En entreprise, l’IA entre en production mais bute encore sur les données

L’intelligence artificielle franchit un cap dans les entreprises. L’enjeu ne consiste plus seulement à essayer un assistant conversationnel ou à lancer une preuve de concept : les organisations cherchent désormais à intégrer l’IA dans leurs opérations, leurs logiciels et leurs décisions. Cette bascule vers la production s’accompagne d’investissements considérables, mais aussi d’une difficulté souvent sous-estimée : faire fonctionner durablement un système d’IA avec des données fiables, dans un environnement sécurisé et connecté aux outils existants.

Une étude réalisée par Zogby Analytics pour Prove AI décrit cette phase de maturation. Les résultats montrent des entreprises déterminées à industrialiser l’IA, à structurer leur gouvernance et à diversifier leurs infrastructures. Ils soulignent aussi un décalage important entre l’ambition affichée et les obstacles concrets du terrain. La technologie progresse vite, mais sa mise en œuvre dépend encore de fondations organisationnelles, techniques et juridiques qui ne se construisent pas en un jour.

L’IA sort du laboratoire pour entrer dans les opérations

Selon l’enquête, 68 % des organisations interrogées ont développé des systèmes d’IA opérationnels. Ce chiffre ne signifie pas que toutes ont transformé l’ensemble de leurs activités grâce à l’intelligence artificielle. Il indique en revanche que l’IA a dépassé, dans une majorité des cas, le simple stade de l’expérimentation pour être déployée dans un contexte de production.

Passer en production change profondément la nature d’un projet. Un outil testé par une petite équipe peut tolérer des données imparfaites ou un usage ponctuel. Un système exploité à l’échelle d’une entreprise doit, lui, être disponible, sécurisé, contrôlable et compatible avec les processus métiers. Il doit aussi être suivi dans le temps : les données évoluent, les besoins changent et les performances d’un modèle peuvent se dégrader si son fonctionnement n’est pas vérifié régulièrement.

L’effort financier traduit cette évolution. 81 % des sociétés investissent au moins 1 million de dollars par an dans des initiatives liées à l’IA. Parmi elles, un quart déclare consacrer plus de 10 millions de dollars chaque année à ces projets. Ces budgets ne couvrent pas uniquement l’achat ou l’accès à des modèles. Ils peuvent aussi servir à préparer les données, renforcer l’infrastructure, intégrer les outils aux logiciels internes, former les équipes et définir des procédures de contrôle.

Le Chief AI Officer s’installe dans les organigrammes

La progression de l’IA se lit aussi dans la manière dont les entreprises organisent leur direction. Près de 86 % des structures interrogées ont désigné une personne chargée de piloter leurs efforts dans ce domaine, souvent sous le titre de Chief AI Officer, ou directeur de l’IA.

Cette fonction répond à un problème très concret : l’IA concerne simultanément les métiers, l’informatique, la cybersécurité, la conformité juridique, les données et les ressources humaines. Sans responsable clairement identifié, une entreprise risque de multiplier les expérimentations isolées, de dupliquer ses dépenses ou d’adopter des outils sans règles communes.

L’étude suggère que le directeur de l’IA acquiert un poids important dans les arbitrages stratégiques. Dans 43,3 % des entreprises, le directeur général, ou CEO, demeure décisionnaire sur les sujets d’IA. Dans 42 % des cas, cette responsabilité revient au responsable de l’IA. L’écart très faible entre ces deux chiffres montre que l’intelligence artificielle est devenue un sujet de direction générale autant qu’un dossier technologique.

Le rôle d’un tel responsable ne consiste pas nécessairement à choisir seul les outils utilisés. Il doit plutôt aider l’entreprise à poser les bonnes questions : quels cas d’usage créent une valeur mesurable ? Quelles données peuvent être employées ? Quels risques doivent être évalués avant un déploiement ? Qui reste responsable lorsqu’une recommandation automatisée est erronée ?

Pourquoi les données ralentissent-elles encore les projets d’IA ?

