Pourquoi tant de projets d’IA stagnent — et pourquoi commencer au point de travail change tout
Les investissements dans l’IA continuent d’augmenter, mais de nombreuses initiatives stagnent discrètement ou sont abandonnées. Le problème réside rarement dans la technologie elle-même, mais dans le point de départ choisi par les organisations.
En bref :
De nombreux projets d’IA stagnent non pas parce que la technologie échoue, mais parce que les organisations démarrent dans des domaines trop complexes et mal définis. Commencer par de grandes transformations, des critères de réussite flous et des pilotes fragiles épuise souvent l’élan. Les équipes qui progressent ont tendance à commencer plus près du travail quotidien — en soutenant les personnes là où la valeur est créée, plutôt que de reconstruire les systèmes en amont.
L’IA continue d’attirer l’attention et les investissements, et pourtant un nombre surprenant d’organisations réduisent la voilure ou interrompent des initiatives précoces. Le fait de rapporter l’abandon de grands efforts d’IA agentique n’est pas un commentaire sur la technologie elle‑même, mais un rappel que les conditions nécessaires au succès sont rarement réunies au moment où ces projets démarrent.
Gartner a souligné ce point à plusieurs reprises. Dans ses prévisions stratégiques pour 2025, Gartner a averti que de nombreuses initiatives d’IA agentique sont susceptibles d’échouer en raison d’une valeur métier mal définie ou de contrôles des risques insuffisants. Dans une autre publication, Gartner a indiqué qu’une proportion significative des projets de GenAI peine à dépasser le stade du pilote, souvent parce que les organisations sous-estiment les exigences opérationnelles entourant le modèle.
Ces constats offrent un point de départ utile pour une réflexion plus large : de nombreux projets d’IA peinent non pas parce que l’IA sous‑performerait, mais parce que l’environnement autour d’elle n’est pas prêt à soutenir des progrès significatifs.
Un schéma récurrent dans les organisations qui explorent l’IA est que l’enthousiasme initial ne s’accompagne pas de définitions du succès tout aussi claires. Les dirigeants décrivent souvent des objectifs en termes d’efficacité, d’automatisation ou de « rester en tête », mais ces ambitions ne se traduisent pas automatiquement en objectifs concrets pour un programme spécifique.
Lorsque les attentes ne sont pas alignées dès le départ, les projets ont tendance à accumuler de l’ambiguïté. Même des équipes très compétentes peuvent se retrouver à travailler dur tout en étant incertaines du résultat précis qu’elles sont censées atteindre. Ce désalignement n’apparaît pas toujours au début, mais il finit par se manifester sous forme de dérive de périmètre, de fatigue des parties prenantes ou de difficulté à évaluer les progrès de manière objective.
L’accent mis par Gartner sur la valeur métier peu claire est particulièrement pertinent ici. Lorsque l’objectif n’est pas bien défini, même des idées prometteuses peinent à prendre de l’élan.
Les pilotes sont censés être un moyen sûr d’explorer de nouvelles capacités, mais en pratique ils exigent souvent beaucoup de temps et d’énergie de la part d’équipes rares : personnel technique, experts métier, responsables des opérations et propriétaires de données.
Et pourtant, les pilotes reçoivent rarement le temps ou la stabilité dont ils ont besoin.
Il est courant de voir des pilotes qui sont :
- trop courts pour démontrer la valeur,
- trop contraints pour représenter des opérations réelles,
- trop dépendants de ressources qui ne peuvent pas être dégagées, ou
- trop isolés des workflows qu’ils cherchent à soutenir.
Au moment où le pilote se termine, les dirigeants peuvent constater des résultats limités — non pas parce que l’idée manquait de mérite, mais parce que les conditions n’étaient pas conçues pour donner une image juste de la valeur. Lorsque plusieurs pilotes se terminent ainsi, les décideurs hésitent naturellement à approuver l’étape suivante.
C’est un facteur discret mais influent de l’augmentation du nombre de projets interrompus.
Dans de nombreuses organisations, le même défi apparaît : les projets d’IA commencent souvent au pire endroit possible.
Ils commencent en essayant de :
- restructurer les données,
- repenser les workflows,
- intégrer des systèmes hérités,
- et coordonner des dépendances entre plusieurs équipes.
Ce sont des chantiers importants même lorsque les équipes y sont préparées. Pour des organisations déjà sous tension — en particulier les PME — cela peut être écrasant.
L’observation de Gartner selon laquelle les organisations sous-estiment souvent les ajustements opérationnels nécessaires reflète bien cette réalité. Les possibilités techniques de l’IA progressent rapidement, mais la préparation opérationnelle au sein de la plupart des organisations avance à un rythme différent.
Le poids de la transformation devient la barrière.
Il n’y a rien de mal à l’ambition, mais dans un domaine qui évolue rapidement il devient particulièrement important de garder les pieds sur terre. La confiance dans l’IA s’est nettement améliorée et les outils sont devenus plus accessibles, mais les attentes dépassent parfois ce qu’une organisation peut raisonnablement soutenir.
Ce n’est pas une question de peur ou de conservatisme. C’est simplement la reconnaissance que les projets d’IA portent des dépendances cachées. Beaucoup ne se révèlent qu’une fois le travail commencé.
Un niveau de prudence réfléchi aide les dirigeants à distinguer entre ce qui est possible en principe et ce qui est praticable dans leur environnement spécifique. Cette prudence est saine. Elle protège les ressources, évite la fatigue et empêche les organisations de s’engager dans des changements ambitieux avant d’être structurellement prêtes.
Ce qui ressort dans les organisations qui progressent avec succès avec l’IA, c’est qu’elles démarrent souvent ailleurs. Plutôt que de commencer par la transformation, elles commencent plus près du travail quotidien — en soutenant les tâches que les gens accomplissent déjà.
Beaucoup de défis opérationnels remontent à la qualité des apports humains : notes, résumés, descriptions, explications, réclamations et documentation interne. Ces petites unités de texte façonnent les décisions en aval et les charges de travail bien plus qu’on ne leur en attribue le mérite.
Améliorer ces apports ne nécessite pas d’intégrations complexes, de longues périodes de pilote ou de lourds changements structurels. Cela requiert simplement un soutien au point d’exécution du travail — aider les gens à exprimer ce qu’ils savent déjà avec clarté et cohérence.
Cette approche plus légère produit souvent de la valeur plus rapidement. Et surtout, elle le fait sans imposer une pression inutile sur les équipes ou les systèmes.
La tendance aux projets d’IA annulés n’est pas un signe d’échec de l’IA. C’est le signe que les organisations démarrent dans des domaines trop complexes, trop coûteux ou trop peu clairs pour maintenir l’élan.
Les prévisions de Gartner soulignent une vérité simple : l’IA réussit lorsqu’elle est introduite dans des environnements qui sont prêts à l’accueillir.
Pour beaucoup d’organisations, cette préparation ne viendra pas d’une transformation à grande échelle, mais du fait de commencer en terrain familier — en améliorant ce que les gens font déjà bien, une interaction à la fois.
Parfois, le geste le plus stratégique n’est pas de reconstruire l’organisation autour de l’IA, mais de laisser l’IA soutenir l’organisation telle qu’elle est aujourd’hui.
Sources:
