Rentabilité de l'IA en entreprise : pourquoi elle tarde

Si vous avez lu qu’une écrasante majorité des projets d’IA ne rapporte rien, vous avez lu quelque chose de partiellement vrai. Les études sérieuses sur la rentabilité de l’IA en entreprise vont toutes dans le même sens : une minorité seulement tire une valeur visible de l’IA générative. Mais elles disent aussi pourquoi : le problème se situe rarement dans le modèle. Il se situe dans l’organisation, dans l’absence de mesure, et dans une adoption faite par petites touches sans plan d’ensemble.

C’est plutôt une bonne nouvelle : un problème d’organisation se corrige.

En bref

• Le chiffre de 95 % vient d’un rapport préliminaire du MIT fondé sur des entretiens : il compte des projets sans effet déclaré, pas des pertes mesurées.
• Avec d’autres méthodes, IBM et le BCG font le même constat : une minorité d’entreprises en tire une valeur visible.
• Les blocages tiennent surtout aux personnes et aux processus, peu aux algorithmes.
• Les gains existent sur des tâches précises : service client, rédaction, analyse.
• Pour une PME : partir d’une tâche, la mesurer avant et après, former les équipes.

Le chiffre qui a fait peur : « 95 % »

Le chiffre vient d’un rapport du projet NANDA du MIT Media Lab, « The GenAI Divide: State of AI in Business 2025 », publié en juillet 2025. Sa phrase la plus reprise : malgré 30 à 40 milliards de dollars investis par les entreprises dans l’IA générative, « 95 % des organisations obtiennent un retour nul ».

Avant de le répéter, il faut savoir comment il a été produit : une revue de plus de 300 initiatives d’IA rendues publiques, des entretiens avec des représentants de 52 organisations, et 153 réponses de dirigeants recueillies lors de quatre conférences professionnelles, entre janvier et juin 2025. Ce n’est pas une mesure comptable : les auteurs écrivent eux-mêmes que leurs chiffres sont « justes dans leur direction », mais fondés sur des entretiens et non sur les comptes des entreprises.

Plusieurs fragilités méritent d’être dites :

• « Retour nul » ne veut pas dire « argent perdu ». Une réussite y est un projet dont les utilisateurs ou les dirigeants déclarent un effet marqué et durable sur la productivité ou le compte de résultat. Le 95 % compte donc les projets sans impact déclaré, pas les pertes mesurées.
• Le 5 % porte sur un périmètre précis : les outils spécialisés passés jusqu’en production. Le rapport écrit que 60 % des organisations ont évalué ce type d’outils, 20 % sont allées jusqu’au pilote et 5 % jusqu’à la production.
• C’est une version préliminaire (0.1), dont le seul relecteur nommé est l’un de ses auteurs, et dont la copie qui circule n’est pas hébergée sur une page du MIT. Elle se contredit au moins une fois : sur une même page, la part des budgets allant aux ventes et au marketing vaut la moitié dans l’encadré de synthèse, puis environ 70 % quelques lignes plus bas. Et elle promeut un protocole d’agents porté par ses propres auteurs.

Ce rapport n’est donc pas une preuve. C’est un signal, qu’il faut confronter à d’autres.

Les autres études disent-elles la même chose ?

À peu près, oui, avec des chiffres différents parce que les définitions diffèrent.

L’étude 2025 d’IBM auprès des PDG, menée avec Oxford Economics auprès de 2 000 dirigeants dans 33 pays : les PDG interrogés déclarent que seulement 25 % des initiatives d’IA ont apporté le retour attendu ces dernières années, et que 16 % seulement ont été déployées à l’échelle de toute l’entreprise. Précision utile : IBM vend de l’IA.

Le Boston Consulting Group, à partir d’une enquête auprès de 1 000 dirigeants dans 59 pays publiée en octobre 2024, écrit que 74 % des entreprises n’ont pas encore montré de valeur tangible grâce à l’IA. Là aussi, l’auteur vend du conseil en transformation IA. Et nous n’avons lu que le communiqué, pas le rapport complet.

Trois sources, trois commanditaires qui ont intérêt à ce que l’on investisse dans l’IA, et pourtant un même constat : une minorité en tire de la valeur.

Pourquoi : l’organisation avant la technologie

C’est sur la cause que les études concordent le plus nettement.

Selon le BCG, environ 70 % des difficultés viennent des personnes et des processus, 20 % de la technologie, et seulement 10 % des algorithmes eux-mêmes. Le communiqué présente cette répartition comme un constat, sans détailler sa méthode : prenons-la comme un ordre de grandeur.

