L’« output » mesure ce qui a été produit ; l’ « outcome » mesure ce qui a réellement changé 

Entre IA agentique, confiance, souveraineté et transformation des organisations, la valeur se déplace -lentemen-t vers plus de pertinence. Le focus, trop souvent encore axé sur l’« output », soit la mesure ce qui a été produit, devrait se déplacer sur l’« outcome », soit la mesure de ce qui a réellement changé…

Lorsque tout le monde peut devenir « builder », la capacité à construire cesse progressivement d’être le principal facteur de différenciation. La valeur est appelée à se déplacer vers la pertinence de ce que l’on choisit de construire, la qualité des décisions prises et la capacité à transformer une technologie en réponse concrète à un problème réel. On y tend. Mais trop lentement. Le focus, aujourd’hui encore, est l’« output », soit la mesure ce qui a été produit, alors qu’on devrait penser « outcome », soit la mesure ce qui a réellement changé…

Ce qui a été produit ne permet pas de mesurer le ROI de l’IA. Le sujet reste une question ouverte. Voici peu, le « Value of AI Report 2026 » de SAP, réalisé en collaboration avec Oxford Economics, se contentait d’observer que l’IA d’entreprise est passée de l’expérimentation à la mise en œuvre. Une étape de plus. Et d’estimer que les attentes en matière de retour sur investissement pour l’IA agentielle ont bondi de 10 % l’an dernier à 17 % cette année. Sans plus. Dans ce rapport, il n’est pas encore question d’« outcome »…

Des échecs liés aux résultats

Il y a quelques années, se concentrer sur les résultats suffisait. L’IA était une nouveauté, les conseils d’administration étaient curieux, et démontrer l’efficacité de la technologie était considéré comme un succès. Cette époque est révolue.

Aujourd’hui, le Boston Consulting Group indique que 74 % des entreprises peinent à tirer pleinement parti de l’IA et à en accroître la valeur ; dans la même veine, les chiffres de Gartner suggèrent que 75 % des investissements dans les données et l’IA échouent ou restent inutilisés.

Il ne s’agit pas d’échecs technologiques, mais d’échecs liés aux résultats. Les modèles fonctionnent. L’impact commercial ne se concrétise pas car le lien entre les résultats et les bénéfices n’a jamais été intégré dès la conception. La phrase « Nous expérimentons l’IA » n’est plus une réponse acceptable !

« Outputs », « outcomes », quelle différence ?

Les « outputs » sont ce qu’un système d’IA produit directement : la prédiction, la classification, la recommandation, le score de précision, le nombre de clients atteints. Ce sont les résultats immédiats et mesurables de la technologie. Les « outcomes », quant à eux, sont les effets concrets de ces extrants sur l’activité : croissance de la clientèle, réduction du taux de désabonnement, amélioration de l’expérience client, augmentation de la part de marché.

« Les résultats correspondent aux objectifs réels de l’entreprise lors de l’approbation de l’investissement ; ce sont les priorités stratégiques qu’elle poursuit, et non les indicateurs techniques que le modèle optimise, explique Paloma Rubio, Senior Data & AI Strategist, DataGalaxy. En deux mots, les outputs décrivent comment le modèle réalise quelque chose, tandis que les outcomes sont ce que l’entreprise doit accomplir ! »

L’écart paraît évident sur le papier. En pratique, c’est là que les programmes d’IA échouent. Un détaillant peut disposer d’un modèle de prédiction des retours d’une précision remarquable qui, en réalité, ne réduit pas les retours car la conception de l’intervention était erronée. Une banque peut disposer d’une IA de notation de crédit ultra-performante qui n’augmente pas son portefeuille de prêts car elle rejette les mauvais demandeurs. Un hôpital peut être doté d’un modèle de diagnostic de pointe qui n’améliore pas la prise en charge des patients car les cliniciens ne font pas confiance à ses recommandations.

La distinction entre « production » et « résultat » est par trop souvent négligée

Dans son ouvrage « Output to Outcome », le Dr Mik Kersten, auteur du best-seller « Project to Product », analyse les raisons pour lesquelles les gains de productivité attendus de l’IA ne se concrétisent pas pour de nombreuses entreprises.

A le lire, la distinction entre « production » et « résultat » est par trop souvent négligée. Il ne s’agit pas d’un argument contre la fiabilité des prestations ; les organisations doivent toujours gérer la qualité, les risques, les dépendances et l’excellence opérationnelle. « Le problème survient lorsque la production devient la définition du succès. Une production est quelque chose que l’organisation fabrique ; un résultat est un changement qui se produit grâce à cette production. » La nuance est importante.

La notion de valeur varie

Au lieu de partir d’une description parfaite des rôles et des processus, partez du résultat, invite encore Mik Kersten. C’est d’ailleurs, en deux mots, la thèse de son livre. Dès lors que l’IA élimine la production de connaissances comme facteur limitant, la productivité devient contrainte par les structures et processus organisationnels.

La théorie des contraintes stipule que dans tout système complexe, qu’il s’agisse d’un processus de fabrication ou d’un flux de travail, il existe au moins un goulot d’étranglement ou un facteur limitant qui détermine le débit global du système.

« Les entreprises qui s’attaquent aux contraintes organisationnelles observeront un effet d’entraînement positif sur leur productivité et leur réussite, tandis que celles qui ne repensent pas leur modèle opérationnel deviendront non compétitives et déclineront ». Et de préciser, encore, que la notion de valeur varie selon le contexte organisationnel, le marché et le client.