Comment mesurer et démontrer la valeur de l’IA dans l’ITSM : un guide pratique pour les DSI et CTO

Le constat est désormais bien connu : dans la plupart des grandes organisations, le premier projet pilote d’IA a déjà été mené à bien. Les résultats ont été présentés, la technologie a fait ses preuves et les équipes ont créé une dynamique positive autour du sujet. Puis, six à neuf mois plus tard, une question vient changer la nature des échanges : combien avons-nous investi et qu’avons-nous réellement obtenu en retour ? Cette fois, la question émane de la direction financière. Elle est parfaitement légitime et devient même de plus en plus pressante.

Dans ses prévisions pour 2026, Forrester décrit une année marquant la fin de l’effet de nouveauté de l’IA et l’entrée dans une phase de responsabilisation. Seuls 15 % des décideurs déclarent constater une amélioration de l’EBITDA attribuable à l’IA au cours des douze derniers mois, tandis que moins d’un tiers sont en mesure d’établir un lien clair entre la valeur créée par l’IA et l’évolution de leur compte de résultat.

Dans ce contexte, un quart des dépenses prévues pourrait être reporté à 2027 et les directions financières seront systématiquement associées aux décisions d’investissement. Du côté des responsables technologiques, Forrester estime que près des deux tiers des DSI devront désormais justifier leurs budgets en démontrant la contribution directe des investissements technologiques à la création de valeur pour l’entreprise.

Au fond, la question porte rarement sur la qualité de la technologie elle-même. Le véritable défi réside presque toujours dans la capacité à mesurer les dépenses liées à l’IA dans l’ITSM et à démontrer leur valeur métier.

Pourquoi les dépenses liées à l’IA dans l’ITSM sont-elles de plus en plus scrutées ?

L’adoption de l’IA n’est pas en cause. Selon le rapport « État des lieux de l’ITSM en 2026 » d’EasyVista, basé sur les réponses de 1 100 professionnels de l’IT et de la cybersécurité, seulement 5 % des organisations déclarent ne pas utiliser l’IA dans leurs activités ITSM, tandis que 37 % placent l’automatisation des workflows parmi leurs trois principales priorités opérationnelles.

L’étude révèle toutefois un enseignement important : la majorité des retours d’expérience se concentrent autour de la réponse « conforme aux attentes ». Un signal révélateur que l’IA contribue davantage à stabiliser et optimiser les opérations qu’à les transformer en profondeur.

C’est précisément là que réside la difficulté lorsqu’il s’agit de justifier les dépenses IA liées à l’ITSM auprès de la direction financière. Une IA qui rend les opérations quotidiennes plus cohérentes, plus fiables et plus prévisibles génère une valeur réelle. Cependant, cette valeur se répartit entre des dizaines de micro-améliorations opérationnelles et n’apparaît pas sous la forme d’une ligne identifiable dans les états financiers.

Une récente étude du MIT consacrée au déficit de création de valeur des projets d’IA générative indique d’ailleurs que 95 % des initiatives pilotes menées en entreprise n’ont pas produit de retour financier mesurable. Ce chiffre reflète autant les limites des méthodes de mesure que l’absence éventuelle de résultats tangibles.

Un second facteur tient aux conditions de départ. Un projet pilote évolue dans un environnement contrôlé : périmètre réduit, nombre limité d’intégrations et supervision constante par une équipe dédiée. Ces conditions, particulièrement favorables mais parfois trompeuses, disparaissent dès lors que la solution est déployée à grande échelle, auprès d’utilisateurs réels et sur des données complètes.

La valeur observée dans un environnement pilote ne se transpose donc pas automatiquement à l’ensemble de l’organisation. Cet écart doit être anticipé dès la conception du modèle de mesure.

La valeur repose sur les cas d’usage, les données et l’intégration

Les initiatives d’IA dans l’ITSM qui génèrent des résultats économiques tangibles reposent généralement sur trois piliers : des cas d’usage clairement définis, une base de données fiable et une intégration fluide au sein des processus existants. L’IA crée de la valeur lorsqu’elle accompagne les activités opérationnelles et les prises de décision du quotidien. Lorsqu’elle est déployée comme une finalité en soi, le retour sur investissement reste le plus souvent théorique.

La qualité des données mérite une attention particulière, car elle constitue le socle de toute démarche d’implémentation. Un plan de gouvernance des données efficace exige un effort continu de maintenance. Les erreurs présentes dans les données exploitées par le système doivent être corrigées sans délai : doublons, champs vides, classifications erronées ou enregistrements obsolètes, en commençant par les ensembles de données les plus directement liés à l’objectif visé.

Des règles simples et partagées doivent également être définies. Il peut s’agir, par exemple, de plages de valeurs autorisées pour les champs numériques ou de conventions de nommage homogènes pour les catégories. L’objectif est de permettre au système d’identifier et d’interpréter les informations de manière fiable. Ces règles doivent être maintenues dans la durée, car les données évoluent au même rythme que l’organisation.

