Dans les entreprises, quelle que soit leur taille, la décision de remplacer ou d'augmenter un poste avec de l'IA ne se prend pas sur la base d'une fiche technique de modèle. Elle se prend sur un tableur portant trois chiffres en en-tête : valeur actuelle nette, taux de rentabilité interne et délai de récupération. Si ces chiffres ne tombent pas dans la fourchette que le directeur financier acceptera de valider, la présentation ne passe pas le cap de la réunion stratégique, aussi prometteuse qu'ait paru la démo.
La plupart des cadres du savoir n'ont plus travaillé ces calculs depuis l'école de commerce, quand ils l'ont fait. Résultat : un débat public sur l'IA et le travail où l'économie opérationnelle se discute en termes de « est-ce que ça coûtera moins cher ? » alors que la décision réelle se prend en termes de « est-ce que ça franchit le taux de rendement minimal ? ». Ce ne sont pas les mêmes questions. Un déploiement peut faire économiser de l'argent au ticket près et échouer quand même au tableur — parce que le coût d'intégration initial s'amortit trop lentement, ou parce que la courbe d'économies s'érode à mesure que les prix d'inférence baissent, ou parce que le taux d'actualisation appliqué par le directeur financier rend les dollars de l'année 4 bien moins lourds que ne le laissait supposer la démo.
Cet article expose les trois chiffres en langage clair, montre le cadre qu'utilise l'Investment View de Wagecore pour les calculer, et explique pourquoi une entrée que la plupart des analyses oublient — le rythme auquel les coûts d'exécution de l'IA baissent sur l'horizon de projection — fait la différence entre une « nette victoire » à cinq ans et un match nul à cinq ans.
La forme de la décision, c'est de l'investissement, pas de l'exploitation
Un projet de remplacement par l'IA ressemble à un investissement en capital, même s'il produit des économies d'exploitation. Il y a une dépense initiale en année zéro : ingénierie d'intégration, conduite du changement, reconversion, infrastructure d'évaluation, coûts de départ. En face, on obtient un flux d'économies sur le coût du travail qui s'étale sur autant d'années que dure le déploiement. Les chiffres qui résument un investissement en capital assorti d'un flux d'économies sont la VAN, le TRI et le délai de récupération.
À noter d'emblée : la décision a la forme d'un investissement, mais le coût d'exécution reste de l'exploitation — et c'est précisément pour cela que la plupart des déploiements d'IA qui ratent leur objectif de VAN le ratent du côté de l'exploitation. Le coût d'intégration est borné ; le coût d'exécution lié à l'audit, aux reprises, aux erreurs et à la supervision ne l'est pas, et il croît avec la complexité de la charge de travail. Voir le cadre du coût opérationnel pour le détail poste par poste.
VAN : combien pèse réellement un dollar en année quatre
La valeur actuelle nette additionne les économies en dollars produites chaque année future, actualisées à aujourd'hui par un taux qui reflète le coût du capital de l'entreprise. Une économie de 100 $ en année un vaut 100 $. Une économie de 100 $ en année cinq à un taux d'actualisation de 10 % vaut 62 $. Une VAN négative signifie que les économies actualisées ne couvrent pas le coût initial, même sur tout l'horizon. Une VAN positive signifie qu'elles le couvrent.
Le choix du taux d'actualisation compte plus qu'on ne le pense. Le coût moyen pondéré du capital (WACC) des sociétés cotées américaines se situe généralement entre 7 et 12 %, 9 à 10 % étant le chiffre unique le plus courant. L'Investment View de Wagecore retient 10 % par défaut lorsque l'utilisateur n'en fournit pas. Un taux d'actualisation plus élevé pénalise davantage les déploiements à récupération lente ; un taux de 12 % appliqué à un flux de cinq ans fait valoir les économies de l'année cinq 57 cents au lieu de 62.
Pour la modélisation interne, nous recommandons de calculer la VAN à deux taux : le WACC réel de l'entreprise pour le scénario de base, et un taux de 14 à 15 % comme test de résistance ajusté au risque. Si le déploiement reste positif à 15 %, c'est une victoire robuste. S'il n'est positif qu'à 7 %, il est sensible à des hypothèses qui pourraient ne pas tenir.
TRI : le taux de rendement implicite
Le taux de rentabilité interne inverse la VAN — il demande : « à quel taux d'actualisation la VAN de ce déploiement serait-elle nulle ? » Ce taux est le rendement implicite que le projet dégage. Si le TRI est de 25 % et votre WACC de 10 %, le déploiement crée de la valeur au-dessus du coût du capital. Si le TRI est de 8 % et votre WACC de 10 %, vous auriez intérêt à placer l'argent dans un fonds indiciel obligataire.
