D'où viennent les -78 % : comment décomposer l'effet de l'automatisation
Le chiffre « moins 78 % de temps » a l'air d'être une propriété du produit. Ce n'est pas le cas. C'est la somme de trois changements indépendants, dont chacun aurait fonctionné séparément, et dont aucun, à lui seul, n'aurait produit un tel résultat.
La différence entre « nous avons déployé le système et obtenu 78 % » et « voici de quoi se composent ces 78 % » est d'ordre pratique. La première formulation ne se transpose nulle part : dans un autre processus, elle donnera un autre chiffre pour une raison inconnue. La seconde se transpose intégralement, parce qu'elle nomme des mécanismes, et non un résultat.
L'effet de l'automatisation se décompose en au moins trois éléments : l'assemblage du résultat selon des règles plutôt qu'à la main, la diffusion du résultat vers le système de référence, et un événement qui revient dans la boucle et déclenche l'étape suivante. Ces éléments agissent sur des groupes de personnes différents et dans des proportions différentes ; c'est pourquoi le pourcentage final n'est pas reproductible, alors que sa composition l'est.
Les trois composantes d'un effet d'automatisation
La décomposition ne se fait pas par composants du système, mais par types de travail qui ont disparu ou changé de nature. Chaque composante a son propre mécanisme, son propre bénéficiaire et sa propre limite.
L'assemblage par règles plutôt qu'à la main. Auparavant, le chargé de compte ouvrait le tarif, calculait au moyen d'une calculatrice, cherchait des photos dans le catalogue d'entrepôt et mettait le document en forme dans un éditeur de texte. Ensuite, il sélectionnait les postes, et le reste se remplissait automatiquement. Cette composante procure la part la plus visible du gain de temps et agit instantanément : l'effet se voit dès le premier document. Sa limite tient au volume de ce qui peut être formalisé. Tout ce qui ne peut pas être traduit en règle reste manuel.
La diffusion du résultat vers le système de référence. Le document quittait la fiche de l'affaire en une seule action et y était classé du même geste. Cette composante ne fait presque pas gagner de temps à l'exécutant lui-même — elle en fait gagner à tous les autres : au responsable qui cherche ce qui a été envoyé au client, au comptable qui vérifie les conditions, au collègue qui reprend le dossier. L'effet est différé, et c'est pourquoi il n'entre le plus souvent pas dans le calcul du retour sur investissement.
L'événement qui revient dans la boucle. Le client a-t-il ouvert l'e-mail ou non, a-t-il cliqué sur le lien ou non — ces faits déclenchaient l'action suivante. Cette composante ne fait gagner aucun temps. Elle change le résultat : elle augmente la part des affaires menées jusqu'à l'échange avec le client. Dans le calcul des « heures économisées », sa contribution est nulle ; dans le chiffre d'affaires, elle ne l'est pas.
| Composante | Qui en profite | Quand l'effet est visible | Ce qui la limite |
|---|---|---|---|
| Assemblage par règles | L'exécutant | Dès le premier document | Part de ce qui est formalisable |
| Diffusion vers le système de référence | Tous sauf l'exécutant | Au bout d'un trimestre | Discipline d'utilisation du système |
| Événement et déclencheur | L'entreprise, dans son chiffre d'affaires | Au bout d'un cycle de vente | Existence d'une étape suivante |
Observez la deuxième colonne. Ces composantes profitent à des groupes de personnes différents, ce qui explique un conflit classique lors du déploiement : l'exécutant ne voit que la première composante, le responsable attend la troisième, et c'est l'entreprise qui paie pour les trois à la fois.
Pourquoi l'effet de la technologie et celui de l'organisation sont indissociables
L'idée selon laquelle la contribution de la technologie pourrait se calculer indépendamment de celle des changements organisationnels se heurte aux données économiques — et ce depuis longtemps.
Les entreprises classées dans la moitié supérieure à la fois pour les investissements en technologies de l'information et pour la décentralisation de leur gestion étaient en moyenne 5 % plus productives que celles qui n'excellaient que sur l'un des deux plans. L'évaluation boursière de chaque dollar de capital informatique était, dans les entreprises décentralisées, supérieure de 2 à 5 dollars à celle des entreprises centralisées.
