Pourquoi les dirigeants qui mesurent le mieux l’adoption de l’IA ne regardent pas les tableaux de bord
Suivi des indicateurs: Les indicateurs d’utilisation traditionnels donnent souvent une fausse idée de la valeur de l’IA ; il faut plutôt se concentrer sur l’efficacité opérationnelle.
Gains d’efficacité: L’évaluation de l’impact de l’IA repose sur des améliorations mesurables de l’efficacité, plutôt que sur le simple niveau d’activité ou de résultat.
Changement de comportement: Une adoption significative de l’IA se manifeste par des évolutions comportementales, comme une utilisation spontanée et l’automatisation des tâches.
Évolution du discernement: La valeur des chefs de projet évolue : elle passe de la rapidité d’exécution à la capacité de prendre et d’affiner des décisions éclairées.
Paradoxe de la visibilité: Le succès de l’adoption de l’IA peut être invisible ; ceux qui travaillent de près constatent des changements significatifs.
Suivre l'adoption de l’IA dans la gestion de projet semble à première vue simple. Journaux d’utilisation, nombre de requêtes, activité des outils — les données existent. Mais les dirigeants qui ont tenté de mesurer l’impact réel de l’IA se rendent compte que les signaux les plus significatifs n’apparaissent pas du tout dans les tableaux de bord. Ce qui porte vraiment ses fruits ressemble moins à de l’analytique et davantage à une observation attentive de l’évolution du travail sur le terrain.
Voici ce que nos experts constatent, ce qui fonctionne… et ce qui ne fonctionne pas.
Pourquoi les indicateurs d’utilisation traditionnels ne suffisent pas
L’instinct de vouloir mesurer l’adoption de l’IA par l’activité est compréhensible — plus de requêtes, plus d’expérimentation, un enthousiasme plus visible devraient vouloir dire plus de valeur. Rawad Baroud, CEO de ZeroGPT, est parti avec exactement cette hypothèse, et ce qu’il a découvert a complètement changé sa conception de la mesure. « D’un point de vue de dirigeant, je pensais initialement que les équipes tirant le plus de valeur de l’IA seraient les plus faciles à identifier », explique-t-il. « Je m’attendais à voir des taux d’usage plus élevés, plus de requêtes, plus d’expérimentation, plus d’enthousiasme visible. » La réalité était presque inverse.
Unlock for Free
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
« Les équipes obtenant les meilleurs résultats traitaient souvent l’IA comme le correcteur orthographique. Elle était devenue si intégrée dans leur flux de travail que plus personne ne ressentait le besoin de la mentionner. » L’implication de cette observation pour ceux qui évaluent l’adoption est importante. Comme le résume Baroud : « Un chef de projet générant cinquante requêtes par jour n’apporte pas forcément plus de valeur que quelqu’un qui utilise l’IA cinq fois pour éliminer des goulots d’étranglement récurrents. »
Les équipes obtenant les meilleurs résultats traitaient souvent l’IA comme le correcteur orthographique. Elle était devenue si intégrée dans leur flux de travail que plus personne ne ressentait le besoin de la mentionner.
Les signaux auxquels il accorde désormais le plus d’attention sont opérationnels : les plans de projet parviennent-ils plus vite aux parties prenantes, y a-t-il moins de tâches renvoyées pour clarification, les mises à jour d’état nécessitent-elles moins de corrections ? Ces indicateurs, dit-il, lui en apprennent bien plus que n’importe quel tableau de bord d’adoption.
Mesurer l’efficacité, pas l’activité
Pour les dirigeants qui vont au-delà du suivi de l’usage, l’attention se porte sur les gains d’efficacité concrets — rendement, taux d’erreur, et retours des parties prenantes comme véritables points de référence. Emmanuels Magaya, fondateur de Project Managers Africa, y voit une comparaison directe avant/après. « Pour moi, l’indicateur numéro un, c’est : votre efficacité a-t-elle augmenté depuis que vous utilisez l’IA ? Ou passez-vous beaucoup plus de temps à rédiger des requêtes pour corriger votre travail ? », explique-t-il.
Pour moi, l’indicateur numéro un, c’est : votre efficacité a-t-elle augmenté depuis que vous utilisez l’IA ? Ou passez-vous beaucoup plus de temps à rédiger des requêtes pour corriger votre travail ?
Son approche consiste à créer des périodes de comparaison claires : « On peut mesurer l’efficacité en disant, par exemple, si au premier trimestre de l’année aucune partie du flux de travail n’impliquait l’IA, cela constitue un point de référence. Puis, au deuxième trimestre, l’IA était intégrée. On compare alors le premier et le deuxième trimestre. »
Magaya encourage aussi les dirigeants à solliciter des avis au-delà de leur équipe lorsqu’ils évaluent l’impact. « Il ne faut pas juste se limiter au point de vue de l’équipe PMO. Demandez aux parties prenantes, aux clients internes, etc. Vous n’avez même pas à préciser que vous utilisez l’IA. Demandez simplement : ‘Comment avons-nous fonctionné ces derniers mois ?’ Le feedback spontané des personnes les plus proches du travail est, selon lui, l’une des mesures les plus honnêtes qui soit.
