Pourquoi tant de projets d’IA ne produisent aucun rendement — et comment éviter les mêmes erreurs

« 95 % des projets d’IA ne rapportent rien. » Le chiffre circule beaucoup — et il frappe fort. Mais avant de renoncer à l’IA, il faut comprendre ce qu’il mesure réellement.

Le véritable enseignement n’est pas que l’IA ne fonctionne pas. C’est qu’un projet lancé sans problème précis à résoudre, sans mesure de départ et sans plan d’adoption a peu de chances de créer de la valeur.

D’abord, remettons le chiffre de 95 % en contexte

Ce chiffre provient du rapport The GenAI Divide: State of AI in Business 2025 du MIT NANDA. Il concerne des projets pilotes d’IA générative menés principalement dans de grandes entreprises — pas les PME québécoises.

Selon le rapport, seule une faible proportion de ces initiatives aurait produit un rendement financier mesurable. Il serait donc trompeur d’en conclure que 95 % des projets d’IA menés dans les petites entreprises échouent.

Le constat demeure néanmoins pertinent : même avec des équipes spécialisées et des budgets importants, la technologie ne compense pas un problème mal défini, des données inadéquates ou un processus que personne ne souhaite réellement utiliser.

La préparation ne garantit pas le succès, mais elle permet d’écarter rapidement les mauvaises idées et de concentrer l’investissement là où un gain est véritablement mesurable.

Quatre pièges fréquents

Un cabinet de services TI a relevé quatre problèmes qui reviennent régulièrement dans les projets d’IA. Ils correspondent aussi à plusieurs difficultés rencontrées sur le terrain par les PME.

1. Des données inadéquates ou dispersées

Une solution d’IA ne peut pas produire un résultat fiable à partir d’informations contradictoires, incomplètes ou réparties dans une multitude de fichiers et de systèmes.

Cela ne signifie pas que toutes les données doivent être parfaites avant de commencer. Il faut toutefois connaître leur provenance, leur qualité et leurs limites.

2. Une solution isolée des outils de travail

Une IA qui ne communique pas avec le CRM, le système comptable, la boîte courriel ou les autres outils de l’entreprise risque de créer une étape manuelle supplémentaire plutôt que d’en éliminer une.

Toute intégration n’exige pas nécessairement une API complexe. L’important est de comprendre comment l’information entrera dans le système, comment le résultat en sortira et qui devra intervenir entre les deux.

3. L’absence de mesure de départ

Si vous ne savez pas combien de temps une tâche exige aujourd’hui, combien d’erreurs elle génère ou combien elle coûte, vous ne pourrez pas démontrer que l’IA l’a améliorée.

Avant de développer quoi que ce soit, mesurez quelques indicateurs simples :

• le volume traité;

• le temps consacré à chaque dossier;

• le taux d’erreur ou de reprise;

• le délai de traitement;

• le coût approximatif du processus.

Ces données formeront votre point de comparaison.

4. Une adoption laissée au hasard

Un outil inutilisé ne génère aucun rendement. L’équipe qui accomplit le travail doit donc participer à la définition du problème, à l’essai de la solution et à l’identification des exceptions.

La résistance n’est pas toujours un refus du changement. Elle peut signaler que l’outil ralentit le travail, produit des résultats difficiles à vérifier ou ne répond pas au véritable besoin.

Votre entreprise est-elle prête?

Les prérequis varient selon le projet. Une automatisation documentaire simple n’a pas les mêmes besoins qu’un système prédictif fondé sur plusieurs années de données.

Avant d’investir, vous devriez néanmoins pouvoir répondre clairement aux questions suivantes :

• Quel problème précis cherchons-nous à résoudre?

• Combien ce problème nous coûte-t-il actuellement?

• La tâche est-elle suffisamment fréquente pour justifier une automatisation?

• Disposons-nous des données ou des documents nécessaires?

• Leur qualité est-elle suffisante pour réaliser un essai?

• La solution devra-t-elle communiquer avec nos systèmes existants?

