La majorité des projets IA en entreprise n’échouent pas à cause de l’IA. Ils échouent parce que l’organisation qui la déploie n’est pas prête à voir ce que la mise en place de l’IA lui montre.
C’est un constat qui revient sur quasiment toutes les missions d’innovation digitale qu’on accompagne. Avant même de toucher à un modèle ou de configurer un agent, on passe plusieurs semaines à comprendre comment fonctionne réellement l’organisation qui veut intégrer l’IA. Et c’est là que les choses sérieuses commencent.
L’IA est un projecteur braqué sur les zones que personne ne regardait. Et c’est peut-être le seul vrai cadeau qu’elle fait aux entreprises aujourd’hui, bien plus que les gains de productivité dont tout le monde parle.
Frein n°1 : des données qui ne sont pas prêtes
Pour qu’un agent IA fasse son travail, il lui faut accéder à des données réelles, exploitables, à jour. Et là, la plupart du temps, le COMEX découvre que :
- Le référentiel client tourne dans trois bases différentes qui ne disent pas la même chose
- Les contrats sont des PDF scannés stockés dans un SharePoint que plus personne ne sait administrer
- Les données financières « consolidées » du reporting mensuel passent en réalité par un Excel maintenu à la main par une personne qui part bientôt à la retraite
C’est toujours le même mur. Et il n’était pas aussi visible avant les projets d’intégration de l’IA. Le déploiement IA rend visible un problème qui existait déjà, et qui devient soudainement coûteux.
Avant, on pouvait vivre avec. Une fonction support tournait à coups de copier-coller, on faisait avec, ça passait. Aujourd’hui, le projet IA bute dessus dès la première semaine. Le DAF qui réclamait depuis cinq ans un référentiel maître sans réussir à le faire prioriser voit son arbitrage remonter d’un coup au niveau du COMEX. L’IA n’a convaincu personne. Elle a simplement éliminé l’option de continuer à éviter le sujet.
Frein n°2 : des process non documentés ni partagés
Pour automatiser un process, il faut savoir le décrire tel qu’il se passe vraiment, dans le quotidien des équipes. La procédure officielle, quand elle existe, ne suffit pas, l’idée qu’on en a non plus.
Quand on lance ce travail avec une équipe métier, on assiste systématiquement à la même scène. On réunit plusieurs personnes qui font le même boulot. On leur demande de décrire leur process. On obtient plusieurs versions profondément différentes. Avec des étapes que certains font et d’autres pas. Avec des règles métier non écrites que chacun applique à sa façon. Avec des tolérances qui se sont sédimentées au fil des années sans que personne ne s’en rende compte.
Le process documenté dans la procédure officielle ? Si elle existe (ce qui place déjà l’entreprise dans le top 10 % des boites organisées), plus personne ne l’a relu depuis trois ans. Le vrai process est dans la tête des gens, et il varie d’une personne à l’autre.
L’IA force à trancher. Une seule version va passer en production, là où cinq circulaient en parallèle dans une cohabitation tacite. Ce moment de décision, beaucoup d’entreprises l’évitaient depuis longtemps, car il remet en cause des manières de travailler. Il désigne des arbitres et des règles partagées là où chacun avait sa façon de faire. C’est aussi le seul moyen de cesser de tolérer l’incohérence comme s’il s’agissait d’une fatalité.
Frein n°3 : la posture du dirigeant face à l’adoption de l’IA
Pour qu’un projet IA aboutisse vraiment, il faut un dirigeant qui accepte de regarder son entreprise comme un système. Comme un ensemble de flux d’information, de décisions et de processus qui produisent de la valeur. La vision habituelle, par direction et par KPI mensuel, suffit en routine. Elle craque dès qu’il faut placer un agent quelque part dans la chaîne.
Cet exercice-là, beaucoup de dirigeants ne l’ont jamais mené. Ils dirigent par les chiffres en sortie. Ils savent que le CA progresse, que la marge tient, que les NPS sont corrects. Ils ne savent pas vraiment comment ça se fabrique en bas. Ils l’ont délégué, parfois depuis vingt ans, et personne n’a remis en cause cette délégation.
L’IA les ramène dans la pièce. Comprendre comment la valeur se fabrique en bas redevient une exigence quotidienne, parce qu’on ne peut pas décider d’investir dans un agent sans comprendre ce qu’il va remplacer ou augmenter. Quels sont les processus stratégiques qui créent la différence avec mes concurrents ? Lesquels sont du bruit qu’il faudrait simplement supprimer ? Sur quels processus la valeur tient à un savoir-faire humain qu’on doit préserver, et lesquels sont devenus du tâcheronnage qu’on peut confier à un agent ?
