Pourquoi l’IA n’apporte pas la valeur attendue par les entreprises

La mesure du retour sur investissement de l’IA est complexe et incohérente

L’IA est censée rendre les choses plus rapides, meilleures et plus efficaces. C’est là tout l’intérêt. Mais si vous ne pouvez pas mesurer la valeur ajoutée qu’elle apporte réellement, à quoi bon ?

Le problème est que la mesure du retour sur investissement de l’IA n’est pas aussi simple que le nombre d’heures qu’elle permet d’économiser. Certes, si une tâche qui prenait trois heures ne prend plus que trente minutes, c’est facile à quantifier. Mais que se passe-t-il lorsque l’IA est « 95 % meilleure » qu’un humain ? Meilleure que quel humain ? L’employé le plus performant, le nouvel employé ou le travailleur moyen ? Sans référence claire, comparer l’efficacité de l’IA à la productivité humaine revient à comparer une fusée à une bicyclette : tout dépend de ce que vous essayez de faire.

La plupart des entreprises n’ont pas de méthode normalisée pour mesurer l’impact de l’IA. Elles déploient l’IA, espèrent des gains, puis se rendent compte qu’elles n’ont pas de référence à laquelle se comparer. Et c’est là un problème. Si vous ne pouvez pas suivre les progrès réalisés, vous ne saurez pas si votre investissement dans l’IA vous rapporte de l’argent ou s’il ne fait que créer beaucoup de bruit sans résultats réels. Les entreprises ont besoin de meilleurs cadres pour mesurer le retour sur investissement, des cadres qui vont au-delà de vagues pourcentages et se concentrent sur des résultats commerciaux tangibles.

La maintenance et l’adaptation de l’IA sont souvent négligées

L’IA n’est pas une solution unique. Ce n’est pas comme acheter un logiciel et l’oublier. L’IA apprend, évolue et change au fil du temps. C’est à la fois sa plus grande force et son plus grand défi.

La plupart des entreprises mettent en place l’IA, obtiennent des résultats préliminaires, puis supposent que le système continuera à fournir des résultats à l’infini. Ce n’est pas le cas. Les modèles dérivent, les données changent et le comportement des utilisateurs évolue. Si vous ne surveillez pas activement votre IA et ne la réglez pas avec précision, ses performances peuvent se dégrader, parfois de manière subtile, parfois de manière spectaculaire. Une IA qui fonctionnait parfaitement il y a six mois peut commencer à commettre des erreurs, et si personne ne la surveille, ces erreurs peuvent faire boule de neige.

Il y a aussi le facteur humain. Les gens s’améliorent dans l’utilisation de l’IA, tout comme l’IA s’améliore dans la compréhension des humains. Cette boucle de rétroaction constante modifie la dynamique, ce qui rend le retour sur investissement difficile à cerner. Si vous ne suivez pas les deux aspects de cette évolution, vous ne saisissez pas la moitié du tableau. En résumé, l’IA a besoin d’un entretien régulier : L’IA a besoin d’un entretien régulier, tout comme une voiture performante. Si vous l’ignorez, elle ne fera pas que ralentir, elle s’écrasera.

Les entreprises manquent de mesures structurées de la valeur de l’IA

« Si vous ne le mesurez pas, vous ne pouvez pas l’améliorer. C’est simple. Pourtant, la plupart des entreprises ne disposent pas d’une méthode solide pour mesurer la valeur créée par l’IA. »

À l’heure actuelle, les investissements dans l’IA s’apparentent souvent à un jeu de fléchettes dans l’obscurité. Les entreprises déploient l’IA, constatent des gains d’efficacité et supposent qu’elle fonctionne. Mais est-ce que cela augmente réellement les revenus ? Réduit-elle les coûts ? Augmente-t-elle la satisfaction des clients ? En l’absence de mesures structurées, il n’y a aucun moyen de le savoir.

Les entreprises doivent prendre au sérieux le suivi de l’impact de l’IA. Cela signifie qu’il faut définir le succès avant de déployer l’IA, et non après. Qu’il s’agisse d’économies de coûts, de gains de productivité ou de nouvelles sources de revenus, chaque initiative d’IA doit être assortie d’indicateurs de performance clés (KPI) clairs. KPI (indicateurs clés de performance) clairs dès le premier jour. Certaines organisations mettent même en place des « bureaux de réalisation de la valeur » pour suivre l’impact de l’IA dans tous les départements. Une décision intelligente. Si l’IA doit devenir un élément central de l’entreprise, elle doit être mesurée comme tel.

