IA en entreprise : 95% des projets échouent

95% des projets d’intelligence artificielle en entreprise ne produisent aucun gain mesurable. Ce chiffre vient du MIT Media Lab, dans le cadre de son projet NANDA (Networked Agents and Decentralized Architecture), et a été repris en juin 2026 dans une note de l’Institut Montaigne signée par Charleyne Biondi, vice-présidente adoption IA chez Moody’s et chercheuse associée à l’institut.

Le plus préoccupant n’est pas le chiffre lui-même. C’est que la plupart des dirigeants concernés ne savent pas qu’ils font partie de ces 95%, parce que personne ne leur a montré les pièges précis par lesquels un déploiement IA mal préparé détruit de la valeur au lieu d’en créer. Voici ces quatre pièges, avec les chiffres et les sources, et les trois prérequis qui permettent de les éviter.

Cet article est aussi disponible en version vidéo : regarder sur YouTube.

Piège 1 : la dépendance captive envers votre fournisseur IA

Installer de l’IA dans une entreprise, ce n’est pas brancher un outil de plus. C’est laisser un partenaire externe entrer dans le cœur de l’activité : les données, les processus, la mémoire métier commencent à circuler dans des systèmes que l’entreprise ne contrôle plus. L’Institut Montaigne nomme ce phénomène la “dépendance captive”.

Le scénario est concret. Une entreprise choisit un outil pour automatiser son service client, ses équipes s’y forment, les résultats arrivent. Dix-huit mois plus tard, le fournisseur augmente ses tarifs de 40%. L’entreprise regarde les alternatives, mais tout son historique de conversations et ses personnalisations sont enfermés chez ce fournisseur, pas chez elle. Migrer coûterait plusieurs mois de travail et une perte totale de mémoire opérationnelle. Elle paie, faute de choix réel.

À cela s’ajoute une dimension juridique peu connue : la localisation des données. Selon le fournisseur choisi, les données quittent le territoire vers les États-Unis ou vers la Chine. Côté américain, le CLOUD Act (voté en 2018) autorise le gouvernement américain à accéder aux données de toute entreprise cliente d’un fournisseur américain, Microsoft, Google, Amazon ou OpenAI, quel que soit le lieu physique du serveur. Microsoft France a officiellement reconnu ne pas pouvoir s’opposer à une injonction américaine, même pour des données hébergées en France.

Côté chinois, l’exemple le plus documenté est DeepSeek : les données sont stockées sur des serveurs chinois, et la loi chinoise sur le renseignement national de 2017 oblige les entreprises chinoises à en donner accès aux autorités, sans recours possible. L’Italie et l’Allemagne ont bloqué son usage sur certains appareils. Pour une entreprise qui traite des dossiers clients, des données RH ou financières, ce n’est pas un risque théorique, c’est un risque juridique réel.

Trois critères non négociables avant de signer un contrat IA :

• Réversibilité des données : pouvoir les récupérer à tout moment, dans un format exploitable
• Substituabilité des modèles : ne pas être verrouillé sur un seul fournisseur d’IA, pouvoir basculer si les conditions changent
• Hébergement souverain : des données qui ne tombent pas sous le CLOUD Act, hébergées en Europe ou localement

Si l’un de ces trois critères manque dans un contrat, l’entreprise n’achète pas de l’IA, elle achète sa future dépendance.

Piège 2 : déployer l’IA sans audit préalable des processus

Une étude Workday (menée avec Hanover Research auprès de 3 200 employés et dirigeants) chiffre un effet contre-intuitif : 40% du temps gagné grâce à l’IA est absorbé par les corrections et les vérifications qui suivent.

Le mécanisme est simple à observer. Une assistante utilise un outil IA pour rédiger un email client en 30 secondes au lieu de 10 minutes, un gain apparent de 9 minutes 30. Sauf que l’email contient une approximation sur un délai de livraison qu’elle ne détecte pas. Le client réclame, un responsable passe 15 minutes à gérer l’incident puis 10 minutes à rédiger le correctif. Le gain de temps initial est annulé, et la relation client en sort abîmée.

Charleyne Biondi résume le problème : “La technologie n’est jamais cette baguette magique qu’on applique comme une mousse au-dessus de l’existant. Il faut repenser ses opérations à l’âge de l’IA.” L’IA n’est pas un outil, c’est un accélérateur, et un accélérateur appliqué à un processus mal défini produit du chaos plus vite, pas de meilleurs résultats.

Repenser ses opérations signifie auditer, avant tout investissement, ce qui fonctionne, ce qui coince, ce qui peut être délégué à une machine et ce qui doit rester sous contrôle humain. Un projet IA lancé sans cet audit préalable a statistiquement de fortes chances de rejoindre les 95% qui échouent à produire un gain mesurable. C’est exactement la logique derrière un diagnostic de processus avant tout projet IA : cartographier avant d’automatiser.

Piège 3 : des managers sans rôle défini face à l’IA

Ce piège est le moins souvent évoqué, et pourtant l’un des plus déterminants sur le terrain. Charleyne Biondi le formule ainsi : “Certains cadres intermédiaires ne savent plus où se positionner quand l’IA entre dans leurs équipes. Leur rôle change de nature, et l’organisation doit les accompagner dans cette redéfinition.”

Avant l’IA, un chef de service dirige des personnes qui exécutent des tâches : répartir le travail, contrôler la qualité, débloquer les situations, faire monter l’équipe en compétence. Avec l’arrivée d’agents IA, une partie de ces tâches passe à la machine, et le manager doit apprendre un métier que personne ne lui a enseigné : calibrer la délégation à un système IA.

