Accueil › IA par métier › Dossier
Vous êtes une entreprise ?
Ordiama, c'est aussi une agence IA à Strasbourg : on crée votre site, on vous rend visible dans l'IA et on automatise vos tâches.
En août 2025, un rapport du MIT a refroidi pas mal de comités de direction : 95 % des projets d’IA générative en entreprise ne génèrent aucun retour mesurable. Le chiffre a fait la une, on l’a brandi pour dire que la bulle allait éclater. C’est une lecture paresseuse. Le rapport ne dit pas que l’IA ne marche pas. Il dit que la plupart des entreprises s’y prennent mal. Nuance capitale, surtout pour vous qui dirigez une TPE ou une PME et qui hésitez à vous lancer.
Les 95 % de projets IA qui échouent ne butent pas sur la technologie : ils butent sur l’exploitation. Le modèle fonctionne, c’est le passage du pilote à la production qui coince (le « deployment gap »). Les vraies causes sont connues et réparables : données pas prêtes, objectif flou, aucune conduite du changement, attentes irréalistes, outils trop génériques. Une TPE ou une PME met les chances de son côté en partant d’un cas d’usage précis et mesurable, pas d’une envie de « faire de l’IA ».
À jour : juin 2026. Chiffres issus d’études citées et datées (MIT NANDA 2025, RAND 2024, Gartner 2025, McKinsey 2025, Bpifrance Le Lab).
L’échec des projets IA en chiffres, données 2024-2025 :
- 95 % des organisations n’obtiennent aucun retour mesurable sur la GenAI (MIT NANDA, 2025)
- plus de 80 % des projets IA échouent, soit le double des projets informatiques classiques (RAND, 2024)
- 40 % des projets d’IA agentique seront annulés d’ici fin 2027 (Gartner, juin 2025)
- 5,5 % seulement des organisations tirent un impact supérieur à 5 % de leur résultat opérationnel de l’IA (McKinsey, 2025)
Sources : Fortune, sur le rapport MIT NANDA (2025) ; RAND Corporation, root causes of AI project failure (2024) ; Gartner via MarTech (2025)
Le chiffre des 95 % vient d’un seul rapport précis : The GenAI Divide : State of AI in Business 2025, publié en août 2025 par l’initiative NANDA du MIT. C’est important de le situer, parce qu’on l’a beaucoup déformé. Il ne s’agit pas d’une statistique générale sur « l’IA qui échoue », mais d’un constat sur le retour financier des projets d’IA générative déployés en entreprise.
Ce que dit le rapport, mot pour mot : malgré 30 à 40 milliards de dollars investis par les entreprises dans la GenAI, 95 % des organisations n’en tirent aucun retour mesurable sur leur compte de résultat. Les auteurs (Aditya Challapally, Chris Pease, Ramesh Raskar et Pradyumna Chari) appellent cet écart le « GenAI Divide » : d’un côté 5 % qui décollent, de l’autre 95 % qui stagnent au stade de l’expérimentation.
Le rapport MIT NANDA en détail (2025) :
- 95 % des organisations : aucun retour mesurable sur le compte de résultat
- 5 % des projets pilotes seulement atteignent une accélération réelle du chiffre d’affaires
- 30 à 40 Md$ d’investissement GenAI couverts par l’analyse
- 52 organisations interrogées, 153 dirigeants sondés, 300 déploiements publics analysés
Sources : MIT NANDA, The GenAI Divide (PDF) (2025) ; Fortune (2025)
Une nuance d’expert que les titres ont zappée : le rapport repose sur 52 organisations interrogées et 300 déploiements analysés, pas sur un échantillon massif de PME françaises. C’est solide, mais ça décrit surtout de grandes structures. Le chiffre de 95 % n’est donc pas une loi physique. C’est un signal fort, confirmé par d’autres études, sur une façon de mal lancer ces projets. Et c’est précisément là que vous pouvez faire différemment.
Car le MIT n’est pas seul. La RAND Corporation, après avoir interrogé 65 data scientists expérimentés, conclut que plus de 80 % des projets IA échouent, soit le double du taux d’échec des projets informatiques classiques. Deux études indépendantes, deux méthodes, même ordre de grandeur. Le problème est réel.
