La plupart des projets pilotes d’IA en entreprise ne parviennent pas à se développer en raison de lacunes organisationnelles
Trop d’entreprises se concentrent sur la technologie et ignorent la structure qui l’entoure. C’est une erreur. La majorité des échecs des projets pilotes d’IA, soit 95 % selon le MIT, ne sont pas dus au fait que l’IA n’est pas assez performante. Ils échouent parce que les entreprises ne sont pas prêtes pour l’échelle qu’elles demandent. On attend une transformation immédiate, mais l’exécution est généralement fragmentée, sans direction ou cloisonnée au sein de l’informatique.
L’IA n’est pas prête à l’emploi. Vous ne pouvez pas vous attendre à ce qu’elle apporte une valeur commerciale sans aligner les efforts techniques sur les objectifs organisationnels. Comme l’explique Bret Greenstein, Chief AI Officer chez West Monroe, les entreprises tombent généralement dans quatre schémas d’échec : elles n’ont pas de plan de transformation, elles maintiennent l’informatique isolée du reste de l’organisation, elles sous-estiment la résistance des employés et elles ne communiquent pas la valeur que la technologie est censée apporter. Ce dernier point, la valeur, est essentiel. Si les gens ne comprennent pas le « pourquoi », ils cessent d’écouter. Et si les dirigeants ne définissent pas clairement le succès, le programme ne sera pas pris au sérieux.
McKinsey souligne également ce décalage. Selon cette étude, 66 % des entreprises n’ont pas commencé à développer l’IA dans l’ensemble de leurs activités. Il ne s’agit pas d’un obstacle technique. Il s’agit d’une paralysie décisionnelle et d’un désalignement du leadership. Les systèmes d’IA qui ont le potentiel d’améliorer la prise de décision, de faire gagner du temps et d’accroître l’efficacité restent bloqués en mode pilote pendant que les équipes débattent des prochaines étapes. Pendant ce temps, on perd du temps et les concurrents se déplacent.
Pour les dirigeants, la conclusion est simple : Ne considérez pas l’IA comme un simple projet informatique. Faites-en une initiative de changement commercial dès le départ. Commencez par établir une feuille de route solide qui intègre les contributions de l’ensemble de l’entreprise, et pas seulement celles des ingénieurs. Obtenez l’adhésion de la direction au-delà du DSI et définissez des résultats mesurables qui comptent pour votre entreprise.
Si les fondations ne sont pas prêtes, le pilote ne volera pas.
La collaboration interfonctionnelle et une culture de la sécurité psychologique sont essentielles pour une intégration réussie de l’IA.
Si l’IA n’est gérée que par des équipes techniques, elle s’enlisera. Vous avez besoin d’une contribution interfonctionnelle, tôt et souvent. L’IA n’a pas seulement un impact sur les systèmes. Elle modifie la façon dont les gens travaillent. Cela signifie que chaque service doit avoir son mot à dire, en particulier lorsque les pilotes passent aux opérations réelles.
Greg Beltzer, Chief Customer Officer for AI and Agentforce chez Salesforce, l’a clairement indiqué : il ne s’agit pas d’un flux DevOps traditionnel. Il ne suffit pas de confier un projet aux ingénieurs et d’attendre qu’il soit livré. Les équipes commerciales doivent s’impliquer dans la planification, les tests et les boucles de rétroaction. Si elles sont laissées de côté, vous construirez des outils que personne n’utilisera vraiment, ou pire, des outils qui créeront des frictions.
Engine, une entreprise spécialisée dans les technologies du voyage, a bien fait les choses. Demetri Salvaggio, vice-président de l’expérience client et des opérations, explique qu’ils donnent la priorité au « pourquoi » des outils d’IA lorsqu’ils communiquent avec le personnel. Cette approche a fait la différence. Au lieu d’une résistance, ils ont obtenu une contribution et un élan. En définissant clairement l’objectif, ils ont arrêté la peur avant qu’elle ne se développe, la peur que l’IA ne remplace les gens au lieu de les aider.
Mais ce n’est pas tout. Joshua Stern, directeur des systèmes GTM chez Engine, a souligné l’importance de la sécurité psychologique. Son équipe a créé Eva, l’agent du service clientèle, en 12 jours seulement. Cette rapidité n’est pas due uniquement à la technologie. Elle est venue d’une culture où les gens pouvaient tester des idées, échouer rapidement et partager les succès entre les différentes fonctions. Lorsque les employés ont vu leurs collègues utiliser l’IA de manière utile, ils les ont suivis. L’adoption n’a pas eu besoin d’être forcée, elle s’est répandue naturellement. Mais seulement parce que le lieu de travail l’encourageait.
Pour les cadres, cet élément de culture n’est pas facultatif. Sans cela, la peur prend le dessus. Les équipes n’exploreront pas l’IA ; elles l’éviteront. Le rôle des dirigeants est ici de normaliser l’expérimentation. Faites appel à des parties prenantes extérieures à l’informatique, encouragez les projets pilotes de petite envergure et parlez ouvertement des succès et des échecs.
Les entreprises qui gagnent avec l’IA sont celles dont les dirigeants prônent la collaboration et la confiance, et pas seulement l’innovation. Commencez par là, et la technologie suivra.
La difficulté de prouver la valeur de l’IA découle souvent de l’inadéquation des mesures et de l’adoption de l’IA dans le cadre de processus défectueux.
L’IA ne crée pas de valeur par elle-même. Vous devez mesurer ce qui compte et vous assurer que vous appliquez la technologie à des processus qui fonctionnent réellement. De nombreux projets pilotes échouent parce que les entreprises se concentrent sur le déploiement de l’IA, mais oublient de valider le processus qu’elle soutient. Des données d’entrée médiocres donnent des résultats médiocres, quelle que soit l’avancée du modèle.
Greg Beltzer, de Salesforce, a mis en évidence un problème courant : si votre processus est défectueux, l’IA n’y remédiera pas. Peu importe le degré de perfectionnement de votre agent, s’il est lié à un flux de travail maladroit ou à un système de transfert inefficace, il ne produira pas de résultats. Les entreprises attendent de l’IA qu’elle transforme les résultats, mais lorsque les fondations sont faibles, ces attentes s’effondrent.
Ce n’est pas le seul problème. Beaucoup d’entreprises ne savent pas comment suivre les succès…. Le gain de temps semble être un bon indicateur, comme le nombre de minutes par employé et par jour, mais la plupart des équipes n’ont pas les outils nécessaires pour le contrôler. Elles ne peuvent donc pas prouver l’impact, même s’il existe. Salesforce a dû créer un outil d’observabilité pour sa plate-forme Agentforce afin de combler cette lacune. Demetri Salvaggio et son équipe chez Engine l’ont utilisé pour affiner Eva, leur agent client IA, sur la base d’informations en temps réel. Sans ce type de visibilité, l’optimisation n’est qu’une supposition.
Les données le confirment. Selon le MIT, seuls 5 % des projets pilotes d’IA générative ont montré une accélération rapide des revenus. Il s’agit là d’un échec massif en matière de suivi de la valeur. Cela montre également à quel point il est facile de confondre activité et impact. Il ne suffit pas de déployer l’IA, il faut qu’elle soit liée à des résultats commerciaux que les dirigeants, les équipes et les clients ressentent.
Pour les dirigeants, le message est clair : n’appliquez pas l’IA tant que vous n’avez pas nettoyé les processus qu’elle touche. Et ne passez pas à l’échelle supérieure avant d’avoir les outils nécessaires pour mesurer les performances. L’IA doit améliorer quelque chose qui fonctionne déjà, et non pas être utilisée pour cacher ce qui ne fonctionne pas. Définissez le succès avant de commencer et assurez-vous qu’il peut être suivi après le lancement. C’est ainsi que vous distinguerez les gains réels du battage médiatique.
L’adoption d’une approche limitée et itérative des projets pilotes d’IA permet de résoudre les dépendances et d’ouvrir la voie à un déploiement évolutif.
