Récemment, le rapport « État des lieux de l'IA commerciale en 2025 » publié par le MIT a suscité une grande attention. Selon le rapport, plus de 3 milliards de dollars ont été investis dans l'intelligence artificielle générative (GenAI), mais jusqu'à 95 % des projets pilotes des entreprises n'ont pas réussi à passer à la phase de production.
Une enquête a révélé que ce qui freine les progrès des entreprises n'est pas la technologie elle-même ou les régulations associées, mais plutôt la manière dont ces outils sont utilisés. Beaucoup de systèmes ne sont pas intégrés aux processus de travail réels, manquent de mémoire et d'adaptabilité, et peu de systèmes améliorent leur fonctionnement après une certaine période d'utilisation. Ainsi, bien qu'ils soient performants en laboratoire, ils rencontrent souvent des difficultés dans la pratique.
Remarque sur la source de l'image : l'image a été générée par IA, le fournisseur de licence est Midjourney
Le concept de « fossé GenAI » du rapport attire l'attention. D'un côté, seuls environ 5 % des projets pilotes ont connu un succès marquant, générant des millions de dollars de revenus ; de l'autre côté, presque tous les autres projets (90 %) stagnent, ne parvenant pas à franchir la phase de test. Les chercheurs du MIT soulignent que cette différence ne réside pas dans le fait d'avoir le meilleur modèle ou la puce informatique la plus rapide, mais plutôt dans l'application pratique de ces outils. Les cas de réussite sont ceux où les systèmes s'intègrent étroitement aux processus de travail réels et peuvent s'améliorer avec le temps, tandis que les échecs proviennent de projets qui tentent d'intégrer l'IA générale à des processus lourds.
Même si des outils généraux comme ChatGPT et Copilot ont été essayés par plus de 80 % des entreprises, et que près de 40 % des entreprises les ont adoptés partiellement, ces outils améliorent principalement la productivité individuelle, sans avoir un impact significatif sur les bénéfices de l'entreprise. Environ 60 % des entreprises ont exploré des plateformes ou systèmes personnalisés pour les entreprises, mais seulement 20 % des projets sont passés à la phase pilote. Les raisons principales de l'échec sont des processus de travail fragiles, des outils manquant de capacité d'apprentissage et ne correspondant pas aux modes de travail réels des employés.
Le rapport analyse également quatre modèles principaux : une disruption limitée dans certains secteurs, le paradoxe des entreprises, un biais d'investissement et un avantage d'implémentation. Parmi ceux-ci, les grandes entreprises lancent le plus de projets pilotes, mais progressent le plus lentement à l'échelle ; tandis que les entreprises de taille moyenne passent généralement de la phase de test à la mise en œuvre en environ 90 jours. Le MIT souligne également que près de 70 % des budgets sont alloués au marketing et aux ventes, alors que les gains sont souvent plus importants dans l'automatisation des processus internes.
Certains critiques remettent en question la transparence du rapport, estimant que le taux de 95 % d'échec manque de données détaillées, et que la définition de succès et d'échec est contestable, pouvant entraîner une sous-estimation des résultats de certains projets. De plus, les liens entre le rapport et les organismes commerciaux ont soulevé des discussions, car cela pourrait affecter l'objectivité de la recherche.
À l'avenir, le rapport considère que la prochaine étape portera sur l'« IA d'agents intelligents », ces outils capables d'apprendre, de se souvenir et de coopérer entre fournisseurs, formant ainsi un réseau émergent d'agents intelligents, espérant ainsi atteindre une large échelle et une cohérence, ce qui reste un objectif non atteint par les premiers projets GenAI.
Points clés :
📉 95 % des projets GenAI des entreprises n'ont pas réussi à passer à la phase de production, et la raison principale réside dans la manière d'utiliser les outils.
🏢 Bien que les grandes entreprises lancent le plus de projets pilotes, leur vitesse de mise en œuvre est relativement lente ; les entreprises de taille moyenne passent généralement plus rapidement de la phase de test à la mise en œuvre.
🤖 L'avenir se concentrera sur l'IA d'agents intelligents, espérant obtenir des processus de travail plus efficaces et une cohérence accrue.