Un acheteur ne paie pas pour le profit de l'année dernière. Il paie pour la part de ce profit dont il suppose qu'elle continuera d'exister sans qu'il doive lui-même intervenir. C'est la qualité du profit : non pas le niveau de la marge, mais son origine. Un profit issu d'un processus structurel pèse différemment d'un profit issu d'une aubaine ponctuelle, d'une remise fournisseur temporaire ou d'un client qui a simplement commandé davantage cette année.
Si l'IA reprend une partie du travail, quelque chose change fondamentalement dans cette pesée. Une économie sur les coûts de personnel qui apparaît parce qu'une tâche est désormais automatisée n'est pas automatiquement une bonne qualité de profit. Cela dépend de l'origine de cette économie et de la solidité de son ancrage.
Toute économie liée à l'IA ne compte pas de la même manière pour un acheteur.
Cette distinction traverse les trois catégories qui reviennent partout : le travail que l'IA reprend entièrement, le travail qui se déroule avec un contrôle humain où quelqu'un approuve ou rejette avec une raison, et le travail qui reste un travail humain. Un profit qui repose sur les deux premières catégories, bien consigné, se pèse différemment pour un acheteur qu'un profit qui apparaît par hasard sans consignation.
Un acheteur ne regarde pas l'étiquette « IA » dans un rapport annuel. Il regarde le schéma derrière les chiffres.
Ces points constituent ensemble la preuve permettant d'étayer la qualité du profit. Sans cette preuve, une économie reste une simple affirmation.
Commencez par le compte de résultat des deux à trois dernières années et décomposez chaque amélioration de la marge selon son origine : volume, prix, coûts, ou autre chose. Pour chaque économie de coûts liée à l'automatisation ou à l'IA, déterminez si l'économie est ancrée dans le processus ou liée à un fournisseur, et si elle est consignée ou n'existe qu'au bon vouloir d'une seule personne.
Ensuite, ne comptez pas seulement ce que l'IA fait déjà aujourd'hui, mais aussi ce qui se fait encore manuellement alors que cela pourrait être transféré vers un processus automatisé avec contrôle. Cet écart entre ce qui se passe maintenant et ce qui est possible est souvent plus grand que prévu et explique pourquoi deux entreprises ayant le même chiffre d'affaires présentent une qualité de profit différente.
Cette question — quel travail dans cette entreprise peut réellement être repris par l'IA — trouve sa réponse tâche par tâche avec le scan de travail de FTE TO AI.
La qualité du profit ne s'améliore pas en déployant davantage d'IA, mais en ancrant les économies existantes. Cela signifie : consigner quel travail suit quel processus et pourquoi, organiser un contrôle là où c'est nécessaire, et dissocier les économies d'un fournisseur spécifique unique là où c'est possible. Cela signifie aussi établir honnêtement quelle part du profit repose encore sur une seule personne qui sait comment cela fonctionne — ce qui touche à la dépendance au propriétaire et à la manière dont la transmissibilité influence le prix.
La qualité du profit est également liée à d'autres facteurs de valeur. Un profit provenant en grande partie d'un seul client pèse moins lourd, comme on peut le voir avec la concentration client. Un profit étayé par un reporting clair pèse plus lourd, comme le montre l'information de gestion. Et un profit issu de contrats qui se poursuivent pèse différemment d'un profit issu de missions ponctuelles, comme abordé pour le chiffre d'affaires récurrent. Pour toute modification de l'affectation du personnel découlant de ce type d'analyse, les exigences légales propres à cette décision s'appliquent ; cela ne fait pas partie de ce scan.
La qualité du profit se laisse rarement évaluer d'un seul coup d'œil. Elle se répartit entre la construction de la marge, la consignation des processus et le degré de dépendance des économies à une seule partie. Le contrôle de valeur gratuit de FTE TO AI se compose de huit questions courtes, une par facteur de valeur, et donne une image du facteur qui pèse aujourd'hui le plus sur votre prix. Le scan de valeur complet, avec des scores de maturité par facteur et un calendrier sur deux ans vers le moment de la sortie, est en cours de préparation.