RSI de l’IA agentique : guide d’évaluation de la valeur pour l’entreprise destiné aux cadres dirigeants

Le RSI de l’IA agentique mesure la valeur que génèrent des agents pour une entreprise par rapport à leur coût de fonctionnement. Les indicateurs logiciels traditionnels ne peuvent pas la mesurer, car le coût du travail agentique varie à chaque exécution, si bien qu’une tarification par utilisateur ne peut pas le refléter. Une évaluation rigoureuse repose sur trois éléments (économies financières concrètes, gains de productivité et résultats opérationnels) avec une supervision humaine tout au long du processus.

C’est cette variabilité d’un cycle à l’autre qui constitue la véritable rupture par rapport à l’automatisation traditionnelle, et les modèles de coûts à licence fixe ne peuvent en tenir compte. Pour la plupart des entreprises, cela se traduit par une facture croissante, sans lien clair avec les bénéfices obtenus. C’est la raison pour laquelle, même aujourd’hui, tant de projets agentiques pilotes échouent avant leur mise en production.

Principaux enseignements

• Le RSI de l’IA agentique correspond au ratio entre la valeur générée par les agents et le coût de leur développement et de leur exploitation. Il se comporte différemment des logiciels à coût fixe, car le coût des agents varie d’une exécution à l’autre.
• Vous l’évaluez selon trois critères : la réduction directe des coûts, les gains en débit et en rapidité, et les résultats en matière de revenus et de fidélisation.
• Deux indicateurs propres aux agents accomplissent la majeure partie du travail : l’indicateur ACCT (Agent Cort Per Completed Task) et l’indicateur AVM (Agent Value Multiple).
• Le cabinet Gartner estime que plus de 70 % des cas d’utilisation de l’IA agentique ne parviendront pas à fournir la valeur attendue, principalement en raison du manque de maîtrise des coûts des jetons, d’une mauvaise qualité des données et de l’absence de mesures.
• Environ 60 % du coût d’une tâche agentique est consacré à la vérification et à la revérification des réponses : c’est la « taxe d’agentivité » que la gouvernance et l’orchestration sont censées réduire.

Échec des modèles traditionnels de RSI pour l’IA agentique

Les modèles traditionnels de RSI partent du principe que les entrées et les sorties sont fixes. Cela ne correspond pas du tout aux agents. Les logiciels classiques sont prévisibles : une licence couvre un ensemble défini de fonctionnalités à un prix fixé. En revanche, si vous donnez un objectif à un agent, il décide des outils à utiliser, du nombre d’étapes de raisonnement à suivre et du moment où il doit s’arrêter. En d’autres termes, une même tâche peut avoir des coûts très différents selon les exécutions.

Le calcul par licence ne peut pas déterminer le prix d’une charge de travail ayant une telle variabilité. C’est la raison pour laquelle le RSI des Agents IA résiste à la logique du chiffre fixe qui régissait autrefois les budgets des logiciels d’entreprise.

Transition des modèles de coûts déterministes vers les modèles de coûts non déterministes

Les modèles de coûts des agents deviennent non déterministes, car c’est l’agent qui détermine la quantité de travail nécessaire pour chaque tâche. Un robot déterministe d’automatisation des processus par la robotique (RPA) suit exactement le même ensemble de décisions et de chemins d’exécution à chaque fois : son coût constitue un poste budgétaire stable. Dans un flux de travail défini, un agent décide toujours, à l’exécution, de la quantité de travail que nécessite chaque tâche. Cela signifie que la consommation de jetons reflète la complexité du problème et qu’une même tâche peut engendrer des coûts différents selon les exécutions.

Deux éléments interviennent alors. Le coût de toute tâche se présente comme une distribution plutôt que comme une valeur fixe. Quant au coût absolu, il est élevé : la majeure partie de la facture concerne la phase d’entrée, c’est-à-dire le contexte que lit l’agent avant d’agir. Une seule tâche agentique peut consommer environ 1 000 fois plus de jetons qu’une session comparable de chat ou de raisonnement sur code. C’est la raison pour laquelle le coût agentique doit être évalué en fonction de ses propres critères, pas en fonction des contraintes des modèles à prix fixe.

