95 % des projets d’IA en entreprise ne rapportent rien. Le problème n’est pas le modèle.

Par Nicolas Peter · 5 septembre 2026 · analyse, IA, retour sur investissement

Un chiffre circule depuis un an dans à peu près toutes les présentations sur l’intelligence artificielle en entreprise : 95 % des pilotes d’IA générative menés dans les grandes entreprises n’ont produit aucun effet mesurable sur le résultat. Il provient d’un travail du MIT, le projet NANDA, relayé par la presse économique à l’été 2025 et abondamment repris depuis.

Comme tous les chiffres frappants, il mérite d’être manipulé avec précaution. Mais il mérite surtout d’être compris — parce que l’explication qu’en donnent ses auteurs est beaucoup plus intéressante que le chiffre lui-même.

Ce que le chiffre dit, et ce qu’il ne dit pas

Il ne dit pas que l’IA ne marche pas. Il dit que la quasi-totalité des expérimentations menées n’a pas été reliée à un résultat économique mesurable. Ce n’est pas la même chose.

Deux précautions s’imposent avant d’en tirer quoi que ce soit.

D’abord, il porte sur des grandes entreprises et sur des pilotes. Un pilote est par nature une expérimentation : la plupart des pilotes échouent, dans tous les domaines, et c’est leur fonction. Un taux d’échec élevé sur des expérimentations n’est pas anormal en soi.

Ensuite, « aucun effet mesurable » recouvre deux situations très différentes : les projets qui n’ont rien apporté, et les projets qui ont apporté quelque chose que personne n’a mesuré. La seconde catégorie est probablement importante, et elle relève d’un problème de méthode plutôt que de technologie.

Cela dit, même en retirant ces réserves, l’ordre de grandeur reste massif. Il y a quelque chose à comprendre.

L’explication : ce n’est pas un problème de modèle

C’est la partie du travail qui est presque toujours passée sous silence quand le chiffre est cité.

Les auteurs ne concluent pas que les modèles sont mauvais. Ils concluent que les entreprises fonctionnent sur des logiciels fragmentés, tenus ensemble par des employés plutôt que par une architecture. Autrement dit : ce qui relie vos systèmes, aujourd’hui, ce sont des gens qui copient une information d’un endroit à un autre.

Brancher un modèle de langage sur cet ensemble ne change rien à la structure. Le modèle produit du texte, parfois brillant, dans un environnement où l’information reste dispersée et où personne ne sait dire ce que coûte réellement un process.

Trois couches manquent, selon eux, et aucune n’est technologique.

Le contexte — une vue reliée de ce qui se passe réellement dans l’entreprise, plutôt que douze outils qui détiennent chacun un tiers de la vérité.

L’intention — savoir précisément quel résultat on cherche. « Utiliser l’IA » n’est pas un objectif ; « réduire de huit jours le délai moyen de paiement » en est un.

Le jugement — un cadre pour décider quoi faire de ce que le système produit, et qui décide.

Ce que nous observons, à notre échelle

Nous travaillons avec des PME, pas avec des grands groupes, et le tableau y est différent — mais le mécanisme est le même.

Les projets qui échouent chez nos interlocuteurs partagent trois traits, et ils n’ont rien à voir avec l’IA.

Personne n’a mesuré avant. Sans chiffre de départ, aucune amélioration ne peut être démontrée. Le projet devient une question de conviction, et les convictions ne survivent pas au budget suivant.

Le process n’était pas stable. Les règles changeaient d’un mois à l’autre, ou deux personnes faisaient différemment. L’automatisation a figé une des deux versions, et l’autre a continué en parallèle.

Le projet a commencé par le plus visible. Un assistant conversationnel sur le site, parce que ça se montre — alors que le temps se perdait dans la saisie des factures fournisseurs, qui ne se montre pas.

Ce que font ceux qui réussissent

Ils choisissent un process, un seul, dont ils connaissent le coût. Ils le mesurent avant. Ils automatisent la partie stable et laissent le reste à la main. Ils mesurent après. Ils passent au suivant.

Ce n’est pas spectaculaire. C’est même franchement ennuyeux à raconter — ce qui explique en partie pourquoi tant de projets prennent l’autre chemin.

Mais le contraste est net : d’un côté des expérimentations qui cherchent un usage à une technologie, de l’autre des chantiers qui cherchent une solution à un coût identifié. La seconde démarche produit des résultats mesurables parce qu’elle part d’une mesure.

Ce qu’il faut en retenir si vous dirigez une PME

Ne vous demandez pas ce que l’IA pourrait faire chez vous. C’est la question qui conduit au pilote sans effet.

Demandez-vous quelle tâche répétitive coûte le plus de temps à votre équipe cette semaine, et combien exactement. Puis regardez si une machine peut en prendre une partie.

Il arrivera souvent que la réponse soit oui, et que l’IA n’y soit pour rien : un flux tout bête qui recopie une information d’un outil à l’autre suffira. C’est très bien. Ce qui compte, c’est le temps rendu à votre équipe, pas la technologie employée.

Et quand l’IA est réellement nécessaire — pour lire un document qu’on ne peut pas décrire à l’avance, pour comprendre une demande formulée librement —, elle s’insère à un endroit précis d’un flux, et le reste du travail reste ce qu’il a toujours été : de la plomberie soigneuse.