95 % des pilotes d'IA ne rapportent rien. Le marché intermédiaire peut s'y prendre autrement.

Les entreprises ont investi ensemble de 30 à 40 milliards de dollars dans l'IA générative. Pour 95 % des pilotes, cela n'a produit aucun rendement mesurable, chiffre le MIT dans le rapport The GenAI Divide (2025). Cinq pour cent en tirent une valeur réelle. Le reste est resté bloqué sur une démo qui a convaincu la direction un moment, puis s'est éteinte lentement.

Ce n'est pourtant pas une raison de laisser l'IA de côté. Le problème tient à la façon dont la plupart des entreprises s'y prennent. Un grand projet, un tiers externe qui le construit, un outil coûteux d'un grand fournisseur, et la promesse que cela se rentabilisera plus tard. La technologie sous-jacente est rarement le maillon faible. Le dispositif qui l'entoure, lui, l'est.

Le cimetière est plein de preuves de concept

Gartner prévoyait en juillet 2024 qu'au moins 30 % des projets d'IA générative seraient abandonnés après la preuve de concept d'ici fin 2025. Les causes citées : mauvaise qualité des données, maîtrise des risques insuffisante, coûts qui grimpent et valeur commerciale floue. S&P Global Market Intelligence a vu ce phénomène s'aggraver nettement en 2025. 42 % des entreprises ont supprimé la plupart de leurs initiatives d'IA, contre 17 % un an plus tôt. En moyenne, 46 % des preuves de concept ont échoué avant même d'atteindre la production.

Les obstacles qui reviennent le plus souvent sont les coûts, la confidentialité des données et la sécurité. Qui a vécu la vague précédente des grands projets logiciels reconnaît la mécanique immédiatement. Un seul grand bloc, une seule promesse, et aucune étape intermédiaire où quelqu'un puisse vérifier si cela fonctionne. C'est pourquoi nous construisons par vagues avec un go/no-go à chaque étape. Vous pouvez ainsi arrêter au moment où un pilote ne rapporte rien, au lieu d'attendre que le budget soit déjà épuisé.

Le marché intermédiaire dispose d'un avantage qu'il utilise rarement

Dans cette même étude du MIT figure un chiffre qui atteint rarement les gros titres. Les entreprises de taille intermédiaire passent du pilote à la production en environ 90 jours. Les grandes organisations mettent neuf mois ou plus. Cette différence ne vient pas d'une meilleure technologie. Elle vient de ce que la distance entre celui qui décide et celui qui fait le travail est plus courte.

Dans une entreprise de deux cents personnes, celui qui connaît le problème est assis à la même table que celui qui débloque le budget. Il n'y a pas de comité de pilotage qui délibère trois trimestres sur un seul cas d'usage. C'est une avance réelle, et la plupart des entreprises de taille intermédiaire la gaspillent en copiant une approche pensée pour un grand groupe.

Ce que font les 5 % autrement : petit, et géré en interne

L'IA ne vaut que ce que valent les données sous-jacentes. Si ces données sont dispersées sur cent contrats SaaS que vous ne gérez pas, vous bâtissez votre modèle sur du sable, et vous payez un tiers externe pour tout remettre en ordre après coup. Les 5 % qui en tirent vraiment quelque chose commencent par l'autre bout. D'abord repérer où fuient les données et les dépenses, ce que un audit indépendant des fournisseurs met en lumière, puis rassembler les données dans une seule plateforme gérée en interne avec le code dans votre propre dépôt. L'IA vient ensuite, à l'endroit où elle résout un problème concret.

L'open source est ici surtout un choix pratique. Dans l'étude The State of Enterprise Open Source de Red Hat (2022), les entreprises citent une meilleure sécurité et une meilleure qualité logicielle comme les avantages les plus fréquemment mentionnés. Pour l'IA, un élément s'y ajoute. Les modèles et les outils qui comptent sont en grande partie ouverts. Vous les exécutez sur votre propre infrastructure, sur vos propres données, sans envoyer ces données à un fournisseur de modèles externe. C'est aussitôt votre réponse à la confidentialité des données et à la sécurité, qui figuraient parmi les plus grands obstacles dans les chiffres ci-dessus.

• Vos données dans un seul modèle de données que vous possédez, non éparpillées sur cent contrats distincts.
• Une stack open source que vous exécutez vous-même, afin que vos données restent au sein de votre propre environnement.
• De l'IA ajoutée à un seul endroit où elle résout un problème mesurable, pas comme une couche posée sur tout à la fois.
• Un go/no-go après chaque étape, afin qu'un pilote qui ne rapporte rien échoue tôt plutôt qu'après un an.

Une stack qui reste petite peut être entretenue par une équipe de 1 à 2 personnes. Cela ressemble à un détail, mais c'est le cœur du raisonnement sur les coûts. Là où un grand groupe engage trois cabinets qui construisent chacun une partie et envoient chacun une facture, une entreprise de taille intermédiaire maintient le système en marche avec une poignée de personnes qui le connaissent réellement. C'est ainsi que nous travaillons nous-mêmes, et c'est la raison pour laquelle la facture évolue avec l'infrastructure que vous exécutez, non avec le nombre d'utilisateurs.

L'IA n'a pas sa place en première page de la brochure, mais en fin d'ordre de construction. Vous l'employez sur une tâche que vous pouvez mesurer, où elle rend quelque chose plus rapide ou moins cher, et seulement une fois que les données sous-jacentes sont justes. Un tel ajout ne fait pas d'effet devant un comité de pilotage. Il continue pourtant de fonctionner longtemps après que l'attention a disparu.

Les 30 à 40 milliards de dollars ont été dépensés en grande partie sur la question de savoir si l'IA fonctionne. Pour votre entreprise, c'est la mauvaise question. La bonne est plus étroite. Quelle tâche, sur quelles données, avec quel chiffre derrière, et qui l'entretient dans un an. Qui commence petit sur une stack qu'il possède lui-même sait en 90 jours s'il fait partie des 5 % qui en tirent quelque chose, ou débranche à temps. Les deux valent mieux que neuf mois d'attente pour une démo que plus personne n'ouvre ensuite.