Je précise d'emblée la limite : ce sont des données corrélationnelles de la fin des années quatre-vingt et des années quatre-vingt-dix, pas une expérience contrôlée, et il ne faut pas transposer ces pourcentages aux déploiements d'aujourd'hui. Ce qui a de la valeur, c'est la structure du résultat : la technologie et le changement organisationnel sont complémentaires, c'est-à-dire que leurs effets se multiplient plutôt qu'ils ne s'additionnent. C'est précisément pourquoi il est impossible d'attribuer le pourcentage final à l'un des deux seuls — c'est une question d'attribution de l'effet.
Pourquoi l'effet moyen cache plus qu'il ne montre
Une deuxième façon de vérifier qu'un chiffre global est inutile sans décomposition consiste à examiner des études dotées d'un groupe témoin. On y voit que l'« effet moyen » se compose de chiffres très différents les uns des autres.
L'accès à un assistant IA générative a augmenté la productivité des agents du service client, en moyenne de 14 % de dossiers traités par heure. Chez les débutants et les agents peu qualifiés, la hausse atteignait 34 %, tandis que chez les agents expérimentés, elle était proche de zéro.
Il s'agit d'un document de travail, et non d'une publication finale évaluée par les pairs au moment de la lecture, et les données proviennent d'une seule entreprise avec un seul outil. Les pourcentages eux-mêmes ne sont pas généralisables. Ce qui l'est, c'est le mécanisme : l'effet moyen se compose d'un effet important chez un groupe et quasi nul chez un autre, et la décision de déployer ou non dépend de la structure de votre équipe, pas de la moyenne.
Sur les tâches situées à l'intérieur des capacités du modèle, les consultants y ayant accès accomplissaient 12,2 % de tâches en plus et 25,1 % plus vite, avec une qualité supérieure. Sur les tâches situées en dehors de ces capacités, ces mêmes participants avaient 19 % de chances en moins d'avoir raison que ceux travaillant sans le modèle.
Ici, c'est le signe qui compte. Le même outil, dans la même entreprise, produit un effet positif sur une catégorie de tâches et négatif sur une autre. La moyenne de ces deux chiffres donne une valeur qui ne décrit aucun scénario d'usage réel — ce sont des effets hétérogènes qu'une moyenne unique efface.
Comment décomposer l'effet dans son propre processus
La méthode ne demande ni groupe témoin ni statistiques. Elle exige que les changements soient introduits l'un après l'autre, et non en un seul déploiement — et c'est précisément là que la patience fait généralement défaut.
La mesure de référence est le seul élément qu'on ne peut pas reconstituer a posteriori. Trois chiffres suffisent, en une demi-journée : le temps nécessaire pour produire un résultat, la part des résultats comportant un défaut, la part de ceux qui aboutissent à une réponse du client. Sans eux, toute comparaison ultérieure ne sera qu'une dispute de souvenirs.
La pause entre les étapes ne sert pas à soigner un rapport, mais à garder la main sur le processus. Si, après un déploiement unique, l'effet se révèle inférieur aux attentes, vous n'avez aucun moyen de savoir laquelle des trois modifications n'a pas fonctionné, et l'étape suivante devra être choisie au hasard.
Pourquoi un pilote ne se reproduit pas à l'échelle
Cette décomposition explique aussi l'échec le plus fréquent : le pilote a montré un effet, mais le déploiement à l'échelle de l'entreprise n'en a montré aucun. Dans un pilote, en général, seule la première composante fonctionne vraiment, la deuxième n'est présente que de façon conditionnelle, et la troisième est totalement absente.
Environ 95 % des organisations ne tirent aucun retour mesurable de leurs pilotes d'IA générative, et seuls 5 % des outils d'IA d'entreprise développés sur mesure atteignent le stade de l'exploitation en production. La cause invoquée par les auteurs est un écart d'apprentissage : les systèmes pilotes ne conservent pas le contexte et ne s'améliorent pas au contact du retour d'expérience.
C'est un rapport sectoriel, et non une étude évaluée par les pairs, et l'échantillon n'est pas décrit comme aléatoire — un biais en faveur des entreprises qui rendent publics leurs résultats est possible. Mais le mécanisme décrit correspond à la décomposition : le pilote met en évidence la première composante, tandis que la rentabilité est créée par la deuxième et la troisième, que le pilote ne construit pas, car elles exigent une intégration et un propriétaire du processus — ce sont des investissements organisationnels complémentaires. Pour aller plus loin, voir l'analyse détaillée de l'endroit exact où naît l'effet.
