Comment ces chiffres sont fabriqués, et ce qu’ils ne prouvent pas.

Un chiffre sans sa fabrication n’est pas une preuve, c’est une affirmation. Cette page publie la fabrication : ce que compte l’étude, comment elle le compte, et ce qu’elle refuse de conclure. Elle reprend le dépôt version 2.0 du 30 juillet 2026, déposé en accès ouvert sous DOI et sous licence CC BY 4.0. Aucune valeur n’y est recalculée : là où le dépôt signale une donnée comme inutilisable, cette page le dit aussi.

Ce que l’étude observe

Deux cents déploiements d’intelligence artificielle menés dans des entreprises françaises entre 2022 et 2025. Un déploiement est un projet identifié, suivi de son lancement jusqu’à sa mise en service et à son résultat financier. Les données proviennent des déclarations des entreprises concernées ; une partie de l’échantillon a fait l’objet d’une revue sur pièces.

La formule, et le mot qu’il ne faut pas employer

L’indicateur publié est un rapport du gain annuel à l’investissement :

gain rapporté à l’investissement (%) = gain annuel en euros ÷ investissement en euros × 100

Le dépôt insiste sur ce point, et il a raison : « a value of 159.8% means the annual gain equals 1.598 times the amount invested. This is not a net ROI ». Autrement dit, 159,8 % ne signifie pas que l’entreprise récupère 2,6 fois sa mise. Le retour sur investissement au sens comptable — gain moins investissement, divisé par l’investissement — vaut exactement cent points de moins.

Les deux colonnes sont exactes. Celle qui doit servir à arbitrer un budget est la seconde, sur la ligne du bas : 27,4 % — un projet médian, échecs compris, rend un peu plus du quart de ce qu’il a coûté, chaque année.

Ce que sont devenus les trente-cinq projets qui ont échoué

Ils sont comptés, pas écartés. Chacun porte un gain annuel de zéro et entre dans le calcul de la cohorte complète : c’est exactement ce qui fait passer la médiane de 159,8 % à 127,4 %. Restreindre le calcul aux réussites aurait produit une étude sur les gagnants, et la version 2.0 du jeu de données a été publiée pour corriger cela.

Une réserve, que le dépôt signale et que cette page reprend. Dix-sept de ces trente-cinq lignes portent des valeurs positives héritées d’une saisie antérieure non documentée. Le jeu de données les marque comme inutilisables : elles n’alimentent aucun chiffre publié, ici ni ailleurs.

Être en production n’est pas être rentable

C’est l’enseignement le plus utile de l’étude, et le plus inconfortable. Sur les 165 déploiements arrivés en production, 44 — soit 26,7 % — dégagent un gain annuel inférieur à leur investissement. Ils ne sont pas classés comme des échecs, parce que le champ concerné mesure une seule chose : l’outil est en service et il est utilisé.

D’où deux taux qu’il ne faut jamais confondre, et que beaucoup de communications confondent :

Les huit limites que le jeu de données déclare

Elles ne sont pas reprises par politesse. Une étude dont on ignore les faiblesses ne se discute pas, donc ne se vérifie pas.

Observationnelle, pas expérimentale

Aucun groupe témoin, aucune randomisation. L'étude constate des écarts, elle n'établit pas que l'intelligence artificielle en soit la cause : d'autres changements ont pu intervenir en même temps dans ces entreprises.

Conflit d’intérêts déclaré

L'auteur est intervenu comme consultant ou prestataire sur la majorité des déploiements documentés. C'est la limite la plus lourde, et elle est déclarée dans le dépôt lui-même plutôt que découverte par un lecteur.

Biais de sélection

L'échantillon vient d'un portefeuille de missions, pas d'un tirage aléatoire. Il décrit des entreprises qui avaient déjà décidé d'engager un projet et d'y consacrer un budget — pas l'ensemble des PME et ETI françaises.

Biais du survivant, et ce qui a été fait contre

Ne publier que la médiane des projets aboutis reviendrait à décrire les gagnants. C'est pourquoi les deux périmètres sont publiés côte à côte, et c'est la correction apportée par la version 2.0.

Données déclaratives

Les gains et les investissements proviennent des déclarations des clients. Une partie de l'échantillon a fait l'objet d'une revue documentaire ; aucun audit externe indépendant n'a été réalisé.

Anonymisation

Elle protège les entreprises et empêche, en contrepartie, toute vérification ligne à ligne par un tiers. On ne peut pas avoir les deux.

