Pourquoi 95 % des projets d’IA générative peinent à créer de la valeur en entreprise

Les démonstrations d’IA générative sont souvent spectaculaires : un assistant rédige un compte rendu, résume un dossier ou propose une réponse à un client en quelques secondes. Mais le passage de cette promesse à une valeur économique mesurable est autrement plus difficile. Selon une étude du MIT citée en août 2025, 95 % des projets d’IA générative en entreprise ne parviennent pas à produire des résultats tangibles, alors même que les investissements américains atteignent des dizaines de milliards de dollars.

Le constat mérite d’être lu avec précision. Il ne signifie pas que 95 % des outils sont inutilisables, ni que les grands modèles de langage sont incapables de générer du texte, du code ou des synthèses. Il souligne surtout l’écart entre un essai convaincant et un changement durable dans une organisation. Dans l’étude, seulement 5 % des projets sont associés à une croissance rapide des revenus. Les autres restent souvent cantonnés au pilote, sans effet suffisamment visible pour justifier les dépenses engagées.

Des investissements massifs, des résultats encore limités

L’IA générative désigne les systèmes capables de produire du texte, des images, du son, du code ou des résumés à partir d’instructions formulées par un utilisateur. Depuis l’essor des assistants conversationnels, ces outils sont devenus une priorité pour de nombreuses directions générales. Ils promettent de faire gagner du temps, d’améliorer le service client ou d’aider les salariés à traiter une masse croissante d’informations.

D’après l’étude du MIT, les entreprises américaines ont investi entre 35 et 40 milliards de dollars dans des projets de genAI, l’abréviation couramment employée pour l’IA générative. Pourtant, une part très importante de ces programmes ne dépasse pas le stade de l’expérimentation contrôlée.

Cette situation est classique dans la transformation numérique, mais elle prend une dimension particulière avec l’IA générative. Il est relativement simple de donner accès à un outil conversationnel à un petit groupe de salariés. Il est beaucoup plus complexe de définir qui l’utilise, pour quelles tâches, avec quelles données, quelles validations humaines et quels critères de réussite.

Une entreprise peut, par exemple, constater qu’un assistant génère rapidement des brouillons de documents. Elle doit encore établir si ces brouillons font réellement gagner du temps après les relectures, s’ils respectent les règles internes, s’ils s’intègrent au logiciel déjà utilisé par les équipes et si les salariés modifient effectivement leurs habitudes. Sans ces conditions, l’outil peut rester une démonstration isolée, appréciée mais sans effet organisationnel durable.

Pourquoi les pilotes d’IA générative restent-ils bloqués ?

Le résultat le plus important de l’étude concerne la nature des obstacles. La qualité du modèle utilisé ne semble pas constituer le premier facteur de succès ou d’échec. Autrement dit, choisir le modèle le plus performant dans une démonstration ne suffit pas à obtenir des gains dans l’entreprise.

Les difficultés se situent surtout dans trois domaines : l’intégration aux flux de travail, le partage des connaissances et l’alignement avec les processus existants. Ces expressions peuvent paraître abstraites, mais elles renvoient à des réalités très concrètes.

D’abord, un outil doit s’insérer à l’endroit précis où le travail est effectué. Un assistant qui oblige un salarié à quitter son logiciel métier, copier des informations, reformuler sa demande puis recopier la réponse ajoute des étapes. Son bénéfice potentiel peut alors disparaître. À l’inverse, une solution intégrée dans le parcours de travail, avec les bonnes données et les bons contrôles, a davantage de chances de réduire réellement une tâche.

Ensuite, les connaissances utiles sont souvent dispersées. Elles se trouvent dans des documents, des dossiers clients, des bases internes ou l’expérience de certains collaborateurs. Une IA générative ne crée pas spontanément cet environnement de connaissance partagé. Si elle n’accède pas aux informations pertinentes, ou si celles-ci sont incomplètes et contradictoires, ses réponses risquent d’être trop générales pour aider les équipes.

Enfin, l’alignement suppose de partir d’un problème métier précis. L’objectif ne peut pas être simplement d’« utiliser de l’IA ». Il doit être relié à une activité identifiable : réduire le temps de traitement d’une demande administrative, accélérer la préparation d’un document interne, faciliter la recherche d’information ou automatiser une étape répétitive. C’est à cette condition que l’entreprise peut comparer une situation avant et après le déploiement.

Marketing et vente attirent l’attention, le back-office semble plus rentable

Les entreprises ont souvent dirigé leurs efforts vers le marketing et la vente. Le choix est compréhensible : ce sont des domaines où l’IA générative produit rapidement des contenus, aide à formuler des messages ou peut assister les échanges avec les clients. Ces usages sont également faciles à montrer à une direction, car leurs résultats sont visibles.

L’étude invite néanmoins à nuancer cette priorité. Les meilleurs retours sur investissement semblent provenir davantage de l’automatisation des activités de back-office, c’est-à-dire des fonctions administratives et des opérations internes qui permettent à l’entreprise de fonctionner au quotidien.

Le back-office couvre des tâches très variées : traitement de documents, circulation d’informations, préparation de synthèses, opérations internes ou gestion de processus répétitifs. Ces activités sont parfois moins médiatiques que la production d’une campagne publicitaire ou d’un argumentaire commercial. Elles peuvent toutefois offrir un terrain plus favorable lorsque le processus est bien défini, fréquent et intégré à des outils déjà utilisés.

Cela ne signifie pas que la vente et le marketing sont de mauvais candidats à l’IA générative. L’enseignement est plutôt qu’un projet doit être évalué à partir de sa capacité à s’inscrire dans une chaîne de travail complète. Générer un texte n’est qu’une étape. La valeur dépend de ce qui vient ensuite : validation, adaptation, diffusion, suivi et mesure de l’effet produit.

Acheter une solution ou tout développer en interne ?

L’étude du MIT relève une différence de trajectoire entre les entreprises qui s’appuient sur des solutions spécialisées et des partenaires, et celles qui tentent de bâtir leur projet intégralement en interne. Les premières réussissent plus fréquemment, tandis que les initiatives développées maison échouent plus souvent qu’elles ne réussissent.

Ce constat ne condamne pas le développement interne. Certaines organisations disposent d’équipes techniques, de données et de besoins très spécifiques qui peuvent justifier une solution personnalisée. Mais construire un produit interne suppose bien davantage que connecter un modèle de langage à une interface. Il faut maintenir l’outil, gérer les droits d’accès, organiser les données, définir les contrôles, accompagner les utilisateurs et suivre les résultats dans le temps.

Une solution spécialisée peut réduire une partie de cette complexité, en particulier lorsqu’elle répond à un besoin métier déjà bien identifié. Un partenariat peut aussi apporter une expérience de mise en œuvre qui manque à l’entreprise. Le choix pertinent dépend donc moins d’une opposition de principe entre achat et développement que de la capacité réelle de l’organisation à assurer le déploiement sur la durée.

Le véritable test : transformer l’usage individuel en processus collectif

Le succès apparent d’un assistant personnel peut masquer la difficulté du déploiement collectif. Un salarié motivé peut apprendre à formuler de bonnes demandes, vérifier les réponses et incorporer l’outil à ses propres méthodes. Pour une entreprise, le défi consiste à rendre ce bénéfice accessible à un grand nombre de personnes sans créer de risques ou de disparités trop importantes.

Cela suppose notamment de décider quels usages sont autorisés, quels types d’informations peuvent être traités et à quel moment un contrôle humain est indispensable. Il faut aussi expliquer aux équipes ce que l’outil peut faire, ce qu’il ne peut pas garantir et comment signaler un résultat erroné ou inadapté.

L’IA générative produit en effet des réponses plausibles, mais pas nécessairement exactes. Dans un contexte professionnel, elle ne peut pas remplacer la responsabilité de la personne qui valide un document, une décision ou une information destinée à un client. L’intégration réussie repose donc sur un partage clair des rôles : l’outil accélère certaines étapes, tandis que l’humain conserve le jugement, la vérification et la responsabilité finale.

Les plateformes de collaboration ont ici un rôle important. Elles peuvent favoriser le partage de pratiques, la remontée des problèmes et l’amélioration progressive d’un usage. Sans ce cadre, l’entreprise risque d’accumuler des expérimentations parallèles, menées par différents services, sans savoir lesquelles apportent réellement de la valeur.

Comment éviter le piège du pilote permanent ?

Les résultats rapportés par le MIT ne livrent pas une recette universelle, mais ils dessinent une méthode de prudence. Une entreprise qui souhaite avancer peut commencer par identifier une tâche concrète, suffisamment fréquente et clairement délimitée. Elle doit ensuite définir l’amélioration attendue : temps réduit, meilleure circulation de l’information, baisse des tâches répétitives ou soutien accru aux équipes.

Quelques questions permettent d’éviter les projets trop vagues :

• Quel processus précis l’outil doit-il améliorer ?
• Les informations nécessaires sont-elles accessibles, fiables et adaptées à cet usage ?
• À quel endroit l’outil s’insère-t-il dans le travail quotidien ?
• Qui vérifie les résultats et qui assume la décision finale ?
• Comment l’entreprise déterminera-t-elle, après le test, si le projet mérite un déploiement ?

La formation des collaborateurs est également déterminante. Elle ne consiste pas seulement à apprendre à rédiger une instruction pour une IA. Elle doit aider à comprendre les limites de l’outil, à vérifier ses productions et à l’employer dans le respect des règles internes. L’apprentissage collectif, mentionné parmi les difficultés de mise en œuvre, est une condition pour ne pas dépendre d’une poignée d’utilisateurs experts.

Ce qu’il faut surveiller après l’étude du MIT

Le chiffre de 95 % doit alerter les dirigeants et les investisseurs, sans conduire à conclure que l’IA générative n’a pas d’avenir en entreprise. Il révèle surtout une phase de sélection. Les organisations qui se contentent de multiplier les démonstrations risquent de voir leurs budgets se disperser. Celles qui relient la technologie à un processus précis, à des données utiles et à une organisation capable d’apprendre ont davantage de chances de sortir du lot.

L’enjeu des prochains déploiements sera donc moins de prouver qu’un modèle peut produire du contenu que de démontrer un impact durable. Les entreprises devront distinguer les usages impressionnants de ceux qui résolvent réellement un problème opérationnel. Elles devront aussi évaluer leurs projets au-delà de la phase pilote, sur leur capacité à être adoptés, maintenus et mesurés.

Si les investissements importants ne se traduisent pas par des bénéfices visibles, le risque est une perte de confiance plus large envers l’IA. À l’inverse, des projets plus ciblés, mieux intégrés et accompagnés d’une gouvernance claire peuvent transformer les nombreux essais actuels en outils de travail pérennes. Le message de l’étude est moins un rejet de l’IA générative qu’un rappel exigeant : en entreprise, la technologie ne crée de la valeur qu’une fois intégrée à la manière dont les personnes travaillent réellement.