Pourquoi 95 % des projets d'IA échouent : ce que dit vraiment l'étude

En juillet 2025, le rapport The GenAI Divide: State of AI in Business 2025, publié par le projet NANDA du MIT, concluait que 95 % des pilotes d'IA générative examinés n'avaient produit aucun effet mesurable sur le compte de résultat. En novembre 2025, l'enquête State of AI de McKinsey, menée auprès de 1 993 répondants dans 105 pays, relevait que 88 % des organisations déclaraient utiliser l'IA dans au moins une fonction. Les deux chiffres ont fait le tour de la presse francophone, en parallèle, sans que personne n'explique comment ils tiennent ensemble.

Ils tiennent parfaitement, parce qu'ils ne mesurent pas la même chose : l'un compte des pilotes sans effet sur le résultat, l'autre des organisations où quelqu'un se sert de l'outil. Le vrai problème n'est pas la contradiction apparente, c'est que quatre statistiques d'échec circulent en français, qu'elles proviennent de trois sources seulement, et que la plus reprise est la moins solide méthodologiquement.

Cet article détaille d'où vient le chiffre de 95 %, ce qu'il mesure et ce qu'il ne mesure pas, pourquoi il est compatible avec les 88 % de McKinsey, ce que valent les quatre chiffres qui circulent, celui qu'un comité de direction devrait regarder à leur place, et les causes d'échec réellement documentées.

L'essentiel

Le chiffre de 95 % provient d'un rapport préliminaire, non relu par les pairs, fondé sur une revue de plus de 300 initiatives rendues publiques, 52 entretiens d'organisations et 153 dirigeants interrogés lors de quatre conférences sectorielles, entre janvier et juin 2025. Il mesure l'absence d'effet mesurable sur le compte de résultat, pas un taux d'échec technique, et son échantillon de dirigeants est auto-sélectionné. Les 88 % de McKinsey mesurent l'usage déclaré, ce qui n'a aucun rapport. Le chiffre réellement utile à une direction est ailleurs, dans la même enquête McKinsey : 39 % des organisations déclarent un effet sur leur résultat d'exploitation, et 5,5 % lui rattachent plus de 5 % de ce résultat. Enfin, les causes d'échec documentées sont des problèmes de critères de succès, d'accès aux données et de gouvernance, pas des problèmes de modèle.

D'où vient le chiffre de 95 % ?

D'un rapport du projet NANDA, hébergé au MIT Media Lab, signé par Aditya Challapally, Chris Pease, Ramesh Raskar et Pradyumna Chari, et diffusé en juillet 2025 sous le titre The GenAI Divide: State of AI in Business 2025.

Sa méthodologie est décrite dans le document lui-même, et elle mérite d'être lue avant d'être citée. Le travail combine trois matériaux : une revue systématique de plus de 300 initiatives d'IA rendues publiques, des entretiens structurés avec des représentants de 52 organisations, et les réponses de 153 dirigeants collectées lors de quatre conférences sectorielles. La période couverte va de janvier à juin 2025.

Trois caractéristiques en découlent, et aucune n'apparaît dans les articles qui reprennent le chiffre. Le document est explicitement préliminaire et n'a pas été relu par les pairs. L'échantillon de dirigeants est auto-sélectionné, puisque recruté parmi des participants à des conférences sur le sujet, population qui n'est représentative ni des entreprises en général ni de celles qui n'ont rien lancé. Enfin, la fenêtre d'observation est courte au regard du délai habituel entre un déploiement et son effet comptable.

Une critique de fond s'ajoute à ces limites, formulée notamment par des universitaires américains : le chiffre symétrique de 5 % désigne dans le rapport les outils d'entreprise sur mesure parvenus en production, catégorie plus étroite que l'ensemble des pilotes. Le titre qui en tire un taux d'échec de 95 % pour tous les projets d'IA additionne donc deux périmètres différents.

Que mesure-t-il exactement, et que ne mesure-t-il pas ?

Il mesure l'absence d'effet mesurable sur le compte de résultat, dans un délai court, pour des pilotes rendus publics ou décrits en entretien. C'est une mesure économique, pas une mesure technique.

Ce qu'il ne mesure pas mérite d'être énuméré, parce que c'est précisément ce que la reprise francophone lui fait dire. Il ne dit pas que 95 % des projets ne fonctionnent pas techniquement. Il ne dit pas que les outils sont mauvais, ni que les utilisateurs les rejettent : le rapport observe au contraire une adoption individuelle massive. Il ne dit pas non plus qu'un projet sans effet visible sur le résultat au bout de six mois est un échec définitif, ce qui serait un critère qu'aucun investissement informatique ne franchirait.

