95 % des projets pilotes d'IA générative en entreprise échouent, en raison de difficultés de développement en interne, d'objectifs flous, de données de mauvaise qualité et d'un engouement excessif

95 % des projets pilotes d'IA générative en entreprise échouent, en raison de difficultés de développement en interne, d'objectifs flous, de données de mauvaise qualité et d'un engouement excessif

Un rapport du MIT révèle que 95 % des projets pilotes d'IA générative en entreprise échouent, en raison de difficultés de développement en interne, d'objectifs flous, de données de mauvaise qualité et d'un engouement excessif. Les outils prêts à l'emploi des fournisseurs réussissent plus souvent, avec un taux de réussite de 20 à 30 %. Pour prospérer, les entreprises doivent donner la priorité aux solutions éprouvées, à la gouvernance des données et à des objectifs alignés pour créer de la valeur à long terme.

Depuis 2023, l'utilisation croissante de l'intelligence artificielle (IA) a entraîné une évolution vers une automatisation accrue, une prise de décision fondée sur les données et l'intégration de systèmes d'IA dans divers secteurs économiques. Mais un rapport du RAND avait révélé que 80 % des projets d'IA échouent. Parmi les causes recensées : la mauvaise communication sur les problèmes à résoudre à l'aide de l'IA, la qualité des données qui empoisonne les algorithmes, la préférence aux dernières avancées technologiques au lieu de solutions plus simples, et le manque d'investissement dans l'infrastructure.

Un nouveau rapport du MIT vient confirmer ce constat. Selon un nouveau rapport du Center for Information Systems Research du MIT, 95 % des programmes pilotes d'IA générative dans les entreprises ne parviennent pas à produire des résultats significatifs. Cette révélation intervient dans un contexte d'investissements frénétiques des entreprises dans l'intelligence artificielle, où les dirigeants investissent des milliards dans des technologies promises à révolutionner leurs activités.

L'étude, qui a interrogé les directeurs financiers de plus de 300 grandes entreprises, dresse un tableau de désillusion généralisée. De nombreux projets pilotes (projets expérimentaux visant à tester le potentiel de l'IA dans des domaines tels que le service client, la génération de contenu et l'analyse de données) sont au point mort avant même d'avoir pu être déployés à grande échelle, laissant les entreprises avec des coûts irrécupérables et des attentes non satisfaites.

Le rapport met en évidence une différence cruciale dans la manière dont les entreprises abordent l'adoption de l'IA. Celles qui achètent des outils prêts à l'emploi auprès de fournisseurs obtiennent de bien meilleurs résultats, avec des taux de réussite oscillant entre 20 % et 30 %. En revanche, les entreprises qui tentent de développer en interne des solutions d'IA générative personnalisées enregistrent des taux d'échec supérieurs à 95 %. Cet écart souligne les défis liés au développement en interne, notamment les complexités techniques et les ressources nécessaires qui dépassent même les équipes bien financées.


Les causes profondes du taux d'échec élevé

En y regardant de plus près, les conclusions du MIT concordent avec des analyses plus larges du secteur. Par exemple, un rapport du CIO publié en début d'année indiquait que 88 % des projets pilotes d'IA n'aboutissaient jamais à la production, attribuant cela à des objectifs peu clairs, à une préparation insuffisante des données et à un manque d'expertise. Les entreprises lancent souvent ces initiatives avec un enthousiasme alimenté par le battage médiatique, mais échouent sur des éléments fondamentaux tels que des ensembles de données propres et accessibles, essentiels à la formation de modèles fiables. Sans une infrastructure de données robuste, les résultats de l'IA générative peuvent être irréguliers, ce qui conduit à un abandon rapide.

De plus, la pression exercée par les dirigeants joue un rôle. La même analyse du CIO souligne le « feu vert zélé » des dirigeants pour les preuves de concept, qui sont approuvées sans examen rigoureux. Cela reflète les sentiments exprimés dans des publications sur X, où les observateurs du secteur décrivent un « paradoxe de la productivité » qui rappelle le boom des PC dans les années 1980 : des dépenses d'investissement massives pour des gains minimes. Une publication a mis en avant les données de McKinsey montrant que 80 % des entreprises qui expérimentent l'IA ne signalent aucune augmentation significative de leurs bénéfices, et que 42 % des projets pilotes ont été abandonnés l'année dernière, malgré des investissements en forte hausse estimés à 61,9 milliards de dollars par IDC.

Erreurs stratégiques et dilemmes entre fournisseurs et ressources internes

Le rapport du MIT souligne que les solutions des fournisseurs réussissent plus souvent car elles sont préconfigurées avec des mesures de sécurité et des intégrations spécifiques à l'industrie. Les développements internes, en revanche, sont confrontés à des écueils en matière de personnalisation, tels que l'intégration de l'IA dans les systèmes existants ou la garantie de la conformité avec des réglementations en constante évolution. Un rapport avait développé ce point, citant la dérive stratégique et le retour sur investissement (ROI) peu clair comme causes courantes des conflits entre les projets d'IA et les réalités opérationnelles.

Dans le même ordre d'idées, une étude du groupe NTT DATA publiée l'année dernière estimait que 70 % à 85 % des déploiements d'IA générative n'atteignaient pas leurs objectifs de ROI en raison de facteurs humains tels que la résistance au changement ou une formation inadéquate. Les publications sur X amplifient ces frustrations, un fondateur racontant comment les premières fonctionnalités d'IA ont été couronnées de succès, mais que les versions suivantes ont échoué, entraînant l'épuisement de l'équipe. Une autre publication décrit l'audit des équipes d'IA dans des entreprises de taille moyenne, révélant plus de 5 millions de dollars gaspillés en efforts infructueux, ce qui a entraîné des licenciements massifs.

Un autre rapport de SQream avait également révélé que 98% des entreprises interrogées ont connu des échecs de projets d'IA ou de modèles de langage (ML) en 2023. Le rapport mettait en évidence un changement dans la manière dont les projets de données sont gérés pour faire face à l'augmentation des coûts et aux résultats limités associés aux systèmes basés sur le CPU. Un budget insuffisant était la principale cause d'échec des projets 2023, reflétant les préoccupations globales du rapport en matière de coûts. Une mauvaise préparation et un mauvais nettoyage des données ont également joué un rôle important.

Source : Rapport du Center for Information Systems Research du MIT

Et vous ?

Pensez-vous que cette rapport est crédible ou pertinent ?
Quel est votre avis sur le sujet ?

Voir aussi :

Plus de 40 % des projets d'IA agentique seront annulés d'ici fin 2027 en raison de l'escalade des coûts, d'une valeur commerciale incertaine ou de contrôles des risques inadéquats, d'après Gartner

L'engouement pour l'IA s'essouffle : pour la première fois, les taux d'adoption plafonnent et l'enthousiasme s'essouffle parmi la main-d'œuvre mondiale. Les employés cachent leur utilisation de l'IA

Les retombées des projets d'IA sont "lamentables", se plaignent les dirigeants, alors que les retards et les problèmes de mise en œuvre remettent en cause les initiatives d'IA générative en 2024