Pourquoi la plupart des projets d'IA échouent en entreprise et comment y remédier

Selon Gartner et McKinsey, les dépenses des entreprises en intelligence artificielle générative en 2025 sont estimées à 644 milliards de dollars, pourtant plus de 80 % des projets échouent à atteindre les objectifs fixés, avec seulement environ 15 % qui parviennent à une production durable. L'étude de MIT NANDA portant sur plus de 300 initiatives a révélé que 95 % des projets pilotes d'IA générative ne montrent aucun impact mesurable sur les profits ou la productivité. Gartner place l'IA générative dans le creux de la désillusion, tandis que l'IA agentique se situe au sommet du pic des attentes exagérées. L'article identifie cinq causes principales d'échec : l'absence d'objectifs commerciaux mesurables, l'automatisation de processus défaillants (principe du garbage in, garbage out), une possession totale du coût (TCO) incomplète, le choix des outils avant la définition du problème, et l'absence d'un responsable dédié des résultats commerciaux. Pour atténuer ces problèmes, l'auteur décrit un entonnoir de sélection avec trois filtres : un impact financier mesurable, la nécessité de l'IA, et une architecture solide avec un TCO. L'article aborde également le « fossé de l'IA générative » et le « déficit d'apprentissage » décrits par MIT NANDA, mettant en lumière le problème de l'IA fantôme. Comme solution, l'auteur présente la stratégie de plateforme d'IA de son entreprise, qui comprend des couches pour la construction d'agents, l'intégration, les connaissances d'entreprise, et un cadre de gouvernance avec des cadres de gouvernance et de gestion des risques de l'IA. Ils mentionnent également un système de prévente multi-agents composé de huit agents spécialisés pour accélérer les initiatives en phase initiale.