Cadre à trois critères de mesure du RSI de l’IA agentique

La mesure du RSI de l’IA agentique repose sur trois critères : la réduction directe des coûts, les gains en débit et en rapidité, et les résultats commerciaux. Le premier critère mesure les économies directes. Le deuxième critère mesure la capacité que l’entreprise n’a pas eu à acheter. Le troisième critère capte la valeur qui se manifeste dans le chiffre d’affaires et dans la fidélisation des clients plutôt que sur une facture. À eux trois, ils remplacent le chiffre unique du RSI qui ne peut pas refléter le comportement réel des coûts et de la valeur de l’agentique.

Réduction des coûts directs (efficacité opérationnelle)

La réduction des coûts directs et démontrables correspond aux économies immédiates qu’un agent permet de réaliser sur les dépenses opérationnelles courantes : redéploiement des effectifs hors des tâches répétitives, diminution du volume de transactions externalisées, réduction des coûts unitaires des processus.

Ces gains sont les plus faciles à réaliser lorsque le processus sous-jacent est déjà stable, ce qui explique pourquoi une base d’automatisation fiable tend à fixer le plafond des retours agentiques. Les entreprises qui exploitent des plateformes matures telles que la plateforme d’automatisation agentique des processus (APA) partent de cette base, puis elles ajoutent une prise de décision agentique à des flux de travail déjà optimisés.

Gains en débit et en rapidité (AVM)

Les gains en débit et en rapidité mesurent le volume de travail qu’un agent peut absorber sans augmenter les effectifs : cela correspond à la capacité pour laquelle une entreprise devrait, sinon, recruter ou externaliser. C’est ici que l’indicateur AVM (Agent Value Multiple) de Gartner effectue l’évaluation. Il divise l’impact commercial total (économies de coûts, revenus incrémentaux et marge) par le coût total des agents, et fournit un ratio unique indiquant l’efficacité de chaque dépense effectuée pour les agents.

Un AVM élevé indique qu’un agent génère nettement plus de valeur qu’il n’en consomme. Un AVM faible indique qu’une charge de travail semble importante, mais ne s’autofinance pas. Les taux de traitement direct et la réduction des délais de cycle constituent les indicateurs opérationnels qui alimentent ce multiplicateur.

Résultats commerciaux et valeur stratégique

Les résultats commerciaux sont les retours qui n’apparaissent jamais en tant que poste de coût : augmentation du taux de conversion, amélioration de la satisfaction client, diminution des remontées d’informations, accélération des résolutions. Par rapport à la réduction des coûts, ils sont plus difficiles à attribuer : c’est la raison pour laquelle ils sont souvent sous-estimés. Et pourtant ils dépassent fréquemment les économies directes dans un déploiement complet.

Une enquête auprès des entreprises ayant adopté l’utilisation d’Agents IA met en évidence que les indicateurs orientés client et les mesures de revenus sont les signaux qui indiquent le plus clairement que la valeur agentique s’accumule et s’amplifie plutôt que de stagner. Toutefois, rien de tout cela n’apparaît comme RSI tant que l’entreprise ne fait pas le nécessaire pour transformer ces gains en économies réelles ou en revenus.

Indicateurs clés à suivre : ACCT et AVM

Deux indicateurs, ACCT et AVM, réalisent l’essentiel du travail pour mesurer le RSI d’un portefeuille d’Agents IA. Le coût par tâche accomplie (c’est-à-dire la mesure que McKinsey identifie comme étant la valeur importante) correspond au coût total de réalisation d’une tâche, indépendamment de la facturation des jetons, des licences ou des appels par un fournisseur.