Le TRI est la métrique que les directeurs financiers utilisent pour comparer les déploiements d'IA à d'autres usages du même capital — une campagne marketing, une acquisition, une nouvelle gamme de produits. La question stratégique est rarement « ce déploiement d'IA est-il rentable » (la plupart le paraissent au ticket près) ; c'est « ce déploiement d'IA est-il plus rentable que la meilleure autre chose que nous pourrions faire du même budget d'ingénierie et de conduite du changement ». Le TRI est la métrique de comparaison.
Délai de récupération : la vérification instinctive que veulent vraiment les dirigeants
Le délai de récupération est le temps, en mois, jusqu'à ce que les économies cumulées égalent le coût initial. Il ignore la valeur temporelle de l'argent — c'est pourquoi il est techniquement inférieur à la VAN et au TRI — et c'est pourtant ce que les dirigeants demandent, parce qu'il répond à une question à laquelle la VAN et le TRI ne répondent pas : « combien de temps avant que la chose se soit remboursée, au cas où le monde serait complètement différent d'ici là. »
Les seuils habituels en entreprise ressemblent à ceci, même s'ils varient fortement selon le secteur et l'appétit pour le risque : sous 18 mois, cela tend à être un feu vert confortable dans la plupart des entreprises ; de 18 à 36 mois, cela déclenche un examen des hypothèses ; au-delà de 36 mois, cela perd généralement face aux alternatives, sauf si le déploiement a une valeur stratégique au-delà du rendement financier. Ce sont des règles empiriques, pas des seuils Wagecore — l'Investment View rapporte le nombre réel de mois et laisse l'arbitrage du seuil à l'utilisateur.
L'entrée que la plupart des analyses oublient : la baisse du coût d'inférence
La plupart des projections de retour sur investissement de l'IA supposent que le coût d'inférence et d'infrastructure de l'année un se maintient sur tout l'horizon. Elles ne le devraient pas. Le prix d'inférence par jeton a chuté de l'ordre d'un facteur dix tous les 18 à 24 mois à capacité comparable au cours des trois dernières années, et les estimations d'analystes (Gartner étant la source publique la plus citée) prévoient des baisses continues jusqu'en 2030. Si la ligne de coût baisse de 35 % par an et que le modèle l'a supposée constante, le flux d'économies sur cinq ans est sous-estimé d'environ un facteur 1,6.
L'Investment View de Wagecore prend le taux de baisse d'inférence comme entrée explicite. La valeur par défaut est de 35 % par an (prudente face aux courbes plus agressives de Gartner ; un cas de borne supérieure à 50 % rapprocherait la projection des estimations centrales actuelles des analystes). Quand l'utilisateur lance le moteur, il voit à quel point la VAN est sensible à cette entrée. Souvent, la différence entre un cas légèrement négatif et un cas nettement positif tient à la courbe de baisse d'inférence.
Mise en garde importante : la baisse d'inférence fait descendre la ligne de coût du modèle sur la projection, mais elle ne réduit pas le coût d'audit, le coût de reprise ni le coût d'erreur. Ceux-ci évoluent avec la complexité de la charge de travail et le régime réglementaire, pas avec le prix du modèle. Un déploiement où le coût opérationnel est dominé par le temps d'audit tirera un bénéfice modeste des baisses d'inférence — le tableur repose encore surtout sur la capacité de l'outillage d'évaluation et d'orchestration à réduire le taux d'audit.
Un exemple chiffré : équipe de support de 50 personnes, trois scénarios
Prenons une entreprise SaaS hypothétique avec une équipe de support de 50 personnes, un coût du travail pleinement chargé de 80 k$/an par agent (soit 4 M$ de coût annuel de travail), un coût d'intégration IA initial de 250 k$ traité comme une sortie de trésorerie en année 0, et une hypothèse de baisse annuelle du coût d'inférence de 35 %. Le taux d'actualisation est de 10 %. Faisons tourner trois scénarios pour la part de travail traitée par l'IA :
Scénario A — l'IA traite 30 % du travail. Coût du travail annuel déplacé : 1,2 M$. Coût opérationnel IA de l'année 1 : 120 k$. Flux de trésorerie net de l'année 1 : 1,08 M$ (travail économisé moins coût IA). Sortie de l'année 0 : le coût de transition de 250 k$. VAN à cinq ans à 10 % d'actualisation et 35 % de baisse d'inférence : ~4,1 M$. TRI : bien au-dessus de tout WACC plausible (plus de 400 %, mais dans cette fourchette le moteur dit en substance « le taux de rendement est énorme parce que le coût initial est minuscule par rapport au flux de trésorerie qu'il débloque »). Récupération : ~3 mois. Le déploiement est solidement positif, avant même de prendre en compte les gains de productivité.