La principale leçon de l’enquête est peut-être là : l’enthousiasme et les budgets ne suffisent pas à garantir un déploiement rapide. Plus de la moitié des dirigeants interrogés estiment que l’entraînement et l’affinement des modèles d’IA sont plus difficiles que prévu. Près de 70 % des entreprises font état d’au moins un projet en retard.

Les données sont au cœur de ces difficultés. Pour produire des résultats cohérents, un système d’IA a besoin d’informations pertinentes, suffisamment complètes et correctement organisées. Or les données d’entreprise sont souvent dispersées entre plusieurs logiciels, stockées dans des formats incompatibles ou affectées par des doublons et des erreurs. Elles peuvent également contenir des informations sensibles, comme des données personnelles, commerciales ou financières, qui ne peuvent pas être communiquées sans précaution à un service extérieur.

L’étude cite plusieurs problèmes : la qualité et la disponibilité des données, les questions de droits d’auteur, ainsi que la validation des modèles. Cette dernière étape est essentielle. Avant de confier une tâche à une IA, une organisation doit vérifier que ses résultats sont suffisamment précis dans le contexte visé, qu’elle ne répond pas de façon imprévisible et qu’elle ne crée pas de nouveaux risques.

La labellisation, la formation des modèles et leur validation figurent ainsi parmi les freins opérationnels. La pénurie de compétences et la difficulté d’intégrer l’IA aux systèmes existants s’ajoutent à cette liste. Une entreprise peut disposer d’un modèle performant, mais rencontrer des difficultés dès lors qu’il doit accéder à un outil de gestion de la relation client, à une base documentaire ou à un logiciel métier ancien.

Les usages évoluent des assistants vers les fonctions clés

Les chatbots et assistants virtuels restent parmi les applications les plus répandues. 55 % des organisations interrogées les utilisent. Ils constituent souvent une porte d’entrée accessible : ils peuvent répondre à des questions fréquentes, orienter un client ou aider un salarié à retrouver une information dans une documentation.

Mais l’enquête montre que les priorités ne s’arrêtent plus à ces interfaces conversationnelles. Le développement de logiciels arrive désormais en tête des usages, cité par 54 % des répondants. L’IA peut y assister les équipes dans l’écriture de code, l’explication de fonctions existantes, la recherche d’erreurs ou la production de documentation. Dans ce domaine, la vigilance reste nécessaire : une suggestion de code peut paraître correcte tout en introduisant une faille, une erreur logique ou une dépendance non souhaitée.

L’analyse prédictive appliquée à la détection de fraude suit de près, avec 52 %. Ce type d’usage relève moins de l’IA générative que de méthodes capables de repérer des anomalies ou des comportements inhabituels dans de grands volumes de données. Les entreprises associent donc des technologies différentes selon leurs besoins : modèles de langage pour traiter ou générer du texte, apprentissage automatique plus traditionnel pour classer, prévoir ou détecter.

Cette diversité est importante. Employer un grand modèle de langage pour toutes les tâches n’est ni toujours pertinent ni nécessairement efficace. Les outils les mieux adaptés sont souvent ceux dont les limites sont comprises, dont les données sont maîtrisées et dont les résultats peuvent être évalués selon des critères métiers concrets.

L’IA générative devient prioritaire, sans remplacer les autres méthodes

L’IA générative est une priorité pour 57 % des entreprises interrogées. Cet intérêt s’explique par la diffusion rapide des outils capables de rédiger, résumer, analyser des documents, produire du code ou dialoguer en langage naturel. Pour des équipes non spécialisées, cette technologie rend l’IA plus directement utilisable dans les tâches quotidiennes.

Les grands modèles de langage, ou LLM, occupent une place centrale dans cette dynamique. L’étude cite les modèles de Google et d’OpenAI, notamment Gemini et GPT-4, parmi les offres dominantes. Elle mentionne aussi la montée d’alternatives telles que DeepSeek, Claude et Llama.

La coexistence de plusieurs modèles dans une même entreprise devient une pratique courante. Elle peut permettre d’adapter l’outil au besoin, par exemple en distinguant la rédaction, l’analyse documentaire, la programmation ou les traitements réalisés dans un environnement interne. Elle évite aussi de faire reposer l’ensemble d’une stratégie sur une seule technologie. En contrepartie, cette approche multiplie les enjeux de gouvernance : il faut savoir quelles données sont envoyées à quel service, à quelles conditions et avec quels contrôles.

