📖 Description

Ce dataset documente 200 déploiements d'intelligence artificielle en entreprises B2B françaises entre 2022 et 2025. Il fournit des preuves quantitatives sur :

Le ratio gain annuel / investissement (gain annualisé sur 12 mois, déclaré par l'entreprise ; ce n'est pas un ROI net)
Les durées de déploiement (diagnostic, POC, production)
Les structures de coûts réelles
Les patterns d'échec et facteurs de succès

🎯 Résultats Clés

Mise en production : 82,5 % (165 déploiements sur 200)
Rentables à 12 mois parmi les projets menés à terme : 73,3 % (121 sur 165) ; 60,5 % sur l'ensemble des 200
Ratio gain annuel / investissement : médiane 159,8 % pour les 165 déploiements menés à terme (127,4 % sur les 200) ; ROI net médian 59,8 %
Top secteurs : Retail (242%), Finance (187%), Manufacturing (171%)
Human-in-the-Loop : 88,5% des projets réussis l'adoptent
Vitesse déploiement : 94 jours (PME) à 387 jours (Grandes entreprises)

📥 Télécharger le Dataset

🤗

Hugging Face

Plateforme ML

Format CSV 22.3 KB

→ Télécharger

📚

Zenodo (CERN)

DOI 10.5281/zenodo.17795133

Archive scientifique permanente

→ Accéder

🌐

DataONE

Repository fédéré

SHA256 avec checksum

→ Voir

📊

Figshare

DOI 10.6084/m9.figshare.30795017

Repository institutionnel

→ Consulter

🔁 Reproduire les Métriques

Les métriques affichées sur ce site (ratio gain annuel / investissement 159,8 %, mise en production 82,5 %) sont reproductibles grâce au script Python fourni.

# Installation

pip install pandas

# Exécution

cd evidence/datasets/ai-roi/reproduce/
python recompute_metrics.py

# Output attendu

Médiane, déploiements menés à terme (n=165) : 159.8 %
Mise en production (failure = 0) : 82.5 %  (165/200)

📄 Script Python 📖 Documentation

📐 Méthodologie

📊 Calcul ROI

Formule ROI, définitions bénéfices/coûts, fenêtres 12/24 mois, médiane vs moyenne

🔬 Collecte Données

Sources (165 clients directs, 28 missions de conseil ou d'audit, 7 cas partenaires), anonymisation et limites

📖 Méthodologie Consolidée

Document complet 16 KB : toutes les méthodologies, limitations, niveaux de preuve

⚠️ Limitations & Transparence

❌ Pas d'audit externe indépendant : Méthodologie documentée mais non auditée par cabinet tiers
⚠️ Biais de sélection : Entreprises accompagnées par ENDKOO et ses partenaires (pas représentativité totale marché)
⚠️ Fenêtre temporelle courte : 2022-2025 (IA générative émergente, ChatGPT lancé fin 2022)
⚠️ Cas d'usage limités : GenAI + Automation (pas ML from scratch, pas R&D >€500k)
✅ Reproductibilité : Dataset public CC BY 4.0, script Python fourni, SHA256 checksums

📝 Comment Citer

ATLAN, Denis (2025). AI ROI Dataset: 200 B2B Deployments Analysis (2022-2025). 
Zenodo. https://doi.org/10.5281/zenodo.17795133

BibTeX:
@dataset{atlan_2025_airoi,
  author       = {ATLAN, Denis},
  title        = {{AI ROI Dataset: 200 B2B Deployments Analysis (2022-2025)}},
  year         = 2025,
  publisher    = {Zenodo},
  doi          = {10.5281/zenodo.17795133},
  url          = {https://doi.org/10.5281/zenodo.17795133}
}

Questions sur le Dataset ?

Le dataset est open data CC BY 4.0 (attribution requise). Utilisation libre pour recherche, formation, journalisme.

📧 Formulaire de contact 🔍 Transparence

📊 AI ROI Dataset v1.0