La formulation exacte compte, et elle est utilisable telle quelle en comité de direction : sur les déploiements observés, l'écrasante majorité n'avait pas encore produit d'effet démontrable sur le compte de résultat au moment de l'observation. Dit ainsi, le chiffre cesse d'être une prophétie et redevient ce qu'il est, un constat d'étape sur une population particulière.

Pourquoi McKinsey dit 88 % d'usage et le MIT 95 % d'échec ?

Parce que l'un compte des organisations où l'outil est utilisé et l'autre des projets où l'effet comptable est démontré. Une même entreprise peut figurer dans les deux, et c'est même le cas le plus fréquent.

L'enquête State of AI de McKinsey, menée en ligne du 25 juin au 29 juillet 2025 auprès de 1 993 répondants dans 105 pays, mesure l'usage déclaré dans au moins une fonction de l'entreprise. Une direction commerciale qui rédige ses comptes rendus avec un assistant fait entrer son organisation dans les 88 %, sans qu'aucun euro ne se déplace dans le compte de résultat. Le rapport du MIT, lui, cherche la trace comptable, et ne la trouve pas dans la plupart des cas examinés.

Le rapprochement de ces trois lignes donne la lecture correcte, et elle est plus intéressante que chacune prise isolément : l'usage est général, l'effet économique est minoritaire mais réel, et il est concentré. C'est une situation classique de début de cycle d'adoption, pas une anomalie propre à l'IA.

Que valent les quatre chiffres d'échec qui circulent en français ?

Inégalement, et l'écart entre eux est plus instructif que chacun d'entre eux. Les articles francophones sur le sujet se ramènent en réalité à trois sources amont, dont l'une n'existe pas.

Le dernier cas mérite qu'on s'y arrête, parce qu'il illustre le mécanisme. Un chiffre rond, plausible, sans source, apparaît dans un article, se fait citer par un deuxième qui attribue la paternité au premier, puis par un troisième qui cite le deuxième. Au bout de la chaîne, l'affirmation paraît solide parce qu'elle est partout, alors qu'elle n'a jamais eu de commencement. C'est le même mécanisme que celui décrit dans notre article sur les chiffres de l'IA en Afrique, et il se détecte avec le même geste : remonter d'un cran à chaque citation jusqu'à trouver une méthodologie, ou constater qu'il n'y en a pas.

Le cas des 88 % de Forrester et Anaconda est différent, et il appelle une formulation prudente. Le chiffre est massivement repris, y compris par des analystes sérieux, mais nous n'avons pas atteint le document primaire lors de nos vérifications du 12 août 2026. Nous le citons donc en signalant cette limite, plutôt qu'en le présentant comme établi.

Quel chiffre un comité de direction devrait-il regarder ?

Celui des 39 %, et son complément à 5,5 %. Ce sont les deux seules lignes de tout ce corpus qui répondent à la question que pose réellement un dirigeant : est-ce que cela finit par se voir dans les comptes, et chez qui.

L'enquête McKinsey relève que 39 % des organisations déclarent un effet de l'IA sur leur résultat d'exploitation au niveau de l'entreprise, et que 5,5 % lui rattachent plus de 5 % de ce résultat. Cette distribution dit deux choses. La première est que l'effet existe et qu'il est déjà mesuré ailleurs, ce qui rend intenable la position consistant à attendre. La seconde est qu'il est concentré, donc qu'il dépend de conditions que la majorité ne réunit pas.

Une troisième ligne de la même enquête complète le tableau, et elle est peu reprise : 17 % des organisations déclarent que la gouvernance de l'IA est supervisée par le conseil d'administration, et 28 % que le directeur général en assume directement la responsabilité. Autrement dit, dans la grande majorité des cas, personne au sommet ne porte le sujet, ce qui explique mieux les résultats médiocres que n'importe quelle considération technologique.

Quelles sont les causes d'échec réellement documentées ?

Des causes d'organisation, jamais de modèle. Les analyses sectorielles qui décomposent les échecs de déploiement citent, dans l'ordre, l'absence de critères de succès définis, l'accès insuffisant aux outils et aux données, et les frictions de gouvernance.