Cloud, hybride ou sur site : la recherche d’un meilleur contrôle

Le cloud conserve une place très importante dans les infrastructures d’IA. Près de 90 % des entreprises interrogées utilisent des services cloud pour leurs besoins en la matière. Cette popularité s’explique notamment par la possibilité de mobiliser rapidement des ressources informatiques importantes, sans posséder soi-même tous les serveurs nécessaires.

Pour autant, le mouvement ne va pas exclusivement vers davantage de cloud. Deux tiers des dirigeants estiment que les déploiements hors cloud peuvent apporter une meilleure sécurité et une meilleure efficacité. Dans ce contexte, 67 % prévoient de déplacer les données servant à l’entraînement de leurs IA vers des environnements hybrides ou installés sur site.

Un environnement hybride combine généralement des ressources internes et des services cloud. Certaines données ou certains traitements peuvent rester au sein de l’organisation, tandis que d’autres usages s’appuient sur des infrastructures distantes. L’objectif n’est pas nécessairement d’abandonner le cloud, mais de choisir où placer les données et les charges de travail selon leur sensibilité, leur coût ou leurs contraintes de performance.

La question de la souveraineté des données est particulièrement marquante : elle est jugée essentielle par 83 % des répondants. Dans le contexte de l’IA, la souveraineté renvoie à la capacité d’une organisation à savoir où sont ses données, qui peut y accéder, quelles règles leur sont applicables et comment elles sont protégées. Cet enjeu concerne autant les entreprises réglementées que les organisations qui souhaitent préserver leurs informations stratégiques.

Une gouvernance affichée comme solide, mais mise à l’épreuve par le terrain

Les dirigeants se montrent confiants sur la gouvernance de l’IA. Environ 90 % déclarent gérer efficacement leurs politiques d’IA, mettre en place les garde-fous nécessaires et suivre la lignée de leurs données. La lignée, ou traçabilité, désigne la capacité à identifier l’origine des données, leurs transformations et leur utilisation dans un système.

Cette confiance doit être mise en regard des retards constatés dans les projets. Il ne s’agit pas forcément d’une contradiction. Une entreprise peut disposer de politiques et de principes solides, tout en découvrant que leur application concrète est longue et complexe. Contrôler les droits sur des données, documenter les décisions, tester un modèle, obtenir les validations nécessaires et l’intégrer à des logiciels existants demande du temps.

La gouvernance n’est donc pas un document figé ou une simple obligation de conformité. Elle devient un ensemble de pratiques quotidiennes : définir les usages autorisés, limiter l’accès aux données, désigner les personnes responsables, suivre les performances des outils et prévoir une intervention humaine lorsque les conséquences d’une erreur sont importantes.

Ce qu’il faut surveiller dans la prochaine phase d’adoption

En juin 2025, le constat est clair : l’IA a trouvé une place durable dans les stratégies d’entreprise, mais son déploiement reste un travail de longue haleine. Les budgets augmentent, les responsables dédiés se généralisent et les cas d’usage gagnent en importance. Pourtant, les difficultés liées aux données, à la sécurité et à l’intégration rappellent que l’adoption ne se mesure pas seulement au nombre d’outils testés.

La prochaine étape sera celle de la sélection. Les organisations devront distinguer les projets réellement utiles de ceux qui ajoutent de la complexité sans bénéfice démontré. Elles devront aussi arbitrer entre cloud, environnement hybride et infrastructures internes, sans perdre de vue les exigences de protection des données.

Enfin, l’essor de plusieurs modèles de langage et la coexistence de l’IA générative avec des méthodes de machine learning plus traditionnelles devraient renforcer un besoin central : construire une architecture cohérente, gouvernée et adaptée à chaque usage. La maturité ne dépendra pas uniquement de la puissance des modèles choisis, mais de la capacité des entreprises à les employer avec des données maîtrisées, des objectifs précis et des responsabilités clairement établies.