Tout le monde déploie l'IA. 95 % des entreprises n'en tirent aucun euro (étude MIT) — voici ce que font les 5 % qui réussissent

Tout le monde déploie l'IA. Presque personne n'en tire un euro.

C'est devenu un réflexe de dirigeant en 2026 : déployer ChatGPT pour les équipes, brancher un « agent IA » sur le site, s'abonner à trois outils « boostés à l'IA ». L'adoption est massive — et selon le cabinet Gartner, 40 % des applications d'entreprise intégreront des agents IA d'ici fin 2026, contre moins de 5 % début 2025.

Le problème, c'est ce qui ne se voit pas dans ces chiffres d'adoption. Une étude du MIT publiée en 2025 a mis un mot sur le malaise que ressentent beaucoup de dirigeants : malgré 30 à 40 milliards de dollars investis dans l'IA générative, environ 95 % des entreprises n'en tirent aucun retour sur investissement mesurable. Source : The GenAI Divide: State of AI in Business 2025, MIT NANDA.

Lisez bien : ce n'est pas « l'IA ne marche pas ». C'est « 95 % des entreprises ne savent pas la faire rapporter ». L'écart entre les deux — le MIT l'appelle le GenAI Divide — n'est pas une question de technologie. C'est une question de méthode. Et la bonne nouvelle, c'est que la méthode des 5 % qui réussissent, elle, se documente. Cet article vous la donne, sources à l'appui.

Le « GenAI Divide » : ce que dit vraiment l'étude du MIT

Le rapport vient de l'initiative NANDA du MIT, publié en juillet 2025. Sa méthode : l'analyse de plus de 300 initiatives publiques d'IA, 52 entretiens structurés avec des entreprises, et un sondage auprès de 153 dirigeants. Ce n'est pas un sondage marketing — c'est l'un des états des lieux les plus rigoureux à ce jour.

Le constat central tient en un chiffre : sur l'ensemble des projets d'IA générative intégrés en entreprise, seuls 5 % génèrent une valeur économique réelle. Les 95 % restants n'ont aucun impact mesurable sur le compte de résultat. Source : Siècle Digital.

Le détail le plus instructif est ailleurs. ChatGPT, Gemini et Copilot ont été testés par 80 % des entreprises sondées, et près de 40 % déclarent les avoir déployés. Mais ces outils améliorent surtout la productivité individuelle — rédiger un email plus vite, résumer un document — sans se traduire en performance financière pour l'entreprise. C'est exactement là que se cache le piège : confondre « mes équipes utilisent l'IA » avec « l'IA crée de la valeur pour mon entreprise ». Les deux n'ont rien à voir.

Le ROI n'est pas là où vous le cherchez

Premier enseignement contre-intuitif de l'étude : il existe un décalage massif entre où vont les budgets et où arrivent les gains.

Environ la moitié des budgets IA sont fléchés vers le marketing et les ventes — les usages les plus visibles, les plus « sexy ». Or les économies réelles, celles qui se voient dans les comptes, viennent en grande majorité du back-office : automatisation du service client, traitement de documents, tâches administratives répétitives. C'est là que des entreprises constatent des gains chiffrés en millions et des réductions de coûts externes de l'ordre de 30 %.

La leçon pour un dirigeant de PME : ne lancez pas votre chantier IA là où c'est le plus voyant, mais là où une tâche répétitive, chronophage et mesurable vous coûte cher chaque mois. C'est rarement glamour. C'est souvent rentable.

Les 4 raisons réelles pour lesquelles un projet IA échoue

Quand on dépouille l'étude du MIT et les analyses de Gartner, les échecs ne viennent presque jamais du modèle d'IA lui-même. Ils viennent de quatre causes, toujours les mêmes.

1. Un objectif flou (« il nous faut de l'IA »)

« Mettons de l'IA » n'est pas un objectif, c'est une mode. Un projet qui démarre sans réponse claire à *« quelle tâche précise, pour quel gain chiffré ? »* est condamné à devenir une démo qu'on montre en réunion et que plus personne n'utilise trois mois plus tard. C'est le pendant exact du MVP qu'on bâtit sans avoir validé le problème : impressionnant, inutile.

2. Des données non préparées

L'IA générative ne fait pas de miracle sur des données en désordre. Si vos informations sont éparpillées entre des fichiers Excel, des PDF et trois logiciels qui ne se parlent pas, l'IA héritera de ce chaos. La qualité et l'accessibilité des données sont, dans la quasi-totalité des projets ratés, le mur invisible.

3. Le « learning gap » : l'outil n'apprend pas votre métier

C'est le point le plus profond du rapport MIT. Le frein principal au passage à l'échelle n'est ni l'infrastructure, ni la réglementation, ni le talent : c'est l'apprentissage. La plupart des outils d'IA génériques ne retiennent pas le feedback, ne s'adaptent pas à votre contexte et ne s'améliorent pas avec le temps. Un ChatGPT générique ne connaîtra jamais vos clients, vos règles métier, vos cas particuliers — sauf si quelqu'un construit cette intégration. Sans ça, l'outil plafonne au stade « assistant impressionnant mais générique ».

