Pourquoi la plupart des pilotes d’IA n’arrivent pas en production

Dans l’enquête 2025 de S&P Global Market Intelligence auprès de 1 006 professionnels de l’informatique et des métiers, de niveau intermédiaire et supérieur, en Amérique du Nord et en Europe, la part des entreprises qui abandonnent la majorité de leurs initiatives d’IA avant la production est passée de 17 % à 42 % d’une année sur l’autre. Les répondants indiquent aussi que, en moyenne, 46 % des projets sont abandonnés entre la preuve de concept et le déploiement large.¹

C’est le chiffre à placer à côté de tout budget de pilote. Un pilote est un pari à coût fixe et à gain incertain, et un pilote annulé laisse derrière lui la facture, des mois perdus et une direction financière sceptique. La question pour un COO ou un CFO n’est pas de savoir si l’IA fonctionne dans une démonstration. C’est de comprendre pourquoi tant de démonstrations ne deviennent jamais un processus que quelqu’un exécute chaque jour, et ce que l’on peut vérifier avant de dépenser.

Ce que disent les prévisions et les enquêtes

Gartner a indiqué en juillet 2024 qu’au moins 30 % des projets d’IA générative seraient abandonnés après la preuve de concept d’ici fin 2025, en citant la mauvaise qualité des données, des contrôles de risque insuffisants, des coûts qui s’envolent ou une valeur métier floue. Dans le même communiqué, il chiffrait les approches de déploiement de l’IA générative qu’il a examinées à 5 à 20 millions de dollars.²

Malheureusement, il n’existe pas de solution unique pour l’IA générative, et les coûts sont moins prévisibles que pour d’autres technologies.

En juin 2025, Gartner a formulé une prévision comparable pour les agents : plus de 40 % des projets d’IA agentique seront annulés d’ici fin 2027, en raison de coûts qui s’envolent, d’une valeur métier floue ou de contrôles de risque insuffisants. Il décrit aussi l’« agent washing », qui consiste à rebaptiser agentiques des chatbots, de l’automatisation robotisée des processus et des assistants d’IA, et estime que seuls environ 130 des milliers de fournisseurs d’IA agentique sont réels. Dans un sondage de janvier 2025 auprès de 3 412 participants à un webinaire, 19 % ont déclaré que leur organisation avait fait des investissements importants dans l’IA agentique et 42 % des investissements prudents.³

Ces sources ne mesurent pas la même chose. S&P rapporte ce que les entreprises interrogées disent avoir fait. Gartner publie des prévisions d’annulation de projets. RAND, dans un rapport de 2024, relève que selon certaines estimations plus de 80 % des projets d’IA échouent, soit le double du taux des projets informatiques sans IA, mais ce chiffre est une estimation citée, pas une mesure propre à RAND.⁴ Il faut lire cet éventail comme un avertissement sur la direction, pas comme un taux d’échec précis.

Pourquoi les pilotes s’arrêtent

RAND a interrogé 65 data scientists et ingénieurs, chacun ayant au moins cinq ans d’expérience dans la conception de modèles d’IA et d’apprentissage automatique, et a identifié cinq causes profondes principales : les parties prenantes comprennent mal ou communiquent mal le problème, de sorte que les modèles sont optimisés sur de mauvaises mesures ou ne s’intègrent pas au processus métier ; l’organisation manque des données nécessaires pour entraîner un modèle efficace ; l’équipe court après la dernière technologie plutôt qu’après un vrai problème d’utilisateur ; l’infrastructure de gestion des données et de déploiement des modèles est inadéquate ; et la technologie est appliquée à des problèmes trop difficiles pour l’IA.⁴

Rapproché des causes citées par Gartner (coûts, valeur, contrôles de risque, qualité des données), le schéma est cohérent. Notre lecture, qui est un jugement et non un constat de ces études, est qu’il se traduit dans un pilote par cinq écarts vérifiables :

• Pas de responsable. Le pilote est porté par une équipe d’innovation, alors que le processus appartient à un responsable des opérations qui n’a jamais accepté de changer la façon de travailler.
• Pas de base de référence. Personne n’a mesuré le temps de traitement, le taux d’erreur ou le coût par dossier avant le pilote, donc aucun résultat ne peut être présenté comme une économie.
• Le mauvais processus. Le pilote vise une tâche visible plutôt qu’une tâche avec du volume, des règles et un coût mesurable, ce qui rejoint le constat de RAND sur les problèmes qui ne cadrent pas avec le processus métier.⁴
• Intégration chiffrée trop tard. Le modèle fonctionne, puis on découvre que le connecter à l’ERP, à la base documentaire et au circuit d’approbation coûte plus que la première estimation.
• Risque non formulé. Personne n’a écrit quelles erreurs sont tolérables, qui les contrôle et ce qui se passe quand le système se trompe, ce qui correspond en pratique à la cause « contrôles de risque insuffisants » de Gartner.²

Ce que font autrement les pilotes qui aboutissent

Les recommandations de RAND décrivent l’autre côté. Les équipes techniques doivent comprendre l’objectif du projet et le contexte métier. Les dirigeants doivent choisir des problèmes durables et être prêts à affecter une équipe produit à un problème précis pendant au moins un an. Les projets réussis se concentrent sur le problème, pas sur la technologie, et investissent d’emblée dans l’infrastructure. Les dirigeants ont aussi besoin d’experts techniques pour juger si l’IA peut résoudre le problème.⁴

L’enquête de S&P ajoute un coût de l’erreur. Les entreprises dont les taux d’échec de projets sont plus élevés rencontraient davantage de résistance de la part des clients et des employés et s’inquiétaient davantage pour leur réputation.¹ La méthode ci-dessous est la nôtre, construite à partir de ces constats et des écarts ci-dessus.

Ce que les preuves ne tranchent pas

La politique inverse a aussi un coût. Si chaque pilote doit avoir une base de référence signée et une intégration chiffrée, certaines expériences utiles ne démarreront pas. La limite raisonnable est un test court et borné dans le temps sur une idée peu coûteuse, avec la liste de contrôle complète appliquée avant tout raccordement à un processus en production.

Que faire ensuite

1. Listez les pilotes d’IA en cours et, pour chacun, écrivez le nom du responsable des opérations et la base de référence mesurée. Tout pilote auquel l’un des deux manque est candidat à une pause.
2. Classez les processus candidats par volume et par coût par dossier, et choisissez celui dont le travail suit des règles et dont le résultat peut être comptabilisé de bout en bout.
3. Obtenez une estimation écrite de l’intégration et de la préparation des données avant d’approuver la réalisation, et comparez le retour sur investissement avec et sans ces coûts.
4. Convenez avec les équipes risques et conformité des types d’erreurs tolérables et de l’étape de contrôle avant la première exécution réelle.
5. Fixez une date d’arrêt et une règle d’arrêt. Si la base de référence n’a pas bougé à cette date, clôturez le pilote et consignez pourquoi.

Si vous souhaitez une première estimation des endroits où l’IA pourrait réduire vos coûts dans vos propres processus, le pré-audit gratuit est un court questionnaire, et notre benchmark de maturité IA traite le volet organisationnel de la même question.