95% des projets d'IA en entreprise échouent-ils vraiment ? Une lecture attentive du rapport du MIT

« 95% des projets d'IA en entreprise échouent. »

Vous avez probablement vu cette phrase cinquante fois cette année. Nous aussi. Puis nous avons téléchargé le rapport lui-même et lu les 26 pages. Il mérite d'être lu, mais pas pour la raison qui l'a rendu viral.

Que mesurent vraiment les 95% ?

La statistique provient de « The GenAI Divide: State of AI in Business 2025 », un rapport de juillet 2025 du Project NANDA du MIT (Challapally, Pease, Raskar et Chari). La recherche s'appuie sur des entretiens avec 52 organisations, une enquête auprès de 153 dirigeants et l'analyse de plus de 300 initiatives d'IA rendues publiques.

Regardons la définition donnée par le rapport lui-même. Pour être « réussi », un outil doit produire ce que les utilisateurs ou les dirigeants décrivent comme un « impact marqué et durable sur la productivité ou le résultat », évalué six mois après le pilote. Autrement dit, ce qui est mesuré n'est pas le bilan comptable mais la déclaration des personnes interrogées. La note de recherche du rapport le dit elle-même : les chiffres reposent sur des entretiens individuels et non sur des rapports officiels d'entreprise, et doivent être considérés comme indicatifs.

De plus, dans la section sur les limites, les auteurs admettent qu'une fenêtre d'observation de six mois peut être trop courte pour des déploiements complexes en entreprise, ce qui sous-estimerait les taux de réussite.

La conclusion n'est donc pas « l'IA ne fonctionne pas ». La conclusion est : la plupart des pilotes, au sixième mois, n'avaient pas encore porté leurs fruits aux yeux des personnes interrogées. Ce n'est pas la même phrase.

Trois constats que personne ne cite

1. L'économie de l'IA fantôme. Seules 40% des entreprises interrogées ont acheté un abonnement officiel à un outil d'IA. Pourtant, dans plus de 90% de ces mêmes entreprises, les employés utilisent déjà des outils d'IA personnels pour travailler. Le rapport appelle cela la « shadow AI economy », l'économie de l'IA fantôme.

2. Le chiffre budgétaire n'est pas une mesure. La part des budgets IA allant aux ventes et au marketing apparaît à 50% dans une section du rapport et à 70% dans une autre. La source du chiffre est une question demandant aux dirigeants de répartir 100 dollars hypothétiques entre les fonctions. Il faut le lire comme une tendance, pas comme une mesure.

3. Partenariats externes contre développements internes. Les projets menés avec un partenaire externe ont atteint le déploiement dans environ 67% des cas, les développements internes dans environ 33%. Nous vendons des services ; il est naturel de lire ce chiffre venant de nous avec méfiance. Le rapport lui-même partage cette méfiance : il écrit clairement que l'écart peut refléter les capacités organisationnelles plutôt que le choix d'achat, et que corrélation n'est pas causalité.

Dans la même entreprise, l'IA « échoue » et est utilisée chaque jour

Assemblez le tableau. L'entreprise dit que son projet officiel « n'a pas donné de résultats ». Dans cette même entreprise, des personnes utilisent l'IA chaque jour, souvent via des comptes personnels qu'elles paient elles-mêmes, et terminent leur travail plus vite.

Personne ne le mesure. Personne ne relie ce gain aux résultats de l'entreprise.

Le diagnostic du rapport pointe dans la même direction : l'obstacle central à la mise à l'échelle n'est ni l'infrastructure, ni la régulation, ni le talent, mais l'apprentissage. Les outils ne retiennent pas les retours, ne s'adaptent pas au contexte, ne s'améliorent pas avec le temps. Dans le même jeu de données, environ 83% des pilotes d'outils généralistes atteignent l'usage, 70% des utilisateurs préfèrent l'IA pour les tâches rapides, tandis que pour le travail complexe et de long terme, neuf personnes sur dix préfèrent l'humain.

Ce qui a échoué n'est donc pas l'IA. Ce qui a échoué, c'est l'infrastructure qui transforme la productivité individuelle en résultats organisationnels : la couche de mesure, d'intégration et d'apprentissage. Dans la plupart des entreprises, cette couche n'a jamais été construite.

Le rapport décrit exactement ce que nous avons construit

Le rapport contient un constat qui touche directement notre secteur : les vraies économies apparaissent surtout dans le back-office, et l'un des postes est une réduction d'environ 30% des dépenses externes d'agence et de contenu.

Ce constat ne nous inquiète pas ; c'est exactement pour cela que nous avons construit PumpGrowthOS. Il était déjà visible que le modèle d'agence classique, qui exécute à la main un travail répétable et le facture, allait perdre face à l'IA. Regardez ce qui, selon le rapport, distingue les « 5% qui réussissent » : des systèmes intégrés aux processus, des résultats mesurables, des déploiements qui apprennent avec le temps. C'est aussi notre modèle : au lieu de vendre des services d'agence, construire l'infrastructure de mesure, la boucle de décision fondée sur les données et l'automatisation intégrée aux processus, puis opérer la croissance sur ce système.

Autrement dit, quand le rapport dit « réduisez vos dépenses d'agence », il décrit aussi vers quoi migrer, et ce qu'il décrit n'est pas une agence mais un système de croissance. Nous avons détaillé cette approche, étape par étape, dans notre guide du marketing piloté par les données.

Une note de transparence

Le rapport provient du Project NANDA du MIT. NANDA est une initiative qui développe des protocoles permettant aux agents d'IA de travailler ensemble, et la conclusion du rapport se trouve être que « la réponse réside dans les systèmes à base d'agents ». Cela ne rend pas le rapport faux. Cela signifie que les données et la conclusion méritent d'être lues séparément. C'est ce que nous avons fait dans cet article.

Si l'IA « ne fonctionne pas » dans votre entreprise

Vérifiez d'abord ces quatre questions :

1. Que résolvent déjà vos employés avec leurs comptes personnels ? L'usage fantôme est l'indicateur le plus honnête de ce qui fonctionne vraiment.
2. Avec quelle métrique mesurez-vous l'impact de l'IA ? Sans mesure, le verdict « échec » repose sur des impressions, pas sur des données.
3. Avez-vous lancé le pilote avec une grande vision ou avec un seul processus étroit ? Les exemples qui fonctionnent dans le rapport partagent deux traits : un périmètre étroit et une valeur rapide et visible.
4. L'outil que vous avez acheté apprend-il de votre processus, ou repart-il de zéro à chaque fois ?

La question n'est pas « l'IA fonctionne-t-elle ? ». La question est : ne fonctionne-t-elle vraiment pas, ou fonctionne-t-elle à un endroit où vous ne regardez pas ?

Source : Challapally, Pease, Raskar, Chari. « The GenAI Divide: State of AI in Business 2025 », MIT Project NANDA, juillet 2025. PDF du rapport