Selon le MIT (The GenAI Divide: State of AI in Business 2025), 95% des organisations n'obtiennent aucun retour mesurable de leurs investissements en IA générative - après 30 à 40 milliards de dollars engagés. On peut discuter la méthodologie de l'étude ; l'ordre de grandeur, lui, correspond à ce que nous observons sur le terrain. Et la cause est rarement la technologie. L'échec commence bien avant le premier modèle.

Un précédent instructif

Ce phénomène n'est pas né avec l'IA. Un cas que nous avons observé de près, bien avant la vague actuelle : le déploiement d'un outil de business intelligence dans un groupe industriel. Objectifs jamais définis, rôles jamais attribués, formation et développements menés dans la précipitation. Résultat : des milliers de rapports, chacun utilisable par la seule personne qui l'avait créé. L'outil fonctionnait parfaitement. Mais les chiffres qui en sortaient n'inspiraient aucune confiance - non parce qu'ils étaient faux, mais parce que les rapports, mal configurés, mesuraient souvent autre chose que ce qu'on croyait mesurer.

Remplacez « rapport » par « modèle », et vous retrouvez l'anatomie de bien des échecs IA actuels. Avec des budgets plus élevés et des attentes plus grandes.

Une chaîne de défaillances, pas un accident

Les initiatives IA échouent rarement pour une seule raison. Les défaillances s'enchaînent, et chacune prépare la suivante.

Le problème n'est pas défini.

L'entreprise veut « accélérer sur l'IA » - mais quelle décision doit être améliorée ? Quelle performance doit évoluer : marge, cash, stock, délai, qualité ? Une intention technologique n'est pas une stratégie. La bonne question n'est pas « où pouvons-nous utiliser l'IA ? », mais « quelle décision importante prenons-nous aujourd'hui avec trop peu de précision, d'anticipation ou de discipline?»

Les cas d'usage sont choisis pour leur visibilité, pas pour leur valeur.

Le rapport du MIT documente ce biais : les budgets d'IA générative se concentrent massivement sur les fonctions vente et marketing - les plus faciles à démontrer en comité - alors que les gains les plus tangibles qu'il observe se situent dans les fonctions moins visibles : automatisation documentaire, finance, achats, réduction du recours aux prestataires externes. Une interface conversationnelle se démontre facilement en comité de direction. Un cas d'usage sur les rebuts, le fonds de roulement ou la précision des prévisions est moins spectaculaire - et souvent plus rentable. C'est un problème d'allocation du capital, pas de technologie.

La réalité des données est surestimée.

Une entreprise peut être riche en données et pauvre en données utilisables. ERP, CRM, historiques, milliers de feuilles de calcul - mais des définitions divergentes d'un même indicateur, des historiques incomplets, des corrections manuelles non traçables, et souvent personne qui porte la qualité de la donnée à la source. Une donnée importante sans propriétaire réel reste une donnée fragile. La qualité d'une donnée ne se mesure pas dans l'absolu ; elle se mesure par rapport à la décision qu'on cherche à améliorer.

Le pilote démontre une performance technique, pas une valeur économique.

La précision d'un modèle ne dit rien de la valeur créée. Il faut relier performance technique, décisions modifiées, coût des actions déclenchées, fausses alertes, coûts d'intégration et de maintenance. Un modèle performant peut ne rien rapporter s'il intervient trop tard ; un modèle imparfait peut être précieux s'il améliore suffisamment une décision importante. Une démonstration n'est pas une décision de capital.

La décision n'est pas transformée.

Un score apparaît dans un tableau de bord, une alerte est envoyée. Mais qui agit ? Dans quel délai ? Selon quelle règle ? Un modèle de risque client ne recouvre aucune créance ; un modèle de maintenance prédictive ne répare aucun équipement. La valeur ne réside pas dans la prédiction - elle réside dans la décision et l'action qu'elle modifie. Sans redessiner le processus, l'IA devient une couche d'information supplémentaire. Comme ces milliers de rapports que personne n'ouvrait.

Personne ne porte le résultat de bout en bout.

L'équipe data porte le modèle, le métier attend une solution, l'IT garantit l'infrastructure, le fournisseur livre un outil. Quand chacun porte une composante, personne ne porte l'ensemble. Le passage à l'échelle révèle alors tout ce que le pilote avait masqué : diversité des systèmes, coûts récurrents, adoption réelle. Le rapport du MIT observe que les initiatives menées avec des partenaires spécialisés atteignent le déploiement nettement plus souvent que les développements internes - tout en notant lui-même que cet écart peut refléter la maturité des organisations autant que le choix entre construire et acheter. Dans les deux cas, la leçon est la même : le passage à l'échelle est régulièrement sous-estimé.

Les cinq questions que le board devrait poser

Avant de financer ou d'étendre une initiative IA :

1. Quelle décision ou quelle performance cherchons-nous à améliorer ?
2. Quelles données sont nécessaires, et dans quel état se trouvent-elles réellement ?
3. Comment la valeur économique sera-t-elle mesurée ?
4. Qui porte le résultat de bout en bout ?
5. Quelles conditions déclencheront l'arrêt, la correction ou le déploiement ?

Si ces cinq questions n'ont pas de réponse explicite, le projet n'est pas prêt à être financé - quelle que soit la qualité de la technologie proposée.

Gouverner l'IA comme un investissement

L'IA ne doit être ni banalisée comme un outil informatique, ni sanctuarisée comme une transformation inévitable. Elle doit être gouvernée comme un investissement : des hypothèses, des preuves, des seuils, et le courage d'arrêter ce qui ne les franchit pas.

C'est précisément ce qu'un diagnostic de priorisation doit trancher avant tout engagement de capital : quelles décisions méritent l'IA, dans quel ordre, et sur quelles données réelles.

Le reste - le modèle, la plateforme, le fournisseur - vient après.

L'IA utile n'est pas celle qui impressionne.

C'est celle qui améliore une décision.

Christian Cirino - Nobilys Group

Sources: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf