Pourquoi 42 % des projets d'IA échouent : les vraies raisons du carnage

La vérité qui dérange sur les investissements dans l'IA

Chaque trimestre apporte son lot d'annonces haletantes sur de nouvelles initiatives en matière d'IA. Les entreprises européennes investissent des milliards dans la transformation par l'intelligence artificielle. Les promesses sont spectaculaires : gains d'efficacité révolutionnaires, perspectives sans précédent, avantages concurrentiels qui redéfinissent des secteurs entiers.

La réalité ? La plupart de ces projets échouent de manière spectaculaire. Ils ne se contentent pas de sous-performer ou d'être retardés. Ils échouent complètement. Abandonnés avant d'atteindre la production, considérés comme des leçons coûteuses, les équipes sont dissoutes, les budgets brûlés.

Et le taux d'échec s'accélère à un rythme alarmant.

Les chiffres qui devraient terrifier chaque CTO

Voici un chiffre qui devrait terrifier chaque CTO planifiant les budgets pour 2025 : 42 % des entreprises ont abandonné la plupart de leurs initiatives d'IA avant d'atteindre la production en 2025. C'est une augmentation par rapport à seulement 17 % l'année précédente. Une augmentation de 147 % du taux d'échec en douze mois.

Laissez cette information faire son chemin un instant. Près de la moitié de tous les projets d'IA sont entièrement abandonnés. Pas reportés au deuxième trimestre. Pas réduits en attendant un financement supplémentaire. Complètement abandonnés. Radiés. Les présentations PowerPoint accumulent la poussière numérique dans SharePoint. Les tableaux Jira sont archivés. Les canaux Slack sont devenus silencieux.

Et la situation est encore bien pire. Selon l'enquête 2025 de S&P Global Market Intelligence auprès de plus de 1 000 entreprises en Amérique du Nord et en Europe, l'organisation moyenne a jeté 46 % de ses preuves de concept (PoC) d'IA avant leur mise en œuvre. Ce n'est pas un taux d'échec. C'est un bain de sang. Les entreprises européennes, avec des marchés de capital-risque plus tendus que leurs homologues de la Silicon Valley, ressentent cette douleur de manière aiguë. Chaque preuve de concept abandonnée représente non seulement des coûts irrécupérables, mais aussi des coûts d'opportunité, du terrain concurrentiel cédé à des rivaux qui, d'une manière ou d'une autre, ont fait fonctionner leur IA.

La recherche du MIT dresse un tableau encore plus sombre : 95 % des projets pilotes d'IA en entreprise ne parviennent pas à générer un impact financier mesurable. Seuls 5 % réalisent une accélération rapide des revenus. Les autres stagnent, n'ayant que peu ou pas d'impact sur le compte de résultat. Gartner avait prédit que d'ici fin 2025, au moins 30 % des projets d'IA générative seraient abandonnés après la preuve de concept en raison de la mauvaise qualité des données, de contrôles des risques inadéquats, de coûts croissants ou d'une valeur commerciale incertaine. Ils étaient conservateurs. Les chiffres réels ont dépassé leurs prévisions.

Traduction : la révolution de l'IA dont on parle avec enthousiasme à chaque conférence technologique est en réalité un cimetière d'expériences ratées, de capitaux brûlés et de promesses qui ne se sont jamais matérialisées. Derrière chaque communiqué de presse annonçant des « initiatives de transformation par l'IA », il y a des salles de conférence où des dirigeants demandent discrètement pourquoi leur investissement de 2 millions d'euros n'a rien produit de déployable.

Les vraies raisons de l'échec des projets d'IA : ce n'est pas ce que vous croyez

Alors, qu'est-ce qui cause réellement ce carnage ? Lorsque le BCG a interrogé 1 000 dirigeants dans 59 pays, ils ont découvert quelque chose de surprenant : ce ne sont pas les algorithmes d'IA qui échouent. C'est presque tout le reste.

La répartition est frappante : environ 70 % des défis de mise en œuvre de l'IA proviennent de problèmes liés aux personnes et aux processus. 20 % supplémentaires proviennent de problèmes d'infrastructure technologique et de données. Seuls 10 % concernent les algorithmes d'IA eux-mêmes, bien que ces algorithmes consomment une quantité disproportionnée de temps et de ressources organisationnelles.

Analysons les véritables coupables qui tuent les projets d'IA.

La crise de la qualité des données : pourquoi 43 % ne peuvent même pas commencer

Selon l'enquête CDO Insights 2025 d'Informatica, la qualité et la préparation des données constituent le principal obstacle au succès de l'IA, cité par 43 % des organisations. Pas un lointain second. Le principal obstacle empêchant les projets d'IA de démarrer.

La recherche de Gartner rend cela encore plus concret : jusqu'en 2026, les organisations abandonneront 60 % des projets d'IA qui ne disposent pas de données prêtes pour l'IA. Ce n'est pas une prédiction sur des cas d'usage avancés. C'est une déclaration sur des prérequis fondamentaux.

Deloitte a constaté que 80 % des projets d'IA et d'apprentissage automatique rencontrent des difficultés liées à la qualité et à la gouvernance des données. Soixante-trois pour cent des organisations n'ont pas ou ne sont pas sûres d'avoir les bonnes pratiques de gestion des données pour l'IA.

Que signifie réellement une « mauvaise qualité des données » en pratique ? Cela signifie des données dispersées dans des systèmes incompatibles. Cela signifie des valeurs manquantes, des formats incohérents, des enregistrements en double. Cela signifie des données qui n'ont jamais été conçues pour être utilisées pour l'apprentissage automatique, collectées à des fins complètement différentes, et qui sont maintenant forcées dans des pipelines d'entraînement où elles cassent tout.

Les entreprises européennes sont confrontées à des contraintes de données supplémentaires que les concurrents américains peuvent souvent contourner. Le RGPD restreint à juste titre les données personnelles qui peuvent être collectées et la manière dont elles peuvent être utilisées. L'approche plus stricte de l'UE en matière de protection de la vie privée signifie que les entreprises européennes du secteur de la santé ne peuvent pas simplement récupérer des millions de dossiers de patients comme l'ont fait certaines entreprises américaines. Les institutions financières européennes opèrent sous une gouvernance des données plus stricte que leurs homologues de Wall Street.

Ces réglementations sont nécessaires et appropriées. Mais elles signifient que les entreprises européennes ont besoin d'approches d'IA qui fonctionnent avec moins de données, des pratiques de données plus propres et une gouvernance plus rigoureuse dès le premier jour. L'approche « tout collecter et trier plus tard » qui a fonctionné dans la Silicon Valley n'est tout simplement pas une option.

La crise des compétences : pourquoi 70 % des entreprises européennes ne trouvent pas de talents en IA

Même lorsque les entreprises disposent de bonnes données, elles se heurtent à l'obstacle majeur suivant : trouver des personnes capables de les utiliser réellement. Trente-cinq pour cent des organisations citent la pénurie de compétences comme l'un des principaux obstacles au succès de l'IA. En Europe, le problème est plus aigu.

Plus de 70 % des entreprises de l'UE déclarent que le manque de personnel qualifié dans le domaine numérique empêche de nouveaux investissements technologiques. Il ne s'agit pas d'avoir besoin de plus de data scientists titulaires d'un doctorat. Il s'agit de l'ensemble de l'écosystème organisationnel nécessaire pour faire fonctionner l'IA.

Vous avez besoin d'ingénieurs de données capables de construire des pipelines fiables. Vous avez besoin de spécialistes MLOps qui comprennent l'infrastructure de déploiement. Vous avez besoin d'experts du domaine capables de traduire les problèmes commerciaux en objectifs d'apprentissage automatique. Vous avez besoin de chefs de produit qui comprennent à la fois les capacités de l'IA et les besoins du marché. Vous avez besoin de responsables de la conformité capables de naviguer dans la loi de l'UE sur l'IA.

Les entreprises européennes sont en concurrence pour ce vivier de talents avec des entreprises américaines offrant des salaires de la Silicon Valley tout en travaillant à distance depuis Stockholm, Berlin ou Amsterdam. Un ingénieur senior en apprentissage automatique peut prétendre à 120 000 € à Munich, mais à 200 000 € de la part d'une entreprise de San Francisco qui recrute en Europe. Le déficit de capital-risque signifie que les startups européennes ne peuvent pas égaler ces offres.

Le résultat ? Des projets d'IA menés par des équipes qui n'ont pas l'expertise requise, prenant des décisions architecturales qui condamnent le projet dès le départ. Choisir des frameworks qu'elles ne peuvent pas déployer correctement. Construire des modèles qu'elles ne peuvent pas maintenir. Créer une dette technique qui s'accumule jusqu'à l'effondrement de toute l'initiative.

Le piège des coûts : quand les factures de GPU dépassent les prévisions de revenus

NTT DATA a constaté que 70 à 85 % des efforts de déploiement de l'IA générative n'atteignent pas les objectifs de retour sur investissement (ROI) souhaités. Le principal coupable ? Des coûts qui explosent au-delà des estimations initiales.

L'entraînement de grands réseaux de neurones nécessite une infrastructure GPU coûteuse. Un NVIDIA H100 coûte environ 30 000 €, et vous avez généralement besoin de plusieurs unités travaillant en parallèle. Les coûts de l'électricité en Europe, s'élevant en moyenne à 0,20 € par kilowattheure contre 0,10 € aux États-Unis, signifient que les coûts d'entraînement sont littéralement deux fois plus élevés pour le même calcul.

Les coûts d'inférence représentent une dépense continue que de nombreuses entreprises sous-estiment. Ce réseau de neurones qui traite les demandes des clients ? Il pourrait nécessiter une instance GPU à 3 000 €/mois fonctionnant 24h/24 et 7j/7. Si vous passez à des milliers de requêtes par seconde, vous vous retrouvez avec des coûts d'infrastructure qui rendent l'ensemble du modèle économique irréalisable.

Les entreprises européennes, avec des contraintes de capital plus strictes que leurs homologues de la Silicon Valley, trouvent cette économie particulièrement brutale. Les concurrents américains peuvent supporter des pertes tout en atteignant une certaine échelle. Les entreprises européennes ont besoin de rentabilité beaucoup plus tôt, ce qui fait des coûts d'infrastructure élevés un chemin direct vers l'annulation du projet.

Le vide de la valeur commerciale : quand les dirigeants exigent un ROI

La recherche du BCG a révélé que 74 % des entreprises n'ont pas encore démontré de valeur tangible de leur utilisation de l'IA. Cela représente les trois quarts des organisations qui ne peuvent pas démontrer de retours significatifs sur leurs investissements en IA.

Ce n'est pas un problème technique. C'est un problème stratégique. Les organisations lancent des initiatives d'IA sans objectifs commerciaux clairs. Elles construisent des modèles qui résolvent des défis techniques intéressants mais ne répondent pas aux besoins réels de l'entreprise. Elles créent des démos impressionnantes qui ne se traduisent pas par des revenus, des économies de coûts ou un avantage concurrentiel.

Gartner a identifié la « valeur commerciale incertaine » comme l'une des principales raisons pour lesquelles les projets d'IA sont abandonnés après la preuve de concept. Les dirigeants donnent leur feu vert à des projets pilotes basés sur l'enthousiasme suscité par le potentiel de l'IA. Six mois plus tard, ils exigent de voir l'impact sur le compte de résultat. Lorsque les équipes ne peuvent pas démontrer de résultats financiers mesurables, le financement s'évapore.

Les entreprises européennes subissent une pression supplémentaire à ce niveau. Des marchés de capitaux plus tendus signifient moins de patience pour les investissements spéculatifs. Les entreprises américaines peuvent financer la recherche en IA pendant des années sur la base d'arguments de positionnement stratégique. Les conseils d'administration européens veulent voir des retours en quelques trimestres, pas en quelques années.

Repenser l'approche : l'efficacité comme solution

Compte tenu de ces défis – problèmes de qualité des données, contraintes de coûts, pénuries de compétences et ROI incertain – quelles stratégies fonctionnent réellement ? Les déploiements d'IA réussis partagent des caractéristiques communes : ils sont économes en ressources, ils fonctionnent avec des données moins que parfaites, ils démontrent rapidement une valeur commerciale claire et ils ne nécessitent pas d'infrastructure spécialisée ou d'expertise rare.

C'est là que les approches architecturales alternatives deviennent intéressantes. Plutôt que de monter en puissance avec des GPU plus puissants, des ensembles de données plus volumineux et des modèles plus grands, certaines organisations réussissent en faisant preuve d'intelligence : en utilisant des fondations mathématiques fondamentalement plus efficaces qui répondent aux contraintes de base.

Les réseaux de neurones binaires et à faible nombre de bits représentent une telle approche. Au lieu de l'arithmétique traditionnelle en virgule flottante 32 bits, ces systèmes fonctionnent sur des représentations numériques considérablement simplifiées. Les avantages pratiques répondent directement aux modes de défaillance que nous avons examinés.

La réduction des coûts est immédiate et substantielle. Les opérations binaires consomment une fraction de la puissance requise par le calcul en virgule flottante. Les modèles qui exigeraient des clusters de GPU haut de gamme peuvent fonctionner efficacement sur une infrastructure CPU standard. Cela transforme l'économie : un entraînement qui coûte 500 000 € sur une infrastructure GPU pourrait être réalisé pour 40 000 € sur des serveurs CPU. L'inférence qui nécessite des instances GPU à 3 000 €/mois peut fonctionner sur une capacité CPU à 200 €/mois.

Pour les entreprises européennes confrontées à des coûts d'électricité deux fois plus élevés qu'aux États-Unis, cet avantage en termes d'efficacité devient stratégiquement significatif. Il ne s'agit pas seulement de factures moins élevées ; il s'agit de rendre économiquement viables des catégories entières d'applications d'IA qui ne l'étaient pas auparavant.

L'efficacité des données s'améliore car une arithmétique plus simple peut signifier un apprentissage plus robuste à partir d'ensembles de données plus petits. Alors que l'apprentissage profond conventionnel nécessite souvent des volumes de données massifs en partie pour surmonter les instabilités de l'entraînement, des architectures plus contraintes peuvent forcer une meilleure généralisation à partir d'exemples limités.

D'un point de vue technique, les opérations binaires éliminent certaines classes de problèmes numériques qui affectent les systèmes en virgule flottante. Bien qu'aucun système ne soit parfait, la simplicité mathématique peut améliorer la reproductibilité et la cohérence des tests, ce qui est particulièrement important pour la conformité réglementaire.

La mise en œuvre de Dweve : une approche européenne de l'infrastructure IA

Chez Dweve, nous avons construit toute notre plateforme autour de ces principes d'efficacité, spécialement conçue pour répondre aux contraintes auxquelles les entreprises européennes sont confrontées. Notre approche ne consiste pas à égaler l'échelle de la Silicon Valley ; il s'agit de choix économiques et architecturaux fondamentalement différents.

Core, notre framework de réseau de neurones binaires, met en œuvre 1 930 algorithmes optimisés pour le matériel fonctionnant sur des mathématiques discrètes. L'impact pratique répond à plusieurs des modes de défaillance discutés : des coûts d'infrastructure considérablement réduits rendant les projets économiquement viables avec des budgets européens, une meilleure efficacité des données grâce à un apprentissage basé sur les contraintes qui fonctionne avec des ensembles de données plus petits et de meilleure qualité plutôt que de nécessiter une collecte massive de données à l'échelle d'Internet, et un meilleur alignement avec les exigences de la loi de l'UE sur l'IA grâce à des chemins de décision plus transparents et explicables.

Loom, notre modèle à 456 experts, démontre comment cette efficacité se traduit en capacité de production. Il fonctionne sur une infrastructure CPU, ce qui signifie que les entreprises européennes peuvent le déployer sans attendre des mois pour des allocateurs de GPU ou être vulnérables aux contrôles à l'exportation américains sur les puces avancées. Les coûts d'entraînement passent de centaines de milliers à des dizaines de milliers d'euros. L'inférence est économiquement scalable car vous ne payez pas pour un temps d'accélérateur coûteux.

Cela résout le piège des coûts qui tue tant de projets. Lorsque vos dépenses d'infrastructure sont 90 % inférieures, des modèles économiques qui étaient impossibles deviennent viables. Les entreprises européennes peuvent rivaliser sur l'efficacité plutôt que d'essayer d'égaler l'échelle américaine.

D'un point de vue réglementaire, les opérations binaires offrent des avantages en termes de cohérence. Lors de nos tests sur différents environnements matériels et logiciels, nous avons observé un comportement hautement reproductible. Cela est extrêmement important pour les industries où le règlement de l'UE sur les dispositifs médicaux ou les réglementations des services financiers exigent des systèmes d'IA déterministes et auditables.

Le problème du déficit de compétences devient plus facile à gérer lorsque votre IA fonctionne sur une infrastructure standard que vos équipes d'infrastructure existantes comprennent déjà. Vous n'avez pas besoin de rares spécialistes en optimisation CUDA ou en entraînement distribué sur GPU. Vos ingénieurs actuels peuvent déployer, surveiller et maintenir des systèmes fonctionnant sur des serveurs CPU familiers.

L'avantage européen : économie et souveraineté

Voici pourquoi les réseaux de neurones binaires sont particulièrement importants pour les entreprises européennes qui naviguent dans des marchés de capitaux plus tendus et des réglementations plus strictes que leurs homologues américains.

L'approche conventionnelle de l'IA favorise ceux qui ont le plus de puissance de calcul, le plus de données, le plus d'argent. C'est un jeu que les géants américains de la technologie gagneront toujours. Ils disposent d'une infrastructure de centres de données construite sur des décennies. Ils ont des économies d'échelle grâce à des millions d'utilisateurs. Ils ont accumulé des avantages en contrôlant les moteurs de recherche, les réseaux sociaux et les plateformes cloud.

Les entreprises européennes qui tentent de rivaliser dans ce jeu conventionnel de l'IA sont confrontées à des désavantages structurels. Le capital-risque européen a levé 37 milliards d'euros en 2024, ce qui est impressionnant jusqu'à ce que vous réalisiez que c'est moins d'un cinquième du déploiement de capital de la Silicon Valley. Les coûts de l'électricité en Europe s'élèvent en moyenne à 0,20 € par kWh contre 0,10 € aux États-Unis, ce qui rend les entraînements intensifs en calcul deux fois plus chers. Les réglementations européennes sur la protection des données limitent à juste titre les données d'entraînement que les entreprises peuvent collecter, tandis que les concurrents américains aspirent tout.

Les réseaux de neurones binaires changent complètement cette équation. Ils ne nécessitent pas de clusters de GPU massifs consommant des mégawatts. Ils n'ont pas besoin d'ensembles de données à l'échelle du pétaoctet récupérés sur Internet. Ils fonctionnent efficacement sur une infrastructure CPU standard que les entreprises européennes possèdent et exploitent déjà. Les entraînements qui coûtent 500 000 € sur des clusters de GPU se terminent pour 40 000 € sur des serveurs CPU. Les modèles qui nécessitent des accélérateurs de 1 200 watts fonctionnent sur des processeurs de 50 watts.

C'est ainsi que l'Europe rivalise dans le domaine de l'IA : non pas en jouant au rattrapage dans un jeu truqué contre les réalités structurelles européennes, mais en changeant les règles fondamentales grâce à de meilleures mathématiques.

L'ensemble de la pile technologique de Dweve est construit sur cette base. Core fournit le framework de réseau de neurones binaires. Loom met en œuvre le modèle d'intelligence à 456 experts. Nexus coordonne les systèmes multi-agents. Aura permet le développement autonome. Fabric relie le tout. Mesh le distribue à l'échelle mondiale.

Le tout fonctionnant efficacement sur une infrastructure européenne. Aucune dépendance vis-à-vis des accélérateurs NVIDIA avec des délais de livraison de plusieurs mois. Aucune vulnérabilité stratégique aux contrôles à l'exportation américains sur les puces avancées. Aucune instabilité mathématique détruisant les déploiements en production.

La loi de l'UE sur l'IA rend cela obligatoire

Les entreprises européennes n'ont pas le luxe de choisir de s'attaquer ou non à ces problèmes. La loi de l'UE sur l'IA, entrée en vigueur le 1er août 2024, rend l'IA déterministe et explicable légalement obligatoire pour les applications à haut risque.

L'article 13 exige que les systèmes d'IA à haut risque soient conçus pour la transparence. Les déployeurs doivent être en mesure d'interpréter les sorties du système et de les utiliser de manière appropriée. L'article 50 impose aux fournisseurs de modèles d'IA à usage général de documenter les données d'entraînement, les procédures de test et les limitations du système. Les réglementations entrent en vigueur progressivement jusqu'en 2026, les obligations les plus critiques étant déjà contraignantes pour les systèmes déployés en 2025.

Satisfaire à ces exigences avec des systèmes d'IA conventionnels présente des défis importants. Les entreprises européennes du secteur de la santé qui tentent de certifier des outils de diagnostic par IA en vertu du règlement sur les dispositifs médicaux se heurtent à des exigences de reproductibilité. Les institutions financières qui déploient l'IA pour les décisions de crédit en vertu de la loi sur la protection des consommateurs découvrent que l'explicabilité réglementaire exige une documentation précise des processus de décision.

Des approches alternatives comme les réseaux de neurones binaires offrent ici des avantages. Les opérations binaires évitent certaines classes de variabilité numérique en virgule flottante. Lors de nos tests chez Dweve, l'inférence produit des résultats cohérents et reproductibles sur différents environnements matériels et logiciels. Les chemins de décision suivent des opérations mathématiques discrètes avec une structure logique claire plutôt que de nécessiter l'interprétation de milliards de paramètres continus. Le comportement du modèle peut être documenté avec une précision mathématique.

Pour les entreprises européennes qui déploient l'IA dans des secteurs réglementés, ce n'est pas facultatif. La loi de l'UE sur l'IA impose la transparence et un comportement cohérent et auditable pour les systèmes à haut risque. Les approches architecturales qui offrent ces propriétés deviennent nécessaires, et non simplement avantageuses.

Ce qui fonctionne vraiment : leçons des 5 % qui réussissent

La recherche du BCG a identifié ce qui sépare les déploiements d'IA réussis des 74 % qui ne parviennent pas à démontrer une valeur tangible. Les gagnants inversent l'allocation conventionnelle des ressources : ils consacrent 50 à 70 % du calendrier et du budget à la préparation des données, à la gouvernance et aux contrôles de qualité. Seuls 10 % sont consacrés aux algorithmes.

Ils résolvent d'abord le problème des personnes. Ils investissent dans la gestion du changement, l'intégration des flux de travail et l'adaptation organisationnelle. Ils constituent des équipes avec le bon mélange d'ingénierie des données, d'expertise du domaine et de sens des affaires, pas seulement des titulaires de doctorats en apprentissage automatique.

Ils démontrent rapidement une valeur commerciale claire. Ils choisissent des projets ayant un impact financier mesurable, et non des démonstrations techniquement impressionnantes. Ils relient directement les capacités de l'IA aux résultats du compte de résultat que les dirigeants peuvent vérifier.

Et de plus en plus, ils choisissent des approches architecturalement efficaces qui fonctionnent dans les contraintes européennes plutôt que de nécessiter l'économie de la Silicon Valley.

La voie à suivre : s'attaquer aux causes profondes

L'industrie de l'IA se trouve à un point d'inflexion en 2025. Des taux d'échec qui grimpent de 147 % d'une année sur l'autre signalent des problèmes fondamentaux que le simple fait d'injecter plus d'argent dans les approches conventionnelles ne résoudra pas. Les entreprises européennes subissent une pression particulière : des marchés de capitaux plus tendus, des coûts énergétiques plus élevés, des réglementations plus strictes et une concurrence pour les talents avec des entreprises américaines offrant des salaires de la Silicon Valley.

La solution n'est pas d'abandonner l'IA. C'est de reconnaître ce qui cause réellement les échecs et de s'attaquer systématiquement à ces causes profondes : investir dans la qualité des données dès le début, reconnaître que le déploiement de l'IA est fondamentalement un défi lié aux personnes et aux processus, prouver rapidement la valeur commerciale avec des déploiements ciblés, et choisir des architectures techniquement efficaces qui fonctionnent dans les contraintes du monde réel.

Pour les entreprises européennes, cela signifie jouer sur des avantages différents. Vous ne surpasserez pas les concurrents américains en termes d'échelle. Mais vous pouvez les surpasser en ingénierie avec des approches plus efficaces. Vous ne pouvez pas égaler les pratiques de collecte de données de la Silicon Valley, mais des méthodes conformes au RGPD peuvent produire des données d'entraînement de meilleure qualité. Vous ne pouvez pas rivaliser sur la taille des clusters de GPU, mais les architectures efficaces sur CPU éliminent entièrement ce désavantage.

Chez Dweve, nous avons construit notre plateforme spécifiquement pour ces réalités. Des réseaux de neurones binaires fonctionnant sur une infrastructure standard, conçus pour les exigences réglementaires européennes, optimisés pour l'efficacité des données plutôt que pour l'échelle des données. Non pas parce que nous sommes philosophiquement opposés à l'arithmétique en virgule flottante, mais parce que l'économie et les réglementations auxquelles les entreprises européennes sont confrontées exigent des solutions différentes.

Les statistiques d'échec de 2024-2025 racontent une histoire claire. Les organisations qui ne s'attaquent pas à la qualité des données, aux déficits de compétences, à la gestion des coûts et à l'alignement sur la valeur commerciale continueront d'échouer, quels que soient les algorithmes qu'elles utilisent. Celles qui résolvent ces problèmes fondamentaux ont une chance de réussir.

La véritable vérité sur les échecs de l'IA

Les échecs des projets d'IA ne sont pas principalement des problèmes techniques. Ce sont des problèmes organisationnels, économiques et stratégiques qui se manifestent par des échecs techniques.

Quarante-trois pour cent ont des difficultés avec la qualité des données. Soixante-dix pour cent sont confrontés à des défis liés aux personnes et aux processus. Soixante-quatorze pour cent ne peuvent pas démontrer de valeur commerciale. Soixante-dix à quatre-vingt-cinq pour cent des déploiements de GenAI n'atteignent pas les objectifs de ROI.

Ce ne sont pas des problèmes d'algorithmes. Ce sont des problèmes fondamentaux qui doivent être résolus avant que le choix des algorithmes n'ait de l'importance.

Votre prochain projet d'IA n'a pas à rejoindre les 42 % qui sont abandonnés. Mais pour éviter l'échec, il faut reconnaître ce qui le cause réellement : de mauvaises pratiques en matière de données, une gestion du changement organisationnel insuffisante, des objectifs commerciaux flous, des coûts insoutenables et des architectures qui ne correspondent pas aux contraintes du monde réel.

Résolvez ces problèmes, et des approches techniques qui étaient impossibles deviendront viables. Ignorez-les, et même l'IA la plus sophistiquée échouera.

La vérité sur le succès de l'IA est peu glorieuse : c'est la gouvernance des données, l'intégration des flux de travail, la viabilité économique et des indicateurs commerciaux clairs. Tout le reste n'est qu'un détail de mise en œuvre.