42 %. C'est la part d'entreprises qui abandonnent la majorité de leurs initiatives IA avant qu'elles n'atteignent la production. Il y a un an, c'était 17 %. La source est solide : l'étude S&P Global Market Intelligence, Voice of the Enterprise: AI & Machine Learning, publiée en octobre 2025, sur plus de 1 000 répondants en Amérique du Nord et en Europe.
Vous allez lire partout que ce chiffre vient de Deloitte. C'est faux. C'est S&P Global. Notez-le, ça évite de citer une source bidon en réunion.
Ce chiffre est présenté comme une catastrophe. Ce n'est pas le cas. C'est le signe que les entreprises arrêtent enfin de financer des gadgets. Elles trient. Et si vous savez trier vous aussi, vous avez une longueur d'avance. Voici comment.
Abandonner un projet IA, ce n'est pas échouer
L'organisation moyenne abandonne 46 % de ses projets de preuve de concept avant la production. Gartner avait prédit "plus de 30 %". Les chiffres réels montrent que la prédiction était même prudente.
Ajoutez le reste du décor. RAND Corporation : plus de 80 % des projets IA n'atteignent jamais une mise en production significative, soit deux fois le taux d'échec des projets informatiques classiques. Une recherche MIT 2025 (rapport NANDA) parle de 95 % de pilotes qui ne passent pas l'échelle, même si ce chiffre est discuté sur sa méthode. Prenez-le comme un ordre de grandeur, pas comme une vérité gravée.
Vu de loin, tout ça ressemble à un naufrage. De près, c'est autre chose. Beaucoup de ces projets abandonnés méritaient de l'être. C'étaient des démos brillantes qui ne servaient rien de concret. Arrêter un projet qui ne rapporte pas, ce n'est pas un échec. C'est de la gestion.
Le vrai problème, ce n'est pas l'abandon. C'est de ne pas savoir quoi abandonner. Beaucoup de dirigeants coupent les mauvais projets et gardent les gadgets. C'est là que la casse se produit.
Pourquoi les projets meurent (rarement pour raison technique)
Le proof of concept, c'est le cimetière des projets IA. Le schéma est toujours le même. On teste. Ça marche. On fait une belle démo en comité de direction. Tout le monde applaudit. Et le projet s'arrête là.
Les causes réelles n'ont presque jamais rien de technique :
- Aucune intégration prévue. Le POC tournait à côté de vos outils, pas dedans. Le brancher sur votre CRM ou votre compta, personne ne l'a budgété.
- Pas de responsable désigné. Personne ne porte le projet jusqu'au bout. Il s'évapore.
- Données sales. En démo, les données sont propres et bien rangées. En production, elles sont crades : champs manquants, formats inattendus, doublons. L'agent qui brillait en test s'effondre sur du réel.
- Facteur humain. Dans 15 % des cas d'abandon, la cause est un départ : le seul spécialiste dont dépendait toute la capacité IA s'en va, et tout tombe.
- Aucune formation de l'équipe. Une PME qui achète une solution IA sans former ses équipes achète une coquille vide. Les collaborateurs se méfient, l'utilisent mal, ou l'ignorent. L'investissement ne produit aucun gain, et la direction conclut à tort que "l'IA ne marche pas chez nous".
Sur ce dernier point, si votre équipe traîne des pieds, j'ai détaillé une méthode ici : Faire aimer l'IA à ton équipe. Et sur la data sale, tout est là : Le vrai coupable, c'est ta data sale.
Le cas français : la confidentialité comme tueur de projets
En France, une étude Sinch indique que 90 % des organisations ont dû stopper ou faire marche arrière sur un agent IA. Dont 42 % à cause de fuites de données.
Retenez ce chiffre. Ce n'est pas un détail technique de DSI. C'est un risque dirigeant. Un agent qui remonte des données clients ou des infos sensibles là où il ne faut pas, c'est une amende, une plainte, ou une réputation abîmée. Avant d'industrialiser quoi que ce soit, vous devez savoir quelles données l'outil voit, où elles partent, et qui y accède.
C'est exactement pour ça que le tri est une bonne nouvelle. Un projet risqué qui n'apporte pas assez de valeur pour justifier le risque, vous devez l'arrêter. Sans état d'âme.
La grille de décision : arrêter, garder, industrialiser
Voici la méthode. Prenez chaque projet ou usage IA en cours dans votre entreprise. Notez-le sur trois critères. Chacun sur 3 points. Score total sur 9.
Critère 1 : temps ou marge réellement gagnés (0 à 3)
- 0 : personne ne sait chiffrer le gain. "Ça fait gagner du temps" au doigt mouillé.
