Le titre de cet article reprend une statistique qui circule partout — sur LinkedIn, dans les keynotes, dans les pitchs commerciaux. Avant de l'expliquer, il faut faire ce que la plupart des articles sur le sujet ne font pas : remonter à la source.
Ce que disent réellement les études primaires
Quatre chiffres méritent d'être posés clairement, avec leur source et leur méthode :
- 95 % des projets d'IA générative en entreprise ne produisent aucun impact mesurable sur le P&L, selon le rapport The GenAI Divide: State of AI in Business 2025 publié en juillet 2025 par l'initiative NANDA du MIT Media Lab. C'est la source primaire la plus solide et la plus récente. L'étude s'appuie sur l'analyse de plus de 300 déploiements publics, des entretiens structurés avec des dirigeants et un sondage auprès de salariés.[1]
- 85 % : ce chiffre attribué à Gartner et cité en boucle depuis 2018 est largement déformé. La prédiction originale de Gartner (février 2018) annonçait que « 85 % des projets IA livreraient des résultats erronés d'ici 2022 en raison de biais dans les données, les algorithmes ou les équipes » — pas qu'ils échoueraient. La nuance est essentielle et la plupart des reprises l'ont perdue en route.[2]
- 34 % des projets de R&D en IA sont abandonnés ou échouent, selon une enquête Rackspace Technology menée auprès de 1 870 entreprises (2021).[3]
- En France, 26 % des TPE-PME utilisent une forme d'IA en 2025 (contre 13 % un an plus tôt), selon le Baromètre France Num 2025 publié par la Direction générale des Entreprises.[4]
Le constat solide : entre 5 et 15 % des projets d'IA générative en entreprise produisent un retour mesurable. C'est cohérent à travers plusieurs études indépendantes. Le « 90 % » médiatique est un arrondi journalistique du chiffre réel de 95 % (MIT 2025). Maintenant, regardons pourquoi.
Le vrai rapport de force : le « quoi » contre le « comment »
L'erreur stratégique dominante, identifiée par le MIT, est la suivante : les entreprises se concentrent sur le choix du modèle d'IA (le « quoi ») au détriment de son intégration aux processus et aux flux de travail existants (le « comment »).[5]
Or l'avantage compétitif ne se loge pas dans le modèle — qui est une commodité accessible à tous via API — mais dans la qualité de l'intégration : données propres, processus métier cartographiés, mémoire organisationnelle, boucle de feedback. C'est ce que le MIT appelle le « learning gap » : la plupart des outils d'IA déployés ne retiennent pas le contexte, n'apprennent pas des retours utilisateurs et ne s'améliorent pas avec le temps.[6]
Le résultat : un pilote qui impressionne en démo, mais qui ne franchit jamais l'étape du déploiement réel.
01.Le piège du cas d'usage flou
Le rapport de force
Sans problème métier précis, l'IA amplifie le bruit existant. Une startup qui « pique un point de douleur, l'exécute bien et s'associe intelligemment » atteint des résultats que les grands groupes manquent malgré des budgets supérieurs.[7]
Comment l'éviter
Le bon test : pouvez-vous formuler le cas d'usage en une phrase qui décrit qui gagne quoi en combien de temps ? Si la réponse contient « explorer le potentiel », « cadrer les usages » ou « expérimenter », vous êtes dans le piège.
02.Le piège du « build » plutôt que « buy »
Le rapport de force
Selon le MIT NANDA 2025, les outils achetés à des fournisseurs spécialisés réussissent environ deux fois plus souvent que les développements internes (taux de succès d'environ 67 % pour le « buy » contre environ un tiers de ce taux pour le « build »).[8]
Comment l'éviter
La règle pragmatique : ne développer en interne que ce qui constitue un avantage concurrentiel durable et défendable. Pour tout le reste — chatbot, résumé de documents, classification d'emails, génération de contenu — un éditeur spécialisé livre plus vite, pour moins cher, avec moins de risques.