Horizon temporel inégal

Un déploiement de 2022 dispose de trois ans de recul, un de 2025 de quelques mois. Les cohortes récentes sont donc mécaniquement moins matures, et la médiane globale en dépend.

Non relue par les pairs

Auto-publiée en accès ouvert. Le dépôt l'écrit noir sur blanc : « self-published, not peer-reviewed, no independent audit ». Aucune formulation de ce site ne doit laisser entendre le contraire.

Refaire les calculs vous-même

Le dépôt contient le fichier de données, un dictionnaire des variables, un journal des versions et un script de reproduction sans aucune dépendance externe :

python3 verify_metrics.py ai_roi_dataset_200_deployments.csv

Il recalcule les valeurs des deux périmètres et rend les mêmes résultats à chaque exécution. C’est le seul niveau de vérification que cette étude permette à un tiers : le calcul est contrôlable, les lignes individuelles ne le sont pas, puisqu’elles sont anonymisées.

Jeu de données, version 2.0 du 30 juillet 2026 — DOI 10.5281/zenodo.17795133, licence CC BY 4.0. Les chiffres se reprennent librement avec attribution.

Questions sur cette étude

159,8 %, est-ce un retour sur investissement ?

Non, et la distinction change le montant. 159,8 % est le rapport du gain annuel à l'investissement : le gain vaut 1,598 fois la somme engagée. Le retour sur investissement au sens comptable — gain moins investissement, divisé par l'investissement — vaut exactement cent points de moins, soit 59,8 % sur les déploiements en production et 27,4 % sur la cohorte complète. Les deux formulations sont exactes ; celle qui doit servir à décider un budget est la seconde.

Que sont devenus les 35 déploiements qui n’ont pas abouti ?

Ils sont comptés, pas écartés. Chacun porte un gain annuel de zéro et entre dans le calcul de la cohorte complète — c'est précisément ce qui fait descendre la médiane de 159,8 % à 127,4 %. Une réserve doit être connue : dix-sept de ces trente-cinq lignes portent des valeurs positives héritées d'une saisie antérieure non documentée, et le dépôt les signale comme inutilisables. Elles ne servent à aucun calcul publié.

Un projet « en production » est-il un projet rentable ?

Non, et c'est l'enseignement le plus utile de cette étude. Sur les 165 déploiements arrivés en production, 44 — soit 26,7 % — dégagent un gain annuel inférieur à leur investissement. Ils restent classés comme non échoués parce que le champ mesure une seule chose : l'outil est en service et utilisé. D'où la publication de deux taux distincts, 82,5 % de mise en production et 60,5 % de rentabilité à douze mois. Confondre les deux est l'erreur de lecture la plus fréquente sur ce genre de chiffre.

Ces résultats sont-ils vérifiés par un tiers ?

Non. L'étude est auto-publiée, non relue par les pairs, et n'a fait l'objet d'aucun audit indépendant. Une partie de l'échantillon a été revue sur pièces, ce qui n'est pas la même chose. Ce qui est vérifiable en revanche, c'est le calcul : le dépôt contient un script de reproduction sans dépendance externe qui recalcule toutes les valeurs publiées à partir du fichier de données, et rend les mêmes résultats à chaque exécution.

Puis-je m’attendre à ces résultats dans mon entreprise ?

Non. Ces chiffres décrivent l'échantillon étudié, ils ne prédisent pas le résultat d'une entreprise particulière. L'échantillon vient d'un portefeuille de missions et non d'un tirage aléatoire, l'auteur est intervenu sur la majorité des déploiements, et les données sont déclarées par les clients. Le gain d'un projet se mesure sur le processus concerné, avec un point zéro relevé avant de commencer.

Comment reproduire les chiffres moi-même ?

En téléchargeant le dépôt et en exécutant le script fourni sur le fichier de données : python3 verify_metrics.py ai_roi_dataset_200_deployments.csv. Il n'a aucune dépendance externe et reproduit les valeurs des deux périmètres. Le dépôt contient également un dictionnaire des variables et un journal des versions. Tout est sous licence CC BY 4.0, donc réutilisable avec attribution.

Où ces chiffres sont utilisés

Les valeurs de cette étude apparaissent sur la page des preuves vérifiables, qui les met en regard des autres justificatifs d’ENDKOO, et dans la méthode de mesure, qui explique comment un gain se relève sur une mission particulière. Elles ne se confondent pas avec les quatre cas mesurés : ceux-là portent sur des missions ENDKOO identifiées, celle-ci sur un échantillon d’entreprises dont la majorité a été accompagnée par l’auteur — un biais déclaré plus haut.