95 % des projets IA échouent : le défi caché de l’orchestration
L’engouement pour l’intelligence artificielle ne garantit pas le succès. Alors que les entreprises multiplient les initiatives IA, une réalité dérangeante émerge : la quasi-totalité de ces projets ne dépassent jamais le stade du prototype. Entre promesses technologiques et réalités opérationnelles, le fossé se creuse dangereusement.
Un taux d’échec vertigineux qui interroge les entreprises
Les chiffres donnent le vertige. Selon le rapport ‘State of AI in Business 2025’ du MIT, environ 95% des projets pilotes d’IA générative n’ont pas d’impact métier mesurable. Un constat qui remet en question les investissements massifs réalisés dans ce domaine.
Cette hécatombe n’est pourtant pas liée à la technologie elle-même. Les modèles fonctionnent généralement bien lors des démonstrations. Le problème se situe ailleurs, dans des dimensions organisationnelles souvent négligées.
L’orchestration plutôt que la technologie : le vrai défi
Brandon Sammut, directeur des ressources humaines et de la transformation IA chez Zapier, a vécu cette frustration de l’intérieur. En mars 2023, son entreprise a déclenché une alerte rouge interne pour l’expérimentation de l’IA.
« L’énergie était incroyable, se souvient Brandon Sammut. Les équipes développaient des workflows dopés à l’IA. »
Pourtant, peu de ces automatisations ont été déployées en production. Les modèles fonctionnaient bien individuellement mais ne pouvaient pas s’intégrer à l’ensemble des outils, sources de données, circuits d’approbation et processus humains existants.
« C’est là que j’ai compris : la difficulté de l’IA ne réside pas dans l’IA elle-même, mais dans son orchestration », indique Brandon Sammut.
Les signaux d’alerte qui annoncent un naufrage programmé
Le syndrome des délais infinis
Un projet qui semble progresser mais dont la mise en service est sans cesse repoussée constitue un premier indicateur critique. Les justifications s’accumulent sans que le lancement n’intervienne jamais.
« « Encore quelques semaines » devient « Il faut régler l’intégration », puis « On attend un audit de sécurité », illustre Brandon Sammut. Chaque retard semble justifié pris individuellement, mais mis bout à bout, ils révèlent une tendance. »
Le divorce entre direction et terrain
Les cadres ont une vision du projet différente de celle des ingénieurs et opérateurs qui rencontrent des frictions quotidiennes invisibles. Ce décalage crée un aveuglement stratégique dangereux.
L’absence de retours utilisateurs enthousiastes
Sean Goedecke, ingénieur logiciel, pose un diagnostic sans appel. « Le principal signe à surveiller est l’absence de retours positifs des utilisateurs », selon lui.
« Les produits d’IA les plus performants ont immédiatement séduit les utilisateurs », ajoute-t-il.
Les racines organisationnelles de l’échec
La fragmentation des données, une gouvernance déficiente et un manque de communication entre la direction et les équipes opérationnelles constituent des facteurs aggravants. Un manque d’intérêt sincère de la direction peut entraîner l’abandon de projets.
De nombreuses initiatives d’IA perdent de leur élan lorsqu’elles s’éloignent d’objectifs business clairs. Les échecs résultent souvent du désir d’utiliser urgemment l’IA plutôt que de résoudre un problème concret pour les utilisateurs.
Redresser la barre : du laboratoire à la production
Scott Likens, directeur de l’ingénierie IA chez PwC, insiste sur la nécessité d’un changement de paradigme. « L’IA ne doit pas reposer uniquement sur un optimisme [envers la technologie] », affirme-t-il.
« Elle a besoin de résultats observables et reproductibles, liés à la valeur ajoutée créée pour l’entreprise », ajoute Scott Likens.
Mesurer ce qui compte vraiment
« La première étape consiste à passer des indicateurs de performance du modèle aux indicateurs de performance sur les processus, affirme Scott Likens. Il faut se demander si les résultats métiers s’améliorent, et non si le modèle est précis. »
Chez Zapier, cette prise de conscience a conduit à une révision complète de l’approche. « Nous avons cessé d’analyser les performances du modèle isolément et avons examiné le workflow dans son ensemble », explique Brandon Sammut.