Scénario B — l'IA traite 50 % du travail. Coût du travail annuel déplacé : 2 M$. Le coût opérationnel IA de l'année 1 monte à 260 k$, car le déploiement touche désormais des tickets plus complexes qui font grimper le taux d'audit et le coût d'erreur. Flux de trésorerie net de l'année 1 : 1,74 M$ contre la même transition de 250 k$ en année 0. VAN à cinq ans : ~6,8 M$. TRI : très élevé mais, là encore, moins instructif que la VAN ici. Récupération : ~2 mois. Toujours clairement positif, mais le gain par point de pourcentage de « part de travail traitée » commence à ralentir, parce que la tâche marginale que l'IA prend en charge est plus coûteuse à superviser.
Scénario C — l'IA traite 70 % du travail. Coût du travail annuel déplacé : 2,8 M$. Coût opérationnel IA de l'année 1 : 580 k$ — à cette part de travail, le taux d'audit ne peut rester bas sans que la qualité chute. Flux de trésorerie net de l'année 1 : 2,22 M$. Sortie de l'année 0 : 250 k$. VAN à cinq ans : ~9,2 M$. Maintenant, faisons tourner la sensibilité : si le taux d'audit réel lié à la qualité de l'équipe s'avère supérieur de 10 points de pourcentage à ce que suppose le modèle et qu'il persiste, le coût opérationnel IA de l'année 1 monte à 920 k$ et la courbe de coût élevée court aussi sur les années 2 à 5. VAN recalculée : ~8,4 M$. Le déploiement reste positif, mais la marge de sécurité s'est resserrée au point qu'un directeur financier prudent le conditionnerait à un pilote d'un trimestre avant d'engager la transition de toute l'équipe.
Le motif : la VAN croît avec la part de substitution, mais elle croît de façon sous-linéaire parce que la courbe de coût opérationnel s'infléchit vers le haut à mesure que l'IA passe du travail simple au travail complexe. La forme de la décision est presque toujours « déployer agressivement dans la moitié basse de la distribution de complexité, encadrer prudemment la moitié haute ».
Pourquoi c'est le tableur que les dirigeants utilisent réellement
Les données macroéconomiques plaident pour mener ce type d'analyse avant de s'engager. Le AI Radar 2025 de BCG rapportait que, parmi les entreprises étudiées, seules 5 % captaient de la valeur à grande échelle grâce à l'IA et environ 60 % n'avaient encore rapporté aucune valeur matérielle (cité sur /methodology ). L'analyse ancrée dans l'industrie du MIT CSAIL (Svanberg et al., 2024) sur l'économie du déploiement pour les tâches de vision a constaté que l'IA « passait le tableur » sur seulement 23 % environ de la part salariale des tâches de vision où elle en était techniquement capable. La frontière des capacités est loin devant la frontière de la viabilité économique, et l'écart se réduit assez lentement pour que le tableur fasse un travail réel.
L'apport de Wagecore est de rendre le tableur exécutable par poste et par organisation face à la matrice de capacités actuelle, avec des entrées explicites pour les hypothèses qui comptent — part de substitution, taux d'actualisation, baisse d'inférence, coût de transition — et des intervalles de confiance sur les données sous-jacentes de la matrice de capacités, pour que l'utilisateur voie où le modèle opère sur un signal faible.
Essayez-le
L'Investment View est inclus dans Wagecore Pro et exécute cette projection sur chaque Wagecard que vous calculez — vos entrées, votre taux d'actualisation, votre courbe de baisse d'inférence supposée. Si vous préférez d'abord voir la version au niveau de l'entreprise, /org/preview est une démo non persistante sans inscription — collez vos postes et vos effectifs, et voyez la carte thermique au niveau de l'organisation ainsi que la projection à 5 ans consolidée.
Méthodologie ouverte sur /methodology . Les détails du moteur de projection financière, avec les valeurs par défaut prudentes nommées explicitement, y figurent. Si le modèle prudent montre encore une VAN positive, c'est un vrai signal. Sinon, l'affaire n'en est probablement pas une.