Le calcul du ROI est compromis dès le départ lorsque les données historiques nécessaires à l’établissement d’une comparaison crédible sont absentes. Gartner qualifie ce phénomène de véritable crise de la valeur de l’IA, alimentée par la difficulté à démontrer la rentabilité d’initiatives lancées avec des attentes particulièrement élevées.

Les quatre indicateurs clés pour mesurer les dépenses liées à l’IA dans l’ITSM

Pour établir un dialogue constructif avec la direction financière, il est recommandé de s’appuyer sur quatre indicateurs fondamentaux, déjà disponibles dans la plupart des outils de gestion des services.

Taux de déviation (Deflection Rate)

Le taux de déviation mesure la part des demandes résolues sans intervention humaine, grâce à un portail self-service, une base de connaissances ou un assistant conversationnel.

Chaque contact effectivement dévié représente un coût évité, déduction faite du coût du canal automatisé et des éventuels contacts de suivi. Cet indicateur doit toutefois être analysé conjointement avec le taux de réouverture des tickets. En effet, un ticket réellement résolu au premier contact n’a pas le même impact sur la satisfaction des utilisateurs qu’un ticket simplement repoussé ou reporté.

Temps moyen de résolution (MTTR – Mean Time to Repair/Resolve)

Le temps moyen de résolution influence directement deux dimensions dont les effets sont visibles bien au-delà des équipes IT : le temps de travail perdu par les utilisateurs lorsqu’un incident survient et la continuité des services mis à disposition des clients.

Cet indicateur doit être analysé par étape du processus : détection, affectation, diagnostic et résolution. L’IA intervient généralement sur des segments précis du cycle de traitement, ce qui peut masquer son impact réel lorsqu’on se limite à une mesure globale.

Parallèlement au MTTR, il est pertinent de suivre la réduction du bruit lié aux alertes ainsi que l’amélioration de la précision du routage des tickets.

Productivité des agents

Cet indicateur regroupe plusieurs mesures complémentaires : le nombre de tickets traités par agent, le temps moyen de traitement ainsi que la part du temps consacrée à des tâches à plus forte valeur ajoutée.

Il reflète l’un des bénéfices les plus fréquemment observés de l’automatisation : la capacité à absorber une augmentation des volumes sans accroître les effectifs.

Coût par ticket

Le coût par ticket est l’indicateur qui permet de relier les performances opérationnelles à leur impact financier. Les références du marché montrent des écarts importants selon les niveaux de support. Une demande résolue dès le premier niveau de support coûte généralement une fraction de ce qu’elle représenterait après une escalade vers des niveaux supérieurs. Chaque déplacement vers le bas de la pyramide de support génère ainsi une économie directement quantifiable.

Définir les valeurs de référence avant la mise en production

Les valeurs de référence doivent être établies avant la mise en production du système. Reconstituer un référentiel après coup revient souvent à s’appuyer sur des estimations approximatives et des données incomplètes, qui pourront facilement être remises en question lors d’une revue des résultats. À l’inverse, définir ce référentiel en amont, idéalement au moins trois mois avant la mise en production de la solution, permet d’établir une base de comparaison crédible et défendable.

Pour chaque indicateur, trois éléments sont nécessaires : la valeur observée avant la mise en service, l’objectif fixé à six mois puis à douze mois, la justification économique reliant ces deux mesures, autrement dit le mécanisme censé générer l’amélioration et la valeur financière associée.

Des formulations vagues telles que « processus plus efficaces » ou « amélioration de la qualité de service » résistent rarement à l’examen du contrôle de gestion. Elles ne permettent en effet d’identifier ni l’origine des gains réalisés ni leur impact financier réel.

Un déploiement progressif et maîtrisé facilite également le travail de mesure. Durant la phase d’observation, le système formule des recommandations sans intervenir directement dans les processus. Cette approche permet de comparer les suggestions produites par l’IA avec les décisions effectivement prises par les agents. La phase suivante, menée sur un périmètre contrôlé, fournit alors les premiers résultats exploitables et statistiquement défendables.

Mettre en place un suivi régulier et structuré

Le pilotage produit des résultats lorsqu’il devient une pratique récurrente au sein de l’organisation. Un suivi mensuel des quatre indicateurs clés, complété par des points d’étape formalisés, par exemple après quatre-vingt-dix jours, permet d’ajuster la trajectoire avant que les écarts ne deviennent difficiles à corriger.

Au-delà des résultats opérationnels, le coût réel des investissements IA dans l’ITSM doit également être suivi dans le temps. Cela inclut notamment : les coûts de licence, la consommation de jetons, les heures consacrées à l’intégration, la formation et la gouvernance.

Dans le rapport « État des lieux de l’ITSM en 2026 » d’EasyVista, les coûts d’utilisation figurent parmi les principaux freins à l’adoption de l’IA, cités par 13 % des répondants.

Cette préoccupation est légitime. Le retour sur investissement repose par définition sur la comparaison entre les bénéfices obtenus et les dépenses engagées. Sans suivi précis des coûts, le dénominateur de l’équation reste inconnu. Même lorsque les résultats opérationnels sont positifs, l’évaluation du ROI demeure donc incomplète.