4. L'« agent washing » : vous achetez du vent

Gartner est direct : une grande partie du marché fait de l'« agent washing » — rebaptiser « agent IA » d'anciens chatbots, du RPA ou de simples assistants, sans réelle capacité agentique. Le cabinet estime que sur les milliers de fournisseurs qui se revendiquent de l'IA agentique, environ 130 seulement sont réels. Source : Gartner, juin 2025. Acheter une étiquette « IA » sans regarder ce qu'il y a derrière, c'est la garantie de rejoindre les 95 %.

Ce que font les 5 % qui réussissent

Le plus utile du rapport, ce n'est pas le diagnostic des échecs — c'est le portrait des 5 % qui captent la valeur. Ils partagent quatre comportements.

• •Ils ciblent un processus précis, pas « l'entreprise ». Pas de grand plan « IA partout ». Un cas d'usage étroit, douloureux, mesurable — et ils le creusent à fond avec une personnalisation spécifique à ce processus.
• •Ils évaluent sur le résultat business, pas sur la démo. La question n'est jamais « est-ce que la démo est bluffante ? » mais « est-ce que ça réduit ce coût, ce délai, cette erreur ? ». Les benchmarks techniques ne les impressionnent pas ; les euros, si.
• •Ils visent le back-office. Là où sont les vraies économies, pas là où c'est le plus visible.
• •Ils s'appuient sur un partenaire externe. C'est l'enseignement le plus net pour une PME : selon l'étude, les partenariats externes réussissent environ deux fois plus souvent que les développements internes (de l'ordre de 67 % de réussite contre 33 %). Les équipes internes sous-estiment presque toujours le coût d'intégration et s'enlisent au stade du pilote.

Ce dernier point n'est pas une coïncidence et il rejoint exactement ce que je constate sur le terrain : la valeur de l'IA en entreprise ne vient pas de l'accès au modèle — tout le monde y a accès — mais du travail d'intégration qui le connecte à votre métier, vos données et vos processus. C'est précisément ce qui se construit, pas ce qui s'achète sur étagère.

Le piège spécifique de l'IA agentique

Si l'IA générative « simple » affiche déjà 95 % d'échec de ROI, la vague suivante — les agents IA autonomes — concentre encore plus de hype et de risque. Gartner prévoit que plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027, en raison de coûts qui dérapent, d'une valeur métier floue et de contrôles de risque insuffisants. Source : Gartner.

Attention : ça ne veut pas dire que les agents IA sont une impasse — bien intégrés, ils automatisent réellement des pans entiers d'une activité. Ça veut dire que la majorité des projets lancés aujourd'hui le sont sur du sable : des proof of concept tirés par la mode, sans cadrage ni mesure. Le même piège que pour le vibe coding, où générer une démo est facile mais en faire un produit qui tient ne l'est pas. La technologie est prête ; c'est la manière de s'en servir qui ne l'est pas.

« Faut-il renoncer à l'IA ? » Non — il faut arrêter de la traiter comme un gadget

Voici la conclusion que personne ne veut entendre, et qui est pourtant la seule rentable : l'IA n'est pas un produit qu'on branche, c'est un projet d'ingénierie qu'on cadre.

Les 95 % traitent l'IA comme un gadget : on s'abonne, on déploie, on espère. Les 5 % la traitent comme n'importe quel investissement sérieux : un problème métier précis, des données préparées, une intégration sur mesure, une mesure du résultat, et un humain qui garde la main. La différence n'est pas le budget — c'est la méthode.

C'est exactement la même nuance que je défends à propos du no-code et du low-code ou de l'IA qui ne remplace pas une agence web : l'outil est formidable tant qu'on sait précisément ce qu'on lui demande et où sont ses limites. L'IA accélère l'exécution. Le jugement — quel processus, quelles données, quel résultat, quels garde-fous — reste humain, et c'est lui qui sépare les 5 % des 95 %.

Votre plan pour être dans les 5 %

Voici la démarche que j'applique avec les dirigeants qui veulent un vrai retour sur leur IA, et pas une ligne de dépense de plus.

Étape 1 — Choisissez un seul processus douloureux et mesurable

Oubliez « l'IA dans toute l'entreprise ». Identifiez une tâche répétitive, chronophage et chiffrable — traitement de devis, réponses de premier niveau au support, saisie de documents, qualification de leads. Une seule. C'est l'inverse du grand plan flou qui finit en démo morte.

Étape 2 — Fixez l'objectif en euros, pas en « adoption de l'IA »

Avant tout outil, écrivez le résultat attendu en chiffres : *« diviser par deux le temps de traitement d'une commande »*, *« absorber 60 % des demandes support de niveau 1 »*. Sans cible mesurable, vous ne saurez jamais si vous êtes dans les 5 % ou les 95 %.

Étape 3 — Décidez acheter, intégrer ou construire (et pour quoi)

Pour un usage standard et non différenciant, un bon outil du marché suffit — vérifiez juste qu'il n'y a pas d'« agent washing » derrière l'étiquette. Pour ce qui touche votre cœur de métier, vos données ou vos clients, c'est l'intégration sur mesure qui crée la valeur — et c'est là que l'appui d'un partenaire externe double vos chances de réussite. Au passage, posez les questions de sécurité et de conformité RGPD et AI Act dès cette étape, pas après.

Étape 4 — Mesurez, gardez l'humain dans la boucle, puis étendez

Déployez en petit, mesurez le résultat réel contre votre objectif chiffré, et gardez une supervision humaine sur les décisions qui comptent. Si l'objectif est atteint, alors seulement vous étendez à un deuxième processus. C'est cette discipline — petit, mesuré, étendu — qui caractérise les projets qui rapportent.

Conclusion : l'IA ne récompense pas l'enthousiasme, elle récompense la méthode

95 % d'échec de ROI, ce n'est pas un verdict sur l'IA. C'est un verdict sur la façon dont on la déploie : par mode, sans cadrage, sans intégration, sans mesure. Les 5 % qui réussissent ne sont pas plus chanceux ni mieux dotés — ils sont plus méthodiques. Ils choisissent un problème précis, visent le résultat et non la démo, intègrent au lieu de plaquer, et mesurent.

C'est moins excitant qu'un agent autonome qui promet de tout faire. C'est aussi la seule approche qui transforme une dépense IA en avantage réel.

Vous avez déployé des outils d'IA sans voir le retour, ou vous voulez démarrer sans rejoindre les 95 % ? Parlons-en : en 30 minutes, on identifie le processus le plus rentable à automatiser chez vous, et on regarde ce qu'il faut acheter, intégrer ou construire pour que ça rapporte vraiment.

Questions fréquentes

L'étude du MIT veut-elle dire que l'IA ne sert à rien pour les entreprises ?

Non, c'est l'inverse. L'étude « The GenAI Divide » du MIT montre que 5 % des entreprises captent une valeur économique réelle, parfois en millions. Le message n'est pas « l'IA ne marche pas », mais « 95 % des entreprises ne la déploient pas correctement ». La technologie fonctionne ; ce qui échoue, c'est la méthode : objectifs flous, données non préparées, outil générique plaqué sur un processus mal compris. La différence entre les 5 % et les 95 % n'est pas technologique, elle est méthodologique.

Par où commencer pour ne pas faire partie des 95 % ?

Par un seul processus précis, douloureux et mesurable — pas par « l'IA dans toute l'entreprise ». Choisissez une tâche répétitive et chiffrable (traitement de devis, support de premier niveau, saisie documentaire), fixez l'objectif en euros ou en temps gagné, puis décidez si un outil du marché suffit ou s'il faut une intégration sur mesure. Déployez en petit, mesurez le résultat réel, et n'étendez qu'ensuite. C'est exactement ce que font les 5 % qui réussissent.

Pourquoi le ChatGPT que mes équipes utilisent ne se voit-il pas dans mes résultats ?

Parce qu'un outil d'IA générique améliore surtout la productivité individuelle (rédiger un email, résumer un document) sans créer de valeur au niveau de l'entreprise. L'étude du MIT le montre : 80 % des entreprises ont testé ces outils, mais l'impact reste personnel, pas financier. Pour que l'IA pèse sur vos comptes, il faut l'intégrer à un processus métier précis, avec vos données et vos règles — ce que le MIT appelle combler le « learning gap ». Sans cette intégration, l'outil plafonne au stade d'assistant impressionnant mais générique.

Les agents IA autonomes valent-ils le coup en 2026 ?

Oui, mais avec lucidité. Bien intégrés à un processus précis, les agents IA automatisent réellement des tâches entières. Mais Gartner prévoit que plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027, faute de cadrage, à cause de coûts qui dérapent et d'une valeur métier floue. Le marché est aussi pollué par l'« agent washing » : d'anciens chatbots rebaptisés « agents » sans réelle capacité. Vérifiez toujours ce qu'il y a derrière l'étiquette, et lancez un agent sur un objectif mesurable, pas sur un effet de mode.

Vaut-il mieux développer mon IA en interne ou avec un prestataire ?

L'étude du MIT est nette sur ce point : les partenariats externes réussissent environ deux fois plus souvent que les développements internes (de l'ordre de 67 % contre 33 %). La raison est presque toujours la même : les équipes internes sous-estiment le coût d'intégration et s'enlisent au stade du pilote. Pour un usage standard et non différenciant, un bon outil du marché suffit. Pour ce qui touche votre cœur de métier, vos données et vos clients, l'intégration sur mesure crée la valeur — et c'est là qu'un partenaire spécialisé fait la différence.

Combien coûte un projet IA qui rapporte vraiment ?

Le coût dépend entièrement du processus visé et du niveau d'intégration. Le vrai sujet n'est pas le prix du modèle (l'accès à l'IA est devenu peu coûteux), mais le travail d'intégration à votre métier, vos données et vos outils existants — c'est lui qui crée la valeur. Le bon réflexe est de commencer petit, sur un seul processus mesurable, pour valider le retour sur investissement avant d'étendre. Un projet cadré sur un cas d'usage précis se chiffre bien plus modestement qu'un grand programme « IA partout » — et il a infiniment plus de chances de rapporter.