Ces questions relèvent de la stratégie d’opérations. Beaucoup de directions générales les évitent quand elles passent leur année en COMEX à parler de roadmap commerciale, d’enjeux RH et de communication externe. L’IA défait cette supposition. Elle remet le fonctionnement opérationnel sur la table du COMEX, parce qu’aucun arbitrage IA sérieux ne peut se faire sans cette compréhension fine.
Le piège à nommer : automatiser le désordre
Si on automatise un process inefficace, on obtient un process inefficace plus rapide. Plus volumique. Plus difficile à corriger ensuite, parce que les humains qui en connaissaient le contour se concentreront sur autre chose ou auront perdu l’habitude.
C’est le scénario le plus fréquent quand on saute l’étape de structuration : on appose une couche d’automatisation sur des process défaillants, on gagne quelques mois de productivité visible, on présente les résultats au COMEX, et on hérite d’une dette technique et organisationnelle qui coûtera trois fois plus cher à défaire.
La structuration est le vrai chantier que l’IA déclenche. Elle ne tombera pas dans le panier comme un bénéfice annexe. L’IA en est le déclencheur, parce qu’elle rend la procrastination plus chère que l’action.
Les entreprises qui tirent vraiment parti de l’IA aujourd’hui sont celles dont le dirigeant a accepté d’être bousculé. Le critère n’est ni la qualité des modèles ni la taille du budget. C’est la disponibilité mentale à voir que ses données sont en désordre, que ses process sont en doublon, que sa propre vision opérationnelle est trouée. Et la capacité à considérer ces constats comme une opportunité de remise à plat plutôt qu’un procès personnel.
Les autres font des POC. Beaucoup de POC. Ils les présentent en CODIR, ils en tirent des slides spectaculaires. Et ils n’industrialisent rien, parce que la marche réelle entre la démo et la production passe par tous les freins qu’ils ont refusé de regarder. Au bout de dix-huit mois, ils concluent que l’IA « n’est pas mature ». C’est rarement l’IA qui ne l’est pas.
Ce qu’on retient
Le vrai apport de l’IA aux entreprises se joue ailleurs que dans la productivité ou dans l’innovation. Il se joue dans le retour, par effet de bord, d’une conversation sérieuse sur la façon dont une entreprise fonctionne réellement.
Cette conversation, beaucoup de dirigeants ne l’ont pas eue depuis longtemps avec leurs équipes. Ni en COMEX, ni en revue stratégique, ni en séminaire annuel. L’IA leur en donne le prétexte, et même un peu plus que le prétexte : elle leur en donne l’obligation budgétaire.
Reste à savoir lesquels iront au bout, et lesquels rangeront le projet IA dans le tiroir des chantiers à reprendre plus tard, à côté du MDM qu’ils repoussent depuis cinq ans.
Si l’IA n’apportait que ça, ce serait déjà beaucoup.
Foire aux questions
Parce que la marche entre la démonstration et la production passe par trois freins que beaucoup d’entreprises refusent d’affronter : des données non structurées, des process non documentés et une posture managariale insuffisamment engagée. Un POC peut fonctionner sur des données propres et un périmètre restreint. L’industrialisation, elle, nécessite de résoudre ces problèmes de fond.
Les trois freins les plus fréquents observés sur le terrain sont : la qualité et l’accessibilité des données internes, la maturité des process métiers (souvent non documentés et non standardisés), et la disponibilité mentale du dirigeant à remettre en question le fonctionnement réel de son organisation. Ces freins ne sont pas technologiques : ils sont organisationnels.
La clé est de traiter la structuration avant l’automatisation. Cela signifie : auditer la qualité des données disponibles, documenter et standardiser les process concernés, et s’assurer que la direction générale est prête à trancher sur des arbitrages opérationnels précis. Les entreprises qui réussissent leur transformation IA ne sont pas celles qui ont le meilleur modèle : ce sont celles dont le dirigeant accepte d’être bousculé.
Oui, à condition que l’entreprise soit elle-même prête. La maturité de l’IA n’est plus le sujet ; les modèles actuels sont largement suffisants pour automatiser des processus métier complexes. Ce qui bloque, c’est rarement la technologie. C’est la capacité de l’organisation à lui fournir les données et les process dont elle a besoin pour fonctionner.