Pourquoi 80 % des projets d’IA restent bloqués avant la production

L’intelligence artificielle ne manque ni de promesses, ni de budget, ni d’idées de cas d’usage. Dans beaucoup de grandes entreprises, les prototypes s’accumulent : assistant pour les équipes internes, automatisation documentaire, prévision, service client ou aide à la décision. Mais entre une démonstration convaincante et un outil fiable réellement utilisé, le chemin reste long. C’est là que se creuse ce que l’on peut appeler l’écart d’exécution de l’IA.

L’enjeu est considérable. Les prévisions citées pour le marché mondial font état de dépenses qui pourraient doubler pour atteindre 631 milliards de dollars d’ici 2028. Pourtant, investir dans des modèles, des infrastructures et des expérimentations ne garantit pas qu’une entreprise sache les intégrer durablement à ses activités. Le problème n’est donc pas seulement de trouver une bonne idée ou une technologie performante : il consiste à faire fonctionner l’ensemble, de façon répétable, contrôlée et mesurable.

Un foisonnement de projets, peu de modèles réellement déployés

Le constat ressort d’un rapport de gouvernance de l’IA publié par ModelOp, construit à partir des réponses de 100 dirigeants de l’IA travaillant dans des entreprises du classement Fortune 500. Il ne prétend pas décrire toutes les entreprises du monde. En revanche, il éclaire les difficultés rencontrées par de très grandes organisations, souvent dotées de nombreuses équipes, de systèmes d’information historiques et de règles de conformité exigeantes.

Le décalage observé est net. Plus de 80 % des entreprises interrogées ont plus de 51 projets d’IA générative en phase de proposition. Dans le même temps, seulement 18 % déclarent avoir déployé plus de 20 modèles en production.

Ces chiffres ne signifient pas que chaque projet non déployé est forcément un échec. Certaines idées doivent être abandonnées après évaluation, parce qu’elles ne créent pas assez de valeur ou parce que leur niveau de risque est trop élevé. Ce qui inquiète est plutôt l’ampleur de l’embouteillage : les organisations ont beaucoup de projets à évaluer, mais peinent à faire passer les plus pertinents de l’expérimentation à un usage opérationnel.

Passer « en production » désigne un changement de nature. Un prototype peut être testé par une petite équipe, sur un jeu de données limité et dans un environnement isolé. Un système déployé doit, lui, être disponible pour ses utilisateurs, connecté aux bons outils, surveillé dans la durée et encadré par des règles claires. Il doit aussi continuer de répondre au besoin initial lorsque les données, les usages ou les contraintes changent.

Le principal frein est organisationnel, plus que technique

Lorsqu’un projet d’IA ne progresse pas, la tentation est d’accuser le modèle : réponses imprécises, intégration trop complexe, coûts d’infrastructure ou résultats insuffisants. Ces difficultés existent. Mais l’enquête met surtout en avant des causes structurelles. Autrement dit, ce sont les modalités de travail de l’entreprise qui ralentissent le passage à l’échelle.

Le premier obstacle est la fragmentation des systèmes, signalée par 58 % des organisations. Dans un grand groupe, les données, les logiciels et les décisions sont souvent répartis entre directions métiers, filiales, équipes informatiques, sécurité, juridique et conformité. Chaque entité peut utiliser ses propres outils et son propre processus de validation. Cette organisation en silos rend les échanges plus lents et complique la vision d’ensemble.

Un même cas d’usage peut alors être examiné plusieurs fois selon des critères différents. Une équipe peut développer un assistant sans savoir qu’un service voisin teste une solution similaire. Une autre peut ne découvrir que tardivement qu’un outil doit respecter des exigences de sécurité ou de confidentialité particulières. Le temps perdu ne vient pas nécessairement du développement du modèle, mais des allers-retours entre intervenants qui ne partagent ni les mêmes informations ni les mêmes méthodes.

Le deuxième frein est la persistance des gestes manuels. 55 % des entreprises s’appuient encore sur des tableurs ou des courriels pour suivre l’intégration des cas d’usage IA. Ces outils sont pratiques pour organiser une première liste de projets. Ils deviennent en revanche fragiles lorsqu’il faut suivre des dizaines de modèles, documenter les décisions, attribuer les responsabilités et savoir quelle version d’un système est utilisée à un instant donné.

Un courriel peut être oublié, un tableur peut être modifié sans que tous les interlocuteurs en aient connaissance, et une information importante peut rester enfermée dans la boîte de réception d’une personne. À mesure que le nombre de projets augmente, ces méthodes créent des goulets d’étranglement et multiplient les risques d’erreur ou de duplication.

Pourquoi la standardisation change la donne

La standardisation peut sembler restrictive, surtout dans un domaine qui évolue vite. Elle ne consiste pourtant pas à imposer le même modèle à tous les métiers, ni à empêcher l’expérimentation. Son rôle est de rendre les étapes communes plus simples et plus prévisibles : comment soumettre un nouveau cas d’usage, quelles informations fournir, qui évalue les risques, quels tests effectuer et qui autorise le déploiement.

Or, seules 23 % des entreprises interrogées disposent de processus standardisés pour l’intégration, le développement et la gestion de leurs modèles. Sans socle commun, chaque nouveau projet doit presque réinventer son parcours. Les équipes rediscutent les critères, reformulent la documentation et reconstruisent des circuits d’approbation. Ce fonctionnement ralentit autant les projets ambitieux que les usages simples et bien définis.

