95% des projets IA échouent en entreprise
Selon une étude du MIT, 95 % des projets liés à l’IA générative en entreprise échouent. Les raisons sont souvent plus opérationnelles que techniques.
L’IA s’est imposée en un temps record dans les discours stratégiques des entreprises et des organisations. Les modèles de langage sont testés à grande échelle, les projets se multiplient et les budgets se chiffrent en milliards. Pourtant, les résultats sont encore loin d’être au rendez-vous.
Un rapport publié par le MIT à l’été 2025 met un chiffre précis sur ce paradoxe : 95 % des projets d’IA générative menés en entreprise échouent. Seuls 5 % franchissent la phase de test pour être réellement intégrés aux opérations et produire un retour mesurable. L’étude parle d’un véritable fossé, le GenAI Divide, qui sépare une adoption massive d’une transformation quasi inexistante.
Une faible valeur ajoutée
Plus de 80 % des organisations ont déjà exploré ou lancé des pilotes autour des grands modèles LLM ou d’outils similaires, et près de 40 % déclarent les avoir déployés. Mais ces usages restent cantonnés à la productivité individuelle, sans impact réel sur les résultats nets.
Côté solutions professionnelles, le constat est encore plus dur. Près de 60 % des entreprises ont évalué des systèmes sur mesure ou proposés par des prestataires, mais seules 20 % ont atteint le stade du pilote et à peine 5 % sont parvenues à les mettre en production. Autrement dit, la grande majorité des projets restent bloqués au stade de l’expérimentation. Selon les chercheurs, le problème ne vient ni de la qualité des modèles ni de la réglementation mais de l’approche adoptée par les entreprises et les organisations.
Pourquoi ils échouent ?
La plupart des solutions testées en entreprise n’ont ni mémoire ni capacité d’adaptation, révèle l’étude. Elles oublient le contexte, répètent les mêmes erreurs et ne progressent pas avec l’usage. Ainsi, elles sont rapidement abandonnées. Il est donc essentiel de miser sur des systèmes capables de retenir le feedback, de s’améliorer dans le temps et de s’intégrer dans des processus évolutifs. C’est pourquoi les projets réussis s’appuient sur des outils agentiques, dotés de mémoire et de capacités d’adaptation.
De plus, les pilotes peinent à s’ancrer dans le quotidien des équipes. Workflows « cassants », manque d’intégration avec les CRM, ERP et autres outils métier, interfaces jugées rigides : l’adoption ne suit pas. Il faut privilégier des solutions qui s’imbriquent dans les environnements déjà utilisés, avec un minimum de configuration. Le succès vient souvent de cas d’usage ciblés (traitement de contrats, tickets clients, génération de code répétitif…) qui démontrent vite leur utilité.
Les entreprises qui réussissent associent les collaborateurs dès le départ
Des freins organisationnels
On y lit aussi que les collaborateurs utilisent massivement ChatGPT ou Copilot avec leurs comptes personnels. Ils les trouvent plus flexibles et plus efficaces que les outils déployés par l’entreprise ou l’organisation. Il est donc indispensable de s’appuyer sur ces usages pour sélectionner les bons cas d’application. Il faut analyser le “Shadow AI” pratiqué pour proposer des alternatives sécurisées et intégrées.
De plus, entre le manque d’implication de la direction pour implémenter les projets, la résistance au changement, les outputs jugés peu fiables… : les obstacles humains restent majeurs, expliquent les chercheurs du MIT. Les entreprises qui réussissent traitent leurs fournisseurs d’IA comme de véritables partenaires de transformation, et non comme de simples éditeurs SaaS, notent-t-ils. Elles associent les équipes dès le départ et accompagnent le changement en continu.
Enfin, les budgets IA se concentrent surtout sur les projets visibles en marketing ou ventes, car leurs résultats sont faciles à mesurer. Pourtant, le retour sur investissement le plus fort se situe souvent dans le back-office (finance, approvisionnement, service client…). Il faut donc rééquilibrer les priorités vers ces fonctions moins visibles mais à fort impact, notamment en réduisant le recours à l’externalisation des processus métiers et aux sociétés externes.