Les projets d’IA générative menés au plus proche des métiers ne sont pas nécessairement ceux qui fonctionnent le mieux. En réalité, ils seraient même particulièrement peu productifs, estime une étude (accès sur formulaire, mais archivée) réalisée par les chercheurs du MIT Media Lab impliqués dans le projet NANDA (Networked Agents and Decentralized AI).

Basée sur l’analyse de plus de 300 projets d’IA exposés publiquement, 52 entretiens structurés avec des parties prenantes et un sondage conduit auprès de 153 décideurs, elle conclut en effet que seuls 5 % des projets d’IA générative menés en interne ou adossés à des solutions métier se traduisent par un bénéfice opérationnel, qu’il s’agisse de chiffre d’affaires incrémental ou de réduction des coûts. À l’inverse, 95 % des projets ne délivreraient aucun résultat tangible.

95 % de projets en échec

Ce premier constat se double d’un deuxième enseignement : l’étude indique ainsi que si les investissements des entreprises en matière d’IA générative peuvent être estimés à une fourchette comprise entre 30 et 40 milliards de dollars (aux États-Unis), il n’y a finalement que très peu d’entreprises qui achèvent de réels projets en interne.

L’étude met ainsi en parallèle la proportion d’entreprises ayant étudié l’opportunité d’un projet d’IA générative (80 % l’ont fait sur des LLM généralistes, 60 % sur des solutions plus spécialisées), celles qui sont entrées en phase projet, puis finalement celles qui sont allées jusqu’au déploiement final. Sur ce dernier volet, 40 % affirment avoir souscrit une solution généraliste, mais seulement 5 % indiquent avoir déployé un projet développé en interne ou une solution métier spécialisée.

Pour Aditya Challapally, auteur principal de l’étude, il y aurait de ce fait une véritable « fracture de l’IA générative » entre des expérimentations massives et cette quasi totale absence de résultats :

« Des outils comme ChatGPT et Copilot sont largement adoptés. Plus de 80 % des organisations les ont explorés ou testés, et près de 40 % déclarent les avoir déployés. Cependant, ces outils améliorent principalement la productivité individuelle, et non la performance du compte de résultat. Parallèlement, les systèmes d’entreprise personnalisés, ou vendus par des fournisseurs, sont discrètement rejetés ».

Au fil de leurs entretiens, les chercheurs s’efforcent ensuite de comprendre les causes de cette « fracture » et d’étudier plus en détail les facteurs clés de succès des secteurs ou des entreprises qui affichent une proportion plus élevée de projets réussis.

Adoption ne signifie pas transformation

À l’échelle du marché, ils mesurent au moyen d’un indicateur de leur cru que sur neuf secteurs d’activité étudiés, seuls deux affichent un niveau significatif de transformation dû à l’IA : les services informatiques (au sens large) et l’univers des médias et télécoms. À l’inverse, l’industrie, y compris de pointe, la santé, les services financiers ou le commerce, ne donnent lieu à aucune transformation structurelle consécutive de l’IA générative.

« Malgré des investissements importants, la transformation sectorielle reste limitée », écrit l’auteur principal. Autrement dit, sur ces sept secteurs épargnés, les projets IA qui devaient bouleverser les chaînes de valeur n’ont pour l’instant provoqué aucune rupture, qu’il s’agisse de l’émergence de nouveaux leaders, de l’effondrement d’anciens empires, ou de modifications substantielles des habitudes de consommation. Ils n’auraient donc pas, pour l’instant, d’impact tangible, sur les activités de production.

Associé au chiffre choc selon lequel 5 % seulement des projets IA généraient un retour sur investissement, ce constat a nourri les premières retombées médiatiques consécutives à la publication de cette étude. Sa divulgation est en effet intervenue au moment même où Meta annonçait une énième réorganisation de son département IA, et quelques jours seulement après une sortie remarquée de Sam Altman, selon qui l’éventualité d’une bulle financière autour de l’IA n’a rien d’un scénario improbable.

Approche statique contre apprentissage

Pourquoi des projets parfois très ambitieux et richement dotés finissent par ne pas aboutir ? L’étude se garde bien d’incriminer les éditeurs de modèles de langage (LLM) ou les fournisseurs de solutions spécialisées. Elle conclut plutôt à un problème d’approche au niveau des entreprises dont les déploiements échouent. « Les organisations bloquées du mauvais côté continuent d’investir dans des outils statiques qui ne s’adaptent pas à leurs processus, alors que celles qui réussissent à franchir la fracture se concentrent sur des systèmes capables d’apprentissage ».

Ce défaut d’apprentissage tiendrait au fait que la plupart des IA génératives déployées en production « ne retiennent pas les retours utilisateurs, ne s’adaptent pas au contexte et ne s’améliorent pas au fil du temps ». À l’inverse, le dénominateur commun des projets qui réussissent serait de démontrer leur capacité à s’adapter au fur et à mesure qu’ils font évoluer un processus métier.

Or sur ce volet, les auteurs de l’étude remarquent que les acheteurs ne font pas nécessairement les bons choix. Ainsi, 50% des budgets dédiés à l’IA générative iraient à des projets liés aux ventes et au marketing, alors que les résultats les plus probants sont plutôt observés sur de l’optimisation, principalement en back-office. C’est d’ailleurs par la réduction des coûts d’externalisation des processus métier (BPO) que se matérialiserait le retour sur investissement des entreprises qui obtiennent les meilleurs résultats.

« D’autres citent une amélioration de la fidélisation client et du taux de conversion grâce à des systèmes automatisés de prospection et de suivi intelligent. Ces premiers résultats suggèrent que les systèmes apprenants, lorsqu’ils ciblent des processus spécifiques, peuvent apporter une réelle valeur ajoutée, même sans restructuration organisationnelle majeure », écrivent encore les auteurs.

Au-delà des aspects techniques, leur étude fait également ressortir le constat, relativement attendu, selon lequel l’entreprise souffre d’une forme de résistance au changement qui pénalise les projets.

En attendant, la vague de l’IA générative dans le monde du travail profiterait principalement aux généralistes du secteur tels que OpenAI, Anthropic (Claude) et autres Copilot (Microsoft) ou Gemini (Google), en raison d’un phénomène de shadow IA déjà largement répandu. « L’ampleur est remarquable », estiment les auteurs, selon qui 90 % des employés déclarent utiliser régulièrement des outils d’IA personnels pour leurs tâches professionnelles, alors que 40 % seulement des entreprises leur prodiguent un abonnement adoubé par la direction.

Cette adoption massive illustre d’ailleurs un autre paradoxe, qui ressort des entretiens qualitatifs menés par le MIT : les outils généralistes sont parfois préférés aux solutions spécialisées, alors que ces dernières sont censées mieux appréhender les spécificités du métier et donc des requêtes de l’utilisateur. Outre le fait de retrouver une interface déjà familière, les personnes interrogées avancent une confiance supérieure, et surtout des réponses de meilleure qualité, notamment parce qu’elles sont moins formatées aux supposées exigences de la personne qui interroge.

« Cette tendance suggère qu’un outil polyvalent à 20 dollars par mois surpasse souvent les systèmes d’entreprise sur mesure, dont les coûts atteignent des ordres de grandeur bien supérieurs, du moins en termes de prise en main et de satisfaction utilisateur ».

• IA

  La productivité des développeurs semble baisser quand ils utilisent l’IA générative

  IA

  Jeudi 17 juillet 2025 à 09h27 17/07/2025 09h27

  28