Gartner formalise ce coût sous le nom d’ACCT (Agent Cort Per Completed Task), qui indique qu’un chiffre bas signifie que chaque résultat coûte moins cher à fournir. L’indicateur AVM, présenté ci-dessus, se situe à ses côtés du point de vue de la valeur : rendement par coût d’agent. Les deux indicateurs peuvent évoluer indépendamment. Un agent peut être peu coûteux par tâche et néanmoins ne pas justifier son exécution, ou être onéreux et manifestement en valoir la peine. Ce compromis est celui qu’il convient de surveiller au niveau du portefeuille.

Autre terme connexe à connaître : Gartner définit également un CMOS (Context Memory Optimization Score) : il s’agit d’une mesure adjacente aux FinOps (opérations financières) qui évalue le nombre moyen de jetons d’entrée par tâche accomplie. Elle suit l’efficacité des jetons ; c’est une information utile pour l’ingénierie des coûts, mais il s’agit d’un indicateur de coût plutôt que d’un indicateur de RSI.

Exemple de calculateur de RSI pour l’IA agentique dans le service d’assistance informatique

Le service d’assistance informatique est l’un des environnements les plus évidents pour modéliser le RSI de l’IA agentique, car le critère de réduction des coûts directs est le plus concret des trois et le plus simple à estimer.

Pour un service d’assistance informatique, le déploiement agentique le plus courant est celui où les paramètres d’entrée sont des quantités connues : volume de tickets, effectif du service d’assistance, coût de la main-d’œuvre par agent et coût de licence par poste. Une couche agentique qui résout les tickets de routine avant qu’ils n’atteignent un agent humain modifie chacune de ces lignes.

Ce changement se reflète directement dans les chiffres : vous n’avez qu’à appliquer votre propre volume de tickets, vos effectifs et vos coûts de licences afin de constater les économies réalisées.

C’est dans la réduction des coûts que les chiffres sont les plus clairs, mais il s’agit du seuil du RSI agentique. Le débit et les résultats commerciaux s’appuient sur ce seuil.

Plus de 70 % des cas d’utilisation de l’IA agentique n’apportent pas la valeur attendue

Selon les estimations de Gartner, plus de 70 % des cas d’utilisation de l’IA agentique n’apportent pas la valeur attendue et la cause n’est que rarement le modèle. La plupart des échecs sont attribuables à des coûts de jetons non maîtrisés, à une mauvaise qualité des données et à des charges de travail dépourvues d’un indicateur métier convenu pour la mesure.

Le problème le plus complexe est que la plupart des entreprises ne peuvent pas prouver la valeur qu’elles génèrent réellement. L’instrumentation permettant de relier l’activité des agents à un résultat de compte de profits et pertes fait généralement défaut, et c’est précisément cette lacune qui érode le RSI des Agents IA à grande échelle. La véritable question évolue : il ne s’agit plus de savoir si l’IA fonctionne, mais de déterminer quels cas d’utilisation méritent d’être financés.

Taxe d’agentivité et coûts cachés des jetons

La taxe d’agentivité correspond au coût de la vérification du travail d’un agent, auquel s’ajoute le coût de la reprise lorsque ce travail est erroné. En production, la reprise n’est que rarement nulle... La majeure partie de cette dépense se dissimule dans l’affinage plutôt que dans la première production : environ 60 % du coût d’une tâche agentique est consacré à la vérification et à la revérification des réponses, plutôt qu’à leur génération.

Le fait de réduire cette taxe réduit les boucles d’essai-erreur qui la sous-tendent. Dans le cadre de nos essais d’intelligence contextuelle, les agents dotés du moteur de raisonnement des processus et d’une mémoire opérationnelle réduisent d’environ 20 % le nombre moyen d’appels d’outils par exécution sur un flux de travail d’entreprise. Un comportement correct dès la première tentative remplace les cycles d’essai-erreur.

En production, cela se traduit directement par une diminution du coût de l’API de l’application, une réduction de la latence et une exécution plus prévisible. Une couche telle que Mozart Orchestrator prend en charge le reste, en limitant la distribution des coûts et en maintenant la gouvernance des résultats afin que la variance ne s’accumule pas d’une exécution à l’autre.