Concrètement, cela veut dire savoir quelles tâches confier à l’agent, à quel seuil de complexité remettre l’humain dans la boucle, comment vérifier une sortie sans tout relire, comment faire coopérer une équipe avec une machine plutôt que de simplement exécuter à sa place. Aucune formation managériale classique ne couvre ce point aujourd’hui.

Sans cadrage, les managers suivent en général trois phases : ils subissent l’IA parce qu’ils ne savent pas comment intervenir, puis ils bricolent chacun à leur façon sans cohérence entre équipes, et certains finissent par freiner l’adoption, non par mauvaise volonté mais parce qu’ils sentent leur rôle menacé sans qu’on leur ait présenté le nouveau. Résultat : l’entreprise a investi, les équipes utilisent l’outil à moitié, et personne ne pilote réellement la transition.

La question à poser à chaque responsable d’équipe pour identifier ce chantier : dans votre pôle, qui décide aujourd’hui de ce que fait l’IA, et qui vérifie ce qu’elle produit ? Si personne ne sait répondre avec précision, le chantier prioritaire n’est pas technique, il est organisationnel.

Piège 4 : aucune métrique, donc aucun pilotage

Retour au chiffre de départ. Sur les 95% de projets IA sans gain mesurable, Charleyne Biondi apporte une nuance importante : “Ce que dit la recherche, c’est que dans la quasi-totalité des cas, ça ne produit pas de gains mesurables. Ça ne veut pas dire que ça ne produit pas de valeur, mais plutôt une valeur qu’on n’arrive pas à quantifier.”

Le vrai sujet n’est donc pas que l’IA ne produit rien, c’est que l’organisation est incapable de mesurer ce qu’elle produit. Et ce qui ne se mesure pas ne se pilote pas.

Trois questions permettent de vérifier où en est une entreprise qui a déjà commencé à intégrer de l’IA : combien d’heures ont été gagnées le mois dernier grâce à l’IA, sur quels postes précisément, et pour quel coût total (abonnements, temps de mise en place, temps de correction inclus). Sans réponse chiffrée à ces trois questions, l’entreprise pilote à l’aveugle, sans savoir si elle investit ou si elle brûle du cash.

C’est rarement un échec spectaculaire. C’est une érosion lente : chaque mois un peu plus d’argent et de temps investis, sans que personne ne sache dire ce que cela produit réellement. Au bout d’un an, les coûts ont augmenté, la marge n’a pas bougé, et la conclusion tentante (“l’IA, c’était une bulle”) est fausse. Le vrai diagnostic : c’était un projet sans mesure.

Les 3 prérequis avant tout projet IA

Ces quatre pièges se résument à trois prérequis à mettre en place avant de lancer le moindre projet IA, dans cet ordre :

1. Exiger la souveraineté dès le contrat : données récupérables, modèles interchangeables, hébergement européen ou local garantis par écrit
2. Auditer les processus actuels : cartographier où l’équipe perd du temps, où sont les tâches répétitives à faible valeur, avant de décider où l’IA intervient
3. Redéfinir le rôle des managers et poser des métriques : décider qui valide les sorties de l’IA, qui répond des erreurs, et définir dès le départ ce qui sera mesuré chaque mois (heures gagnées, coût total, taux d’erreur)

Sans ces trois prérequis, aucun projet IA ne devrait démarrer, qu’il s’agisse d’un simple assistant conversationnel ou d’un agent automatisé complet. C’est la différence entre rejoindre les 5% de projets qui réussissent et les 95% qui échouent sans même s’en rendre compte.

En résumé

• Le MIT chiffre à 95% la part des projets IA en entreprise sans gain mesurable
• Piège 1 : la dépendance captive envers un fournisseur IA, aggravée par les risques juridiques du CLOUD Act et de la loi chinoise sur le renseignement
• Piège 2 : déployer l’IA sans audit préalable des processus, ce qui accélère le chaos au lieu de le corriger
• Piège 3 : ne pas redéfinir le rôle des managers face à la délégation à l’IA
• Piège 4 : l’absence de métriques de suivi, qui empêche tout pilotage réel
• Trois prérequis évitent ces pièges : souveraineté contractuelle, audit préalable, gouvernance et mesure

Pour situer où se trouvent les processus les plus prioritaires à auditer avant tout projet IA, le diagnostic Powabu reprend cette logique en 6 étapes. Sur la différence entre ce qui relève de l’automatisation simple et ce qui nécessite réellement de l’IA, l’article Automatisation vs IA : quelle est la vraie différence ? complète cette analyse.

Sources

• MIT Media Lab, projet NANDA (Networked Agents and Decentralized Architecture) : page projet officielle
• Institut Montaigne, note “IA en entreprise : le guide d’une intégration maîtrisée” (juin 2026), Charleyne Biondi : publication officielle
• Workday + Hanover Research, étude “Beyond Productivity, Measuring the Real Value of AI” (3 200 employés et dirigeants interrogés) : communiqué officiel Workday, analyse CIO
• La Tribune, “Le problème n’est pas la technologie mais l’organisation, pourquoi l’IA déçoit en entreprise”, Vincent Truffy (16 juin 2026) : article complet
• Maddyness, interview complémentaire de Charleyne Biondi sur la même note Institut Montaigne : article complet