Le rapport du MIT le dit autrement : l’obstacle principal n’est ni l’infrastructure, ni la réglementation, ni les compétences, c’est l’apprentissage. La plupart des systèmes ne retiennent pas les retours, ne s’adaptent pas au contexte et ne s’améliorent pas avec le temps. Le même rapport décrit une « IA de l’ombre » : 40 % seulement des entreprises déclarent avoir acheté un abonnement officiel à un modèle de langage, alors que des salariés de plus de 90 % d’entre elles disent en utiliser un régulièrement. Autrement dit, les gens se servent de l’IA, mais l’entreprise ne s’organise pas autour.

IBM ajoute une pièce : la moitié des PDG interrogés reconnaissent que leurs investissements rapides ont produit une technologie « déconnectée, faite de pièces rapportées ». Une IA posée sur un CRM mal tenu, par exemple, produit vite des réponses fausses, parce que la matière première l’est.

Pourtant, les gains existent quand la tâche s’y prête

Si l’on s’arrêtait là, on conclurait que l’IA ne sert à rien. Les mesures de productivité disent le contraire, avec une condition.

• Dans un service client, une étude publiée dans le Quarterly Journal of Economics sur les données réelles de 5 172 agents montre une hausse moyenne de 15 % des problèmes résolus par heure. Les moins expérimentés gagnent le plus ; chez les plus qualifiés, la qualité baisse légèrement.
• Sur des tâches d’écriture professionnelle, une expérience publiée dans Science auprès de 453 professionnels mesure un temps moyen réduit de 40 % et une qualité en hausse de 18 %.
• Sur 18 tâches réalistes de conseil conçues avec le BCG, une expérience préenregistrée publiée dans Organization Science auprès de 758 professionnels mesure 12,2 % de tâches en plus, réalisées 25,1 % plus vite, avec une meilleure qualité. Mais sur une tâche hors des capacités de l’IA, les participants avaient 19 % de chances en moins de produire une bonne réponse.

Ce dernier point est le cœur du sujet, et nous y consacrons un article sur le rôle de l’humain face à l’IA : l’IA aide beaucoup sur certaines tâches et dégrade le travail sur des tâches voisines.

En juillet 2025, un essai randomisé de l’organisme METR a mesuré que 16 développeurs expérimentés mettaient 19 % de temps en plus avec l’IA, alors qu’ils estimaient en avoir gagné 20 %. METR déclare depuis ces résultats dépassés : sa mise à jour de février 2026 juge l’effet de l’IA probablement plus favorable début 2026, sans pouvoir le chiffrer de façon fiable. La leçon n’est pas que l’IA ralentit : c’est que le gain ressenti et le gain mesuré peuvent diverger.

Et en Europe ?

Les études précédentes ne disent presque rien des petites entreprises européennes, que la statistique officielle couvre mieux. Selon Eurostat, 20,0 % des entreprises de l’Union employant 10 salariés ou plus utilisaient l’IA en 2025, contre 13,5 % en 2024.

La page détaillée d’Eurostat montre surtout l’écart selon la taille : 17 % des petites entreprises, environ 30 % des moyennes et 55 % des grandes. Parmi celles qui ont envisagé l’IA sans l’adopter, le premier frein cité est le manque d’expertise (près de 71 %), devant l’incertitude juridique (environ 53 %) et la protection des données (environ 49 %). Juger l’IA inutile pour l’entreprise est la raison la moins citée (environ 21 %).

Les leçons pour une PME

Voici ce que nous en tirons, en distinguant ce qui est établi de ce qui n’est qu’une observation.

