Cet article s'adresse aux CEO, CIO, COO et responsables de transformation qui investissent dans l'IA — ou s'apprêtent à le faire — et se demandent pourquoi les résultats ne sont pas au rendez-vous.

L'IA, c'est du Business : Pourquoi l'IT seule ne suffit pas

La vérité qui dérange

95%. C'est la proportion de projets pilotes d'IA générative en entreprise qui ne génèrent aucun retour sur investissement mesurable — selon le rapport MIT State of AI in Business 2025, fondé sur 150 entretiens avec des dirigeants, 350 enquêtes collaborateurs et l'analyse de 300 déploiements d'IA documentés publiquement.

30 %. C'est la proportion de projets d'IA générative que Gartner prédit abandonnés après la phase de proof of concept — en raison d'une mauvaise qualité des données, d'une valeur métier floue, de coûts escaladants ou de contrôles des risques insuffisants. (Gartner, juillet 2024)

40 %. C'est la proportion de projets d'IA agentique que Gartner prévoit annulés d'ici fin 2027 — « souvent mal appliqués, portés par le hype, aveugles aux vrais coûts de la mise à l'échelle ». (Gartner, juin 2025)

Et pourtant : près de 9 entreprises sur 10 déclarent utiliser l'IA régulièrement. (McKinsey State of AI, 2025)

L'écart entre usage et création de valeur n'est pas un problème technologique. C'est un problème de leadership, de gouvernance et d'organisation.

La réponse est inconfortable — mais claire : L'IA n'est pas un projet IT. C'est un enjeu de direction.

Pourquoi les initiatives IA échouent — les 4 causes profondes

1. Stratégie sans valeur : des cas d'usage sans priorisation

La plupart des entreprises démarrent avec une longue liste d'idées IA. Rares sont celles qui disposent d'un portefeuille structuré et priorisé, avec des business cases clairs et des hypothèses de valeur. Résultat : l'énergie se disperse, les investissements se dupliquent, et aucune initiative n'atteint la masse critique pour un impact réel.

La question à se poser : Disposez-vous d'un portefeuille de cas d'usage avec des critères de priorisation explicites — et suivez-vous systématiquement la réalisation de valeur après le go-live ?

2. Données, gouvernance et risque : le fondement sous-estimé

La qualité des données est la cause d'échec la plus souvent citée — et elle est légitime. Mais le vrai problème va plus loin : Qui est responsable de quelles données ? Qui autorise les accès ? Qui pilote les standards de qualité ? Sans propriété claire des données, même les bonnes données deviennent inaccessibles — ou peu fiables — en pratique.

Gartner (2025) : 63 % des entreprises n'ont pas d'infrastructure de données IA-ready.

La même logique vaut pour la gouvernance et le risque. Dans les secteurs réglementés — et la Suisse en est pleine —, McKinsey estime que 30 à 50 % du temps de développement IA est consacré à la conformité. Ce n'est pas le signe d'une bureaucratie excessive. C'est le signe que la gouvernance des risques IA n'a pas été pensée dès le départ, mais ajoutée après coup. Les frameworks Responsible AI, la gestion du risque modèle et le privacy-by-design ne sont pas des obstacles à la rapidité. Ils sont des prérequis à la mise à l'échelle durable.

3. Operating Model : rôles, responsabilités, chaînes de décision

Qui possède une initiative IA après le pilote ? Qui surveille le modèle en production ? Qui décide quand ré-entraîner, redéployer — ou arrêter ?

La plupart des entreprises ne répondent jamais à ces questions avant de lancer. Résultat : des pilotes réussis sans propriétaire en production. Les modèles dérivent. Les décisions deviennent opaques. La confiance s'érode

4. Change management, adoption et exploitation : le facteur humain — jusqu'en production

Le MIT (State of AI in Business 2025) le montre : les entreprises qui font des managers de proximité — et non des labs IA centraux — le moteur de l'adoption réussissent nettement mieux. La recherche de Prosci le confirme depuis des décennies : sans Awareness, Desire, Knowledge, Ability et Reinforcement au niveau individuel, même la meilleure technologie reste inutilisée. La plupart des programmes IA investissent 95 % du budget dans la technologie — et 5 % dans le facteur humain. Le ratio devrait être plus proche de 50/50.

La même question se pose en exploitation. La phrase la plus dangereuse dans le contexte IA est : « Le pilote a été un succès. » McKinsey (2025) le confirme : « La transition des pilotes vers un impact à grande échelle reste un chantier ouvert dans la plupart des organisations. » L'infrastructure MLOps, le monitoring, la détection de drift et la responsabilité opérationnelle claire ne sont pas des détails secondaires — ils déterminent si un pilote génère jamais une vraie valeur.

