10.02.2026

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham

---

La grande majorité des mises en œuvre documentées de l’IA en entreprise ne livrent pas les résultats escomptés. Le chiffre varie selon les sources, mais qu’il s’agisse du MIT ou d’analystes sectoriels, on lit partout que 80 à 95 % des projets stagnent, sont discrètement abandonnés ou ne parviennent jamais en production. Parallèlement, la plupart des comités de direction augmentent leurs budgets IA pour 2026. Ce n’est pas une contradiction – c’est un signal d’alerte. Car l’espoir n’est pas une stratégie. L’industrie automobile fournit des exemples parlants à cet égard. La filiale logicielle de Volkswagen, Cariad, a brûlé des milliards d’euros avant que le groupe ne tire la sonnette d’alarme – non pas parce que la technologie n’existait pas, mais parce que l’organisation n’avait défini aucun problème clair et hiérarchisé. À la place, tout devait être transformé simultanément. Résultat : beaucoup d’infrastructures, peu de résultats tangibles. Cariad n’est pas un cas isolé. C’est le schéma récurrent.  

Pourquoi la stratégie « IA d’abord » échoue systématiquement

L’erreur commence dès la formulation initiale. « IA d’abord » sonne comme une marque de détermination et de volonté d’innover. Dans la réalité opérationnelle, cela signifie toutefois souvent qu’une entreprise achète des outils d’IA puis cherche, a posteriori, des problèmes auxquels les appliquer. Il s’agit là de la parfaite inversion de toute logique d’innovation fonctionnelle. Une technologie ne résout pas des problèmes que personne n’a formulés. Le premier symptôme est la solution sans problème. Des départements reçoivent des budgets pour « faire quelque chose avec l’IA ». Ils évaluent des outils, construisent des démonstrations, présentent leurs travaux lors de journées internes d’innovation. Mais personne ne s’est auparavant demandé : quel processus concret voulons-nous améliorer ? De combien ? Et comment mesurerons-nous cette amélioration ? Conséquence : des projets pilotes qui fonctionnent techniquement, mais qui ne génèrent aucune valeur métier vérifiable. Le deuxième symptôme est la vague horizontale de PoC (preuves de concept). De nombreuses entreprises lancent simultanément dix, vingt ou plus de PoC dans divers départements. Chaque équipe travaille avec des données différentes, des fournisseurs différents, des critères de réussite différents. Le résultat est un portefeuille d’expériences à moitié achevées, dont aucune ne franchit le cap de la montée en puissance. Pas parce que la technologie échoue, mais parce que personne n’a accompli le travail organisationnel préalable – infrastructure de données, gouvernance, gestion du changement. Le troisième symptôme est l’absence de véritables indicateurs de succès. « Nous utilisons désormais l’IA » est un communiqué de presse, pas un indicateur de performance clé (KPI). Tant que les entreprises mesurent le succès de leurs projets IA à leur simple existence, plutôt qu’à des améliorations mesurables de délais de traitement, de taux d’erreurs ou de réduction des coûts, ces investissements restent un acte de foi. Or la foi ne se monte pas en puissance.  

Ce que font différemment les entreprises performantes

Les rares entreprises dont les projets IA fonctionnent effectivement partagent une caractéristique commune : elles ne considèrent pas l’IA comme une stratégie, mais comme une discipline d’ingénierie. Cette différence semble subtile, mais elle est fondamentale. Priorisation verticale plutôt que dispersion horizontale. Plutôt que de déployer l’IA partout simultanément, ces entreprises identifient un processus concret présentant un fort potentiel de douleur et une haute disponibilité des données. Elles résolvent entièrement ce seul problème – du nettoyage des données, en passant par l’entraînement du modèle, jusqu’à l’intégration dans le flux de travail opérationnel. Seulement après viendra le prochain cas d’usage. Des business cases clairs avant le premier prompt. Avant même de connecter la moindre API, un business case est rédigé, quantifiant précisément la valeur attendue. Pas dans des catégories floues telles que « amélioration de l’efficacité », mais en chiffres concrets : réduction du délai de traitement de 48 à 12 heures ; baisse du taux d’erreurs de 8 à 2 % ; économies de 200 000 euros par trimestre. Celui qui ne peut pas nommer ces chiffres n’a pas un projet IA – il a une hypothèse. L’augmentation plutôt que le remplacement. Ici, le cercle se referme sur la controverse autour de Klarna, qui a de nouveau fait grand bruit au milieu de l’année 2025. Klarna avait choisi « IA d’abord » comme mot d’ordre stratégique et supprimé systématiquement des postes. Résultat : détérioration de la qualité du service, frustration croissante des clients, et un PDG contraint de reconnaître publiquement que les comptes ne cadrent pas. La contre-proposition vient d’entreprises qui utilisent l’IA pour renforcer le travail humain. Un gestionnaire de dossiers, soutenu par l’IA, traitant deux fois plus de dossiers, crée davantage de valeur qu’un bot répondant de façon erronée à la moitié des demandes.  

