La conversation vient à peine de commencer lorsqu’un cadre supérieur en TI se penche vers l’avant et interrompt avec une question qui relance la discussion : Quel est le RSI et combien de postes cela va-t-il réduire?

C’est un scénario familier qu’on retrouve dans les salles du conseil à travers les secteurs depuis quelques années, mais il s’agit presque toujours d’un mauvais point de départ. Ce réflexe est compréhensible puisque l’IA représente un investissement important et la direction veut une preuve de rendement. Mais réduire cette preuve à une réduction de personnel limite la valeur à une fraction de ce qui est en fait possible.

Dans les implantations actuelles, j’ai vu Now Assist détourner jusqu’à 35 à 40 % des cas de premier niveau. Cette valeur est réelle, mesurable et elle compte. Mais elle n’est que le point de départ. Les organisations qui ne s’optimisent que pour ce résultat ne saisissent qu’environ 18 % de la valeur totale générée par leur investissement dans l’IA et passent les 82 % restants à se demander pourquoi les chiffres ne correspondent jamais vraiment à la promesse.

Pourquoi le RSI basé sur le personnel est le plancher, pas le plafond

L’impulsion de mesurer l’IA par la réduction de postes est une tendance que je vois dans les entreprises qui évaluent la technologie de cette façon depuis des décennies. Utiliser le nombre de postes comme seul indicateur est souvent là où le problème commence.

Quand la réduction de personnel devient la principale preuve de valeur de l’IA, trois choses se produisent. Le dossier d’affaires est approuvé en fonction des économies de la première année et n’est jamais revisité. Le déploiement est alors optimisé selon les cibles de réduction plutôt que pour l’augmentation des capacités. Les parties prenantes concluent que la technologie a atteint un plateau lorsque les indicateurs d’efficacité se stabilisent, justement au moment où la croissance accélérée allait commencer. C’est le piège de la linéarité et cela incite les organisations à prendre une décision d’acquisition alors qu’elles devraient prendre une décision d’investissement.

En pratique, la déviation tend à plafonner autour de 85 à 88 % alors que l’automatisation atteint le mur de la complexité. La meilleure façon de reposer la question n’est pas le nombre de postes économisés, mais le coût par résultat, une mesure qui continue de s’améliorer longtemps après la stabilisation du nombre de postes, quand la plateforme gère plus de volume sans ajouter d’infrastructure.

Les trois couches de valeur de l’IA

Notre feuille de route du RSI, définie dans le cadre de nos mandats ServiceNow, cartographie la valeur de l’IA à travers trois couches.

La couche 1, c’est le RSI opérationnel, la couche d’efficacité et d’optimisation, là où la plupart des discussions commencent et où environ 80 % de l’attention du conseil se concentre. Les principales mesures sont le coût de service, le temps de cycle de processus, la couverture de l’automatisation, le MTTR, le libre-service et la résolution au premier appel. Les organisations qui ne mesurent qu’à cette étape concluent souvent que leur investissement dans l’IA a atteint un sommet juste au moment où la valeur commence à se composer.

La couche 2, c’est le RSI de l’expérience, le multiplicateur d’engagement et d’autonomisation pour lequel la plupart des organisations ne prévoient pas de budget de façon explicite. Les indicateurs clés comprennent l’augmentation de la CSAT, le score NPS, le temps de décision, la réduction du carbone et le taux de conformité. Chaque point d’augmentation de la CSAT a un effet sur la rétention et chaque baisse de l’indice d’effort des employés réduit le risque de perdre quelqu’un dont le remplacement coûte de 1,5 à 2 fois le salaire annuel. La couche 2 saisit aussi la valeur ESG, de plus en plus un critère d’achat, allant de la réduction du carbone et l’automatisation de la conformité aux améliorations en accessibilité qui affectent la conformité réglementaire et la réputation d’employeur.

La couche 3, c’est le RSI transformationnel, la couche de croissance et d’innovation que la plupart des organisations ne modélisent jamais à la première année. Les principaux indicateurs sont les revenus générés par les produits IA, l’indice d’innovation, l’augmentation de la rétention client et le temps de mise en marché. C’est là que l’IA permet aux TI de résoudre des incidents avant que les usagers ne les signalent, et aux services d’anticiper la demande plutôt que d’y réagir. Des capacités deviennent viables à grande échelle, impossibles à combler par dotation traditionnelle, car le goulot d’étranglement n’a jamais été le personnel, mais la rapidité et le volume des décisions nécessaires. À 36 mois, l’intelligence opérationnelle accumulée devient un atout propriétaire qui élargit l’écart entre ceux qui ont investi tôt et ceux qui ont attendu.