03.Le piège du mauvais arbitrage budgétaire
Le rapport de force
Toujours selon le MIT, plus de la moitié des budgets IA sont alloués aux ventes et au marketing, alors que le ROI mesuré est supérieur dans l'automatisation des fonctions back-office (administration, finance, conformité, traitement documentaire).[9] C'est un déséquilibre systématique : les budgets vont là où ça brille, pas là où ça paie.
Comment l'éviter
Inversez la logique : commencez par les fonctions support à fort volume répétitif (saisie, contrôle, classement, reporting). Le ROI y est mesurable en semaines, pas en années.
04.Le piège du laboratoire central déconnecté
Le rapport de force
Dans beaucoup d'organisations, l'IA est pilotée par un département innovation ou un « AI lab » central, déconnecté des besoins concrets des unités opérationnelles.[10] Les projets sont techniquement aboutis mais ne répondent à aucune demande terrain — donc personne ne les adopte.
Comment l'éviter
Le MIT identifie comme facteur de succès le fait de donner du pouvoir aux managers de terrain (line managers), pas seulement aux équipes IA centrales. Concrètement : les utilisateurs métier doivent être co-décisionnaires du choix de l'outil et de son périmètre.
05.Le piège de la donnée sale
Le rapport de force
Le modèle est une commodité, la donnée est le différenciateur. Si vos données sont silotées, incohérentes ou de mauvaise qualité, l'IA amplifie le chaos plutôt que de le résoudre. Plusieurs études convergent : la qualité de la donnée est citée comme le premier obstacle à la réussite d'un projet IA par environ 90 % des dirigeants interrogés (enquête NewVantage 2024 reprise par Dynatrace).[11] Ce dernier chiffre est issu d'une publication de fournisseur citant NewVantage ; à recouper avec le rapport original si vous l'utilisez en argumentation.
Comment l'éviter
Avant de lancer un projet IA, faites un audit honnête : sources, doublons, fraîcheur, gouvernance, RGPD. Si la note est mauvaise, la priorité n'est pas l'IA, c'est la donnée.
Automatiser un processus mal défini revient à industrialiser le désordre. Avec l'IA, c'est la même chose à plus grande vitesse. Synthèse des retours terrain MIT NANDA, 2025
Le phénomène à surveiller : le « shadow AI »
Une donnée intéressante du rapport MIT : environ 90 % des salariés interrogés déclarent utiliser quotidiennement des outils d'IA personnels (ChatGPT, Claude, Gemini) pour leur travail, alors que seulement 40 % des entreprises ont un abonnement officiel à un LLM.[12]
Ce « shadow AI » a deux conséquences en termes de rapport de force :
- Côté risque : des données potentiellement sensibles circulent dans des outils non encadrés (exfiltration, RGPD, propriété intellectuelle).
- Côté opportunité : les salariés font déjà le travail de découverte des cas d'usage. Encadrer plutôt qu'interdire, c'est récupérer cette intelligence collective.
⚠️ Le piège du « tout interdire »
Bloquer les LLM grand public sans alternative officielle, c'est garantir que les usages se feront quand même — mais en mode caché, sans encadrement, et avec des comptes personnels qui font fuiter de la donnée d'entreprise. Le bon arbitrage est presque toujours : autoriser un outil officiel, former, encadrer.
La fenêtre temporelle, et ce qu'elle signifie
Le rapport du MIT estime que dans les 18 mois qui suivent sa publication (donc d'ici fin 2026 / début 2027), un nombre significatif d'entreprises vont verrouiller leurs partenariats avec des fournisseurs d'IA capables d'apprentissage profond et d'intégration durable.[13] Celles qui resteront au stade des pilotes sans aboutir risquent de se retrouver structurellement en retard.
Précision méthodologique : il s'agit d'une prédiction du MIT, pas d'un fait. Mais la dynamique observée — Microsoft 365 Copilot, ChatGPT memory, intégrations natives dans les ERP et CRM — confirme la direction.
