95 % des projets d’entreprise d’IA générative ne génèrent aucun retour sur investissement (ROI) mesurable. C’est le principal chiffre contenu dans un rapport publié en juillet de cette année et qui a « gâché » l’été pour de nombreux entrepreneurs, managers, prestataires de services d’IA et entreprises spécialisées dans les programmes d’adoption de l’IA.
Il y a ceux qui ont parlé d’un paradoxe, ceux qui ont prophétisé un « hiver IA », également grâce à certaines déclarations du PDG d’OpenAI, Sam Altman, sur le risque d’échec pour de nombreuses start-up du secteur.
En réalité, cependant, le rapport The GenAI Divide : State of AI in Business 2025 produit par NANDA (Networked agents and decentralized architecture), une initiative du MIT Media Lab, peut également être lu comme une grande opportunité.
En se concentrant sur les 5 % de projets d’IA qui génèrent des résultats, les chefs d’entreprise peuvent comprendre les erreurs à éviter, afin d’amener leurs entreprises et organisations du bon côté de la fracture de la génération IA dont parle l’étude.
Bref, ce n’est pas le moment de tout jeter : c’est le moment de comprendre ce qui distingue les projets d’adoption de l’IA efficaces de ceux qui échouent, et pour ces derniers de comprendre les causes qui mènent à l’échec. C’est ce que nous voulons faire dans cet article.
Comment l’étude MIT/Nanda a été menée : échantillon et limites
La prémisse de l’interprétation de l’étude The Gen AI Divide : State of AI in Business 2025 est de comprendre comment elle a été menée et quelles sont les limites signalées par les auteurs eux-mêmes. L’étude a été menée entre janvier et juin 2025 et a analysé plus de 300 initiatives publiques de mise en œuvre et d’adoption de l’IA. 52 entrevues structurées ont été menées auprès de représentants d’entreprises et 153 sondages ont été recueillis auprès de cadres supérieurs lors de quatre grandes conférences de l’industrie.
Pour définir un projet d’IA comme réussi, les auteurs se sont appuyés sur une mise en œuvre qui allait au-delà de la phase pilote, avec des KPI mesurables. L’impact en termes de ROI a ensuite été mesuré six mois après la phase pilote.
Les auteurs mettent en garde contre le fait que l’échantillon ne représente peut-être pas entièrement tous les secteurs d’activité ou toutes les régions géographiques, et qu’un biais de sélection est également possible, car les organisations disposées à discuter des défis de mise en œuvre peuvent différer systématiquement de celles qui ont refusé de participer.
De plus, les chiffres de la mise en œuvre réussie d’outils spécifiques à une tâche sont basés sur des entretiens individuels plutôt que sur des rapports officiels de l’entreprise, et les définitions du succès varient considérablement d’une organisation et d’un secteur à l’autre.
Parmi les autres limites signalées, il convient de noter que les mesures du retour sur investissement peuvent avoir été influencées par des améliorations opérationnelles concomitantes à la mise en œuvre de l’IA et à des facteurs économiques externes, et que la période d’observation de six mois peut être insuffisante pour évaluer pleinement le succès à long terme des initiatives d’IA pour les systèmes d’affaires complexes.
Principales conclusions de l’étude MIT/Nanda : des chiffres qui donnent à réfléchir
Ayant fait cette prémisse méthodologique, le principal résultat du rapport est toujours percutant : il révèle que, malgré 30 à 40 milliards de dollars d’investissements des entreprises dans l’IA générative, seuls 5 % des projets atteignent la production avec une valeur mesurable pour le compte de résultat de l’entreprise.
Il existe également un fossé entre l’adoption individuelle des outils d’IA et l’évolutivité de cette adoption au niveau organisationnel. Des outils tels que ChatGPT et Copilot (également connus sous le nom de LLM à usage général) sont en effet largement utilisés : plus de 80 % des organisations impliquées dans le rapport les ont explorés ou testés dans des projets pilotes, et près de 40 % les ont mis en œuvre de manière permanente. Cependant, ces outils améliorent principalement la productivité individuelle.
