Pourquoi 8 projets IA sur 10 n’atteignent jamais la production

Le chiffre circule sous plusieurs formes et plusieurs sources : la plupart des projets d’intelligence artificielle lancés en entreprise n’arrivent jamais en production. Nous le reprenons comme un ordre de grandeur du marché, pas comme une mesure que nous aurions faite. Ce qui suit, en revanche, vient de ce que nous constatons en mission.

La cause n’est presque jamais le modèle

Les modèles disponibles aujourd’hui sont largement suffisants pour les usages courants d’une PME. L’échec se produit en amont, et il est acquis avant la première ligne de code.

Trois causes, dans l’ordre où nous les rencontrons

1. Des définitions qui divergent

Deux services calculent « le chiffre d’affaires du mois » différemment. Personne ne l’avait remarqué, parce que les deux chiffres ne se rencontraient jamais. Une automatisation les met face à face — et le projet s’arrête sur un désaccord de définition, qui n’est pas un sujet technique.

2. Des données que personne ne possède

Le fichier essentiel appartient à une personne, sur son poste, dans un format qu’elle a défini. Il est exact, elle le tient bien, et il est illisible pour un système. La difficulté n’est pas technique : elle est de savoir qui devient responsable de cette donnée après le projet.

3. Un processus jamais écrit

Automatiser un processus non écrit revient à figer une pratique que personne ne maîtrise — y compris ceux qui l’exécutent, parce qu’ils l’exécutent chacun un peu différemment. L’automatisation rend ces écarts visibles, et c’est perçu comme un défaut du logiciel.

Ce qui change quand on commence par là

Une source de référence, un propriétaire par indicateur, un processus écrit. Ce travail n’est pas spectaculaire et ne se présente pas bien en comité de direction. Il est la condition de tout le reste, et il a une vertu : il produit de la valeur même si le projet d’IA n’a finalement pas lieu.