Le « deployment gap » est l’écart entre un projet IA qui marche en démonstration et le même projet qui tient en conditions réelles. C’est le point de bascule où 8 projets sur 10 meurent, et c’est rarement le modèle qui est en cause.
Pendant deux ans, la course portait sur la puissance des modèles : qui a le plus gros, le plus rapide, le plus intelligent. Cette bataille est largement gagnée. GPT, Claude, Gemini font déjà très bien le travail pour 90 % des usages d’une PME. Le goulot d’étranglement s’est déplacé. Il n’est plus dans le moteur, il est dans tout ce qu’il y a autour : vos données, vos process, vos équipes, votre objectif.
Le MIT le formule sans détour : le frein principal au passage à l’échelle n’est ni l’infrastructure, ni la réglementation, ni le talent. C’est l’apprentissage. La plupart des systèmes GenAI ne retiennent pas le feedback, ne s’adaptent pas au contexte de l’entreprise et ne s’améliorent pas avec le temps. Vous branchez un outil générique sur un problème spécifique, et il reste générique.
Pourquoi le pilote meurt avant la production :
- 33,8 % des projets sont abandonnés avant même d’atteindre la production (RAND)
- 28,4 % atteignent la production mais ne livrent pas la valeur attendue (RAND)
- 67 % de réussite quand on achète une solution spécialisée, contre environ deux fois moins en build interne (MIT)
Sources : CO/AI, sur le rapport RAND (2024) ; Fortune, sur le rapport MIT (2025)
Retenez ce dernier point, il est contre-intuitif. Le MIT observe qu’acheter une solution à un éditeur spécialisé réussit environ deux fois plus souvent que de tout construire en interne. La leçon pour une PME : votre avantage, ce n’est pas de réinventer la roue technique. C’est de bien choisir l’outil et de l’ancrer dans votre métier. On a creusé cette logique dans notre guide sur les agents IA en entreprise, où la frontière entre « démo qui impressionne » et « outil qui tient » se joue exactement là.
Les causes d’échec d’un projet IA sont organisationnelles avant d’être techniques : un problème mal défini, des données de mauvaise qualité, aucune conduite du changement, des attentes irréalistes et des outils trop génériques. La RAND les classe, le MIT les confirme, et elles se ressemblent toutes d’une étude à l’autre. La bonne nouvelle : ce sont des erreurs de méthode, donc évitables.
| Cause d’échec | Ce qui se passe concrètement | Le réflexe qui l’évite |
|---|---|---|
| Objectif flou | On lance « un projet IA » sans savoir quel problème on résout | Partir d’une tâche chiffrée (heures, erreurs, délai) |
| Données pas prêtes | L’IA tourne sur des données sales, dispersées ou absentes | Vérifier la qualité des données avant le projet |
| Pas de conduite du changement | L’outil est livré, personne ne change ses habitudes | Former et accompagner les équipes dès le départ |
| Attentes irréalistes | On vise l’autonomie totale d’emblée, sans garde-fous | Commencer petit, sur un périmètre étroit |
| Outil trop générique | Un assistant « passe-partout » qui n’apprend pas votre métier | Choisir un outil qui s’ancre dans le workflow |
La première cause d’échec listée par la RAND, c’est un problème métier mal défini ou mal communiqué. Le modèle est alors optimisé pour la mauvaise mesure, ou ne s’insère dans aucun process réel. Traduit pour une PME : on achète l’IA parce que « tout le monde s’y met », pas pour résoudre une douleur précise. Résultat, un joli pilote que personne ne sait où brancher.
Le test qui ne pardonne pas : si vous ne pouvez pas dire combien vous coûte aujourd’hui la tâche que l’IA doit améliorer (en heures, en euros, en erreurs), vous ne saurez jamais si le projet a réussi. Pas de mesure avant, pas de verdict après.