Traduire les indicateurs opérationnels en langage financier

L’étape décisive consiste à convertir les indicateurs opérationnels en métriques compréhensibles et exploitables par la direction financière. Peu d’organisations y parviennent aujourd’hui. Selon Forrester, seule une entreprise sur trois est actuellement en mesure d’établir un lien clair entre ses services technologiques et les activités métiers qu’ils soutiennent. ‌

Pour combler cet écart, le cabinet recommande de s’appuyer sur des approches de gestion financière des technologies telles que le Technology Business Management (TBM), qui associe les dépenses technologiques aux fonctions métiers qui en bénéficient, ainsi que sur les pratiques FinOps, permettant notamment d’attribuer et de piloter les coûts variables tels que les dépenses cloud.

Les quatre catégories de coûts à présenter à la direction financière

Dans un contexte ITSM, les quatre indicateurs précédemment évoqués se traduisent directement par quatre catégories financières.

Coûts évités : ils sont calculés en multipliant le nombre de tickets effectivement déviés par leur coût unitaire de traitement, après déduction des coûts liés au canal automatisé utilisé.

Capacité libérée : les heures dégagées peuvent être valorisées à partir du coût horaire complet d’un agent, incluant salaire, charges et coûts indirects. Toutefois, cette capacité supplémentaire ne constitue pas automatiquement une économie réelle. Elle devient un gain économique tangible lorsqu’elle permet, par exemple, de réduire le recours aux heures supplémentaires, aux prestataires externes ou à de nouveaux recrutements.

Gains de productivité côté métier : ils sont calculés à partir de la réduction du MTTR, multipliée par le nombre d’utilisateurs concernés. Cette métrique permet de traduire plus directement l’impact de l’IT sur la performance opérationnelle de l’entreprise.

Risques évités : cette catégorie valorise les violations de SLA évitées ainsi que les incidents qui n’ont pas eu lieu grâce aux mécanismes mis en œuvre.

Ces différentes catégories doivent être présentées aux côtés du montant total investi sur la période considérée, en tenant compte d’un horizon d’amortissement réaliste. Un projet dont le seuil de rentabilité est atteint au bout de dix-huit mois, avec des éléments de preuve solides, sera toujours plus crédible qu’une promesse de retour immédiat dépourvue de données tangibles.

Concevoir simultanément le projet et son dispositif de mesure

La définition des paramètres de mesure ne doit pas être considérée comme une activité annexe. Elle doit être intégrée au projet dès son lancement.

Les organisations qui prennent le temps, avant même l’activation de l’IA, d’établir des valeurs de référence, de définir précisément les services et catégories de tickets inclus dans le périmètre d’analyse et de s’accorder avec la direction financière sur les modalités de conversion des résultats en valeur économique arrivent généralement aux revues de performance avec des données vérifiables et crédibles. Elles disposent alors des éléments nécessaires pour justifier la poursuite des investissements.

Dans un contexte où près d’un quart des dépenses liées à l’IA risquent d’être reportées et où les DSI doivent désormais justifier chaque ligne budgétaire à l’aune des résultats métiers obtenus, la capacité à démontrer la valeur créée par les investissements IA dans l’ITSM devient une condition essentielle à la poursuite des initiatives.

FAQ

1. Combien de temps faut-il avant de pouvoir mesurer le retour sur investissement d’un projet d’IA dans l’ITSM ? ‌
   Il est recommandé de disposer d’une période de référence suffisamment représentative, généralement d’au moins trois mois. Cette période peut être plus longue lorsque l’activité est soumise à des effets de saisonnalité susceptibles d’influencer les résultats.
   
2. Quels sont les indicateurs qui intéressent réellement la direction financière ?
   La direction financière s’intéresse principalement à quatre catégories d’indicateurs : les coûts évités, la capacité libérée, exprimée en heures ou en équivalents temps, les gains de productivité réalisés par les métiers, les risques évités. Ces éléments permettent de traduire financièrement le taux de déviation, le MTTR, la productivité des agents et le coût par ticket.
   
3. Comment éviter d’attribuer à l’IA des améliorations générées par d’autres initiatives ?
   La meilleure approche consiste à définir clairement le périmètre de mesure dès le départ : services concernés, catégories de tickets incluses et équipes impliquées. La phase d’observation précédant l’automatisation joue également un rôle essentiel puisqu’elle permet de comparer les recommandations produites par l’IA avec les décisions réellement prises par les agents, avant toute intervention automatisée.
   
4. Pourquoi de nombreux projets pilotes réussis peinent-ils à démontrer leur valeur une fois déployés en production ?
   Parce qu’un projet pilote évolue dans un environnement fortement maîtrisé, caractérisé par un volume de données limité, peu d’intégrations et une supervision permanente. Lors du passage en production, les volumes augmentent, la diversité des cas traités s’élargit et la complexité opérationnelle s’accroît. Sans modèle de mesure conçu pour refléter cette réalité à grande échelle, les bénéfices obtenus peuvent rapidement devenir difficiles à identifier et à démontrer.