En production ·
Pourquoi la moitié des projets d’IA générative meurent après le POC
Plus de 50 % des projets d’IA générative ont été abandonnés après leur preuve de concept fin 2025, selon Gartner. Les causes sont connues, et évitables.
Que disent les chiffres en 2026 ?
Les projets d’IA générative s’arrêtent massivement après la preuve de concept, et le phénomène s’aggrave. En juillet 2024, Gartner prédisait que 30 % des projets d’IA générative seraient abandonnés après leur POC d’ici fin 2025. Le bilan publié en 2026 est pire que la prédiction.
L’enquête de S&P Global Market Intelligence auprès de plus de 1 000 entreprises confirme la tendance depuis l’autre bout de la lorgnette : ce ne sont plus des projets isolés qui s’arrêtent, ce sont des portefeuilles entiers.
Deloitte mesure la même réalité sous un troisième angle : seules 25 % des organisations ont réussi à faire passer au moins 40 % de leurs pilotes en production. Et Gartner anticipe déjà la réplique sur la vague suivante : plus de 40 % des projets d’agents IA annulés d’ici fin 2027.
Vous croiserez aussi un chiffre plus spectaculaire : « 95 % des pilotes d’IA générative échouent », issu d’un rapport du MIT publié à l’été 2025. Nous ne l’utilisons pas : l’étude n’est pas relue par les pairs, son échantillon est étroit et sa définition de l’échec, l’absence d’impact comptable à six mois, condamne d’avance des projets parfaitement sains. Un chiffre trop beau pour être vrai dessert le constat qu’il prétend appuyer.
Pourquoi les pilotes échouent-ils à passer en production ?
La cause dominante n’est pas technologique : elle est organisationnelle. Monter un POC prend quelques semaines et n’engage à rien. Le conduire jusqu’à un système déployé, mesuré et adopté exige une discipline que la plupart des organisations n’ont pas encore construite. Trois erreurs reviennent dans la quasi-totalité des abandons que nous observons.
| L’erreur | Ce qu’on observe | Ce qu’il fallait faire |
|---|---|---|
| Le POC démontre la faisabilité, jamais la valeur | Une démo qui impressionne en comité, puis six mois de flottement faute de business case | Définir la métrique de valeur et son seuil de décision avant la première ligne de code |
| L’industrialisation traitée comme une option | Sécurité, évaluation, monitoring et conformité découverts après coup, budget doublé | Concevoir le POC comme le premier incrément du système cible, pas comme un jouet |
| Le staffing en pyramide | Des consultants qui produisent des slides sur l’IA sans avoir jamais déployé de système | Confier le pilote à des praticiens qui ont déjà mis l’IA en production |
La troisième erreur est la moins avouée et, de notre point de vue, la plus déterminante. L’IA générative est une discipline jeune : l’écart entre ceux qui en parlent et ceux qui l’ont déjà déployée est immense, et il ne se voit pas sur un CV. C’est un problème de talents autant qu’un problème de méthode, et il mérite son propre traitement.
Comment éviter l’abandon après le POC ?
En décidant avant le pilote de ce qui le fera vivre ou mourir. Concrètement : une métrique de valeur chiffrée, un seuil en dessous duquel on arrête, et le chemin vers la production dessiné dès le cadrage, avec ses exigences de sécurité et d’adoption. Ce cadrage élimine des cas d’usage sur le papier, et c’est sa fonction : chaque projet écarté en amont est un abandon post-POC évité.
Cela suppose une déontologie que le modèle économique du conseil classique rend difficile : accepter de conclure qu’il ne faut pas lancer le projet. Un cabinet payé pour construire a rarement intérêt à recommander de ne pas construire. Nous avons organisé Shepard pour ne pas subir ce conflit : recommander le dispositif qui sert votre problème, y compris quand c’est le plus petit, fait partie de la prestation.
Le chiffre de Gartner n’est pas une fatalité, c’est une moyenne. Elle mélange des organisations qui improvisent et des organisations qui décident. Passer de la première catégorie à la seconde ne demande pas plus de budget : cela demande de traiter le POC comme le début d’un système, et de le confier à des gens qui sont déjà allés au bout.
Questions fréquentes
Le chiffre de « 95 % d’échecs des projets IA » est-il fiable ?
Non. Ce chiffre vient d’un rapport du MIT (projet NANDA, août 2025) non relu par les pairs, construit sur un petit échantillon et une définition très restrictive de l’échec : l’absence d’impact comptable mesurable à six mois. Les références solides sont le constat Gartner 2026 (au moins 50 % de projets GenAI abandonnés après le POC) et l’enquête S&P Global 2025 auprès de plus de 1 000 entreprises.
Un POC abandonné est-il toujours un échec ?
Non. Un POC qui démontre l’absence de valeur et s’arrête à temps est une décision de gouvernance réussie : il a coûté quelques semaines au lieu de plusieurs trimestres. L’échec, c’est le POC qui traîne sans métrique, sans décision, et meurt d’épuisement budgétaire.
Quelle est la différence entre un POC et un pilote ?
Un POC démontre une faisabilité technique sur un périmètre artificiel. Un pilote met le système entre les mains de vrais utilisateurs, sur de vraies données, avec une métrique de valeur définie à l’avance. C’est le pilote, pas le POC, qui prédit le passage en production.
Comment choisir les projets IA à industrialiser ?
En triant les cas d’usage par valeur métier et faisabilité avant d’écrire la moindre ligne de code, puis en ne conservant que ceux dont la métrique de succès et le chemin vers la production sont définis dès le départ. Un cas d’usage qui ne survit pas à cet exercice sur papier ne survivra pas davantage en production.
Benjamin Tardy
Cofondateur · Data science & MLOps
Neuf ans de data science et de MLOps, des systèmes en production chez Bedrock (recommandation servie à des millions d'utilisateurs sur M6, RTL et Videoland), EDF et April. Auteur de la newsletter Le Brief IA.
LinkedInUn projet d’IA qui doit finir en production, pas en slides ?
Parlons de votre projet