La plupart des initiatives d’IA générative (GenAI) ne parviennent pas à produire un impact commercial durable

L’IA générative est la nouveauté la plus brillante. Tout le monde la veut. Mais voici la réalité : 90 % des projets d’IA générative n’apportent pas de réelle valeur ajoutée à l’entreprise.

Pourquoi ? Parce que la plupart des entreprises n’ont pas de stratégie. Elles pensent que l’ajout d’un chatbot doté d’IA ou l’intégration de grands modèles de langage (LLM) dans leurs applications est suffisant pour conduire la transformation. Ce n’est pas le cas. L’IA seule ne crée pas de valeur, c’est la façon dont vous l’appliquez qui en crée. Et c’est là que la plupart des entreprises ratent le coche.

La vérité est que la GenAI n’est pas prête à l’emploi. Elle nécessite de sérieuses capacités d’ingénierie de l’IA, des pipelines de données, une mise au point du modèle, des garde-fous de sécurité, une intégration avec les systèmes existants. Si vous ne disposez pas de ces bases, vous vous retrouverez avec une démonstration tape-à-l’œil mais sans impact à long terme.

L’IA n’est pas magique. Elle ne fonctionne pas simplement parce que vous l’avez mise en œuvre. Si vous voulez que l’IA transforme réellement votre entreprise, vous avez besoin d’un plan clair : Quel problème résout-elle ? Comment va-t-elle évoluer ? Quels sont les indicateurs qui définiront le succès ? Sans ces réponses, vous ne ferez qu’expérimenter et brûler de l’argent dans le processus.

L’adoption de l’IA doit s’aligner sur des problèmes commerciaux clairs

L’IA devrait résoudre des problèmes, et non pas exister pour le plaisir d’exister. Mais trop souvent, les entreprises font l’inverse : elles mettent d’abord en œuvre l’IA, puis essaient de déterminer ce qu’elles vont en faire. C’est l’inverse.

L’adoption réussie de l’IA commence par la définition d’un problème. S’agit-il de réduire les temps d’attente du service client ? Automatiser la logistique de la chaîne d’approvisionnement ? Améliorer la détection des fraudes ? Quel que soit l’objectif, l’IA doit être l’outil et non le point de départ.

De nombreuses initiatives d’IA ont échoué parce qu’elles n’étaient pas suffisamment ciblées. Les entreprises se sont empressées de déployer l’IA parce que tout le monde le faisait, mais elles n’ont pas défini le succès dès le départ. Résultat ? Des investissements gaspillés, un retour sur investissement flou et des projets abandonnés.

En 2025, attendez-vous à un changement. Les entreprises qui gagneront avec l’IA ne seront pas celles qui expérimentent sans but. Elles seront celles qui associeront l’IA à des problèmes bien définis avec des résultats mesurables. C’est ainsi que vous transformerez l’IA en une véritable valeur commerciale.

L’augmentation des coûts de l’IA renforce la surveillance des contrats SaaS

L’IA coûte cher. Plus de puissance de calcul, plus de stockage de données, plus de traitement, tout cela s’additionne. Et les fournisseurs de SaaS répercutent ces coûts sur les entreprises.

Nous l’avons déjà constaté. Au cours des six derniers mois, le coût d’exploitation des modèles d’IA a augmenté, et cette hausse va se poursuivre. Plus ces modèles deviennent robustes, plus ils ont besoin de puissance. C’est pourquoi les entreprises commencent à examiner de plus près leurs contrats SaaS. Si les coûts liés à l’IA augmentent, il devrait en être de même pour la productivité.

L’époque où l’on acceptait aveuglément les prix des SaaS alimentés par l’IA est révolue. Les entreprises posent des questions difficiles : Quel est le rapport coût-bénéfice réel ? L’IA améliore-t-elle le logiciel ou le rend-elle simplement plus cher ? Si un fournisseur augmente ses prix à cause de l’IA, cette IA apporte-t-elle réellement une valeur significative ?

« Le message adressé aux fournisseurs de SaaS est clair : si vous voulez faire payer davantage, vous devez prouver le retour sur investissement. Personne ne va payer une prime pour une IA qui ne fait pas bouger l’aiguille ».

Le retour sur investissement de l’IA est souvent compromis par une mauvaise stratégie et un mauvais alignement.

L’IA n’échoue pas parce que la technologie est mauvaise, mais parce que les entreprises n’ont pas de plan.

Trop d’organisations considèrent l’IA comme une solution miracle. Elles y investissent de l’argent, s’attendant à une transformation instantanée. Mais l’IA n’est pas une solution prête à l’emploi. En l’absence d’une stratégie claire, d’un alignement entre la direction et les équipes techniques et d’une infrastructure de soutien, les projets d’IA s’effondrent avant même d’avoir décollé.