1. Partir d’une tâche, pas d’un « projet IA ». Les gains mesurés par ces études portent tous sur des tâches précises : répondre à un client, rédiger un texte professionnel, produire une analyse. « Faire de l’IA » n’est pas une tâche.
2. Mesurer avant, mesurer après. Temps passé, taux d’erreur, délai de réponse : un chiffre avant le déploiement, le même chiffre trois mois après. Sans point de départ, on ne saura jamais si l’outil rapporte, et le ressenti ne suffit pas, comme l’a montré METR.
3. Commencer par l’arrière-boutique. Le rapport du MIT observe que le retour le plus net vient souvent des fonctions internes (opérations, finance, traitement de documents) plutôt que des projets visibles de marketing. C’est une observation, pas une preuve. Notre propre agent de saisie de dépenses relève de cette catégorie : en production sur Telegram depuis juillet 2026, il va de la photo du ticket à l’écriture dans le système comptable, après une validation humaine.
4. Changer la façon de travailler en même temps que l’outil. Si 70 % des difficultés viennent des personnes et des processus, un outil posé sur un processus inchangé produira le même résultat qu’avant, en plus cher.
5. Former les équipes. C’est aussi une obligation : l’article 4 du règlement européen sur l’IA, réécrit par le règlement (UE) 2026/1744 en vigueur depuis le 27 juillet 2026, demande aux entreprises qui déploient de l’IA de prendre « des mesures pour favoriser le développement de la maîtrise de l’IA » par leur personnel, sans plus exiger d’en « garantir » un niveau suffisant comme le faisait sa version de 2024.
6. Choisir le modèle le moins cher qui fait le travail. La rentabilité se joue aussi sur le coût par requête : un grand modèle pour trier des courriels, c’est trop cher payé. Nous détaillons comment se calcule et se prévoit le coût de l’IA en entreprise.
7. Ne pas tout construire seul. Selon le MIT, les projets menés avec un partenaire externe atteignent le déploiement environ deux fois plus souvent que les outils construits en interne. Corrélation n’est pas causalité, préviennent les auteurs, et nous sommes nous-mêmes un partenaire externe : à lire avec prudence.

Les limites de tout ce qui précède

Aucune de ces études ne mesure le retour sur investissement dans les comptes : les enquêtes recueillent des déclarations, les expériences mesurent une productivité sur une tâche. Les échantillons comptent peu de petites entreprises. Le passage des gains mesurés à l’échelle de toute une entreprise n’est pas démontré. Et nous n’avons pas, en octobre 2026, de mesure avant/après publiable sur nos propres missions : nous préférons le dire que d’inventer un cas.

Ce que nous en pensons

Le mot « tarde » du titre compte : il dit un retard, pas un échec. Le rapport du MIT reconnaît lui-même que six mois d’observation peuvent sous-estimer la réussite d’un déploiement complexe. La valeur n’arrivera pas avec le prochain modèle : elle arrivera quand les entreprises choisiront une tâche, la mesureront et réorganiseront le travail autour.

Notre position, signée Jim : une PME qui ne peut pas dire, chiffre à l’appui, ce qu’une tâche lui coûte aujourd’hui n’est pas prête à y mettre de l’IA. Elle l’est dès qu’elle peut le dire. Nous changerions d’avis si une étude comptable, menée sur des PME et par un organisme sans intérêt commercial, montrait que les entreprises qui mesurent ne font pas mieux que les autres.

Pour aller plus loin, retrouvez nos articles sur l’IA en entreprise, privée et au juste coût. Et si vous préférez partir d’une tâche chiffrée plutôt que d’un projet flou, c’est la démarche de notre audit de maturité numérique et IA : savoir quoi automatiser avant de dépenser. Si l’IA tourne déjà et que la facture monte sans que vous sachiez ce qui rapporte, notre offre d’IA au juste coût mesure le coût de chaque usage et confie chaque tâche au modèle qui suffit.

Questions fréquentes

Est-il vrai que 95 % des projets d’IA échouent ?

Non, pas au sens où on l’entend. Le chiffre du MIT compte les organisations qui ne déclarent pas d’effet durable sur leur productivité ou leurs résultats, sur six mois, à partir d’entretiens. Ce n’est ni une perte mesurée, ni une étude relue de façon indépendante. IBM et le BCG trouvent des chiffres moins extrêmes, mais confirment qu’une minorité en tire de la valeur.

Pourquoi les projets d’IA échouent-ils le plus souvent ?

Surtout pour des raisons d’organisation : outils posés sans changer les processus, pas de mesure de départ, solutions dispersées service par service. Selon le BCG, les algorithmes ne représentent qu’environ 10 % des difficultés. Le MIT ajoute que la plupart des outils ne s’adaptent pas au contexte de l’entreprise et n’apprennent pas de ses retours.

Quel retour attendre d’un projet d’IA, et en combien de temps ?

Les études citées ici ne donnent pas de délai de retour sur investissement. Le MIT rapporte seulement un délai de déploiement : dans son échantillon, les entreprises moyennes les plus performantes passent du pilote au déploiement complet en 90 jours en moyenne, contre neuf mois ou plus pour les grandes. Chez IBM, 85 % des PDG interrogés attendent un retour positif de leurs investissements d’efficacité d’ici 2027 : une attente, pas une mesure. Le plus fiable reste votre propre mesure, avant et après.