IA générative : pourquoi 97 % des entreprises peinent à prouver son impact

L’intelligence artificielle générative n’est plus seulement un sujet de démonstration technologique dans les entreprises. Elle promet de rédiger, résumer, assister les équipes commerciales, accélérer la recherche d’information ou automatiser une partie des tâches répétitives. Mais entre un outil impressionnant lors d’une démonstration et une amélioration durable du chiffre d’affaires, des coûts ou de la productivité, le chemin reste long.

Le rapport CDO Insights 2025, publié par Informatica avec Wakefield Research, illustre l’ampleur du décalage : 97 % des responsables data interrogés déclarent avoir des difficultés à démontrer clairement le retour sur investissement de leurs initiatives d’IA générative. Ce chiffre ne signifie pas que ces outils ne produisent aucune valeur. Il montre surtout qu’une très grande majorité des organisations ne dispose pas encore d’une méthode assez solide pour l’isoler, la mesurer et la relier à la performance commerciale.

Les chiffres qui révèlent un enthousiasme sous condition

Les entreprises ne renoncent pas pour autant à l’IA générative. Parmi celles qui l’ont déjà adoptée ou envisagent de le faire, 87 % projetaient d’augmenter leurs investissements au cours de 2025. Environ un quart d’entre elles anticipaient même une hausse conséquente de ces dépenses.

Cette dynamique est particulièrement marquée aux États-Unis. Les intentions d’investissement y dépassent celles observées en Europe et dans la zone Asie-Pacifique.

Ce paradoxe est au cœur du sujet. Les organisations considèrent manifestement que l’IA générative peut devenir stratégique, tout en reconnaissant qu’elles n’en maîtrisent pas encore la démonstration économique. L’investissement peut alors répondre à plusieurs objectifs simultanés : ne pas prendre de retard, expérimenter de nouveaux usages, équiper les salariés ou préparer les données et les systèmes qui permettront de déployer des projets plus ambitieux.

Pourquoi le retour sur investissement est-il si difficile à isoler ?

Le retour sur investissement, souvent désigné par l’acronyme ROI, met en regard les bénéfices obtenus et l’ensemble des coûts engagés. Dans le cas de l’IA générative, ce calcul paraît simple en théorie, mais il devient délicat dans la pratique.

D’abord, les bénéfices sont fréquemment indirects. Un assistant capable de résumer des comptes rendus peut faire gagner du temps à une équipe. Encore faut-il mesurer ce temps, vérifier qu’il est réellement réalloué à une tâche utile, puis établir un lien crédible avec un résultat commercial. Une amélioration perçue de la qualité du service client ou de la vitesse de réponse peut être précieuse, sans se traduire immédiatement par une ligne identifiable dans les comptes.

Ensuite, les coûts ne se limitent pas à une licence logicielle ou à l’accès à un modèle. Un projet opérationnel suppose souvent de préparer les données, connecter des outils internes, sécuriser les accès, former les collaborateurs et contrôler les réponses générées. Si ces efforts sont oubliés dans le calcul, le gain peut être surestimé. S’ils sont tous imputés à un premier projet pilote, il peut au contraire sembler moins rentable qu’il ne le sera une fois l’infrastructure réutilisée.

Enfin, il faut distinguer une capacité technique d’un usage intégré au travail quotidien. Un outil peut produire des résultats convaincants lors d’un test, mais n’apporter qu’un bénéfice limité s’il est peu utilisé, mal compris ou incompatible avec les procédures de l’entreprise.

Sécurité, fiabilité et données : les freins les plus cités

Le rapport identifie plusieurs obstacles très concrets. 46 % des responsables data interrogés citent la cybersécurité et la conformité parmi les principaux défis. Dans une entreprise, une requête adressée à un outil d’IA générative peut contenir des informations commerciales, des données personnelles, du code, des documents contractuels ou des éléments confidentiels. Les équipes doivent donc déterminer quelles informations peuvent être utilisées, dans quel environnement et avec quels contrôles.

L’usage responsable de l’IA est cité par 45 % des répondants. Cette notion recouvre notamment la nécessité d’encadrer les usages, de limiter les erreurs, de prévenir les décisions injustifiées et de garder une supervision humaine là où elle est nécessaire. La question n’est pas purement éthique : un usage non maîtrisé peut créer un risque juridique, réputationnel ou opérationnel, et donc annuler le bénéfice attendu.

La fiabilité des résultats arrive juste derrière, à 43 %. Les modèles génératifs peuvent formuler une réponse fluide et plausible sans garantir qu’elle est exacte, complète ou adaptée au contexte précis de l’organisation. Pour un brouillon, une synthèse ou une première recherche, cette limite peut être gérable. Pour une réponse au client, une recommandation commerciale ou un document sensible, elle impose des vérifications.

Enfin, 38 % des entreprises interrogées déclarent manquer de confiance dans la qualité de leurs données. Or l’IA générative utilisée en entreprise dépend souvent de la capacité à retrouver et exploiter les bons documents internes. Des informations incomplètes, obsolètes, mal classées ou contradictoires réduisent la pertinence des réponses et rendent les résultats difficiles à reproduire.

Des dirigeants jugés trop pressés par les responsables data

L’étude met aussi en évidence une difficulté de gouvernance. Près de 92 % des responsables data estiment que les dirigeants attendent des résultats plus rapides que ce que la technologie est réellement en mesure de fournir. Aux États-Unis, cette proportion atteint 97 %.