• Qui sera responsable du projet et de ses résultats?

• Qui vérifiera les résultats et traitera les exceptions?

• Quelles données sensibles seront utilisées?

• Quel résultat nous convaincrait de poursuivre — ou d’arrêter?

Si plusieurs réponses demeurent inconnues, le projet n’est pas nécessairement mauvais. Cela indique simplement que la prochaine étape devrait être une analyse ou un prototype limité, et non un déploiement complet.

La préparation des données : un travail à estimer, pas à présumer

Le nettoyage et la structuration des données peuvent représenter une part importante du projet. Dans certains cas, ils prennent plusieurs semaines. Dans d’autres, un échantillon bien choisi suffit pour vérifier rapidement la faisabilité.

Il vaut mieux évaluer cet effort au début que découvrir, après avoir engagé le budget, que les documents sont incomplets, que les champs ne correspondent pas ou que personne ne sait quelle source fait autorité.

Cette étape n’est pas du travail perdu. Même si le projet d’IA est abandonné, des données mieux organisées améliorent souvent les opérations et les rapports existants.

Protéger les renseignements sensibles

Il ne suffit pas de séparer les outils « ouverts » des systèmes « fermés ». Avant de transmettre des données internes à un service d’IA, il faut notamment vérifier :

• si les données servent à entraîner les modèles;

• combien de temps elles sont conservées;

• où elles sont hébergées;

• qui peut y accéder;

• quelles traces sont conservées;

• quelles protections contractuelles et techniques s’appliquent.

Certaines offres professionnelles permettent de traiter des informations internes avec des contrôles appropriés. À l’inverse, un outil mal configuré peut présenter un risque, même s’il est utilisé dans un environnement privé.

Pour les finances, les renseignements personnels, les dossiers clients et les décisions importantes, prévoyez des accès contrôlés, une traçabilité et une validation humaine.

Les grandes réussites donnent une idée du potentiel — pas une cible

Alibaba aurait économisé environ 150 M$ par année en automatisant une part importante de ses demandes clients. Vodafone aurait automatisé environ 70 % de certaines requêtes courantes. Une entreprise de construction citée anonymement aurait réduit considérablement la durée d’intégration de ses employés.

Ces exemples montrent ce qui devient possible à très grande échelle. Ils ne constituent toutefois ni des références budgétaires ni des promesses de rendement pour une PME.

Pour une petite entreprise, un meilleur premier objectif pourrait être beaucoup plus modeste : récupérer quelques dizaines d’heures par mois, réduire les oublis, accélérer un traitement administratif ou éliminer une double saisie. Un gain limité mais récurrent peut être plus rentable qu’un projet ambitieux et difficile à maintenir.

Ce que cela signifie pour votre entreprise

Les projets d’IA peuvent échouer pour plusieurs raisons : un problème mal choisi, des données insuffisantes, une intégration coûteuse, une faible adoption ou simplement une technologie qui n’est pas assez fiable pour la tâche visée.

La meilleure protection consiste à commencer par un processus réel, à mesurer son coût actuel et à tester la solution à petite échelle. Le prototype doit permettre de répondre à trois questions :

1. Le résultat est-il suffisamment fiable?

2. L’équipe peut-elle l’intégrer à son travail?

3. Le gain justifie-t-il les coûts de mise en œuvre et d’entretien?

Si la réponse est non, il vaut mieux le découvrir rapidement. Si elle est oui, vous disposez alors d’éléments concrets pour investir avec confiance.

Chez yeevy, nous commençons précisément par cette étape : comprendre le processus, mesurer les pertes de temps, vérifier les données et réaliser un premier essai ciblé. L’objectif n’est pas d’ajouter de l’IA partout, mais de déterminer où l’automatisation peut produire un résultat mesurable — et où elle n’en vaut pas la peine.

Un projet bien préparé n’est jamais garanti de réussir. Il est toutefois beaucoup plus facile à évaluer, moins coûteux à corriger et nettement plus susceptible de créer une valeur durable.