Étude de cas · Realize · Réalisation de valeur IA
Un système de mesure de la valeur IA, construit après coup dans un groupe d’ingénierie suisse
Comment un groupe suisse d’ingénierie a reconstruit baselines, instrumentation et gates de décision pour 18 mois d’investissements IA jamais mesurés.
Cas anonymisé — exemple représentatif issu de missions réelles de Numezis
Situation de départ
Dix-huit mois après le déploiement de copilotes bureautiques puis d’un assistant documentaire interne, le groupe avait engagé environ CHF 300k en licences et en projets — sans poser un seul indicateur de valeur. Les retours restaient anecdotiques : certains collaborateurs juraient que l’assistant leur faisait gagner des heures, d’autres l’avaient silencieusement abandonné. Lorsque le conseil d’administration a posé la question — « qu’est-ce que l’IA nous rapporte ? » — le CEO n’avait rien à présenter.
En interne, deux camps s’étaient formés. Le CFO, sans preuve de retour, voulait couper les budgets à la prochaine revue ; les équipes, convaincues par leur pratique, demandaient au contraire d’étendre les outils. Personne n’avait tort de façon démontrable — personne n’avait de baseline. Les données d’usage dormaient chez les éditeurs, en formats d’export pauvres, et le temps facturable, seule mesure que tout le monde comprenait, était trop sensible pour être manié sans précaution.
La décision sur la table
Étendre, adapter ou arrêter chaque initiative — sur quelles preuves ?
Contraintes réelles
Aucune baseline historique
Rien n’avait été mesuré avant le déploiement des outils. Les temps de traitement d’avant l’IA n’existaient nulle part — il fallait les reconstruire sans les inventer.
Données d’usage éparses
Les statistiques d’utilisation résidaient chez les éditeurs, avec des exports pauvres, hétérogènes et parfois inexistants. Aucune vue consolidée n’était possible en l’état.
Mesurer sans surveiller
Le dispositif devait prouver la valeur des workflows sans jamais devenir un outil de surveillance individuelle — une ligne rouge posée dès le premier jour.
Temps facturable sensible
Dans un groupe qui vit de la facturation d’heures, toute mesure touchant au temps facturable est politiquement délicate. Chaque indicateur a été conçu avec cette réalité en tête.
Ce que nous avons construit
Nous n’avons pas déployé un outil de plus : nous avons construit le système de mesure qui manquait. Pour cinq workflows à enjeu, un arbre de valeur relie l’usage de l’IA à un effet économique vérifiable, une baseline reconstruite fournit le point de comparaison, et des gates définis à l’avance disent — avant de connaître les chiffres — ce qui justifie d’étendre, d’adapter ou d’arrêter.
Composants du système
Séquence de delivery
Cadrage & arbres de valeur 3 semaines
Inventaire des sept initiatives IA en cours, sélection de 5 workflows à enjeu, construction des arbres de valeur avec les responsables métier, premier alignement avec CEO et CFO sur les critères de décision.
Baselines & instrumentation 5 semaines
Reconstruction des baselines par échantillonnage et données historiques, information de la représentation du personnel, instrumentation légère au niveau des workflows, définition des gates avec CEO et CFO.
Cycle de mesure pilote 8 semaines
Deux cycles mensuels complets : collecte, tableau de bord, revues avec CEO et CFO, décisions scale / adapt / stop instruites puis documentées pour les 7 initiatives — dont deux arrêts assumés.
Gouvernance & transfert 4 semaines
Transfert du dispositif à l’analyste client, intégration de la revue valeur dans la gouvernance mensuelle existante, documentation de la méthode d’attribution et des règles de gate.
Résultats mesurés
Le premier résultat n’est pas un chiffre : c’est la capacité de répondre au conseil d’administration avec des preuves. Les métriques ci-dessous comparent l’état du programme au début et au terme des cinq mois de mission.
Chiffres arrondis. Cas anonymisé : exemple représentatif issu de missions réelles de Numezis, pas une référence nommable.
Ce que nous referions différemment
Cette section fait partie de notre standard éditorial : pas d’étude de cas sans ses leçons.
- 01
Négocier l’accès aux données d’usage dès l’achat des licences. Les exports des éditeurs se sont révélés pauvres, et nous avons perdu trois semaines à reconstruire ce qu’une clause contractuelle aurait fourni d’emblée.
- 02
Impliquer la représentation du personnel dès la semaine 1, pas seulement l’informer avant l’instrumentation. Deux semaines de clarifications sur ce que le dispositif mesurait — et ne mesurait pas — auraient été évitées.
- 03
Figer les gates — pas seulement les définir — avant la première mesure. La tentation de déplacer la cible une fois les chiffres connus est réelle, nous l’avons vécue : seuls des seuils rendus non négociables en amont y résistent.