KPIs d'une automatisation : ce qu'il faut tracker vraiment

Vous avez déployé une automatisation et vous voulez prouver sa valeur au COMEX. Ou inversement, vous cherchez à savoir si elle marche vraiment. Sur 28 projets observés, 80% des PME suivent les mauvais KPIs et passent à côté du vrai signal. Voici les 8 métriques qui comptent et les 4 à abandonner.

Pourquoi les KPIs techniques classiques sont-ils trompeurs ?

Quand une PME monte un dashboard d'automatisation, voici ce qu'elle traque généralement :

• Nombre d'exécutions par jour/semaine/mois
• Uptime du workflow (99,9%)
• Latence moyenne d'exécution (250ms)
• Volume de données traitées (12 Go ce mois-ci)

Ces 4 métriques sont utiles pour l'IT, inutiles pour le business. Elles te disent que ton infrastructure marche, pas que ton automatisation crée de la valeur.

Sur les 28 projets observés, voici ce qu'on a vu :

• Un workflow avec 99,9% d'uptime et 50 000 exécutions/mois mais qui automatisait une tâche qui ne servait à rien → projet désactivé après 9 mois
• Un workflow avec 95% d'uptime et 200 exécutions/mois mais qui libérait 8 heures par semaine au PDG → projet sanctifié, étendu à toute l'entreprise

L'uptime ne dit rien. Les exécutions ne disent rien. Ce qui compte : quelle valeur business l'automatisation génère.

Les 8 KPIs business à tracker systématiquement

Sur les 28 projets analysés, voici les 8 métriques qui distinguent les automatisations qui marchent de celles qui dorment :

KPI 1 — Heures libérées par semaine (médiane sur 4 semaines)

La métrique reine. Combien d'heures humaines votre automatisation libère-t-elle par semaine, mesurées en time-tracking réel ou en estimation auditable ?

Comment mesurer : avant lancement, time-tracker la tâche pendant 2 semaines (combien d'heures × combien de personnes). Après lancement, time-tracker la nouvelle tâche (validation + supervision). La différence = heures libérées.

Cible : automatisation rentable au-dessus de 8 heures/semaine libérées sur une PME 25-50 salariés.

KPI 2 — Taux d'erreur métier mesuré (et pas juste technique)

Pas "taux d'échec du workflow" (technique). Mais "taux d'erreur sur le résultat métier final" : facture mal calculée, lead mal qualifié, email envoyé au mauvais destinataire.

Mesure : audit qualité aléatoire de 50 sorties/semaine pendant les 3 premiers mois, 25/semaine ensuite.

Cible : < 1% d'erreur métier pour les automatisations critiques, < 3% pour les non-critiques.

KPI 3 — Délai de traitement médian (avant vs après)

Combien de temps entre l'événement déclencheur et l'action finale ? Mesurer la médiane et le P95.

Exemple : avant automatisation, un lead était traité en 4h12 médiane / 18h P95. Après, 1min30 médiane / 8 minutes P95. Réduction mesurable et impactante.

KPI 4 — Économies opérationnelles mensuelles (€/mois)

Conversion en euros : (heures libérées × taux chargé) - coûts d'exécution (API, hébergement, maintenance).

Cible : économies nettes > 2 500€/mois pour qu'un projet PME soit clairement rentable.

KPI 5 — NPS utilisateurs (équipe interne + utilisateurs finaux)

Sur une échelle de 1 à 10, "à quel point l'automatisation vous facilite-t-elle votre travail ?" demandé tous les mois pour l'équipe interne, à chaque interaction pour les utilisateurs finaux (chatbot, setter IA).

Cible : NPS médian > 7/10. En dessous de 5/10, signal d'alerte rouge.

KPI 6 — Taux d'adoption à 90 jours

Pour les outils internes (dashboard, assistant, automatisation utilisée par les équipes) : pourcentage des utilisateurs cibles qui utilisent l'outil au moins 1x/semaine après 90 jours.

Cible : 65-75% à 90 jours. Sous 50%, le projet est en grand danger même si techniquement il marche. Voir notre guide des 4 leviers d'adoption.

KPI 7 — Ratio capacité/charge

Combien d'opérations supplémentaires votre automatisation pourrait-elle absorber sans dégrader la performance ?