En revanche, les systèmes d’entreprise personnalisés ou vendus par des fournisseurs spécialisés, qui sont censés améliorer les performances au niveau de l’organisation, ont des taux de conversion très faibles. 60 % des organisations ont évalué ces outils, mais seulement 20 % ont atteint la phase pilote et seulement 5 % ont atteint la phase de production. Les limites de ces systèmes résident dans la fragilité des flux de travail, le manque d’apprentissage contextuel et le manque d’alignement avec les opérations quotidiennes.
Pourquoi les projets de génération IA échouent
Les auteurs de l’étude ont identifié quatre modèles qui conduisent à la fracture de la génération IA. Voyons-les ci-dessous.
Perturbation limitée : seuls 2 des 9 principaux secteurs suivis (Media et Tech) montrent des changements structurels significatifs. Dans d’autres domaines, comme l’énergie, les services financiers, le client et le retail, les impacts de l’IA sont encore limités.
Paradoxe commercial : les grandes entreprises sont en tête pour le volume de projets pilotes, mais sont à la traîne pour ce qui est de l’expansion.
Biais d’investissement : Dans la plupart des entreprises et des organisations, les projets de mise en œuvre de l’IA se concentrent sur les fonctions commerciales visibles et de première ligne (telles que les ventes et le marketing, où les initiatives d’IA sont plus faciles à imaginer et à mesurer), et négligent les fonctions où les économies sont plus élevées, comme le back-office.
Avantage de mise en œuvre : Les projets développés en interne (build) n’ont que 33 % de chances de succès, contre 67 % pour les partenariats externes (buy). Ce n’est pas une question de compétence, mais d’expérience appliquée. Comme l’explique un article de Forbes qui se concentre sur les causes de l’échec de la plupart des initiatives d’adoption de l’IA, « les équipes internes connaissent intimement l’entreprise. Mais ils ont rarement les connaissances appliquées qui découlent de l’exécution de dizaines d’implémentations.
Mais le principal obstacle à la mise à l’échelle des systèmes d’IA dans l’entreprise est ce que les auteurs de l’étude ont appelé le fossé d’apprentissage. La plupart des systèmes d’IA de génération n’ont pas de mémoire : ils n’apprennent pas des commentaires, ils ne s’adaptent pas au contexte et ne s’améliorent pas avec le temps. Les organisations qui s’enlisent du mauvais côté de la fracture de la génération IA continuent d’investir dans des outils statiques qui ne peuvent pas s’intégrer dans leurs flux de travail.
L’économie souterraine de l’IA : quand la productivité individuelle ne devient pas une valeur d’entreprise
L’un des phénomènes les plus surprenants qui a émergé de l’étude du MIT est l’économie souterraine de l’IA. De plus en plus de personnes utilisent des outils d’IA Gen interdits ou non autorisés par leur organisation au travail.
L’ampleur du phénomène peut être appréciée à partir d’un fait : alors que 90 % des employés utilisent régulièrement des outils d’IA personnels tels que ChatGPT pour le travail, seules 40 % des entreprises ont acheté des licences officielles.
Il existe donc un écart important entre l’utilisation des outils d’IA au niveau individuel et celle au niveau des entreprises et des organisations, avec un paradoxe évident : alors que les individus augmentent leur productivité de 40 à 70 % sur des tâches spécifiques, ce gain se traduit rarement par des bénéfices mesurables pour l’organisation et, de fait, peut constituer un risque. Parce que? Il y a plusieurs raisons à cela :
- fragmentation des efforts : chaque collaborateur optimise son travail de manière isolée, sans coordination ;
- l’absence de standardisation : les bonnes pratiques restent cantonnées à l’individu, elles ne deviennent pas des actifs de l’entreprise ;
- Risques de conformité et de sécurité : les données de l’entreprise se retrouvent sur des plateformes non contrôlées ;
- Fuite de mémoire organisationnelle : les connaissances générées ne sont pas capturées dans les systèmes d’entreprise.
L’économie souterraine de l’IA montre que les employés savent ce qu’il faut : des outils d’apprentissage flexibles et immédiats. Mais cela montre aussi que sans une approche structurée, les avantages individuels s’évaporent avant de se cristalliser en valeur d’entreprise.
Le verre à moitié plein : ce qui fait fonctionner les projets Gen AI
Comme nous l’avons écrit au début, la vraie richesse du rapport MIT/Nanda est qu’il contient également les « recettes » qui font fonctionner ces quelques projets (pour le moment) d’adoption et de mise en œuvre de l’IA. Voyons donc quelques-uns d’entre eux.