Cette pression peut conduire à confondre vitesse de lancement et création de valeur. Il est possible de déployer rapidement un assistant généraliste auprès d’un grand nombre de salariés. En revanche, bâtir un usage fiable relié aux données internes, sécurisé, adopté par les équipes et suivi avec des indicateurs demande davantage de temps. Les étapes les moins visibles, comme le nettoyage des données, la gestion des droits d’accès ou la formation, sont pourtant celles qui conditionnent le passage à l’échelle.

L’écart d’attentes peut également favoriser la multiplication de projets pilotes. Chaque direction métier souhaite tester un cas d’usage, mais aucun dispositif commun ne fixe les critères de réussite, les coûts à intégrer ou les conditions de mise en production. La conséquence est une accumulation d’expériences prometteuses, sans trajectoire claire vers un bénéfice commercial durable.

Du pilote à la production, le passage qui bloque encore

Le rapport souligne que 67 % des organisations n’ont pas réussi à faire passer en production au moins la moitié de leurs projets pilotes. Cette statistique est essentielle : elle rappelle qu’un prototype fonctionnel ne constitue pas encore un produit utilisable au quotidien.

Passer en production signifie notamment que l’outil peut fonctionner de manière suffisamment fiable, être utilisé par les personnes concernées, respecter les règles de sécurité et de conformité, s’insérer dans les logiciels existants, et être suivi dans le temps. Cette dernière condition compte particulièrement pour le ROI : sans données d’usage et sans indicateurs comparables avant et après le déploiement, il devient presque impossible de défendre une valeur économique auprès de la direction.

Les obstacles techniques cités dans le rapport, dont les données de mauvaise qualité et le manque de maturité des technologies employées, ne sont donc pas de simples problèmes informatiques. Ils ralentissent la capacité à déployer à grande échelle et, par conséquent, à obtenir des résultats suffisamment stables pour être mesurés.

Comment transformer une promesse en résultat mesurable

La première étape consiste à définir ce que l’entreprise appelle exactement « valeur ». Cette valeur peut être un gain de temps, une baisse du coût de traitement, une hausse du taux de conversion, une réduction des erreurs, une amélioration de la satisfaction client ou une accélération du cycle de vente. Ces objectifs ne se valent pas tous et ne se mesurent pas avec les mêmes indicateurs.

Pour chaque projet, les entreprises ont intérêt à fixer des KPI, ou indicateurs clés de performance, avant le lancement. Un projet d’assistance commerciale peut par exemple suivre le temps consacré à préparer un rendez-vous, le délai de réponse à une demande ou la proportion de contenus effectivement réutilisés par les équipes. L’essentiel est de disposer d’un niveau de référence et d’une méthode de comparaison cohérente.

Cette démarche doit aussi inclure les limites du projet. Si un salarié doit systématiquement corriger les textes produits, vérifier les réponses ou changer d’outil pour retrouver une information fiable, ce temps doit être intégré à l’évaluation. À l’inverse, un bénéfice réel ne doit pas être écarté au seul motif qu’il ne produit pas immédiatement une hausse spectaculaire des ventes. Certaines améliorations, comme la disponibilité d’une information plus claire ou la réduction de tâches administratives, peuvent préparer des gains plus difficiles à observer à court terme.

Le rapport montre par ailleurs que 86 % des organisations prévoyaient d’augmenter leurs dépenses de gestion des données en 2025. Ce choix est cohérent avec les difficultés rencontrées. Des données mieux gouvernées et mieux préparées peuvent faciliter à la fois la sécurité, la pertinence des réponses et la mesure des effets d’un projet.

La formation, condition d’un usage responsable et utile

La technologie ne suffit pas si les personnes qui l’utilisent ne savent pas formuler une demande adaptée, repérer une erreur ou appliquer les règles internes. Presque toutes les entreprises interrogées signalent des usages inappropriés de l’IA générative, susceptibles d’entraîner des problèmes de conformité ou l’exploitation de données incomplètes.

La formation ne doit donc pas se réduire à une démonstration des fonctions disponibles. Elle doit porter sur les tâches pour lesquelles l’outil est pertinent, les informations qu’il ne faut pas lui confier, les contrôles à exercer sur ses productions et les voies de signalement en cas de problème. Selon les éléments rapportés, il faut en moyenne 11 mois pour que les collaborateurs atteignent un niveau de compétence suffisant afin d’utiliser ces outils efficacement et de façon responsable.

Ce délai aide à comprendre pourquoi les résultats commerciaux ne suivent pas toujours immédiatement une annonce de déploiement. L’adoption est un processus organisationnel : elle suppose des règles, des compétences, des retours d’expérience et une adaptation des méthodes de travail.

Ce qu’il faut surveiller pour sortir du flou

L’enseignement principal de l’étude n’est pas que l’IA générative serait dépourvue d’intérêt pour les entreprises. Il est que sa valeur ne peut pas être présumée. Les organisations qui voudront dépasser le stade de l’expérimentation devront relier chaque projet à un problème métier précis, s’accorder sur des indicateurs réalistes et investir dans la base souvent invisible de ces usages : données, sécurité, intégration et formation.

La pression pour obtenir des résultats rapides restera forte, en particulier lorsque les investissements augmentent. Mais les chiffres du rapport invitent à distinguer deux vitesses : celle du lancement d’un outil et celle de sa transformation en capacité opérationnelle fiable. C’est dans cet écart que se joue aujourd’hui la crédibilité économique de l’IA générative en entreprise.