Le cadre « problème d’abord » : trois questions à poser avant chaque projet IA

Pour réduire le taux d’échec de ses initiatives IA, une entreprise n’a pas besoin d’un nouvel outil ni d’un consultant supplémentaire. Elle a besoin de discipline face à trois questions, auxquelles il faut impérativement répondre avant tout démarrage de projet. Première question : Quel problème concret et mesurable ce projet va-t-il résoudre ? Si la réponse est « Nous voulons utiliser l’IA », ce n’est pas un problème, mais un moyen. Retour à la case départ. Deuxième question : Quelle est la valeur de référence actuelle, et quel est l’objectif visé ? Sans valeur de référence, il n’y a pas de progrès mesurable. Celui qui ignore combien de temps prend aujourd’hui un processus ne peut pas juger si l’IA le rend plus rapide. Établir cette valeur de référence est souvent plus fastidieux que de construire le modèle – et c’est précisément pourquoi on la saute. Erreur fatale. Troisième question : Que se passe-t-il si l’IA se trompe ? Tout système IA comporte un taux d’erreur. La question n’est pas de savoir si des erreurs surviendront, mais s’il existe une position de repli. Dans le traitement des sinistres d’une compagnie d’assurance, un dossier mal classé peut être un simple désagrément. En diagnostic médical, c’est une catastrophe. Ces trois questions ne constituent pas un cadre d’innovation destiné aux ateliers. Ce sont un filtre. Celui qui y répond honnêtement constatera que, sur dix projets IA planifiés, trois seulement passent l’examen. C’est précisément le but recherché. Trois projets bien pensés, mis en production, valent mieux que trente projets pilotes qui finissent dans des présentations PowerPoint.  

Checkliste : Prêt pour les projets IA ou seulement pour les annonces IA ?

Cinq questions pour un état des lieux honnête en deux minutes :

• Pouvez-vous, pour chaque projet IA en cours, nommer une valeur cible concrète et mesurable ?
• Chaque projet dispose-t-il d’un propriétaire de processus clairement identifié, responsable de son succès – et non seulement de la technologie ?
• Disposez-vous d’une base de référence documentée concernant les données des processus que l’IA doit améliorer ?
• Existe-t-il une stratégie de repli en cas de panne du système IA ou de résultats erronés ?
• Le succès de vos initiatives IA est-il mesuré à l’aide d’indicateurs métier – ou à l’aide du nombre de projets lancés ?

Celui qui peut répondre « oui » à au moins quatre de ces questions travaille déjà selon la logique « problème d’abord ». Tous les autres devraient affiner, plutôt qu’étendre, leur feuille de route IA. Moins de projets, plus d’impact. Moins de vision, plus d’ingénierie. Moins de « IA d’abord », plus de « problème d’abord, IA activée ». Ce n’est pas un frein à l’innovation. C’est la condition préalable pour que l’innovation porte réellement ses fruits.

Questions fréquentes

Pourquoi tant de projets IA échouent-ils en entreprise ?

La cause la plus fréquente est l’absence de définition claire du problème. Les entreprises acquièrent des outils IA sans avoir au préalable formulé un cas d’usage concret et mesurable. À cela s’ajoutent une qualité insuffisante des données, une gouvernance défaillante et des indicateurs de succès flous.

Que signifie « problème d’abord, IA activée » ?

Quelle est la différence entre augmentation et remplacement dans le domaine de l’IA ?

L’augmentation signifie que l’IA soutient et renforce le travail humain – par exemple via une analyse de données plus rapide ou des suggestions. Le remplacement consiste à substituer intégralement la main-d’œuvre humaine par de l’IA. Des études et des exemples pratiques, tels que celui de Klarna, montrent que l’augmentation produit souvent de meilleurs résultats.

Comment rédiger un business case pour un projet IA ?

Quel rôle joue la qualité des données dans la mise en œuvre de l’IA ?

La qualité des données constitue la fondation décisive. Sans données nettoyées, structurées et complètes, aucun modèle IA ne peut fonctionner de façon fiable. Établir la base de référence des données et construire l’infrastructure de données est souvent plus complexe que l’entraînement du modèle lui-même.

Que peuvent apprendre les entreprises de l’exemple de Klarna ?

Combien de projets IA une entreprise devrait-elle mener simultanément ?

Moins, c’est plus. Les entreprises performantes privilégient la priorisation verticale : elles résolvent entièrement un problème avant d’aborder le cas d’usage suivant. Trois projets soigneusement menés, avec un impact mesurable, valent plus que trente preuves de concept menées en parallèle.

 

Source de l’image : Unsplash / Scott Graham