Indicateur de pilote IA : la mesure qui doit décider du résultat
Maroun Altekly7 min de lecture
L'affirmation « 95 % des pilotes IA échouent » vient d'un rapport préliminaire de Project NANDA publié en 2025. Il a examiné plus de 300 initiatives IA publiques, interrogé des représentants de 52 organisations et recueilli les réponses de 153 dirigeants. Son chiffre le plus repris est un taux de réussite de 5 % pour les initiatives d'IA générative intégrées ou dédiées à une tâche. Vous pouvez lire la version archivée du rapport original et voir pourquoi la nuance compte.
Le titre n'est utile que si son dénominateur et sa définition l'accompagnent. Project NANDA n'a pas évalué tous les pilotes IA de tous les secteurs. Le travail combine une recherche sur des initiatives publiques, des entretiens et une enquête menés de janvier à juin 2025. Les auteurs présentent les résultats comme directionnels. Les définitions varient entre organisations, et la sélection comme l'auto-déclaration peuvent influencer le tableau. C'est un signal sérieux, pas une loi universelle de l'échec.
Ce que signifiait « mise en œuvre réussie »
Le chiffre de 5 % s'applique aux initiatives GenAI intégrées et dédiées à une tâche qui ont été déclarées comme mises en œuvre avec succès. La réussite signifiait que les utilisateurs et dirigeants observaient un gain marqué et durable de productivité et/ou un impact sur le compte de résultat. Le seuil est plus exigeant que terminer une démonstration, ouvrir un outil aux utilisateurs ou placer une fonction derrière une URL de production.
Le rapport présente une progression 60/20/5 pour ces initiatives d'entreprise : environ 60 % ont été étudiées, 20 % ont atteint le pilote et 5 % ont été mises en œuvre avec succès. Ce sont des étapes de la synthèse directionnelle du rapport, pas la preuve qu'une cohorte unique et représentative de tous les projets IA mondiaux a suivi un même entonnoir.
Le même rapport décrit un autre schéma pour les outils LLM généralistes : environ 80 % ont été explorés ou pilotés et près de 40 % ont été déployés. Le contraste est important. Un salarié peut commencer à utiliser un outil conversationnel flexible avec peu d'intégration. Un système dédié à une tâche doit s'adapter aux données, aux droits d'accès, aux exceptions, aux responsabilités et au fonctionnement réel du travail.
Ce qui freine selon Project NANDA
La préoccupation centrale du rapport est le déficit d'apprentissage. Beaucoup d'outils d'entreprise sont fragiles : ils ne conservent pas le contexte utile, ne s'adaptent pas aux retours et ne progressent pas dans le flux. Les personnes interrogées citent aussi l'effort d'intégration, l'inadéquation au flux, une expérience utilisateur faible, les inquiétudes sur les sorties du modèle, le manque de sponsor et la conduite du changement. Ce sont des thèmes récurrents, pas des causes démontrées expérimentalement pour chaque initiative.
Voilà pourquoi un modèle capable peut tout de même produire un système métier faible. Le travail difficile commence après la réponse impressionnante : relier l'outil à un contexte fiable, décider quoi faire quand la confiance est basse, l'insérer dans un processus existant, obtenir l'adoption du terrain et nommer un responsable du résultat.
L'avertissement du rapport porte sur l'adéquation au flux et l'apprentissage, pas sur un verdict universel contre l'IA.
Ce que le rapport soutient — et ce qu'il ne soutient pas
Project NANDA appuie une direction pratique : partir d'un flux borné, privilégier les systèmes qui utilisent le contexte et les retours pertinents, associer les personnes qui font le travail, intégrer l'outil dans l'environnement réel et rendre la mise en œuvre responsable d'un résultat métier. Il suggère aussi qu'acheter un outil généraliste et construire un système dédié sont deux problèmes d'adoption différents.
Il ne montre pas que les 5 % qui réussissent ont choisi un indicateur en première semaine, établi une référence pendant deux semaines ou suivi la séquence de six semaines de LetzClick. Ce sont nos disciplines de mesure. Elles servent à transformer une mise en œuvre en décision, mais elles ne doivent pas être présentées comme des conclusions de Project NANDA.
Comment LetzClick transforme l'avertissement en test
Nous commençons par un seul flux, une seule équipe et un responsable de décision. Nous écrivons le processus actuel, les données disponibles, les exceptions importantes et l'endroit où une personne doit garder le contrôle. Ensuite seulement, nous décidons si l'IA est le bon outil.
Si elle l'est, nous choisissons une seule mesure métier capable de soutenir une décision : déployer, ajuster ou arrêter. Exemples : temps médian de traitement par dossier complet, part du travail acceptée au premier passage sans reprise, ou heures nécessaires pour préparer un livrable récurrent. La mesure exige une définition claire, un responsable nommé et assez d'observations pour établir une référence crédible.
Cette discipline ne garantit pas la réussite. Elle rend le résultat interprétable. Si le chiffre progresse sans coût inacceptable en qualité, risque ou adoption, il existe une preuve pour passer à l'échelle. Sinon, ajuster ou arrêter est un résultat légitime. Lisez nos guides sur le choix de l'indicateur du pilote et sur la décision de ne pas construire avec l'IA pour le cadre complet.
D'un pilote validé à une mise en œuvre approuvée
Si vous devez distinguer un test de flux utile d'un projet IA guidé par un titre spectaculaire, prenez rendez-vous. Nous vous aiderons à cadrer la décision, et nous vous dirons quand les preuves indiquent de ne pas construire.
Vous ne savez pas par où commencer ? La structure d’abord.Prendre rendez-vous
Maroun Altekly
Fondateur & Principal, LetzClick
Conseil stratégique piloté par le fondateur en IA et transformation numérique pour les dirigeants d’entreprise.
