mesurer. L'attribution au niveau du token ne rend pas simplement les calculs de ROI plus précis — elle les rend possibles, tout court, pour les workloads où la facturation au niveau du compte allait de toute façon rester une conjecture.
Attribute™ by DoiT déploie un capteur eBPF au cœur du système d'exploitation qui observe la consommation réelle — chaque token, chaque requête modèle, chaque cycle GPU — au fil de son exécution, et rattache chaque unité au processus, au conteneur et à la requête responsables. Sans tags. Sans SDK. Sans modification de code. Cette même approche au niveau du kernel, qui résout l'allocation des coûts côté FinOps for AI, rend la mesure du ROI fiable plutôt qu'estimée : coût par fonctionnalité, coût par client, coût par résultat, attribués automatiquement plutôt que reconstruits après réception de la facture.
C'est le même principe architectural que celui de notre approche FinOps for AI, appliqué à la question financière plutôt qu'à la gestion des coûts. La tokenomics, sans tags, sans SDK, sans modification de code.
Pourquoi le sujet est urgent
Ces deux chiffres décrivent l'écart sous deux angles : l'attente et la capacité. Un troisième, issu de la même enquête Sapio Research, en révèle la conséquence : 79 % des entreprises ont déjà subi des dépassements de coûts liés à l'IA.
DoiT gère plus de 8 milliards de dollars de dépenses cloud pour 4 500 clients dans 27 pays, et nous avons vu le même schéma se répéter sur chaque catégorie de coûts apparue dans le cloud : les organisations qui mettent en place tôt une mesure fiable prennent ensuite de meilleures décisions d'investissement, à chaque étape. Le ROI de l'IA ne fait pas exception — à ceci près que le coût de l'attente s'accumule plus vite.
Nous collaborons avec la Tokenomics Foundation, aux côtés de JR Storment et de la FinOps Foundation, pour aider à définir ce à quoi doit ressembler une mesure fiable des coûts de l'IA à l'échelle du secteur.
FAQ
Qu'est-ce que le ROI de l'IA ?
Le ROI de l'IA correspond au retour généré par un investissement IA rapporté à son coût, exprimé sous forme de ratio ou de délai de rentabilité. Il exige deux chiffres fiables : la valeur produite et le coût engagé. La plupart des difficultés de mesure du ROI de l'IA tiennent à des données de coût peu fiables, plus qu'à des données de valeur peu claires.
Comment calcule-t-on le ROI de l'IA ?
L'approche standard consiste à diviser la valeur générée par un investissement IA — chiffre d'affaires, économies, gains de productivité — par le coût de son exécution. Le calcul est direct dès lors que les deux chiffres sont fiables. Dans la plupart des organisations, le côté valeur est identifiable. Le côté coût, souvent, ne l'est pas — en particulier pour les workloads IA tournant sur une infrastructure partagée ou via des passerelles LLM.
Pourquoi le ROI de l'IA est-il si difficile à mesurer ?
Les dépenses IA transitent souvent par des clusters GPU partagés, des passerelles LLM et des workflows agentiques qui ne préservent pas un lien clair entre le coût et la fonctionnalité, le client ou l'équipe qui en sont à l'origine. Les tags et les SDK — outils traditionnellement utilisés pour attribuer le coût cloud — ne survivent pas à ces architectures, ce qui laisse le volet coût de l'équation du ROI reposer sur des estimations plutôt que sur des mesures.
Quelle différence entre gestion des coûts IA et mesure du ROI de l'IA ?
La gestion des coûts IA se concentre sur le suivi et le contrôle de ce qui est dépensé. La mesure du ROI de l'IA va un cran plus loin : elle relie cette dépense au résultat métier produit et exprime la relation sous forme de retour. Elle repose sur une gestion des coûts fiable comme socle ; sans attribution précise des coûts, les calculs de ROI se rabattent sur des estimations.
Combien de temps faut-il pour constater un ROI sur un investissement IA ?
Cela dépend du cas d'usage, mais la plupart des entreprises attendent un retour sous 12 mois d'après les études sectorielles. Que cet horizon soit tenu ou non reste souvent incertain tant que l'attribution des coûts n'est pas en place, car de nombreuses organisations ne peuvent tout simplement pas calculer un ROI avec confiance tant qu'elles ne voient pas le coût au niveau de la fonctionnalité ou du client.
Qui, dans l'organisation, porte la mesure du ROI de l'IA ?
Elle est généralement partagée entre la finance — qui porte le calcul du retour et le dossier d'investissement — et l'engineering ou le produit, qui comprennent le workload derrière le coût. Aucun des deux n'a habituellement une visibilité complète à lui seul. La finance a besoin du contexte des Engineers sur la manière dont la dépense est générée, et l'engineering a besoin du cadrage de la finance sur ce qui compte comme retour.
Peut-on mesurer le ROI de l'IA sans taguer chaque workload IA ?
Oui. La mesure au niveau du kernel observe la consommation au niveau du système d'exploitation : l'attribution des coûts ne dépend donc pas du fait qu'un workload ait été tagué correctement — ni même qu'il ait pu l'être. C'est décisif pour les workloads que le tagging n'allait jamais atteindre : clusters GPU partagés, trafic routé via passerelle et chaînes agentiques.
Prêt à voir votre véritable coût IA par service rendu ?
Quinze minutes pour l'installer. Aucune instrumentation requise. Vos données tokenomics d'ici la fin de journée.