L’étude 2025 de McKinsey sur l’état de l’IA constate que seulement 6 % des organisations se qualifient comme performants dans l’IA tandis que 88 % utilisent l’IA dans au moins une fonction. La recherche de HCLTech Feuille de route d’un modèle opérationnel dirigé par l’IA révèle que les organisations ayant une approche alignée sur le produit sont 4 fois plus susceptibles de maximiser leur RSI pour chaque dollar investi en IA. La plateforme peut être la même et l’échéancier peut être identique, mais le rendement est très différent.

Autonomie plutôt qu’automatisation

L’automatisation se concentre sur les tâches qu’une machine peut accomplir à la place d’une personne et mène naturellement à des discussions sur le personnel. L’autonomie déplace l’attention sur les décisions et capacités rendues possibles lorsque l’intelligence humaine n’est plus freinée par les tâches routinières, menant à des discussions sur ce que l’organisation peut désormais accomplir de nouveau.

Quand cette question remplace celle du personnel, la conversation change et le taux d’adoption aussi.

Cinq façons de faire autrement

1. Définir la valeur dans les trois couches avant le déploiement, pas après. Dans bien des cas, les organisations limitent la mesure à la couche 1 en bâtissant leur modèle RSI selon les indicateurs qui ont justifié l’approbation. Nommer les valeurs des couches 2 et 3 lors de la première discussion de cadrage rend responsable de leur réalisation.
2. Fixer un horizon de valeur de 36 mois, pas 12. Le RSI de l’IA suit une courbe en J où les douze premiers mois semblent modestes et l’effet cumulatif s’accélère jusqu’à la troisième année. Un horizon de 12 mois donne souvent l’impression que l’investissement est décevant juste au moment où la valeur commence à émerger.
3. Mesurer les indicateurs avancés en plus des indicateurs retardés. Les indicateurs retardés révèlent ce qui s’est passé. Les indicateurs avancés—taux d’adoption par fonction, tendance des déviations de semaine en semaine et taux de résolution proactive—indiquent si la courbe RSI prend de l’élan ou plafonne et servent d’avertisseur précoce pour les retours des couches 2 et 3.
4. Voir la capacité libérée comme une capacité nouvelle. Lorsque Now Assist atteint une déviation prévue de 60 % des billets de niveau 1 à l’échelle, cette capacité libérée peut être réallouée à des opérations proactives, de nouvelles gammes de services ou à de meilleurs engagements clients plutôt qu’à la redondance. Suivre où elle est redirigée, c’est bâtir le RSI de la couche 3.
5. Mettre sur pied un Bureau de la réalisation de la valeur ou un équivalent. Le meilleur prédicteur qu’une organisation réalise les RSI des couches 2 et 3 est qu’une personne prend en charge la mesure après le déploiement. Une fonction désignée qui suit la valeur dans chaque couche et fait rapport trimestriel au leadership sépare les organisations qui voient tout le rendement de celles qui se demandent pourquoi il n’a jamais été réalisé.

Les questions qui valent la peine d’être posées

La prochaine fois qu’une discussion en salle du conseil commence par une question sur le personnel, répondez-y. Puis posez un jeu de questions plus ambitieux :

1. Quelle capacité l’IA a-t-elle libérée et quel nouveau travail cette capacité accomplit-elle aujourd’hui?
2. Quel est notre coût par résultat aujourd’hui, comparé à il y a 12 mois, à travers les trois couches de valeur?
3. Où l’IA a-t-elle amélioré la qualité d’une décision, et pas seulement la rapidité d’une tâche?
4. Quels services ou capacités existent aujourd’hui et n’auraient pas pu être dotés avant l’IA?
5. À quel point notre parc de données opérationnelles est-il plus riche, et quelle est la valeur stratégique de cette intelligence organisationnelle?

Les organisations qui sauront tirer parti de l’IA seront celles qui auront posé les plus grandes questions et construit un modèle de mesure à leur hauteur.