Le rapport de force commercial est donc clair : un retard de 12 à 18 mois ne se rattrape pas en six mois, parce que la valeur de l'IA en entreprise vient de l'accumulation de mémoire, de feedback et de contexte propre à l'organisation. Plus l'outil a tourné longtemps sur vos données, plus il est dur à remplacer.
Récapitulatif : la check-list anti-échec
Avant de lancer un projet IA, vérifiez les six points suivants :
- Le cas d'usage est formulé en une phrase précise, avec un bénéficiaire, un livrable et un délai.
- Vous achetez avant de construire, sauf avantage concurrentiel durable identifié.
- Le budget vise une fonction à fort volume répétitif, pas une démo marketing.
- Un manager opérationnel est co-décisionnaire, pas seulement la DSI ou l'AI lab.
- La qualité des données a été auditée avant le lancement.
- Le périmètre du shadow AI est connu et encadré, avec une politique claire pour les salariés.
L'échec de 95 % des projets IA n'est pas une fatalité technologique. C'est, dans la quasi-totalité des cas, un problème stratégique et organisationnel — donc évitable.
Sources
- MIT Media Lab — Project NANDA, The GenAI Divide: State of AI in Business 2025, juillet 2025. Auteur principal : Aditya Challapally. Méthodologie : analyse de 300 déploiements publics + 52 entretiens structurés avec des dirigeants + 153 réponses de cadres supérieurs (certaines reprises de presse mentionnent 150 entretiens et 350 salariés sondés — léger écart entre les versions du rapport et les communications presse). Repris notamment par Fortune (18 août 2025), Computing (août 2025), Virtualization Review et plusieurs publications françaises. ↩
- Gartner, communiqué de presse, Gartner Says Nearly Half of CIOs Are Planning to Deploy Artificial Intelligence, 13 février 2018. gartner.com. La citation exacte est : « through 2022, 85 percent of AI projects will deliver erroneous outcomes due to bias in data, algorithms or the teams responsible for managing them ». La déformation en « 85 % d'échec » est documentée notamment par ProjectManagement.com (novembre 2025). ↩
- Rackspace Technology, enquête citée dans Herremans D., aiSTROM – A roadmap for developing a successful AI strategy, IEEE Access, 2021. Préprint disponible sur arXiv. ↩
- Baromètre France Num 2025, Direction générale des Entreprises, septembre 2025. Étude menée par le Crédoc et le Centre Relations Clients auprès de 11 021 entreprises. francenum.gouv.fr. ↩
- Techniques de l'Ingénieur, Pourquoi la majorité des projets d'IA Générative stagnent, 2025 — synthèse du rapport MIT NANDA. techniques-ingenieur.fr. ↩
- MIT NANDA, The GenAI Divide, op. cit. Citation originale : « Most GenAI systems do not retain feedback, adapt to context, or improve over time ». ↩
- Citation Aditya Challapally rapportée par Fortune : « It's because they pick one pain point, execute well, and partner smartly with companies who use their tools ». fortune.com. ↩
- MIT NANDA, The GenAI Divide, op. cit., synthèse Legal.io et Fortune. Selon ces synthèses, les outils achetés à des fournisseurs externes réussissent environ deux fois plus souvent que les développements internes (≈ 67 % vs ≈ 33 %). ↩
- Idem. Reprise par Mon Carnet, MIT : 95 % des projets pilotes en IA générative échouent, 19 août 2025. moncarnet.com. ↩
- MIT NANDA, op. cit. Point culturel souligné par plusieurs synthèses françaises (Mon Carnet, Blog du Modérateur, Siècle Digital). ↩
- Dynatrace, Why 85% of AI projects fail and how Dynatrace can save yours, 2025 — citant une enquête NewVantage 2024. dynatrace.com. Source primaire NewVantage à vérifier directement avant utilisation en argumentation. ↩
- MIT NANDA, The GenAI Divide, op. cit., section « shadow AI economy ». Repris notamment par Legal.io. ↩
- MIT NANDA, op. cit. Repris par Blog du Modérateur. ↩