IA en entreprise : pourquoi 40% des projets échouent d’ici 2027

Les promesses de l’intelligence artificielle agentique suscitent autant d’enthousiasme que de désillusions dans les entreprises. Alors que certaines organisations multiplient les expérimentations, d’autres font face à des obstacles techniques et organisationnels majeurs qui freinent leur déploiement à grande échelle. Entre espoirs démesurés et réalité du terrain, les experts dressent un bilan contrasté des avancées actuelles et esquissent les perspectives pour 2026.

Des projets d’IA en péril : les obstacles majeurs

Les directions des systèmes d’information se heurtent à plusieurs défis critiques dans le déploiement des agents d’IA. Manque de confiance, difficultés d’intégration aux systèmes existants et problèmes de mesure des résultats figurent parmi les principaux freins identifiés.

D’après Gartner, 40% des projets d’IA basés sur des agents seront annulés d’ici 2027. Cette hécatombe s’explique par trois facteurs principaux : l’explosion des coûts, l’incertitude concernant la valeur métier et l’insuffisance des contrôles des risques.

Les phénomènes d’hallucination des grands modèles de langage (LLM) constituent également un obstacle majeur à l’adoption massive de cette technologie.

L’absence de stratégie claire

De nombreuses organisations se lancent dans l’aventure sans feuille de route précise. Elles peinent à définir une méthodologie pour le démarrage, le déploiement à grande échelle et les critères de succès.

Sans données de haute qualité ni modèle de gouvernance unifié, les agents produisent souvent des résultats peu fiables, renforçant la méfiance des utilisateurs.

L’intégration aux systèmes existants représente un autre défi technique considérable. Déployer des agents sans définir clairement les résultats attendus conduit presque inévitablement à l’échec.

Le facteur humain

La réticence des collaborateurs à adopter ces nouvelles technologies ne doit pas être sous-estimée. Certaines entreprises ont commis l’erreur d’intégrer des agents d’IA à des workflows déjà défaillants, aggravant ainsi les problèmes existants.

État des lieux : entre enthousiasme et réalité

L’année écoulée a vu un engouement considérable pour les agents d’IA, accompagné de nombreuses expérimentations… et d’échecs. Les données sur l’adoption réelle montrent des résultats contradictoires.

Selon une étude PwC de mai dernier, 79% des entreprises interrogées auraient adopté des agents. Mais Lucidworks nuance ce chiffre en constatant que seulement 6% des 1 100 sites analysés ont effectivement déployé plus d’une solution basée sur des agents.

Don Schuerman, directeur technique de Pega, tempère les attentes pour l’année en cours : « 2026 sera l’année qui permettra de distinguer les approches gagnantes de celles voués à l’échec, affirme-t-il. Je ne sais pas si ce sera l’année où les agents prendront véritablement le contrôle de tout ; il s’agit probablement d’une transformation à plus long terme que ce que l’on imagine généralement. »

Les prévisions des experts pour 2026

Dan Shmitt, DSI de Salesforce, anticipe une utilisation plus répandue des agents en 2026, mais avec une nuance importante : « Il est peu probable que nous voyions des systèmes entièrement autonomes déployés à l’échelle dans toutes les organisations, dit-il. Les organisations commenceront plutôt par adopter les agents comme des systèmes collaboratifs fonctionnant aux côtés des personnes et d’autres agents dans les processus quotidiens, afin d’accroître la productivité et la prise de décision des employés. »

Matt Lyteson d’IBM et Saket Srivastava d’Asana partagent cet optimisme mesuré, prévoyant davantage de déploiements réussis d’IA agentique pour l’année à venir.

Comprendre les capacités réelles des agents et des LLM

Une erreur fréquente consiste à surestimer les capacités actuelles des technologies d’IA. Beaucoup d’entreprises ont déployé des LLM en espérant les voir appliquer des capacités de raisonnement avancées, bien au-delà de leurs possibilités réelles.

Don Schuerman rappelle cette limite fondamentale : « Les LLM ne sont pas des machines à raisonner, ce sont simplement des machines à prédire du texte ».

Face à cette réalité, de nombreuses organisations conçoivent désormais des agents pour des workflows prévisibles, centrés sur la prise en charge de tâches routinières.

L’importance d’un ancrage dans les processus métier

Pour réussir, il est crucial d’intégrer le raisonnement aux missions des agents dès la phase de conception. Don Schuerman insiste : « Ancrer les activités de vos agents dans les processus métier et les workflows est essentiel, car la plupart des opérations d’une entreprise reposent des processus déterministes, avec une série d’étapes prédéfinies, exécutées de manière cohérente et systématique, avec un haut degré de prévisibilité, de cohérence et d’auditabilité ».

L’IA devrait servir à redéfinir les processus métier plutôt qu’à déployer des agents sans vision stratégique. « L’idée selon laquelle nous allons déployer des milliers d’agents au hasard dans toute l’entreprise et les laisser faire relève du mythe, explique-t-il. Au contraire, nous allons utiliser ces agents pour définir et concevoir une grande partie des processus nécessaires à l’activité, et ce, beaucoup plus rapidement et efficacement qu’auparavant. »

Les clés d’un déploiement réussi

Pour maximiser les chances de succès, les experts formulent plusieurs recommandations essentielles.

Revenir aux fondamentaux

Don Schuerman rappelle l’importance de respecter les fondamentaux IT : workflow optimal, données fiables et résultats clairement définis. Comprendre le fonctionnement des agents et assurer leur connexion aux données reste primordial.

Matt Lyteson d’IBM insiste sur la nécessité de se concentrer sur des résultats ciblés, en accordant une attention particulière à la sécurité et au contrôle des données.

Prioriser le processus et l’objectif

« En tant qu’entreprise informatique, nous avons l’habitude de privilégier le processus et de veiller à ce qu’il accomplisse un objectif, plutôt que de nous concentrer d’abord sur le résultat et sur ce que l’agent doit réaliser », explique Matt Lyteson.

Les DSI doivent rester ouverts au potentiel de l’IA tout en tirant les leçons des expériences quotidiennes pour obtenir des résultats concrets.

Gérer le cycle de vie des agents

Saket Srivastava d’Asana souligne l’importance de suivre les agents mis en place et de savoir quand mettre hors service ceux qui s’avèrent inefficaces. Les entreprises devront apprendre à gérer un environnement où les agents pourraient bientôt dépasser les employés en nombre.

Bâtir la confiance et repenser les processus

La confiance se construit sur une base solide : structure claire, contexte approprié, autorisations précises et transparence du processus décisionnel. Saket Srivastava recommande également d’examiner et de repenser les processus existants avant d’y appliquer l’IA.

Équilibrer innovation et résultats

« Laisser fleurir mille fleurs [une référence à la multiplication des PoC, NDLR] n’est peut-être pas la meilleure approche, mais créer un environnement propice à l’expérimentation permet d’avoir davantage confiance dans la capacité de l’IA à résoudre les problèmes, explique-t-il. Mais assurez-vous de résoudre les bons problèmes, de les résoudre de la bonne manière, de mesurer les résultats obtenus, puis passez au problème suivant. »

IBM : un cas d’usage concret

IBM illustre cette approche pragmatique avec le déploiement de centaines d’agents d’IA pour ses processus internes, auxquels s’ajoutent des milliers d’autres dédiés à l’amélioration de la productivité personnelle.

Ces agents sont notamment utilisés pour optimiser le tri des tickets d’assistance informatique et traiter efficacement les demandes basiques des collaborateurs.