- 1 : gain réel mais faible, quelques minutes par-ci par-là.
- 2 : gain mesuré, plusieurs heures par semaine sur une tâche identifiée.
- 3 : gain mesuré et significatif, avec un impact visible sur les coûts ou le chiffre.
Si vous ne savez pas chiffrer, mesurez avant de juger. Chronométrez la tâche avant, chronométrez après. Sans chiffre, pas de décision.
Critère 2 : adoption réelle par l'équipe (0 à 3)
- 0 : seul vous l'utilisez, ou plus personne ne l'ouvre.
- 1 : une ou deux personnes motivées, le reste ignore.
- 2 : la moitié de l'équipe concernée l'utilise régulièrement.
- 3 : c'est entré dans le flux de travail. On ne reviendrait pas en arrière.
L'adoption est le juge de paix. Un outil formidable que personne n'utilise vaut zéro. Regardez les usages, pas les intentions.
Critère 3 : maîtrise du risque données et intégration (0 à 3)
- 0 : vous ne savez pas où vont les données, ni comment ça se branche sur vos outils.
- 1 : ça tourne à côté, en copier-coller manuel, données floues.
- 2 : intégration partielle, données cadrées, quelques zones grises.
- 3 : intégré à vos outils, données maîtrisées, conforme, un responsable identifié.
Comment lire le score
- 0 à 3 : arrêtez. Ce projet consomme de l'énergie sans rendre. Coupez, et redéployez le budget ailleurs.
- 4 à 6 : gardez, mais corrigez. Le potentiel est là. Attaquez le critère le plus faible. Souvent c'est l'adoption (formez) ou l'intégration (branchez sur vos outils).
- 7 à 9 : industrialisez. Ce projet a fait ses preuves. Passez-le à l'échelle proprement.
Si vous voulez un test complémentaire plus rapide, celui-ci fonctionne bien en amont : IA gadget vs IA qui rapporte : le test 3/10.
Industrialiser l'IA en entreprise sans se planter
Un projet à 7 ou 8 sur 9 ne s'industrialise pas tout seul. Ce qui distingue les entreprises qui réussissent est clair dans les données.
Une étude PwC 2026 sur 1 217 dirigeants montre que seulement 20 % des grandes entreprises captent 74 % des gains économiques de l'IA. Concentration extrême. Ce n'est pas de la chance. Ces leaders font quatre choses simples que vous pouvez copier :
- Ils définissent des métriques de succès chiffrées avant de valider le projet. Pas après.
- Ils investissent d'abord dans les fondations de données. Gartner projette que 60 % des organisations abandonneront des projets IA faute de données prêtes d'ici 2027.
- Ils maintiennent un sponsor exécutif dans la durée. Selon Bpifrance, les PME dont le dirigeant pilote l'IA comme un sujet de direction, pas comme un projet IT délégué, réussissent nettement plus.
- Ils traitent l'IA comme une transformation business, pas un jouet IT.
Traduction pour votre PME. Vous ne déléguez pas ça au premier techos motivé. Vous en faites un sujet de direction. Vous fixez le gain attendu avant de lancer. Vous nommez un responsable qui reste. Et vous vérifiez que vos données sont exploitables avant de brancher quoi que ce soit.
Un signe encourageant côté français : selon KPMG (356 décideurs, janvier 2026), les deux tiers des entreprises savent désormais mesurer le ROI de leurs projets IA, contre un tiers un an plus tôt. La maturité progresse vite. Mais l'écart se creuse entre ceux qui pilotent et ceux qui bricolent.
Ce que vous faites cette semaine
N'attendez pas le prochain comité. Faites ceci :
- Listez tous les projets et usages IA en cours dans votre entreprise. Même les tests informels.
- Notez chacun sur la grille des 9 points. Soyez honnête, surtout sur l'adoption réelle.
- Coupez les 0 à 3 dès maintenant. Ça libère du temps et du budget.
- Pour un projet à 7 ou 8, désignez un responsable et fixez un objectif chiffré avant vendredi.
Le vrai risque en 2026, ce n'est pas d'abandonner des projets IA. C'est de tout garder par peur de rater quelque chose, et de disperser vos moyens sur dix gadgets au lieu de deux usages qui rapportent. L'abandon massif que vous lisez dans les études, c'est le marché qui fait le tri. Faites-le vous-même, avant qu'il ne le fasse à votre place. Pour approfondir la logique du "moins mais mieux", lisez ceci : Choisis 1 ou 2 cas d'usage qui rapportent.