Ce que font différemment les entreprises qui réussissent

L'analyse BCG de plus de 1 250 entreprises dans 68 pays révèle un pattern cohérent chez les leaders IA :

1. La stratégie IA est la stratégie d'entreprise — pas une initiative IT en parallèle du business
2. La gouvernance des investissements est explicite — avec des droits de décision clairs, un pilotage de portefeuille et un suivi du ROI
3. Le management opérationel pilote l'adoption — pas le département IT ou un lab IA central
4. Le Responsable AI est intégré dès le départ — gouvernance, éthique et conformité sont architecturés dès le début, pas ajoutés après
5. Les données sont traitées comme un actif stratégique — avec propriété, standards de qualité et règles d'accès définis avant le premier modèle

Ce qui distingue les entreprises, ce n'est pas la qualité du modèle IA. C'est la qualité de l'organisation autour.

Le premier pas pragmatique — un IA-Readiness Assessment

Bonne nouvelle : vous n'avez pas besoin de résoudre les quatre problèmes en même temps.

Ce dont vous avez besoin, c'est de clarté sur où votre organisation se situe aujourd'hui — et quoi traiter en premier pour libérer une valeur disproportionnée.

C'est précisément l'objectif d'un IA-Readiness Assessment structuré.

Ce qu'il couvre

Le IA-Readiness Assessment évalue votre organisation selon 10 dimensions — de la stratégie et du leadership aux données, à la technologie, à l'éthique et à l'écosystème :

Dimensions
Stratégie & Value Case
Leadership & Gouvernance
Fondations Data
Technologie & Architecture
Ethique, Risiques & Conformité
Culture & Change Management ⚡
Talents & Compétences
Operating Model & Processus
Finance & Investissement
Ecosystème & Partenariats

Le framework intègre les méthodologies de référence de McKinsey, Deloitte, BCG, Bain, Accenture, EY et Umbrex — et les traduit en critères d'évaluation pratiques, conduits par entretiens.

L'assessment est holistique — 30 éléments clés, 300+ questions structurées, une échelle de maturité à 6 niveaux. Mais il est pragmatique dans son application.

Vous n'avez pas besoin de répondre à toutes les questions dès le premier passage. Nous démarrons là où la pression est la plus forte : vos 3 à 5 cas d'usage stratégiques prioritaires, vos lacunes les plus critiques en données et gouvernance, votre capacité d'action pour les 12 prochains mois — pas les 5 prochaines années.

Le résultat n'est pas un score. C'est une roadmap d'action priorisée : où sont vos quick wins, vos investissements à moyen terme, vos lacunes structurelles — classés par impact et faisabilité.

« L'objectif n'est pas un score parfait — c'est une roadmap actionnable. »

Les trois livrables que vous emportez :

1. Profil de maturité — un état des lieux évalué et fondé sur des preuves, sur les 10 dimensions
2. Gap & Risk Map — les 3 à 5 blocages structurels les plus susceptibles d'empêcher la mise à l'échelle
3. Roadmap IA priorisée — un plan d'action à 100 jours avec responsables, calendrier et KPIs

Conclusion : l'IA est une décision de direction

Une initiative IA conduite principalement comme un projet IT a une forte probabilité d'échec. MIT, Gartner, McKinsey, BCG et trente ans d'expérience en transformation le démontrent — indépendamment les uns des autres.

Ce qui distingue les 5 % d'entreprises qui passent à l'échelle des 95 % qui stagnent, ce ne sont pas de meilleurs algorithmes. C'est un meilleur leadership : une stratégie plus claire, une gouvernance plus délibérée, un change management plus ciblé — et la capacité organisationnelle à passer du pilote à la production.

La première étape, ce n'est pas le pilote. C'est de comprendre votre situation actuelle.

Celui qui sous-estime cette complexité investit dans des pilotes — et attend en vain un impact. Un premier pas sensé n'est donc pas une nouvelle session d'idéation de cas d'usage, mais un état des lieux honnête : qu'est-ce qui est réellement en place aujourd'hui — en stratégie, données, gouvernance, organisation et culture ? C'est précisément ce que permet un Readiness Assessment structuré.

Avez-vous vécu une initiative IA qui a réussi — ou échoué — en raison de facteurs organisationnels ? Je serais ravi d'en discuter dans les commentaires.

Olivier Gemoets est fondateur d'INNOCARUS AG. Depuis trente ans, il accompagne des entreprises dans des transformations complexes — de la stratégie jusqu'à l'ancrage opérationnel. Domaines d'intervention : Transformation digitale, Stratégie IA, Change Management & Management de transition.

Sources

• MIT, State of AI in Business 2025 — mlq.ai
• Gartner, GenAI Projects Abandoned After PoC, Juli 2024 — gartner.com
• Gartner, Agentic AI Projects Canceled by 2027, Juni 2025 — gartner.com
• Gartner, Lack of AI-Ready Data Puts AI Projects at Risk, Februar 2025 — gartner.com
• McKinsey, The State of AI 2025 — mckinsey.com
• McKinsey, Overcoming Two Issues Sinking Gen AI Programs, 2025 — mckinsey.com
• BCG, AI Adoption Puzzle: Why Usage Is Up But Impact Is Not, 2025 — bcg.com
• RAND Corporation, via WorkOS AI Failure Analysis, 2025
• S&P Global / Medium AI Analytics Diaries, 2026