Systèmes qui apprennent et maintiennent la mémoire et le contexte
66 % des dirigeants interrogés par l’étude demandent explicitement aux systèmes d’apprendre des commentaires des utilisateurs. Une IA qui répond ne suffit pas : nous avons besoin d’une IA qui se souvient, maintient le contexte, s’adapte et s’améliore.
Déjà, certains outils d’IA grand public mettent en œuvre des fonctionnalités qui permettent de se souvenir des chats et des contextes (notamment ChatGPT et Claude).
Mais ce sont les évolutions futures, et en particulier ce que l’on appelle le réseau d’agents, qui pourraient apporter une réponse vraiment efficace à ce problème. L’agent Web est la prochaine étape du développement des agents d’IA individuels, un écosystème dans lequel les systèmes autonomes peuvent découvrir, négocier et coordonner l’ensemble de l’infrastructure Internet, changeant ainsi fondamentalement la façon dont les processus commerciaux fonctionnent.
Dans le réseau d’agents, explique le rapport, « les systèmes découvriront de manière autonome les fournisseurs optimaux et évalueront les solutions sans recherche humaine, établiront des intégrations API dynamiques en temps réel sans connecteurs prédéfinis, exécuteront des transactions sans confiance via des réseaux intelligents compatibles avec la blockchain et développeront des flux de travail émergents qui s’auto-optimisent sur plusieurs plates-formes et frontières organisationnelles ».
Un scénario optimiste, bien qu’il y ait une précision à apporter : Nanda fait en fait partie du développement de la toile agentique, et pourrait donc avoir des conflits d’intérêts en émettant l’hypothèse de ces évolutions futures.
Partenariats stratégiques vs développement interne
Les organisations qui obtiennent des résultats efficaces préfèrent s’appuyer sur des partenariats externes plutôt que de développer des systèmes d’IA en interne. Non pas par paresse, mais par pragmatisme : les partenariats externes apportent une expérience de mise en œuvre, des connaissances intersectorielles et la capacité de relever les défis culturels qui émergent inévitablement.
Personnalisation poussée des flux de travail
Les projets efficaces ne mettent pas en œuvre des solutions génériques. Ils partent de flux de travail spécifiques, souvent périphériques mais critiques, et s’intègrent profondément dans les processus existants. Comme le note le rapport du MIT, les outils dotés d’une configuration agile et d’un délai de rentabilisation rapide l’emportent sur les déploiements d’entreprise lourds.
Approche ascendante avec responsabilité centrale
Les déploiements efficaces proviennent de « prosommateurs », c’est-à-dire d’employés qui utilisent déjà l’IA personnellement et comprennent intuitivement les capacités et les limites. Les organisations qui obtiennent des résultats concrets « décentralisent l’autorité mais conservent la responsabilité », laissant les responsables hiérarchiques et les équipes favoriser l’adoption.
Un mécanisme « bottom-up », similaire à ce qui se passe dans les communautés d’adoption développé par la société de design indépendante logotel. Ce sont des environnements qui encouragent l’expérimentation collective et permettent à des idées précieuses d’émerger et de donner vie à des développements également dans une clé agentique.
Les résultats parlent d’eux-mêmes : dans l’étude de cas Dojo, un projet d’adoption de l’IA mené pour Italgas, 77 % de la population de l’entreprise concernée a activement adopté les nouveaux outils, générant un cercle vertueux d’engagement et d’innovation. C’est aussi sur la base de sa propre expérience que logotel est convaincu qu’une adoption qui fonctionne est collaborative, organique à l’organisation et génère de l’utilité chaque jour : ce sont les ingrédients de l’approche communautaire de l’adoption de l’IA qui distingue l’entreprise de design.
Concentrez-vous sur les résultats commerciaux, et non sur les repères techniques
Les résultats positifs évaluent l’IA en fonction de résultats commerciaux concrets et mesurables :
- la réduction des coûts d’externalisation (services externes tels que les centres d’appels ou le traitement de documents) ;
- rapidité de qualification des clients potentiels : amélioration du temps nécessaire à l’identification et à l’évaluation de nouvelles opportunités de vente ;
- Réduisez les dépenses des agences externes : Réduisez les coûts des consultants, des agences de création ou de contenu.