Quatre étapes pour rendre le chiffre d'effet transposable
Mesurez trois chiffres avant de démarrer
Temps par résultat, part des résultats défectueux, part de ceux menés jusqu'à la réponse. Une demi-journée de travail qu'on ne peut pas rattraper après coup.
Introduisez les changements un par un
D'abord les règles, puis la diffusion, puis les événements. Entre les étapes, une pause suffisante pour effectuer la mesure.
Ventilez l'effet par groupe
Séparément pour les débutants et les expérimentés, pour les cas simples et les cas complexes. La moyenne de ces groupes ne décrit aucun d'entre eux.
Décrivez la composition, pas le résultat global
Le rapport de résultat doit comporter trois lignes, pas une seule. Une seule ligne ne se reproduit pas dans le processus suivant.
Si l'effet de votre déploiement s'exprime en un seul chiffre, vous ne pourrez pas le reproduire dans un deuxième processus — et vous ne saurez pas pourquoi.
Questions fréquentes sur la décomposition de l'effet d'automatisation
Comment mesurer l'effet de l'automatisation d'un processus ?
Au moyen de trois indicateurs indépendants, relevés avant et après : le temps par unité de résultat, la part des résultats comportant un défaut, et la part des résultats ayant atteint l'étape suivante. Un indicateur de processus agrégé unique ne convient pas : il masque les situations où le temps a diminué alors que la part de défauts a augmenté, et inversement.
Que faire si la mesure de référence n'a pas été effectuée ?
La reconstituer à partir des documents, pas des souvenirs. Prenez vingt résultats de la période précédant le déploiement : les dates de création et d'envoi donneront le temps, le contenu donnera la part de défauts, l'historique des échanges donnera la part de ceux ayant abouti à une réponse. C'est moins précis qu'une mesure directe, mais c'est vérifiable — contrairement aux souvenirs des collaborateurs.
Pourquoi notre effet est-il inférieur à celui du cas décrit ?
Le plus probable est qu'une autre combinaison de composantes est à l'œuvre chez vous. Si vous disposiez déjà d'un système de référence et que le résultat y était versé, la deuxième composante donnera zéro — ce point est déjà acquis chez vous. Si le processus n'a pas d'étape suivante après l'envoi du résultat, la troisième composante donnera également zéro. Il ne restera alors que la première, et le résultat global sera nettement plus modeste.
La décomposition en trois composantes est-elle généralisable ?
Il s'agit de l'analyse d'un processus dans une seule entreprise, pas d'un modèle universel. Le nombre de composantes dépend du processus : parfois il y en a deux, parfois cinq. Ce qui est universel, en revanche, c'est une autre exigence : il doit y en avoir plus d'une, et chacune doit avoir son propre mécanisme et son propre bénéficiaire. Si la décomposition échoue, c'est probablement que l'effet n'a tout simplement pas été mesuré.
L'indicateur « moins 78 % de temps de préparation d'une proposition » et le fonctionnement du service (calcul par règles, insertion automatique d'illustrations, mise en page unifiée, blocs obligatoires, envoi depuis la fiche de l'affaire, suivi des ouvertures et des clics, e-mails déclenchés par un événement, statistiques par chargé de compte) proviennent de la description du produit propre d'Alego.Digital. Il s'agit d'un indicateur interne de l'entreprise de l'auteur ; il n'a pas été vérifié par un tiers indépendant et il est présenté comme une illustration du fonctionnement, non comme une référence sectorielle. La décomposition de l'effet global en trois composantes est une reconstruction de l'auteur fondée sur la nature des changements : aucune mesure séparée par composante n'a été effectuée au moment du déploiement.
- Brynjolfsson E., Hitt L. M. Beyond Computation: Information Technology, Organizational Transformation and Business Performance. Journal of Economic Perspectives, 2000. aeaweb.org
- Brynjolfsson E., Li D., Raymond L. Generative AI at Work. NBER Working Paper 31161, 2023. nber.org
- Dell'Acqua F. et al. Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013, 2023. ssrn.com
- MIT Project NANDA. The GenAI Divide: State of AI in Business 2025, 2025. nanda.media.mit.edu