Deuxième cause RAND : l’organisation n’a pas les données nécessaires pour entraîner ou alimenter correctement un modèle. Une IA nourrie de données incomplètes, mal rangées ou contradictoires produit des réponses fausses avec un aplomb total. C’est le fameux « garbage in, garbage out », et il n’a pas disparu avec la GenAI.
Pour une TPE, ça ne veut pas dire « avoir un data lake ». Ça veut dire des choses banales : un fichier client à jour, des documents bien nommés, une comptabilité tenue proprement. Le sujet rejoint d’ailleurs la gestion quotidienne, comme on l’a montré dans notre guide pour gérer sa comptabilité avec l’IA : l’outil ne vaut que ce que valent les chiffres qu’on lui donne.
C’est la cause la plus traître, parce qu’elle est invisible dans le devis. Un dirigeant achète l’outil, paie le développement, et oublie que ses équipes doivent changer leurs habitudes. L’outil est techniquement parfait. Il dort, parce que personne ne l’utilise.
McKinsey a quantifié ce point sur son panel : le facteur qui pèse le plus sur l’impact financier de la GenAI, c’est la refonte des process de travail autour de l’outil. Pas l’outil lui-même. Autrement dit, 10 000 € d’outil sans adoption coûtent plus cher que 13 000 € d’outil réellement utilisé.
Gartner pointe du doigt l’IA agentique, ces agents censés agir seuls. Sa prévision : plus de 40 % des projets d’IA agentique seront annulés d’ici fin 2027, pour cause de coûts qui dérapent, de valeur métier floue et de contrôles de risque insuffisants. La maturité des modèles ne suit pas encore les promesses d’autonomie totale.
L’IA agentique et le piège de la hype (Gartner, 2025) :
- 40 % des projets d’IA agentique annulés d’ici fin 2027
- environ 130 éditeurs proposent une vraie capacité agentique, sur des milliers qui le revendiquent
- cause récurrente : « agent washing », des chatbots rebaptisés agents sans réelle autonomie
Source : Gartner via MarTech (juin 2025)
La leçon pour une PME tient en une phrase : ne confondez pas le marketing d’un éditeur avec la maturité réelle de son produit. Un agent qui prend des rendez-vous et qualifie des leads, ça existe et ça marche. Un agent qui « gère votre entreprise tout seul », non. Visez le premier.
Le MIT est formel : les gagnants ne sont pas ceux qui déploient des outils passe-partout, mais ceux qui les insèrent dans un workflow précis, les adaptent à leur contexte et partent d’un usage étroit mais à forte valeur. ChatGPT brille pour un individu parce qu’il est flexible. Branché tel quel sur un process d’entreprise, il stagne, parce qu’il n’apprend pas vos règles.
C’est aussi pour ça qu’utiliser l’IA comme tout le monde ne crée aucun avantage durable, un point qu’on a développé dans notre dossier sur le fait de sortir de l’usage basique de l’IA. La valeur n’est pas dans l’outil brut, elle est dans la façon dont vous l’ajustez à votre métier.
Bonne nouvelle d’abord : le tissu économique français bascule, et il n’est pas en retard. Fin 2025, 55 % des TPE et PME déclaraient utiliser l’IA générative, contre 31 % un an plus tôt. Le sujet n’est plus de savoir s’il faut s’y mettre, mais comment éviter de finir dans les 95 %.
L’adoption de l’IA dans les PME françaises (Bpifrance Le Lab) :
- 55 % des TPE-PME utilisent l’IA générative fin 2025, contre 31 % fin 2024
- 17 % l’utilisent de façon régulière, en hausse de 11 points sur un an
- 43 % seulement ont défini une véritable stratégie IA
- 58 % des dirigeants jugent l’IA importante pour leur survie à 3-5 ans
Sources : IT Social, sur l’étude Bpifrance Le Lab (2025) ; Bpifrance Le Lab
Le décalage saute aux yeux : 55 % utilisent l’IA, mais 43 % seulement ont une stratégie. La majorité bricole. C’est exactement le terreau des projets qui échouent. Voici la méthode qui vous range du bon côté.