Exemple : un setter IA qui traite 47 leads/jour à 30% de sa capacité théorique = ratio 0,3. Si la charge double, on est OK. Si elle est à 0,8, on doit prévoir un upgrade.

Cible : ratio < 0,5 en régime de croisière (50% de marge de croissance).

KPI 8 — Coût marginal par exécution (€/exécution)

(Coût total mensuel) / (nombre d'exécutions mensuelles). Permet de modéliser le coût quand le volume augmente.

Exemple typique pour un setter IA en PME : 0,015 à 0,04€ par conversation complète. Si ça monte à 0,10€/conversation, investiguer : qu'est-ce qui a changé (modèle plus cher, prompts plus longs, retries excessifs) ?

Comment construire le dashboard en 1 journée ?

Sur les 28 projets, voici la stack qui revient le plus pour un dashboard PME utile :

Stack minimaliste (3-4 heures de setup)

• Google Sheets + Google Apps Script qui lit les données du système d'automatisation (N8N, Make, Zapier)
• 1 onglet par KPI, mise à jour quotidienne automatique
• 1 onglet "vue COMEX" qui agrège les chiffres essentiels en 5-7 lignes
• Coût : 0€

Stack intermédiaire (1 journée de setup)

• Plausible ou PostHog pour les métriques côté utilisateur (NPS, adoption)
• N8N webhook qui pousse les KPIs business dans un Supabase
• Metabase ou Grafana pour visualiser
• Coût : 25-50€/mois

Stack scaleup (2-3 jours de setup)

• Tracking events custom dans une DB analytics (Snowflake, BigQuery)
• dbt pour transformer les données brutes en KPIs business
• Metabase Cloud ou Looker Studio pour les dashboards
• Coût : 150-400€/mois

Le choix dépend moins de la techno que du volume de KPIs et de la fréquence de revue. Pour la majorité des PME, la stack minimaliste suffit largement.

Pour comprendre comment dimensionner techniquement, voir notre guide no-code, low-code, custom dev IA en 2026.

Quels seuils d'alerte définir pour chaque KPI ?

Sur les 12 projets qui ont mis en place des alertes automatiques, voici les seuils qui ont déclenché les bonnes réactions :

KPI	Seuil alerte	Action automatique
Heures libérées / sem	Baisse de 30% sur 2 sem consécutives	Investigation manuelle dans les 48h
Taux d'erreur métier	> 2% sur la dernière semaine	Suspension auto-publication, validation humaine obligatoire
Délai de traitement médian	x 2 vs baseline	Alerte Slack à l'équipe ops
Économies mensuelles	-25% sur le mois	Revue trimestrielle anticipée
NPS	< 5/10 sur 7 derniers répondants	Entretien qualitatif planifié
Adoption	-10% à 90 jours vs benchmark	Plan d'action adoption mis en place
Ratio capacité/charge	> 0,75	Upgrade serveur ou refactor planifié
Coût marginal	x 1,5 vs baseline	Audit prompts + modèle

Les alertes doivent être minimales (3-5 max actives en même temps) pour ne pas se désensibiliser. Trop d'alertes = aucune.

À quelle fréquence revoir les KPIs avec le COMEX ?

Sur les 28 projets observés, la fréquence optimale dépend de la phase :

Phase 1 — Lancement et stabilisation (mois 1-3)

• Revue hebdomadaire entre le responsable projet et 1-2 sponsors COMEX
• Format : 15-20 minutes, focus sur les 3-4 KPIs critiques
• Objectif : ajuster vite si quelque chose ne va pas

Phase 2 — Régime de croisière (mois 4-12)

• Revue mensuelle en COMEX
• Format : 1 slide unique dans la revue ops mensuelle (pas une réunion dédiée)
• Objectif : valider que les chiffres tiennent, identifier les opportunités d'extension

Phase 3 — Maturité (an 2+)

• Revue trimestrielle en COMEX
• Format : intégré dans le reporting business as usual
• Objectif : business case continu pour justifier la maintenance + extensions

Sur les 5 projets qui ont scaled au-delà de l'an 1, tous ont gardé une revue mensuelle même en régime de croisière. C'est ce qui crée la confiance long terme du COMEX et la justification budgétaire en continu.

Pour structurer cette revue auprès du CODIR, voir notre méthode pour vendre l'IA au CODIR sans buzzword.