L’une des principales raisons de l’échec de l’IA est le manque d’alignement. Les chefs d’entreprise attendent une chose, les équipes d’IA en construisent une autre, et personne ne s’arrête pour se demander si cela résout réellement un problème commercial. En l’absence d’une vision commune entre les dirigeants et les équipes d’IA, les projets sont déconnectés des objectifs de l’entreprise.

Les données constituent un autre problème. L’IA a besoin de données propres et structurées pour fonctionner. Or, beaucoup d’entreprises ont encore affaire à des données désordonnées et cloisonnées. Si votre modèle d’IA s’appuie sur de mauvaises données, les résultats seront inutiles ou, pire, trompeurs.

Les entreprises qui adoptent l’IA alignent leurs équipes, investissent dans la bonne infrastructure et définissent le succès avant de commencer. C’est ce qui fait la différence entre une valeur réelle de l’IA et un échec coûteux.

L’adoption de l’IA est entravée par des facteurs humains et organisationnels

Les dirigeants supposent souvent que les employés adopteront automatiquement l’IA. Ce n’est pas le cas. L’IA modifie les flux de travail, les rôles professionnels et les processus décisionnels. Si les employés ne comprennent pas pourquoi ils devraient l’utiliser ou comment elle leur est bénéfique, ils résisteront.

L’adoption ne se limite pas à l’installation d’outils d’IA, il s’agit d’amener les gens à les utiliser efficacement. Cela nécessite des formations, des incitations et un changement culturel. Si les employés considèrent l’IA comme une menace pour leur emploi plutôt que comme un outil qui améliore leur travail, l’engagement diminuera.

Le leadership joue un rôle important à cet égard. Si l’adoption de l’IA n’est pas soutenue par la direction, elle ne gagnera pas de terrain. Les entreprises qui intègrent avec succès l’IA dans leurs activités la considèrent comme une transformation de l’entreprise, et non comme une simple mise à niveau technologique.

L’IA fonctionne mieux lorsqu’elle complète la prise de décision humaine, et non lorsqu’elle la remplace. Les entreprises qui comprennent cela verront leurs taux d’adoption augmenter et leurs résultats s’améliorer.

Le succès de l’IA passe par une collaboration interfonctionnelle

Lorsque l’IA est développée en silos, elle échoue. C’est aussi simple que cela.

Beaucoup d’entreprises commettent l’erreur de laisser le développement de l’IA entièrement aux équipes techniques. Elles construisent des modèles avancés, mais sans l’apport des chefs d’entreprise, ces modèles ne résolvent pas toujours les problèmes du monde réel.

Les meilleures équipes d’IA sont interfonctionnelles. Elles comprennent des ingénieurs, des data scientists, des chefs de produit et des responsables d’entreprise qui travaillent ensemble. Les ingénieurs en IA apportent leur expertise technique. Les chefs d’entreprise s’assurent que l’IA s’aligne sur les objectifs de l’entreprise. Les chefs de produit se concentrent sur la facilité d’utilisation et l’intégration.

Lorsque les équipes d’IA travaillent de manière isolée, le résultat est souvent un outil coûteux que personne n’utilise. Les meilleures solutions d’IA proviennent d’équipes qui comprennent à la fois la technologie et le problème commercial qu’elles résolvent.

Si vous voulez que l’IA génère une valeur réelle, mettez les bonnes personnes autour de la table. Les entreprises qui y parviennent bien ne se contentent pas d’expérimenter l’IA, elles en font un avantage concurrentiel.

La majorité des projets d’IA échouent au-delà de la phase de validation du concept

Construire une preuve de concept (PoC) est facile. Faire évoluer l’IA pour qu’elle ait un impact réel sur l’entreprise, c’est difficile.

À l’heure actuelle, seuls 54 % des projets d’IA dépassent la phase du PoC. La raison ? Les entreprises ne planifient pas l’exécution à long terme. Elles construisent quelque chose d’excitant en laboratoire, mais lorsqu’il s’agit de passer à l’échelle supérieure, tout s’écroule.

La mise à l’échelle de l’IA nécessite une infrastructure, une gouvernance des données, une conformité et une optimisation continue. De nombreuses entreprises sous-estiment ces défis. Elles supposent que si l’IA fonctionne dans un petit environnement de test, elle fonctionnera tout aussi bien à l’échelle. Ce n’est pas le cas.

