Entre les promesses séduisantes de l’IA, le futur fascinant qui nous est constamment vanté, et la réalité pragmatique de sa mise en œuvre (que nous constatons de visu en tant que praticiens), il est naturel de se poser des questions.
Les promesses de l’intelligence artificielle continuent de séduire les entreprises, les incitant à investir massivement. Cependant, la réalité de la mise en œuvre n’est souvent pas à la hauteur des attentes.
Malgré ces efforts et ces engagements financiers, les résultats sont souvent bien éloignés des ambitions initiales.
Selon Gartner, plus de 30 % des projets engagés ne dépasseront probablement pas le stade du Proof Of Concept (POC) d’ici 2025, même dans les pays développés. En parallèle, une étude du RAND indique que 80 % des projets IA en entreprise échouent, en identifiant plusieurs facteurs explicatifs majeurs.
Extrait de la méthodologie utilisée : » To investigate why artificial intelligence and machine learning (AI/ML) projects fail, the authors interviewed 65 data scientists and engineers with at least five years of experience in building AI/ML models in industry or academia »
65, c’est pas énorme, même si c’est une base respectable… il faut voir tout ça avec prudence quand même, mais les causes citées sont pleine de bon sens et nous les observons dans notre environnement également.
3 Root Causes à garder à l’esprit :
Les causes profondes de ces échecs révèlent des défis que beaucoup sous-estiment :
Alignement stratégique insuffisant : Souvent, les projets IA ne sont pas alignés avec la stratégie globale de l’entreprise. L’IA est vue comme une opportunité technologique, mais elle est souvent traitée comme une simple expérience isolée, sans lien avec les objectifs de performance ou les indicateurs clés de l’entreprise. Cela conduit à des initiatives déconnectées, mobilisant beaucoup de ressources sans pour autant générer un impact concret sur la création de valeur ou l’efficacité opérationnelle.
Un autre écueil majeur réside dans la manière dont l’IA est abordée : elle n’est pas toujours vue comme une véritable occasion de réinventer les processus. Trop souvent, les entreprises se concentrent sur la simple reproduction du réel actuel, cherchant à imiter ce qui est déjà fait plutôt qu’à imaginer de nouvelles façons de faire. Cette approche conservatrice limite le potentiel transformateur de l’IA, qui pourrait pourtant repenser fondamentalement les méthodes de travail et générer des gains substantiels d’efficience et d’innovation.
Pressés de voir des initiatives concrètes, beaucoup de dirigeants ou de CTO répètent les mêmes schéma d’échec que par le passé, pas d’investissement en missions structurées de stratégie et de RoadMap, et lancement de projets « concrets » sans recul ni cohérence.
Données de faible qualité ou mal gouvernées : Les dirigeants comprennent désormais que la qualité des données est fondamentale. Mais bien souvent, les données disponibles sont fragmentées, biaisées ou mal structurées. Pour exploiter pleinement le potentiel de l’IA, il est essentiel de mettre en place une gouvernance des données rigoureuse, assurant non seulement la qualité, mais aussi la pertinence et la disponibilité des informations nécessaires aux algorithmes.
Dans certains cas, des pans entiers de l’activité de l’entreprise ne sont pas encore numérisés, ce qui prive l’organisation de la possibilité de capter des données essentielles pour alimenter les modèles. Cette absence de numérisation crée des angles morts, limitant la vision globale et la capacité d’analyse, et empêchant de pleinement exploiter les opportunités offertes par l’IA. La transformation numérique complète est donc un pré-requis pour enrichir le patrimoine data et garantir la pertinence des initiatives IA.
L’IA agit comme un accélérateur de vérité : elle met en lumière la véritable qualité du patrimoine data d’une entreprise. Si certaines étapes indispensables ont été négligées dans le passé, cela devient immédiatement apparent. Les dirigeants qui ont beaucoup hésité et tardé à numériser et à ancrer leurs organisations dans la transformation digitale du monde pourraient rester spectateurs de cette nouvelle révolution sans pouvoir en tirer réellement profit.
Focalisation sur les outils plutôt que sur les cas d’usage : La course aux technologies de pointe — machine learning, deep learning, NLP — pousse parfois à ignorer l’essentiel : résoudre des problèmes métiers concrets. Beaucoup de projets IA se concentrent sur l’adoption de la technologie la plus avancée simplement pour suivre la tendance, sans réellement évaluer sa pertinence pour les défis spécifiques de l’entreprise.
Cette fascination pour la nouveauté technologique mène souvent à une mauvaise compréhension des besoins réels du métier et à une déconnexion avec les objectifs opérationnels. Les équipes déploient des modèles sophistiqués et des algorithmes complexes, mais oublient de se demander si ces solutions répondent aux problématiques spécifiques de l’entreprise ou si elles génèrent un impact tangible.
Pour être efficace, l’IA doit être un moyen de résoudre des problèmes concrets et d’apporter une valeur mesurable, plutôt qu’une fin en soi. Une approche plus pragmatique consiste à partir des besoins réels des opérations et à identifier les solutions IA qui apportent des bénéfices immédiats et mesurables, tout en restant alignées sur la vision stratégique globale de l’entreprise.
Les projets IA doivent être conjointement gérés par le métier et l’équipe technique, ils doivent partir de pain points ou d’opportunités réelles d’amélioration et ce n’est qu’à partir de là que les choix technologiques doivent être faits et jamais l’inverse, on ne déploie pas un projet parce qu’on maîtrise ou veut maîtriser une technologie.
Quels apprentissages en tirer ?
Pour des leaders, l’enjeu est donc de transformer ces erreurs en apprentissages et de recentrer les initiatives IA sur des piliers essentiels :
Ancrer l’IA dans la stratégie de l’entreprise : Plutôt que d’approcher l’IA comme une solution universelle, il est primordial de l’intégrer dans une vision d’ensemble. Chaque projet IA doit répondre à une problématique métier précise et être évalué sur des critères de rentabilité, de productivité ou d’expérience client.
Investir dans la qualité des données : Sans données fiables, l’IA n’est qu’une coquille vide. Une stratégie de collecte, de gestion et de protection des données, pilotée par une gouvernance solide, est indispensable. Il ne s’agit pas d’avoir plus de données, mais d’avoir les bonnes données.
Prioriser les cas d’usage à fort ROI : Les dirigeants doivent se concentrer sur des projets IA qui apportent une valeur directe et mesurable. Qu’il s’agisse d’automatisation des processus, d’amélioration de la relation client ou d’optimisation des chaînes logistiques, chaque projet doit être évalué sous l’angle du retour sur investissement.
Vous n’êtes pas obligés de faire les mêmes erreur !
Chez inowaiv , forts de nos retours d’expérience et de nos expertises conjointes, nous avons développé une méthodologie rigoureuse pour accompagner nos clients dans la construction de leur stratégie et de leur roadmap IA.
Cette approche nous permet d’identifier, en amont, les symptômes d’échec potentiels, et de co-construire des solutions qui génèrent de la valeur réelle, dans notre environnement spécifiques et en connaissance des conséquences potentielles sur le business.
Si vous reconnaissez l’un de ces défis dans vos propres initiatives IA, contactez moi, un petit échange de 30 minutes peut vous éclairer et vous permettre de prendre du recul, et c’est cadeau 😉
