Pourquoi on ne parvenez pas à faire de l’IA dans le entreprise. Encore une fois.

En ce moment, en discutant avec plusieurs entreprises, je vois revenir le même scénario. Tout le monde veut faire de l'IA. Tout le monde en attend quelque chose. Beaucoup sentent que le sujet va prendre de la place. Dans les faits, peu d'équipes transforment cette envie en projets utiles, maintenables, utilisés par les métiers et capables de dépasser la démo montrée une fois avant le passage au sujet suivant.

J'ai déjà entendu cette musique.

En 2016, les entreprises avaient déjà vécu cette première vague

Quand je suis sorti d'école d'ingénieur en 2016, j'ai vu beaucoup d'entreprises commencer à vouloir faire de l'intelligence artificielle. À l'époque, on parlait plutôt de machine learning, de systèmes de recommandation ou de prévision. Très souvent, l'impulsion venait d'en haut. L'entreprise voulait faire de l'IA, puis cherchait ensuite où la placer.

Cette approche crée vite un décalage. Des projets apparaissent alors que leur besoin réel relève parfois d'un outil informatique classique. D'autres chantiers déjà connus sont requalifiés en data science, parce que le sujet est à la mode et que l'entreprise veut montrer qu'elle avance.

Beaucoup de projets restaient donc au stade du POC.

La démonstration pouvait être propre, parfois même impressionnante. Le passage dans le réel ramenait tout le monde aux contraintes de l'entreprise. Données imparfaites, utilisateurs avec leurs habitudes, sécurité à respecter, maintenance à assurer. À ce moment-là, le sujet dépassait largement le choix du bon algorithme. Il fallait comprendre comment le projet allait vivre dans l'organisation.

C'est là que beaucoup d'équipes se sont pris les pieds dans le tapis. Elles avaient traité l'IA comme une mode technologique. Le chantier touchait déjà aux données, au métier et à l'organisation.

L'IA générative reprend une partie des erreurs passées

Avec l'IA générative, j'ai vraiment l'impression qu'on rejoue une partie de la même scène. Les outils sont beaucoup plus capables. L'adoption va beaucoup plus vite. L'interface est beaucoup plus simple. Les réflexes, eux, ressemblent beaucoup à ceux de la première vague.

Depuis deux ou trois ans, beaucoup d'entreprises ont investi massivement dans l'IA. Elles ont lancé des groupes de travail, testé des assistants internes, parlé de RAG comme d'une réponse générale aux problèmes de connaissance interne, puis commencé à parler d'agents comme si la suite allait de soi.

Certains projets donnent évidemment des résultats très solides. L'IA sert déjà dans de vrais cas d'usage. Dans beaucoup d'autres situations, les gains restent en dessous des attentes, parce que le départ se fait encore par la technologie au lieu du problème à résoudre.

Pour donner un ordre d'idée, McKinsey indiquait dans son enquête 2025 que 88 % des organisations interrogées utilisaient régulièrement l'IA dans au moins une fonction métier, mais que seulement 39 % déclaraient un impact sur l'EBIT au niveau de l'entreprise. L'usage existe, les expérimentations aussi. La valeur à l'échelle reste beaucoup plus difficile à obtenir. Gartner, de son côté, expliquait début 2026 qu'au moins 50 % des projets d'IA générative avaient été abandonnés après le proof of concept, notamment à cause de problèmes de données, de risques mal maîtrisés, de coûts qui augmentent ou d'une valeur business trop floue.

Je pense que le blocage se situe exactement là. Les modèles peuvent fonctionner. Les entreprises ont souvent envie d'avancer. Mais une démonstration d'IA et un projet d'IA capable de tenir dans une entreprise demandent deux niveaux de travail différents.

On l'a vu avec la mode du chatbot interne. Beaucoup d'entreprises ont voulu construire leur propre ChatGPT maison, parfois pour de bonnes raisons, parfois aussi parce que c'était le sujet du moment. On l'a vu ensuite avec le RAG. Certaines équipes ont imaginé qu'en branchant un modèle sur de la documentation, elles obtiendraient un assistant fiable. La difficulté était plus simple et plus pénible. La documentation doit être fiable, maintenue, et quelqu'un doit savoir quelle source fait foi.

Maintenant, on commence à voir la même chose avec les agents. L'idée consiste à automatiser des pans entiers du travail, alors que beaucoup d'entreprises avancent encore avec des processus flous, des règles de décision mal partagées et des objectifs d'amélioration trop vagues.

L'écart se creuse entre power users et utilisateurs classiques

Il y a aussi un autre sujet, qui mériterait clairement un article à part entière. L'écart devient énorme entre les power users de l'IA et les utilisateurs plus classiques.

