Les chiffres ont douché l’enthousiasme. Une étude du Massachusetts Institute of Technology, publiée en 2025 et largement commentée depuis, estime qu’en dépit de dizaines de milliards de dollars engagés dans l’intelligence artificielle générative, environ 95 % des entreprises n’en retirent aucun retour financier mesurable. Le travail ne repose pas sur un sondage express : il combine une cinquantaine d’entretiens avec des dirigeants, un questionnaire auprès de plus de cent cinquante responsables et l’examen de trois cents déploiements rendus publics.
Pourquoi tant de projets d’IA échouent-ils en entreprise ? Le principal obstacle n’est pas technologique
À retenir
- 95 % des entreprises n’obtiennent aucun retour financier mesurable de leurs investissements en IA générative, non pas à cause de défaillances technologiques mais parce que les pilotes ne deviennent jamais des déploiements réels en production.
- Le véritable obstacle réside dans une couche de savoir invisible : les cas particuliers, les arrangements internes et les processus réels que personne n’a documentés mais que chacun continue de suivre, que la technologie seule ne peut pas résoudre.
- Un fossé se creuse entre les achats d’entreprise et l’usage réel : seules 4 entreprises sur 10 souscrivent un abonnement officiel tandis que 9 salariés sur 10 utilisent quotidiennement des outils personnels non validés, créant une économie de l’ombre révélatrice d’un problème d’organisation plutôt que de technologie.
D’autres travaux vont dans le même sens. La RAND Corporation évalue à plus de 80 % la part des projets d’intelligence artificielle qui n’atteignent jamais une mise en production significative, soit le double du taux d’échec constaté sur les projets informatiques classiques.
Le fossé entre l’annonce et l’usage
Le décalage se lit aussi à l’intérieur des organisations. Selon une enquête menée cette année auprès de dirigeants et de salariés, 97 % des directions déclarent avoir déployé des agents conversationnels dans l’année écoulée, mais un peu plus de la moitié des employés s’en servent réellement.
Autre signal, rapporté par plusieurs observateurs du marché : la proportion d’entreprises ayant abandonné la plupart de leurs initiatives a nettement augmenté en un an. On ne parle plus d’un secteur qui démarre, mais d’un secteur qui trie.
Ce que l’entreprise achète, ce que les salariés utilisent
Le même rapport met le doigt sur un phénomène que les tableaux de bord officiels ne voient pas. Quatre entreprises sur dix seulement ont souscrit un abonnement d’entreprise à un grand modèle de langage. Dans le même temps, environ neuf salariés interrogés sur dix déclarent se servir chaque jour d’un outil personnel pour avancer sur leur travail.
Les auteurs ont donné un nom à cet écart : une économie de l’ombre, où l’usage réel se déplace vers des outils que personne n’a validés ni sécurisés. La lecture est moins sombre qu’il n’y paraît. Elle indique que la technologie fonctionne, et que ce sont les circuits d’adoption qui ne suivent pas. Un directeur financier lit un échec ; un observateur attentif lit un problème d’organisation.
IA générative : pourquoi les pilotes ne deviennent pas production
Un problème de connaissance du métier, pas de technologie
C’est ici que l’analyse de l’entrepreneur franco-libanais Oussama Ammar se distingue du discours ambiant. Basé aux Émirats, il a fondé une entreprise qui réécrit en logiciel des chaînes de traitement entières chez de grands groupes, il situe la cause ailleurs que dans la puissance des modèles.
Intelligence artificielle et communication digitale : quels métiers sont en train de changer ?
La difficulté, selon lui, n’est presque jamais technique. Elle réside dans une couche de savoir invisible : les cas particuliers, les arrangements maison, les usages que personne n’a jamais mis par écrit, les documents que plus personne ne lit mais que tout le monde continue de remplir. Un processus réel ne ressemble jamais tout à fait à sa description officielle.
D’où sa méthode, qui tient davantage de l’enquête que de l’informatique : passer du temps aux côtés des équipes concernées jusqu’à maîtriser leur tâche soi-même, avant même d’ouvrir un éditeur de code. Sa formule résume la posture : des identifiants, pas des présentations.
Quand personne ne porte le risque
Reste une question que les chiffres du MIT posent en creux : qui paie quand un projet échoue ? Dans le modèle dominant, l’entreprise achète des licences, finance l’intégration, mobilise ses équipes, et supporte seule les conséquences d’un déploiement qui n’apporte rien.
Quelques acteurs renversent la mécanique en se rémunérant sur les gains réellement constatés, mesurés par rapport aux propres chiffres du client. Le principe a le mérite de la clarté : si rien n’est économisé, il n’y a presque rien à facturer. Il oblige aussi le prestataire à choisir des chantiers où il sait pouvoir produire un résultat, plutôt qu’à vendre le plus large possible.
La fin de la période d’expérimentation
Après deux ans de budgets d’exploration, les directions financières réclament désormais des preuves. Cette exigence n’a rien d’hostile à la technologie : elle marque simplement le passage d’une phase de curiosité à une phase industrielle, comme l’ont connue avant elle l’informatique en nuage ou le commerce en ligne.
La conséquence est prévisible. Les projets survivants seront moins nombreux, plus étroits, adossés à un processus précis et à une mesure convenue à l’avance. Moins spectaculaire qu’une démonstration en comité de direction, mais nettement plus solide.
Questions fréquentes
Pourquoi 95 % des entreprises n’obtiennent-elles aucun retour financier mesurable de leurs investissements en IA générative ?
Selon l’étude du MIT, le problème n’est pas technique mais organisationnel. Les entreprises peinent à transformer les pilotes en déploiements réels en production. Oussama Ammar identifie la véritable cause : une couche de savoir invisible composée des cas particuliers, des arrangements internes et des processus réels qui ne correspondent jamais à leur description officielle. Les équipes connaissent des usages que personne n’a jamais documentés, des documents que plus personne ne lit mais que tout le monde continue de remplir. Sans cette compréhension métier préalable, aucune solution technologique ne peut fonctionner efficacement.
Quel écart existe-t-il entre ce que les entreprises achètent et ce que les salariés utilisent réellement ?
Seulement 4 entreprises sur 10 ont souscrit un abonnement professionnel à un grand modèle de langage. Parallèlement, 9 salariés sur 10 déclarent utiliser quotidiennement un outil personnel pour avancer dans leur travail. Cet écart crée une économie de l’ombre où l’usage réel se déploie via des outils non validés ni sécurisés par l’organisation. Cela révèle un problème d’adoption et de circuits organisationnels défaillants plutôt qu’une défaillance technologique.
Audit IA en entreprise : la méthode pour éviter les projets qui n’arrivent jamais en production
- Oussama Ammar : pourquoi l’immense majorité des projets d’IA s’arrêtent au stade du pilote - 28 septembre 2026
- Optimisation fiscale : comment sécuriser les décisions importantes de son entreprise en 2026 - 28 septembre 2026
- Comment trouver des chantiers quand on est artisan ? - 28 septembre 2026
