IA en entreprise : pourquoi la performance du modèle est un faux problème

On parle beaucoup de révolution de l'IA en entreprise. Dans les faits, elle n'a presque jamais lieu.

Le chiffre nous vient du rapport "GenAI Divide" publié par le MIT en 2025. Sur 300 projets IA analysés en entreprise, 95% n'ont eu aucun impact mesurable sur le P&L. Pas un impact décevant. Juste aucun impact !

Les projets ont soit stagné en phase pilote, soit été abandonnés avant d'atteindre la production.

S&P Global confirme la tendance : 42% des entreprises ont arrêté la majorité de leurs initiatives IA cette année. L'an dernier, ce chiffre était à 17%.

Ce qui rend ces données intéressantes, c'est qu'elles permettent de comparer. Quand vous avez 5% de réussite et 95% d'échec sur un échantillon de 300 projets, vous pouvez commencer à identifier ce qui distingue les deux groupes.

Les projets qui échouent se ressemblent. Ils visent une "transformation par l'IA" sans définir précisément ce que ça signifie. Ils mobilisent des équipes internes pour construire des solutions sur mesure. Ils ciblent en priorité le marketing et les ventes, là où l'IA est la plus visible mais pas nécessairement la plus utile.

Les projets qui réussissent font autre chose. Ils partent d'un workflow spécifique avec un problème identifiable : la saisie des factures prend trop de temps, l'analyse des contrats génère des erreurs, le tri des candidatures mobilise trois personnes à temps plein. Ils achètent des outils spécialisés plutôt que de développer en interne. Et ils se concentrent sur le back-office et les opérations, là où les gains sont mesurables.

Le taux de succès des outils achetés à des éditeurs spécialisés est de 66%. Celui des développements internes : 33%. Le rapport ne dit pas que les équipes internes sont incompétentes. Il dit que l'expertise métier des éditeurs verticaux — ceux qui ne font que de l'IA pour la compta, ou que de l'IA pour le juridique — compense largement ce que vous perdez en personnalisation.

J'ai écrit il y a quelques mois sur les limites des solutions IA propriétaires du point de vue de la sécurité et de l'auditabilité. Les données sur le ROI racontent la même histoire sous un angle différent.

Les modèles closed source posent trois problèmes concrets pour les projets d'entreprise. L'opacité complique l'intégration : sans visibilité sur les mécanismes internes, adapter le modèle à vos données devient un exercice de tâtonnement. Les coûts s'accumulent sans garantie : quand 95% des projets échouent, les abonnements enterprise représentent des budgets perdus sans possibilité de réutilisation. Et la dépendance s'installe : construire vos process sur une API dont vous ne contrôlez ni l'évolution ni la tarification est un pari que beaucoup sous-estiment.

L'open source ne garantit pas le succès. Mais il change l'équation du risque. Un modèle que vous pouvez auditer, adapter à vos données, et faire tourner localement si nécessaire réduit chacun de ces trois problèmes. Pour beaucoup de cas d'usage entreprise, Llama, Mistral ou Qwen offrent des performances suffisantes. La question n'est pas d'avoir le meilleur modèle. C'est d'avoir un modèle qui s'intègre dans vos process.

La stratégie IA chinoise illustre cette logique à grande échelle.

Pendant que les Big Tech américaines injectent plus de 400 milliards de dollars par an dans la course à l'AGI, Pékin pousse son industrie à être "fortement orientée vers les applications". Xi Jinping l'a formulé ainsi lors d'une réunion du Politburo en avril 2025. Le fonds gouvernemental de 8,4 milliards lancé en janvier cible les startups qui déploient l'IA dans des cas d'usage concrets, pas celles qui promettent des percées technologiques.

DeepSeek R1, un modèle de raisonnement open source, est déployé dans 228 hôpitaux pour le support décisionnel clinique et l'imagerie médicale. L'IA corrige les examens d'entrée au lycée, optimise les prévisions météo, conseille les agriculteurs sur la rotation des cultures. L'objectif de la campagne "AI+" est une pénétration de 70% des agents IA dans les secteurs clés d'ici 2027.

Deux choix structurent cette approche. L'open source comme standard : DeepSeek, Qwen d'Alibaba, les modèles de Baidu sont disponibles en open weights, ce qui permet une adoption rapide et des coûts de déploiement réduits. Et les applications avant la performance : plutôt que de viser le modèle le plus puissant, l'effort porte sur l'intégration dans les workflows existants.

Le pari implicite est simple. Si l'AGI reste un horizon lointain — et de plus en plus de voix dans la Silicon Valley expriment des doutes — celui qui aura intégré l'IA dans le plus grand nombre de processus économiques aura gagné. Pas celui qui aura le modèle le plus impressionnant en démo.

Les data centers américains font face à une équation difficile : 40 milliards de dépréciation annuelle pour des infrastructures qui génèrent 15 à 20 milliards de revenus aux taux d'utilisation actuels. OpenAI a annoncé plus de 1 000 milliards de dollars de deals d'infrastructure sur la prochaine décennie. Le pari est que la rupture technologique justifiera ces investissements.

C'est peut-être vrai. Ou peut-être que l'IA qui compte est celle qui s'intègre dans les process existants et génère de la valeur immédiate.

Les données du MIT, la stratégie chinoise, les avantages structurels de l'open source pointent dans la même direction. Pour les 95% de projets qui échouent, le problème n'est généralement pas le modèle. C'est l'approche : trop ambitieuse, trop sur mesure, trop déconnectée des workflows réels.

Les 5% qui réussissent font le contraire. Ils ciblent un problème précis, utilisent des outils existants, et mesurent le ROI avant de lancer le projet. L'IA qui transforme les entreprises n'est pas spectaculaire.

Elle est invisible, intégrée, mesurable.

Et c'est précisément pour ça qu'elle fonctionne.

Sources :

• MIT Project NANDA, "The GenAI Divide: State of AI in Business 2025"
• S&P Global, données sur l'abandon des projets IA, 2025
• RAND Corporation, "Full Stack: China's Evolving Industrial Policy for AI", juin 2025
• CNBC, données capex Big Tech, octobre 2025
• CIRSD Horizons, données déploiement DeepSeek, 2025