Dans une même entreprise, certaines personnes utilisent l'IA tous les jours et ont déjà changé leur manière de travailler. À côté, d'autres ont ouvert ChatGPT deux fois, ont trouvé ça impressionnant ou décevant, puis ont laissé l'outil hors de leur quotidien.

Cette différence change beaucoup de choses. On parle souvent d'adoption de l'IA comme si tout le monde partait du même point. Dans les faits, les niveaux d'usage sont très différents. Certains savent déjà dialoguer avec un modèle, reformuler un problème, challenger une réponse et repérer le bon moment pour utiliser l'outil. D'autres restent face à quelque chose d'abstrait, parfois intimidant, parfois même un peu gadget.

Ce sujet mériterait vraiment un autre article.

Cinq conseils pour éviter de refaire les mêmes erreurs

Quand une entreprise veut vraiment faire de l'IA, je pense qu'il y a quelques conseils simples à garder en tête. Ils ont l'air basiques. Ils évitent pourtant de répéter les mêmes erreurs que pendant la première vague de l'intelligence artificielle.

1. Parler à des gens qui savent vraiment faire de l'IA

L'entreprise doit parler à des gens capables de construire un système d'IA, pas uniquement à des personnes très à l'aise avec les outils du moment.

La distinction compte. Savoir utiliser ChatGPT, Claude, Gemini ou un outil no-code d'automatisation est une vraie compétence. Construire, évaluer et maintenir un système d'IA dans un contexte d'entreprise demande autre chose. Le projet a besoin de personnes qui comprennent les modèles, les données, les limites, les métriques et la mise en production. Il a surtout besoin de personnes capables d'anticiper ce qui se passe quand le système sort du cadre confortable de la démonstration. C'est un peu comme les voitures. On peut être passionné d'automobile, connaître tous les modèles et toutes les options. Quand on veut construire une voiture, à un moment donné, on parle quand même à des ingénieurs.

2. Partir du problème métier avant l'envie de faire de l'IA

L'erreur la plus classique consiste à commencer par dire "il nous faut de l'IA", puis à chercher un cas d'usage qui colle à cette envie. La bonne approche part d'un problème réel. L'équipe doit comprendre pourquoi il existe, regarder comment les gens travaillent aujourd'hui, puis se demander si l'IA est une bonne manière de le traiter.

Le bon cas d'usage impressionne parfois moins en démonstration. Il enlève surtout une friction réelle dans le travail quotidien.

3. Accepter qu'une solution classique fasse mieux le travail

Dans beaucoup de cas, l'entreprise a davantage besoin d'un processus plus clair, d'une donnée plus fiable ou d'un outil mieux intégré que d'un modèle. Dire ça n'a rien d'un échec.

C'est souvent le signe que le problème a été compris. Une automatisation classique peut créer plus de valeur qu'un projet d'IA chargé d'incertitude. Une règle métier bien définie ou une meilleure interface peut aussi produire un résultat plus stable, avec moins de coût et moins de complexité.

4. Prendre la donnée au sérieux dès le départ

C'était déjà vrai en 2016 et ça l'est encore aujourd'hui. Beaucoup de projets d'IA échouent moins à cause du modèle qu'à cause de la donnée autour.

Des documents obsolètes, des sources qui se contredisent, une information de référence introuvable ou des droits d'accès flous finissent toujours par ressortir dans le projet. L'IA hérite de ces problèmes. Parfois, elle les rend même plus visibles, parce qu'elle donne une interface très fluide à un système qui, en dessous, reste désordonné.

5. Arrêter de faire des POC pour faire des POC

Un POC peut être très utile s'il prépare quelque chose de réel. Il devient vite une perte de temps quand il sert seulement à prouver qu'une démo fonctionne.

Avant de lancer un projet, l'équipe doit déjà savoir qui va l'utiliser, dans quel contexte, avec quel niveau de confiance et sous quelle responsabilité une fois que l'enthousiasme du départ sera passé. La difficulté de l'IA en entreprise tient moins à la production d'une démo impressionnante pendant deux semaines qu'à la capacité de faire tenir le système dans le temps.

Le sujet reste la transformation métier

Au fond, beaucoup d'entreprises pensent lancer des projets technologiques, alors qu'elles lancent en réalité des projets de transformation métier.

C'est probablement là que se joue la différence entre les entreprises qui feront quelques expérimentations sympathiques avec l'IA et celles qui réussiront à en faire un levier de transformation.

Faire de l'IA demande plus que choisir un modèle, lancer un chatbot, organiser un atelier de prompts ou annoncer un travail sur des agents. L'entreprise doit regarder avec lucidité la manière dont elle travaille vraiment. C'est moins spectaculaire au départ. C'est sûrement comme ça qu'on évite de refaire, encore une fois, les mêmes erreurs que lors de la première vague de l'intelligence artificielle.