Bâtir des fondations solides et reproductibles
Zapier a mis en place une stratégie en plusieurs volets pour éviter les écueils précédemment rencontrés.
Responsabilisation et intégration
« Quelqu’un doit être responsable des résultats de la production, et pas seulement de l’expérimentation », précise Brandon Sammut. Des investissements supplémentaires en amont permettent de poser les bonnes questions sur les systèmes, flux de données et dépendances.
La standardisation comme levier d’efficacité
Intégrer la gouvernance dès le départ évite des obstacles tardifs. Standardiser les outils permet aux équipes de travailler sur les mêmes plateformes. Prioriser la formation des employés s’avère essentiel pour maîtriser la nouvelle technologie.
« Lorsque les équipes partagent des fondations communes et une méthode d’apprentissage, chaque nouvelle initiative s’appuie sur la précédente au lieu de repartir de zéro », souligne Brandon Sammut.
Le framework à trois piliers
Chaque initiative doit apporter des améliorations mesurables en termes d’efficacité, de qualité et d’expérience employé.
« L’efficacité seule entraîne des suppressions d’emplois, des craintes et des résistances », souligne Brandon Sammut. « La qualité seule ne justifie pas l’investissement ». Si les personnes qui effectuent le travail détestent le nouveau processus, il ne sera pas adopté.
Savoir abandonner au bon moment
Savoir arrêter un projet mal embarqué est indispensable pour libérer du temps, de l’argent et des compétences. La technologie IA évolue si rapidement que les projets vieillissants deviennent rapidement obsolètes ou moins pertinents.
« Les organisations devraient être particulièrement disposées à abandonner leurs initiatives d’IA, explique Sean Goedecke. Le paysage change si vite que des projets auparavant impossibles à mener deviennent envisageables mois après mois. Une initiative IA vieille de 12 mois devrait donc probablement être réexaminée, ne serait-ce que du fait de son ancienneté. »
Éviter le piège des coûts irrécupérables
Continuer à investir dans un projet à cause des dépenses déjà engagées constitue une erreur classique. Il est préférable de réorienter les ressources vers des opportunités à fort impact.
« Si un projet pilote est presque prêt pour la production depuis plus de deux cycles de développement sans qu’un obstacle précis et clair n’ait été résolu, il est probablement temps d’avoir une discussion franche sur l’opportunité de le repenser ou de l’arrêter », explique Brandon Sammut.
L’abandon n’est pas un échec
Arrêter un projet ne signifie pas perdre tout le travail. L’équipe peut être affectée à une autre initiative.
« La leçon principale à retenir est que la rapidité d’apprentissage est plus importante que n’importe quelle initiative prise individuellement, affirme Brandon Sammut. Si l’arrêt d’une initiative permet à votre équipe d’apprendre plus vite sur une initiative plus prometteuse, ce n’est pas un échec, mais plutôt une preuve de leadership. »
Gérer le doute et maintenir la confiance
Les échecs de projets IA peuvent être perçus comme un revers public en raison de la visibilité de l’IA. Les dirigeants ressentent des doutes personnels.
« On est vraiment saisis par le doute, confie Brandon Sammut. On se demande si on a trop poussé les équipes, ou pas assez. On se demande si les gens ne perdent pas confiance dans la stratégie globale en matière IA à cause d’une initiative qui a piétiné. »
Les équipes peuvent devenir plus prudentes et moins enclines à prendre des risques, freinant l’innovation.
« Il existe un risque réel que les gens intègrent l’idée que toute expérimentation est risquée ou que l’IA est surmédiatisée, reconnait Brandon Sammut. Ces deux conclusions sont erronées, mais ce sont des réactions naturelles lorsque les choses ne se passent pas comme prévu. »
La transparence comme avantage concurrentiel
« Quand quelque chose ne fonctionne pas, nous en discutons en considérant l’expérience comme un apport, et non comme un jugement de culpabilité », explique Brandon Sammut.
Cette transparence peut constituer un avantage concurrentiel dans l’IA, transformant les échecs en apprentissages collectifs.
Laisser un commentaire