Une démarche structurée donne au contraire un cadre dès le départ. Elle permet notamment de définir :

• le problème métier à résoudre et la valeur attendue ;
• les données mobilisées et les personnes responsables ;
• les tests nécessaires avant l’ouverture aux utilisateurs ;
• les exigences de conformité, de sécurité et de suivi ;
• les conditions d’arrêt, de correction ou de réexamen du système.

Cette discipline répond à une réalité souvent sous-estimée : l’IA n’est pas un projet livré une fois pour toutes. Un modèle doit être suivi tout au long de son cycle de vie. Son comportement peut évoluer avec les données qu’il traite, les utilisateurs peuvent s’en servir différemment que prévu, et les règles applicables peuvent changer. Sans méthode de suivi, l’entreprise perd rapidement la trace de ce qu’elle a déployé et des décisions qui l’ont autorisé.

Une gouvernance utile ne se résume pas à la conformité

Le mot « gouvernance » évoque parfois des procédures lentes et des interdictions. Dans cette enquête, les organisations les plus avancées semblent au contraire commencer à la considérer comme un moyen d’accélérer les projets sérieux. Une gouvernance bien conçue évite de demander aux équipes de repartir de zéro, clarifie les responsabilités et réduit les retards causés par des validations tardives.

Cette évolution se voit dans la répartition des responsabilités. 46 % des entreprises confient la gouvernance de l’IA à un Chief Innovation Officer. Le choix est révélateur : la gouvernance n’est pas seulement traitée comme une obligation de contrôle, mais aussi comme une composante de l’innovation et de l’exécution.

L’engagement financier existe également. 36 % des organisations ont prévu au moins 1 million de dollars par an pour des logiciels de gouvernance de l’IA. Par ailleurs, 54 % déclarent avoir affecté des ressources au suivi de la valeur et du retour sur investissement de leurs initiatives.

Ce dernier point est décisif. L’IA ne devrait pas être évaluée uniquement à l’aune de ses capacités techniques ou de la qualité d’une démonstration. Une entreprise doit pouvoir répondre à des questions concrètes : quel problème est résolu, pour quels utilisateurs, avec quels coûts, quels risques et quels résultats observables ? Le suivi du retour sur investissement permet de distinguer les initiatives prometteuses de celles qui mobilisent des ressources sans bénéfice clairement établi.

Inventaire, documentation et contrôles automatisés

Les entreprises qui réduisent l’écart d’exécution partagent plusieurs pratiques. Elles créent d’abord un inventaire centralisé de leurs initiatives et de leurs modèles. Cet inventaire doit permettre de savoir ce qui existe, à quel stade se trouve chaque projet, qui en est responsable, quels objectifs il poursuit et quelles obligations lui sont associées.

Cette visibilité paraît élémentaire, mais elle manque encore dans de nombreuses structures. Seulement 14 % des répondants pratiquent une assurance de l’IA à l’échelle de l’entreprise. Une supervision centralisée ne signifie pas que chaque décision doit être prise par un siège unique. Elle signifie qu’une organisation dispose d’un langage commun et d’une vue suffisamment complète pour éviter les doublons, repérer les zones de risque et diffuser les bonnes pratiques.

Les organisations les plus matures intègrent aussi des points de contrôle automatisés au cycle de vie des systèmes. L’idée est simple : plutôt que de rechercher manuellement les informations à chaque étape, les équipes utilisent des mécanismes qui demandent les éléments requis, consignent les validations et vérifient que les évaluations prévues ont bien été menées.

L’automatisation ne remplace pas le jugement humain. Elle ne décide pas seule si un projet est utile, acceptable ou suffisamment sûr. En revanche, elle peut réduire les tâches répétitives, améliorer la traçabilité et signaler plus tôt qu’un dossier est incomplet. C’est particulièrement important lorsque les projets se comptent par dizaines ou par centaines.

Le rapport cite le cas d’une entreprise de services financiers ayant adopté de tels processus. Elle a réduit de moitié son délai de mise en production et diminué de 80 % le temps nécessaire pour résoudre les problèmes. L’exemple ne permet pas de promettre les mêmes résultats à toutes les organisations, car elles n’ont ni les mêmes systèmes ni les mêmes contraintes. Il illustre néanmoins le coût caché d’une exécution dispersée : beaucoup de délais peuvent être évités sans attendre une percée technologique.

Ce qu’il faut surveiller pour réduire l’écart d’exécution

À la mi-2025, la question centrale pour les entreprises n’est plus seulement « faut-il expérimenter l’IA générative ? ». Beaucoup ont déjà franchi cette étape. La priorité devient : comment sélectionner les projets utiles, les déployer dans de bonnes conditions et maintenir leur qualité au fil du temps ?

La première étape consiste à dresser un état des lieux honnête. Une organisation doit identifier ses projets actifs, les modèles déjà en production, les outils utilisés, les processus de validation et les endroits où l’information se perd. Cet audit met souvent au jour des initiatives redondantes ou des dépendances à des pratiques manuelles qui ne peuvent pas suivre la cadence.

La deuxième est de construire des flux de travail partagés. Il ne s’agit pas de centraliser toute l’innovation dans une seule équipe, mais de donner aux équipes métiers et techniques un parcours commun. Les projets peuvent alors avancer plus vite, car les attentes sont connues avant que les obstacles n’apparaissent.

Enfin, les dirigeants devront surveiller la capacité de leur gouvernance à accompagner la croissance plutôt qu’à la freiner. Une plateforme intégrée, une documentation centralisée et des contrôles adaptés peuvent transformer un empilement de prototypes en portefeuille de produits réellement exploités. Dans la course à l’IA, l’avantage ne reviendra pas seulement à ceux qui testent le plus de modèles, mais à ceux qui savent les faire fonctionner durablement.