Mesurer les comportements plus que les résultats
Plusieurs dirigeants s’accordent à dire que l’évolution des comportements est le signe le plus fiable d’une adoption réelle de l’IA — notamment, savoir quelles tâches deviennent automatisées par défaut, et si les membres de l’équipe font appel à l’IA spontanément. Ferhat Suat Erdogan, Fondateur & CEO d’Ekofi, a volontairement choisi de ne pas instaurer de système formel de mesure pour cette raison précise. « Nous sommes une structure légère, donc j’ai sciemment évité de créer un tableau de bord IA », explique-t-il. « Ce que je ne vois pas en regardant un tableau de bord, c’est si l’IA change réellement la façon de travailler. J’accorde donc plus d’importance aux changements de comportements qu’aux outputs. »
Les signaux qu'Erdogan observe sont spécifiques : quelles tâches récurrentes sont passées en priorité à l'IA — « rapports d’avancement, compte-rendus de réunion transformés en actions, premières versions de mises à jour clients, synthèses de périmètre » – par opposition à celles qui reposent encore sur l’humain ; le temps pour obtenir un premier jet d’un livrable, et combien de modifications sont nécessaires à la sortie IA avant sa livraison. « Ce taux de retouche est ma vraie métrique de qualité, » dit-il. « Le comportement auquel j’accorde le plus de confiance, c’est quand l’équipe se tourne spontanément vers l’IA. Un usage imposé ne signifie rien ; un usage spontané prouve que cela leur fait réellement gagner du temps. »
Le comportement auquel j’accorde le plus de confiance, c’est quand l’équipe se tourne spontanément vers l’IA. Un usage imposé ne signifie rien ; un usage spontané prouve que cela leur fait réellement gagner du temps.
Artem Panasiuk, responsable livraison chez Brocoders, adopte une approche similaire, privilégiant des réunions d’équipes régulières à un tableau de bord formel pour recueillir des signaux. « Nous ne suivons pas actuellement l’adoption de l’IA à travers un tableau de bord de métriques formelles. Nous organisons des synchronisations d’équipe régulières pendant lesquelles nos managers partagent ce qui fonctionne au quotidien, et c’est là que nous obtenons la plupart de nos signaux », explique-t-il.
Nous organisons des synchronisations d’équipe régulières pendant lesquelles nos managers partagent ce qui fonctionne au quotidien, et c’est là que nous obtenons la plupart de nos signaux.
Ce que Panasiuk mesure vraiment, c’est le changement dans l’utilisation du temps par un chef de projet. Les tâches PM classiques — génération de documents, création de tickets Jira, mise à jour de la documentation, rédaction d’e-mails — sont devenues automatisées, libérant des capacités qui permettent aux managers de s’intéresser à des sujets qui échappaient auparavant au périmètre du PM : analyses métiers, éléments de design system, documentation et vibecoding. Le résultat est frappant selon Panasiuk : « nos managers accomplissent environ deux fois plus de travail qu’auparavant, et les équipes qui les entourent sont devenues bien plus polyvalentes. »
Le Grand Basculement : De la production au jugement
De ces différents points de vue, une nouvelle approche émerge — non seulement dans la façon dont l’IA est mesurée, mais aussi dans ce que les responsables commencent à valoriser au sein de leurs équipes. Erdogan l’exprime clairement : « Avant, je valorisais implicitement la rapidité et le volume de travail produit. Désormais, la compétence à forte valeur ajoutée, c’est le jugement — éditer la sortie de l’IA et savoir quand il ne faut pas s’en servir. Le métier évolue : il ne s’agit plus de rédiger le brouillon, mais de devenir l’éditeur qui en assume la responsabilité. »
Avant, je valorisais implicitement la rapidité et le volume de travail produit. Désormais, la compétence à forte valeur ajoutée, c’est le jugement — éditer la sortie de l’IA et savoir quand il ne faut pas s’en servir.
Ce changement a des implications concrètes sur la façon d’évaluer la performance de livraison. Le volume et la rapidité ne sont plus des signaux aussi pertinents qu’avant. Le PM qui produit moins mais édite mieux, qui détecte les manques que l’IA laisse passer et sait quand mettre l’outil de côté, peut apporter plus de valeur que celui qui génère le plus de sorties. Comme le souligne Baroud, le plus grand changement de mentalité est que « l’adoption de l’IA n’est pas toujours visible. Dans bien des cas, la réussite ressemble moins à une activité accrue qu’à la disparition discrète de tâches qui ralentissaient les équipes. »
En finir avec le paradoxe de la visibilité
La remarque de Baroud met en lumière un paradoxe dont il faut tenir compte : les équipes qui utilisent le mieux l’IA sont celles que l’on s’attendrait le moins à retrouver dans un rapport d’adoption. Si la réussite se traduit par la disparition silencieuse du travail plutôt que par une activité visible, alors les responsables les mieux placés pour mesurer l’impact de l’IA ne sont pas ceux qui consultent des tableaux de bord — ce sont ceux qui restent suffisamment proches du terrain pour remarquer quand une tâche cesse de créer de la friction.
Vous souhaitez recevoir plus d’analyses comme celle-ci ? Créez gratuitement un compte DPM pour découvrir d’autres retours d’experts.