Cette liste recoupe ce que nous observons sur les déploiements que nous accompagnons, avec une nuance sur le premier point. L'absence de critère de succès ne se présente presque jamais comme telle : elle prend la forme d'un critère choisi après coup, une fois les résultats connus, ce qui garantit qu'il sera atteint et qu'il ne convaincra personne. Le remède tient en une ligne écrite avant l'ouverture du premier compte, avec le relevé de la situation de départ, et c'est le point que détaille notre article sur par où commencer avec l'IA dans votre entreprise.

La deuxième cause, l'accès aux données, est celle qui coûte le plus cher à corriger tard. Un pilote mené sur un jeu de données préparé pour l'occasion produit un résultat qui ne se reproduit pas en production, où les fichiers sont incomplets, mal nommés et dispersés. Il vaut mieux un pilote décevant sur les données réelles qu'un pilote brillant sur des données arrangées.

Par quoi commencer si vous voulez éviter ce sort ?

Trois gestes, dont deux tiennent en une heure.

Prenez le dernier article qui vous a alarmé et cherchez-y la méthodologie de son chiffre. Nombre de répondants, mode de recrutement, période, définition de ce qui est compté. Si l'un de ces quatre éléments manque, le chiffre ne vaut pas la décision qu'il inspire.

Écrivez le critère de succès de votre projet en cours, et datez-le. Un critère écrit après les résultats n'a aucune valeur devant un directeur financier, et c'est la première cause d'échec documentée.

Relevez la situation de départ avant de brancher quoi que ce soit. Délai de sortie, volume traité à effectif constant, taux de reprise. Ce relevé coûte une demi-journée et il est irrécupérable une fois le déploiement commencé.

Les 95 % du MIT décrivent une population particulière observée sur six mois avec une méthodologie préliminaire, les 88 % de McKinsey décrivent l'usage déclaré, et les deux sont compatibles. Le chiffre qui décide, pour une direction, est celui des 39 % d'organisations qui constatent un effet sur leur résultat d'exploitation, dont 5,5 % au-delà de 5 %. Un projet échoue rarement à cause du modèle, presque toujours à cause d'un critère de succès écrit trop tard.

À lire également

• Par où commencer avec l'IA dans votre entreprise : les quatre critères du premier cas d'usage et la mesure à relever avant de commencer.
• Les chiffres sur l'IA en Afrique sont faux : la méthode complète pour remonter à la source primaire d'une statistique.
• Qu'est-ce qu'un agent IA : pourquoi les chiffres d'échec des agents mesurent encore autre chose, et les trois questions à poser à un fournisseur.
• Les guides français sur l'IA ne marchent pas chez nous : les hypothèses implicites des guides écrits ailleurs, y compris dans leurs statistiques.

FAQ

Le chiffre de 95 % d'échec des projets d'IA est-il faux ?

Non, mais il ne dit pas ce qu'on lui fait dire. Il provient d'un rapport préliminaire du projet NANDA du MIT, publié en juillet 2025, et il mesure l'absence d'effet démontrable sur le compte de résultat, sur une population de pilotes observés entre janvier et juin 2025. Il ne mesure ni un échec technique, ni un rejet par les utilisateurs.

Quelle est la différence entre les 95 % du MIT et les 88 % de McKinsey ?

Les 88 % comptent les organisations qui déclarent utiliser l'IA dans au moins une fonction, les 95 % comptent des pilotes sans effet mesurable sur le résultat. Une même entreprise peut appartenir aux deux ensembles, et c'est le cas le plus courant. Les deux chiffres décrivent ensemble une adoption large et une valeur concentrée.

Quel chiffre citer devant un comité de direction ?

Celui des 39 % d'organisations qui déclarent un effet de l'IA sur leur résultat d'exploitation, complété par les 5,5 % qui lui rattachent plus de 5 % de ce résultat, tous deux issus de l'enquête McKinsey de 2025. Ce sont les seules lignes qui répondent à la question posée en comité, et elles se citent avec leur méthodologie.

Pourquoi les projets d'IA échouent-ils réellement ?

Pour trois raisons documentées, aucune n'étant technique : l'absence de critère de succès défini avant le lancement, un accès insuffisant aux données et aux outils réels, et des frictions de gouvernance. Le premier point est le plus fréquent et le moins coûteux à corriger, à condition de l'écrire avant d'ouvrir le premier compte.

Comment vérifier soi-même une statistique sur l'IA ?

Cherchez quatre éléments : le nombre de répondants, leur mode de recrutement, la période d'observation et la définition de ce qui est compté. Remontez ensuite d'un cran à chaque citation jusqu'à trouver un document qui publie ces quatre éléments. Si la chaîne s'interrompt sans jamais y arriver, vous tenez un chiffre sans commencement.