Compter les agents, les tokens ou les utilisateurs n’est pas mesurer la performance.

Les métriques d’usage de l’IA sont faciles à suivre, mais elles peuvent devenir des objectifs qui éloignent du résultat métier.

Une entreprise peut afficher 90 % d’utilisateurs actifs sur ses outils IA et n’avoir amélioré presque aucun de ses processus importants.

Ça paraît contradictoire.

Ça ne l’est pas.

Les métriques d’adoption sont faciles à mesurer : connexions, tokens consommés, nombre d’agents lancés, licences utilisées, prompts envoyés.

Le résultat du travail est beaucoup plus pénible à mesurer.

C’est précisément pour cette raison qu’on risque de regarder le mauvais tableau de bord.

Le compte-tours n’est pas le chrono

Sur une voiture de course, le moteur peut prendre énormément de tours.

Ce n’est pas une preuve que la voiture avance vite.

Si elle patine, chauffe ou tourne sur chandelles, le régime moteur est même une très mauvaise nouvelle.

Avec l’IA, la consommation peut devenir le même genre d’indicateur.

Microsoft parlait déjà en juin 2026 de « tokenomics » comme d’un nouveau sujet de pilotage pour les organisations. (Microsoft AI@Work)

C’est logique : quand des agents travaillent en continu, la consommation informatique devient un vrai poste de coût.

Mais il faut séparer deux questions.

Combien consommons-nous ?

Et qu’obtenons-nous en échange ?

Une métrique finit souvent par influencer le comportement

Si vous demandez à une équipe d’augmenter l’usage de l’IA, elle augmentera probablement l’usage de l’IA.

Ça ne veut pas dire qu’elle augmentera la valeur produite.

Un salarié peut demander à un chatbot de reformuler dix mails qui n’avaient aucun besoin d’être reformulés.

Un développeur peut lancer plusieurs agents pour une tâche qu’il aurait terminée plus vite lui-même.

Un service peut produire trois fois plus de contenu sans que personne ne le lise davantage.

Toutes les courbes d’adoption montent.

Le résultat métier, lui, peut rester parfaitement plat.

Revenir à la tâche

Je préfère mesurer une transformation à l’endroit où le travail se produit.

Pour une demande client :

combien de temps avant la première réponse utile ?

combien de reprises ?

combien d’erreurs ?

combien de dossiers reviennent vers un humain ?

Pour un reporting :

combien de temps pour consolider ?

combien de corrections manuelles ?

à quelle heure l’information devient-elle disponible ?

Pour un processus documentaire :

combien de documents sont traités ?

combien nécessitent une vérification ?

quel taux d’erreur est acceptable ?

Ces mesures sont moins sexy qu’un graphique de tokens.

Mais au moins, elles disent quelque chose.

L’adoption rapide peut masquer une intégration faible

La Banque de France observe qu’au début de 2026 plus des deux tiers des entreprises françaises d’au moins 20 salariés utilisaient déjà l’IA générative, tout en constatant des gains économiques encore limités.

C’est un rappel utile.

Une technologie peut être largement présente sans avoir encore modifié profondément l’organisation.

Il y a une différence entre utiliser l’IA et reconstruire une partie du travail autour d’elle.

Le bon KPI dépend du virage

Une équipe de course ne regarde pas le même indicateur dans la ligne droite, au freinage ou pendant un relais long.

Pour l’IA, même principe.

Si vous testez un assistant rédactionnel, vous pouvez regarder le temps économisé et le taux de reprise.

Si vous automatisez un tri de demandes, regardez la précision du tri et le nombre d’exceptions.

Si vous déployez un agent autonome, regardez aussi ses erreurs, ses escalades, ses coûts et les actions qu’il déclenche réellement.

Le KPI doit suivre le risque et la valeur du processus.

Pas la mode du moment.

Trois niveaux simples

Pour éviter de tomber dans le tableau de bord inutile, je séparerais les mesures en trois étages.

1. Usage

Qui utilise quoi, combien, à quelle fréquence.

Utile pour comprendre l’adoption.

Pas suffisant pour juger le succès.

2. Travail

Temps, qualité, reprises, erreurs, délai, volume traité.

Là, on commence à voir l’effet réel.

3. Résultat

Satisfaction client, chiffre d’affaires, capacité supplémentaire, coût évité, risque réduit, décision plus rapide.

C’est l’étage qui intéresse finalement l’entreprise.

Une belle courbe peut raconter une mauvaise course

Les outils IA vont générer de plus en plus de données d’usage.

C’est pratique.

Il ne faut simplement pas confondre la télémétrie avec la ligne d’arrivée.

Si votre consommation double et que votre délai ne bouge pas, posez-vous une question.

Si le nombre d’agents triple et que vos équipes passent plus de temps à les surveiller, posez-vous la même question.

L’objectif n’est pas d’utiliser beaucoup d’IA.

L’objectif est de mieux travailler avec.

Le reste est du compte-tours.

Sources vérifiées

• Microsoft AI@Work, 4 juin 2026
• Banque de France, 3 septembre 2026