La plupart des échecs de l’IA sont dus au fait que l’on essaie d’en faire trop, trop vite. Les entreprises chargent des dizaines de cas d’utilisation et s’attendent à ce qu’ils réussissent tous en même temps. Cela ne fonctionne pas. Cela dilue l’attention, disperse les ressources et cache ce qui fonctionne vraiment et ce qui ne fonctionne pas. Si vous ne pouvez pas isoler l’impact, vous ne pouvez pas conduire l’amélioration. Et aucune équipe ne peut faire évoluer ce qu’elle n’a pas stabilisé.
Bret Greenstein, Chief AI Officer chez West Monroe, en a fait l’expérience. Il a travaillé avec une entreprise qui souhaitait déployer l’IA dans plusieurs processus simultanément. Il lui a conseillé de commencer par cinq cas d’utilisation partageant les mêmes sources de données et les mêmes compétences. De cette manière, la résolution des dépendances une fois pour toutes aurait un impact sur plusieurs domaines. Une fois ces projets pilotes réussis, les phases suivantes sont devenues plus faciles à exécuter.
C’est cette approche, une portée claire et un déploiement contrôlé, qui a permis à Engine d’aller de l’avant. Joshua Stern, directeur de GTM Systems, a déclaré qu’en essayant de tout faire en même temps, on finit par ne rien prouver. Cela ralentit les progrès et rend presque impossible l’obtention de résultats mesurables. Son équipe s’est concentrée sur un agent, Eva, et l’a construit en 12 jours. Il ne s’agissait pas de vitesse pour le plaisir, mais de concentration. Ils ont choisi le bon point de départ, ont appris rapidement et ont jeté les bases d’une expansion future.
Demetri Salvaggio, vice-président de l’expérience client et des opérations d’Engine, soutient cet état d’esprit. Son conseil est direct : choisissez un petit cas d’utilisation, apportez rapidement de la valeur et utilisez-le pour obtenir du soutien. Chaque succès crée une dynamique. Les équipes font davantage confiance au processus lorsqu’elles obtiennent des résultats, et ce soutien est important lorsqu’il s’agit de passer à l’échelle supérieure.
Pour les dirigeants, la leçon à tirer est celle de la priorisation stratégique. Ne dispersez pas votre initiative d’IA dans l’ensemble de l’organisation dès le premier jour. Choisissez des objectifs réalistes, mesurables et alignés sur les capacités existantes. Utilisez ces victoires pour renforcer la confiance interne et réduire les résistances. Une fois que les bases sont validées et que les équipes adhèrent, l’expansion devient plus rapide et moins risquée.
La mise à l’échelle de l’IA ne consiste pas à lancer de grands projets. Il s’agit d’exécuter de petites actions dans le bon ordre. C’est ce qui permet d’obtenir des résultats.
Faits marquants
- La plupart des projets pilotes d’IA échouent en raison de lacunes organisationnelles : Les dirigeants doivent aligner les projets pilotes techniques sur les plans de transformation à l’échelle de l’entreprise, sur la collaboration entre les services et sur une communication claire de la valeur. 95 % des projets pilotes d’IA générative échouent en grande partie parce que ces éléments fondamentaux font défaut.
- La confiance interfonctionnelle est le moteur d’une adoption réussie : La mise en œuvre de l’IA nécessite la contribution et le soutien de toutes les équipes, et pas seulement de l’équipe informatique ; les dirigeants doivent cultiver une culture de la transparence et de la sécurité psychologique afin de réduire les résistances et d’accélérer l’adoption.
- Des processus faibles et des mesures médiocres sapent la valeur : Les dirigeants doivent d’abord renforcer les processus existants et investir dans des outils permettant de suivre des indicateurs de réussite clairs tels que le temps gagné, l’amélioration de la précision ou les résultats en termes de chiffre d’affaires.
- La mise à l’échelle commence par de petites victoires ciblées : Au lieu de disperser les initiatives dans de trop nombreux domaines, donnez la priorité à 3 à 5 cas d’utilisation clés avec des données et des ressources partagées ; cela permet de créer une dynamique, de résoudre les dépendances essentielles et de poser des bases stables pour une croissance évolutive de l’IA.