Maximisation du RSI avec Automation Anywhere

Le RSI de l’IA agentique se gagne ou se perd dans la couche opérationnelle autour de l’agent : observabilité, gouvernance et orchestration. La plateforme d’APA est conçue pour cette couche. Elle mesure l’activité des agents par rapport aux résultats commerciaux, maintient les humains impliqués dans les prises de décision et impose aux agents des parcours d’exécution gouvernés, afin que les charges de travail d’Agents IA puissent évoluer avec contrôle et avec un RSI des Agents IA démontrable.

Cela apparaît de manière la plus évidente lorsque chaque unité de travail possède un prix. L’IA pour l’ITSM en est un exemple : elle résout les tickets de routine avant qu’ils n’atteignent une personne, et transforment un coût connu par ticket en économies directes.

Conclusion : du pilote à la production

Le fait de passer du pilote à la production implique de mesurer le RSI de l’IA agentique à l’aide d’indicateurs conçus pour le travail agentique plutôt que pour les logiciels à coûts fixes : coût par tâche accomplie, indicateur AVM, et résultats commerciaux (revenus et fidélisation) qui ne figureront pas sur une feuille de coûts.

Le fait de compter les agents n’est pas un progrès. En revanche, le fait de démontrer les cas d’utilisation qui génèrent un véritable retour sur investissement en est un.

Pour y parvenir, il est nécessaire de faire preuve de rigueur dans la mesure, de mettre en place une gouvernance stricte, ainsi qu’une couche opérationnelle permettant de garantir la visibilité des coûts et des résultats, depuis la phase pilote jusqu’à la mise en production. Découvrez comment Automation Anywhere vous aide à mesurer et à gouverner le RSI de l’IA agentique.

Questions fréquentes

Comment mesurer le RSI de l’IA agentique ?

Vous l’évaluez selon trois critères : réduction directe des coûts, gains de débit et de rapidité, et résultats commerciaux. Vous utilisez pour ce faire des indicateurs propres aux agents, tels que l’indicateur AVM, que les modèles logiciels par utilisateur ne peuvent pas mesurer.

Quelle est la différence entre le RSI de l’IA générative et le RSI de l’IA agentique ?

Le RSI de l’IA générative mesure l’efficacité de la génération de contenu : brouillons, résumés, réponses. Le RSI de l’IA agentique mesure l’exécution : il examine si un flux de travail agentique accomplit un processus métier à plusieurs étapes de bout en bout, et à quel coût.

Quel RSI est un RSI réaliste pour l’IA agentique en entreprise ?

Les attentes sont élevées. Les dirigeants interrogés anticipent un rendement d’environ 171 %, mais les résultats réels sont en retard : seulement 25 % environ des initiatives d’IA ont généré le RSI attendu (McKinsey). L’écart réside dans la mesure et la gouvernance, pas dans la capacité du modèle.

Comment l’indicateur AVM aide-t-il à calculer le retour sur investissement des Agents IA ?

L’indicateur AVM de Gartner divise l’impact commercial total (économies de coûts, revenus incrémentaux et marge) par le coût total de l’agent. Un multiple élevé signifie que chaque dépense pour l’agent génère davantage de valeur.

Qu’est-ce que le coût par tâche accomplie et pourquoi est-il important pour le RSI de l’IA agentique ?

Le coût par tâche accomplie mesure le coût total nécessaire pour mener à bien une tâche, indépendamment du modèle de tarification du fournisseur. C’est la mesure que McKinsey identifie comme étant celle qui importe réellement. Gartner la formalise sous le nom d’ACCT : un coût faible indique une prestation de résultats efficace.

Pourquoi la plupart des pilotes d’IA agentique échouent-ils ?

Pour deux raisons : l’environnement s’élargit et la valeur reste non mesurée. Une démonstration sur un ensemble de données propre résiste rarement à l’environnement opérationnel complet. Et lorsque les agents résistent, des coûts de jetons non maîtrisés et une mauvaise qualité des données ne permettent pas de démontrer le retour sur investissement.