Les dirigeants d’entreprises qui ont réussi à mettre en place l’IA ne sont pas impressionnés par des démonstrations spectaculaires mais vides. Au lieu de cela, ils recherchent des preuves concrètes de la façon dont l’IA peut améliorer les résultats de leur entreprise.
Renforcer l’économie souterraine de l’IA
Les organisations avant-gardistes commencent à apprendre quels outils personnels génèrent de la valeur avant de développer des alternatives commerciales. Au lieu de combattre l’IA de l’ombre, ils l’étudient pour comprendre :
- quelles tâches sont vraiment optimisées avec l’IA ;
- quels flux de travail nécessitent l’aide de l’IA ;
- comment transformer les pratiques individuelles en processus d’affaires ;
- comment saisir et diffuser les meilleures pratiques émergentes.
Pour les tâches complexes, les humains surpassent l’IA
Enfin, l’un des derniers enseignements du rapport qui nous semble intéressant concerne la centralité de l’élément humain.
C’est une question de confiance, qui concerne aussi la mauvaise « mémoire » de nombreux outils d’IA mentionnée ci-dessus. On a demandé aux personnes qui ont participé à l’étude MIT/Nanda de s’ils confieraient un projet simple et un projet complexe à des collègues humains ou à une intelligence artificielle générative.
La hiérarchie des préférences est claire : pour les tâches rapides (emails, résumés, analyses de base), l’IA est privilégiée dans 70 % des cas. Mais lorsqu’il s’agit de problèmes complexes ou à long terme, les humains dominent par des marges de 9 contre 1.
La ligne de démarcation n’est pas l’intelligence, mais la mémoire, l’adaptabilité et la capacité d’apprentissage, les caractéristiques exactes qui séparent les deux côtés de la division de la génération IA.
En conclusion : il est temps de changer d’approche
Le message du rapport du MIT est sans équivoque : 95 % des projets d’IA échouent non pas à cause de limitations technologiques, mais à cause de mauvaises approches. Pour les chefs d’entreprise qui souhaitent se positionner dans le 5 % gagnant, voici les actions concrètes à prendre.
Commencez par les personnes, pas par la technologie. Identifiez les « prosommateurs » déjà actifs dans votre organisation, c’est-à-dire les employés qui utilisent quotidiennement ChatGPT ou d’autres outils d’IA. Ils sont vos meilleurs alliés pour comprendre ce qui fonctionne vraiment.
Créer des communautés d’expérimentation. L’IA qui génère de la valeur vient d’en bas, pas d’en haut. Créez des espaces sûrs où les équipes peuvent tester, échouer et partager les apprentissages. Avec une approche axée sur la communauté, comme celle testée avec succès dans le projet Dojo de logotel pour Italgas, l’innovation devient systémique.
Mesurez ce qui compte. Abandonnez les mesures de vanité. Le véritable retour sur investissement se mesure en termes de réduction des coûts d’externalisation, de rapidité de processus, de qualité du service client. Si vous ne pouvez pas lier l’IA à une amélioration concrète du compte de résultat, vous faites quelque chose de mal.
Choisissez des partenaires, pas des fournisseurs. Les mises en œuvre réussies résultent de partenariats stratégiques plutôt que de développements internes isolés. Recherchez des partenaires qui comprennent vos processus et peuvent personnaliser des solutions qui apprennent et évoluent.
Agissez maintenant, mais méthodiquement. Le rapport MIT/Nanda indique que la « fenêtre » pour se positionner du bon côté du fossé de la génération IA se referme. Les entreprises qui investissent déjà dans des systèmes d’IA qui apprennent des données et des commentaires créent des avantages concurrentiels difficiles à combler.
Les 5 % de projets d’IA réussis ne sont pas une élite inaccessible – c’est un groupe d’organisations qui ont compris une vérité simple. L’IA générative n’est pas une baguette magique technologique, mais un outil qui amplifie la capacité humaine à créer de la valeur.
La question n’est pas de savoir s’il faut mettre en œuvre l’IA, mais comment le faire d’une manière qui génère des résultats mesurables. Et la réponse, comme le montre également le rapport, réside dans le fait de placer les personnes et les communautés au centre du processus de transformation.