Une mise en œuvre réussie de l’IA exige plus qu’une bonne technologie, elle nécessite une préparation opérationnelle. Cela signifie qu’il faut mettre en place les bons pipelines de données, les bonnes mesures de sécurité et les bons cadres de déploiement.

Un PoC n’est que le point de départ. Si vous n’avez pas de feuille de route pour la mise à l’échelle de l’IA, votre projet ne sortira jamais de la phase de test.

Les mises en œuvre précipitées de l’IA conduisent à un mauvais retour sur investissement

La rapidité est importante, mais faire des économies sur le déploiement de l’IA est une erreur coûteuse.

De nombreuses entreprises se précipitent sur l’IA parce qu’elles ressentent une pression concurrentielle. Elles déploient des modèles sans évaluer pleinement leurs données, leur infrastructure ou leur évolutivité à long terme. Le résultat ? Une IA qui n’apporte pas de réelle valeur ajoutée, ce qui entraîne un gaspillage de l’investissement.

Le problème de l’IA précipitée est qu’elle crée une dette technique. Les solutions rapides manquent souvent de souplesse pour évoluer, s’intégrer aux systèmes existants ou s’adapter aux nouvelles données. Cela oblige les entreprises à revenir en arrière, à refaire le travail et à dépenser encore plus d’argent pour réparer les erreurs initiales.

L’IA doit être abordée comme un investissement de grande valeur : Commencez par une base solide et des données de qualité, puis prenez le temps de l’intégrer correctement. Les entreprises qui adoptent une approche stratégique et méthodique obtiendront de bien meilleurs résultats que celles qui se lancent dans la course à l’IA sans planification adéquate.

De nombreuses organisations n’ont pas la maturité nécessaire pour exploiter pleinement l’IA

« L’IA ne vaut que ce que vaut l’organisation qui la déploie. À l’heure actuelle, la plupart des entreprises ne sont tout simplement pas prêtes à tirer pleinement parti de l’IA. »

La maturité de l’IA signifie avoir les bons processus, la bonne gouvernance et les bons talents pour déployer l’IA de manière efficace. De nombreuses entreprises sont encore en train de rattraper leur retard, ne disposant pas de l’infrastructure ou de l’expertise nécessaire pour intégrer l’IA dans leurs opérations à grande échelle.

L’une des plus grandes lacunes est la formation des cadres. Les décisions en matière d’IA sont souvent prises au niveau du conseil d’administration, mais de nombreux dirigeants ne comprennent pas pleinement la technologie. Ils approuvent les initiatives d’IA sans comprendre ce qui est nécessaire pour réussir, ce qui conduit à des attentes irréalistes et à des résultats décevants.

La maturité de l’IA dépend également de la mise en place des bons mécanismes : des pipelines de données propres, des cadres de sécurité solides, une collaboration interfonctionnelle et des mesures de réussite claires. Les entreprises qui ne disposent pas de ces éléments essentiels auront du mal à tirer une réelle valeur de l’IA.

Les organisations qui investissent aujourd’hui dans la maturité de l’IA seront celles qui domineront leur secteur au cours de la prochaine décennie.

Dernières réflexions

L’IA est un changement fondamental dans le mode de fonctionnement des entreprises. Mais il ne suffit pas d’avoir l’IA. Les entreprises ont besoin de la bonne stratégie, de la bonne infrastructure et des bonnes personnes pour la faire fonctionner.

L’avenir appartient aux entreprises qui considèrent l’IA comme une capacité essentielle, et non comme une expérience. Si l’IA n’apporte pas de valeur ajoutée, le problème n’est pas la technologie, mais la façon dont elle est utilisée.

Principaux enseignements

• La mesure du retour sur investissement de l’IA est complexe en raison de l’incohérence des repères humains. Les dirigeants devraient établir des indicateurs clés de performance clairs et quantifiables avant le déploiement afin d’évaluer avec précision l’impact de l’IA.  
• La maintenance continue est essentielle car les systèmes d’IA évoluent au fil du temps. Les décideurs doivent s’engager à assurer une surveillance et une adaptation continues pour garantir des performances durables.  
• Il est essentiel d’aligner les initiatives en matière d’IA sur la stratégie de l’entreprise. Les dirigeants devraient définir des problèmes commerciaux clairs et soutenir la collaboration interfonctionnelle pour obtenir des résultats significatifs.  
• Les mises en œuvre précipitées de l’IA et les infrastructures inadéquates conduisent souvent à l’échec des projets. En investissant dans une gouvernance des données solide et une préparation opérationnelle, les entreprises seront mieux placées pour réussir à faire évoluer l’IA.