Le fil rouge de ces six étapes : commencer par le problème, pas par la technologie. Les projets qui rapportent sont ciblés, mesurés et accompagnés. Les autres se diluent dans l’expérimentation sans fin, et finissent dans les statistiques du MIT.
Soyons honnêtes : tout ne nécessite pas une agence. Brancher ChatGPT sur vos e-mails ou tester un assistant de rédaction, vous pouvez le faire seul, et vous devriez. Pour ça, mieux vaut maîtriser les bons réflexes, comme ceux qu’on a réunis dans nos prompts ChatGPT pour dirigeant.
L’accompagnement se justifie au-delà : quand le projet touche plusieurs outils (CRM, ERP, facturation), quand il faut connecter des systèmes, garantir la conformité RGPD, ou cadrer un usage à fort enjeu. Le MIT le rappelle, acheter et faire ancrer une solution spécialisée réussit deux fois mieux que de tout construire seul dans son coin. La question budgétaire, on l’a détaillée poste par poste dans notre dossier sur le vrai prix de l’IA en entreprise.
Là où une agence change la donne, c’est sur les causes d’échec qu’on a listées : elle vous force à définir l’objectif, audite vos données avant de coder, intègre la conduite du changement et refroidit les attentes irréalistes. Bref, elle vous sort par construction des 95 %. C’est exactement la démarche que nous appliquons au sein de notre agence : un cas d’usage cadré et mesurable, ou pas de projet.
D’où vient le chiffre des 95 % de projets IA qui échouent ?
Il provient du rapport The GenAI Divide : State of AI in Business 2025, publié par l’initiative NANDA du MIT en août 2025. Il constate que 95 % des organisations n’obtiennent aucun retour mesurable sur leurs projets d’IA générative, malgré 30 à 40 milliards de dollars investis. Le rapport s’appuie sur 52 organisations interrogées et 300 déploiements analysés.
Est-ce que l’IA ne marche pas, alors ?
Si, elle marche. Le rapport ne dit pas que la technologie échoue, mais que les entreprises échouent à l’exploiter. Le problème n’est pas le modèle, c’est le passage du pilote à la production : données mal préparées, objectif flou, absence d’accompagnement. Les 5 % qui réussissent utilisent les mêmes modèles que les 95 % qui échouent.
Quelle est la première cause d’échec d’un projet IA ?
Un objectif mal défini. Selon la RAND Corporation, la cause la plus fréquente est un problème métier flou ou mal communiqué : on lance « un projet IA » sans savoir quelle tâche précise on cherche à améliorer. Sans mesure du coût actuel de cette tâche, impossible de juger la réussite ensuite.
Une petite entreprise a-t-elle plus de chances d’échouer qu’une grande ?
Pas forcément, au contraire. Une TPE ou une PME peut viser un cas d’usage unique, précis et mesurable, là où une grande structure se disperse. L’avantage d’une petite équipe, c’est la rapidité de décision et la proximité avec le terrain. Le risque, c’est de lancer sans méthode et sans données propres.
Faut-il une agence pour réussir un projet IA ?
Pas pour les usages simples : tester un assistant ou brancher ChatGPT sur vos e-mails se fait seul. L’accompagnement devient utile dès qu’il faut connecter plusieurs outils, garantir la conformité ou cadrer un projet structurant. Le MIT note qu’acheter et faire intégrer une solution spécialisée réussit environ deux fois mieux que de tout construire en interne.
Combien de temps avant de savoir si un projet IA fonctionne ?
Sur un périmètre étroit, deux à quatre semaines suffisent pour un premier verdict. C’est l’intérêt de démarrer petit : on compare l’avant et l’après sur une seule tâche, puis on décide d’industrialiser ou d’arrêter. Un projet stoppé tôt coûte bien moins cher qu’un projet zombie qu’on traîne pendant un an.
Cet article sera mis à jour à mesure que de nouvelles études sur la réussite des projets IA en entreprise sont publiées. Dernière vérification : juin 2026.
Ordiama, c'est aussi une agence IA à Strasbourg : on crée votre site, on vous rend visible dans l'IA et on automatise vos tâches.