L'intelligence artificielle générative a suscité une vague d'expérimentations dans les entreprises depuis deux ans. Mais entre l'outil testé "pour voir" et le projet qui change réellement un processus, l'écart est immense, et une étude récente en donne la mesure.

Ce que révèle l'étude du MIT

Le projet NANDA du MIT a analysé plus de 300 déploiements d'IA en entreprise, complétés par une cinquantaine d'entretiens avec des dirigeants et responsables informatiques. Sur les 30 à 40 milliards de dollars investis dans l'IA générative à l'échelle mondiale, l'étude constate que l'immense majorité des projets pilotes n'ont produit aucun effet mesurable sur le compte de résultat. Seuls 5 % d'entre eux seraient parvenus à générer une valeur réellement exploitée par l'entreprise.

La cause n'est presque jamais technique

Le point le plus utile de cette étude n'est pas le chiffre lui-même, mais son explication. Selon les auteurs, l'écart entre les projets qui réussissent et les autres ne tient ni à la qualité des modèles utilisés ni à la réglementation, mais à la méthode. Les projets qui aboutissent partagent un objectif mesurable défini en amont, un périmètre volontairement restreint, et une intégration réelle dans un processus métier existant plutôt qu'un outil ajouté en marge. C'est exactement ce que rappelle le guide publié cet été par Processia sur la construction d'une feuille de route IA en PME : un projet lancé sans priorisation ni horizon de déploiement de 12 à 24 mois a statistiquement peu de chances d'aboutir.

Ce que ça change pour une PME du Beaujolais ou de Villefranche-sur-Saône

Dans une PME industrielle ou logistique du territoire, la tentation est souvent d'acheter un outil d'IA générative pour "essayer", sans avoir cartographié au préalable les processus qui justifient réellement cet investissement. Ce réflexe fonctionne rarement : sans objectif chiffré ni portage clair par un membre du comité de direction, le pilote reste un outil que plus personne n'utilise au bout de quelques mois. Ce constat rejoint celui observé lors des diagnostics menés dans la région : ce qui distingue un projet IA utile d'un projet abandonné est presque toujours organisationnel, rarement technologique.

Le bon réflexe : diagnostiquer avant de lancer un pilote

Avant tout achat d'outil, un audit permet d'identifier les deux ou trois processus où l'IA a le plus de chances de produire un résultat mesurable, de fixer cet objectif avec le comité de direction, et de nommer un porteur de projet en interne. C'est ce travail préalable qui distingue un projet destiné à rejoindre les 95 % de pilotes abandonnés d'un projet qui prend réellement sa place dans le fonctionnement de l'entreprise.