1. Définition ROI
1.1 Formule
ROI (%) = ((Bénéfices - Coûts) / Coûts) × 100
1.2 Composantes
📈 Bénéfices mesurés
- Temps économisé converti en € (coût horaire × heures)
- CA additionnel généré (si mesurable)
- Coûts évités (erreurs, retravail)
- Gains productivité mesurables
💰 Coûts inclus
- Licences logicielles IA (ChatGPT, API)
- Formation équipes (temps × coût horaire)
- Temps déploiement (pilote + généralisation)
- Accompagnement externe
- Maintenance/support (12 ou 24 mois)
❌ Exclusions
• Coûts infrastructure déjà existante (serveurs, réseau)
• Salaires fixes (sauf temps formation/déploiement)
• Bénéfices intangibles non mesurables (satisfaction client, image)
2. Périodes de Mesure
| Fenêtre | Début | Fin | Usage |
|---|
| 12 mois | Date mise en production | J+365 jours | ROI court terme |
| 24 mois (référence) | Date mise en production | J+730 jours | ROI consolidé (dataset) |
💡 Pourquoi 24 mois ?
Les bénéfices IA s'amplifient après adoption complète (courbe apprentissage). La fenêtre 24 mois capture le ROI consolidé réel après passage de la phase pilote à l'utilisation quotidienne.
3. Métriques Dataset
3.1 ROI Médian 159,8% (24 mois)
Pourquoi médiane vs moyenne ?
• Distribution ROI asymétrique (quelques outliers >500%)
• Médiane résiste aux valeurs extrêmes
• Médiane = "ROI typique" (50% au-dessus, 50% en-dessous)
📊 Transparence méthodologique :
Le ROI moyen de notre échantillon est de +347% (tiré par les outliers et succès exceptionnels >500%). Nous préférons communiquer sur la médiane conservatrice de +159,8% qui représente le résultat typique attendu. Cette approche reflète notre engagement pour la rigueur académique et la reproductibilité.
Calcul :
- Tri 200 ROI par ordre croissant
- Médiane = moyenne des valeurs 100 et 101
- Résultat : 159,8%
3.2 Taux de Succès 73%
| Statut | Définition | % |
|---|
| ✅ Succès | • Projet atteint objectifs définis
• ROI > 0% sur fenêtre 24 mois
• Système IA toujours utilisé à J+730 | 73% |
| ❌ Échec | • Abandon avant fin pilote
• ROI négatif sur 24 mois
• Système IA désactivé/non utilisé | 17,5% |
4. Collecte Données
4.1 Sources
📁 Projets ENDKOO (75%)
- Accompagnements directs 2022-2025
- Données collectées avec accord client
- Suivi ROI post-déploiement (questionnaires)
🤝 Projets Partenaires (25%)
- Task Force 20 experts
- Contributions anonymisées
- Données agrégées sans identification
4.2 Anonymisation
Méthode :
- Suppression noms entreprises, contacts
- Secteur générique (ex : "Commerce B2B" au lieu de nom précis)
- Fourchettes effectifs (1-10, 11-50, 51-250) au lieu de chiffre exact
- Pas de combinaison attributs permettant ré-identification
✅ Conformité RGPD
• Consentement collecte (clause contrats ENDKOO)
• Anonymisation irréversible (pas de données personnelles)
• Pas de transfert hors UE
• Test k-anonymat (k=5) validé
→ Voir le process complet d'anonymisation RGPD
5. Limites Méthodologiques
5.1 Biais documentés
⚠️ Biais de sélection
• Dataset = clients ENDKOO + partenaires (PME/ETI françaises)
• Pas représentatif grandes entreprises (>250 salariés)
• Pas représentatif secteurs non B2B
⚠️ Biais de mesure
• Bénéfices auto-déclarés par clients (pas d'audit externe)
• Calculs € basés sur estimations coût horaire client
• Impossible isoler 100% impact IA (facteurs externes)
⚠️ Biais temporel
• Fenêtre 24 mois = certains projets récents incomplets
• Dataset 2022-2025 = contexte IA générative émergent
5.2 Cas d'usage couverts
| Inclus (GenAI + Automation) | Exclus |
|---|
• Automatisation processus (RPA + IA)
• Chatbots / assistants clients
• Génération contenu
• Analyse données / prédictions | • Entraînement modèles from scratch
• Déploiements infrastructure lourde (>500k€)
• Projets R&D sans ROI mesurable |
6. Reproductibilité
6.1 Dataset accessible
Plateformes :
Format : CSV (22.3 kB, 200 lignes)
Licence : CC BY 4.0
6.2 Recalcul métriques
Script Python disponible :
import pandas as pd# Charger datasetdf = pd.read_csv('ai-roi-b2b-france-200-deployments.csv')# ROI médian 24 moisroi_median_24m = df['roi_24m'].median()print(f"ROI médian 24m: {roi_median_24m:.1f}%")# Output attendu : 159.8%# Taux succèssuccess_rate = (df['status'] == 'success').mean() * 100print(f"Taux succès: {success_rate:.1f}%")# Output attendu : 73%
📥 Télécharger le dataset7. Disclaimer
✅ Ce que cette méthodologie EST
- Processus documenté et reproductible
- Dataset accessible et vérifiable
- Biais explicités
❌ Ce que cette méthodologie N'EST PAS
- Audit externe par cabinet indépendant
- Méthodologie académique peer-reviewed
- Garantie ROI pour futurs projets
⚠️ Source : Auto-déclaratif (ENDKOO)
Cette méthodologie est documentée par ENDKOO sans validation tierce externe. Les données sont accessibles pour vérification, mais aucun audit indépendant n'a été réalisé.
8. Contact Méthodologie
Questions / reproductibilité :
Dernière mise à jour : 29 décembre 2025
Prochaine révision : T2 2026 (intégration nouveaux déploiements)
📊 Evidence Pack v1.0 Ce document fait partie de l'Evidence Pack v1.0 créé pour garantir la transparence et l'auditabilité des claims du site denisatlan.fr.
← Retour au hub Evidence Pack