Pourquoi tant de projets d’IA échouent : les chiffres, puis les sept erreurs évitables

Commençons par les chiffres qui circulent dans toutes les présentations de conseil d’administration, avec leurs sources exactes et leurs limites, parce qu’un chiffre sans méthodologie est un slogan.

Le plus spectaculaire vient du MIT : le rapport « The GenAI Divide: State of AI in Business 2025 » du projet NANDA conclut que 95 % des organisations ne tirent aucun rendement mesurable de leurs initiatives d’IA générative, malgré des investissements estimés à 30 à 40 milliards de dollars. Précision d’honnêteté : c’est un rapport préliminaire, fondé sur l’examen de plus de 300 initiatives publiques, 52 organisations interviewées et 153 dirigeants sondés, et ses auteurs qualifient eux-mêmes les chiffres d’indicatifs. Gartner, de son côté, prévoyait en 2024 qu’au moins 30 % des projets d’IA générative seraient abandonnés après la preuve de concept; en 2026, la firme constate que la réalité a dépassé la prévision, avec plus de 50 % de projets abandonnés à la fin de 2025.

Deux autres mesures complètent le tableau. Le sondage 2025 de S&P Global Market Intelligence auprès de plus de 1 000 décideurs : 42 % des entreprises ont abandonné la majorité de leurs initiatives d’IA, contre 17 % l’année précédente, et 46 % des preuves de concept meurent avant la production. Et l’étude de RAND, fondée sur des entrevues avec 65 scientifiques de données d’expérience : plus de 80 % des projets d’IA échouent, soit environ le double des projets TI sans IA.

« Il nous faut de l’IA » n’est pas un problème d’affaires. Les projets qui commencent par la technologie (parce que le concurrent en a, parce que le conseil le demande) finissent en démonstration élégante que personne n’utilise. Les projets qui survivent commencent par une douleur chiffrable : des soumissions qui prennent trois semaines, un savoir qui part à la retraite, des recherches documentaires qui grugent les journées.

Le test est simple : si vous ne pouvez pas compléter la phrase « ce projet réussit si [indicateur] passe de [valeur actuelle] à [cible] », le projet n’est pas prêt. C’est brutal, et ça épargne des dizaines de milliers de dollars.

La cause d’échec la plus fréquente citée par les praticiens interrogés par RAND tient aux données : introuvables, éparses, contradictoires, ou tout simplement absentes. En PME, le symptôme est familier : les documents existent, mais en trois versions, dans cinq dossiers réseau, avec des droits d’accès que plus personne ne comprend.

Un assistant IA qui indexe du désordre répond du désordre, avec assurance. D’où notre règle : l’auto-diagnostic des données se fait avant de choisir un outil ou un fournisseur, et son résultat dicte le calendrier. La bonne nouvelle : ce diagnostic peut être financé, comme le détaille notre panorama des aides québécoises.

S&P Global mesure que près d’une preuve de concept sur deux meurt avant la production. La cause la plus banale : personne n’a défini ce que « réussir » voulait dire, alors le pilote flotte, ni assez bon pour être déployé, ni assez mauvais pour être arrêté. Il finit par mourir d’épuisement budgétaire, en emportant la crédibilité du prochain projet.

L’antidote est mécanique : une mesure de départ prise avant le déploiement, un indicateur par cas d’usage et une date de verdict. Notre méthode de mesure du ROI donne la marche complète; l’essentiel tient en une ligne : un pilote sans critère de succès n’est pas un pilote, c’est une dépense.

Un outil parfait que personne n’utilise produit exactement zéro. L’adoption ne se décrète pas : elle se gagne avec un outil qui cite ses sources (la confiance), une formation courte mais réelle (la compétence) et des premiers cas d’usage qui rendent service au quotidien (l’intérêt). Rappel utile de la recherche : l’étude publiée au Quarterly Journal of Economics par Brynjolfsson et ses collègues montre que les gains les plus forts vont aux employés les moins expérimentés; former large, pas juste les champions, change le rendement du projet.

Négliger l’adoption a un cousin : ignorer l’IA fantôme, ces outils grand public que vos employés utilisent déjà sans encadrement. Un projet officiel qui arrive sans politique d’utilisation laisse ce risque intact, et la formation, rappelons-le, se finance jusqu’à 75 % par Services Québec.

Le constat central du rapport MIT tient dans son titre de « fossé » : les organisations coincées du mauvais côté sont massivement celles qui ont déployé des outils génériques sans les connecter aux processus et aux données de l’entreprise. L’outil impressionne en démonstration, puis échoue sur le vocabulaire du métier, les gabarits maison et les cas particuliers qui font votre quotidien.

Le correctif n’est pas forcément « tout construire sur mesure » : c’est connecter l’outil à vos documents et à vos règles (l’approche RAG expliquée dans notre lexique décisionnel), et choisir le déploiement en fonction de la sensibilité des données, comme nous le comparons dans IA locale ou ChatGPT Entreprise.

Le scénario se répète : le pilote fonctionne, l’enthousiasme monte, puis quelqu’un demande où vont les renseignements personnels, et tout s’arrête. Une évaluation des facteurs relatifs à la vie privée menée après coup peut invalider l’architecture entière : transferts hors Québec non évalués, consentements absents, décisions automatisées non encadrées.

Faite au cadrage, la même évaluation coûte quelques jours et solidifie le dossier, y compris auprès des organismes subventionnaires. La conformité tardive est une cause d’échec; la conformité précoce est un accélérateur. Ce n’est pas de la vertu, c’est de l’économie de projet.

Le programme pharaonique qui promet de transformer toute l’entreprise en dix-huit mois cumule tous les risques précédents à la fois : données hétérogènes, adoption diluée, mesure impossible, budget qui s’épuise avant la première valeur. Quand il échoue, il brûle la crédibilité de l’IA pour des années.

La discipline inverse a fait ses preuves sur le terrain : des vagues courtes, la plus simple d’abord, un point de décision à chaque jalon, et le droit d’arrêter. C’est la mécanique décrite dans nos leçons de terrain, et c’est elle qui place un projet du bon côté des statistiques du début de cet article.

Avant d’engager un dollar, faites passer votre projet au travers des sept erreurs : un problème chiffrable, des données inventoriées, un critère de succès daté, un plan d’adoption, une connexion réelle à vos documents, une ÉFVP au cadrage et une première vague modeste. Un projet qui coche les sept cases ne ressemble plus du tout à ceux que comptent les études.

Si vous voulez un regard externe sur votre copie, l’appel de cadrage sert à ça, et les 12 questions à poser à toute firme-conseil, nous compris, complètent l’armure. Notre intérêt est aligné sur le vôtre : un client qui échoue coûte plus cher en réputation qu’un mandat refusé.