Au-delà du modèle : l'IA en crise d'exécution

L’intelligence artificielle générative, en entrant dans nos vies il y a près de 3 ans, a provoqué un enthousiasme considérable : promesses de gain de productivité, de nouveaux modèles économiques, de transformations rapides. Pourtant, pour de nombreuses entreprises, force est de constater que cette dernière promesse reste largement non tenue. Plusieurs études récentes (de Boston Consulting  Group à Deloitte, en passant par IBM ou Wavestone) convergent : ce ne sont plus seulement les technologies ou les modèles qui freinent l’adoption (bien que beaucoup reste à faire), mais les dimensions humaines, organisationnelles et financières. Allons voir comment ça se passe …

Dès que l’on s’intéresse aux chiffres qui décrivent les usages, on constate que l’écart est immense entre l’adoption et la création de valeur ! En effet, d’après l’étude « AI Adoption in 2024 » de BCG, 74 % des entreprises n’ont pas encore créé de valeur tangible à partir de leurs initiatives IA. Plus précisément, seulement 26 % ont développé les capacités nécessaires pour passer du pilote à une mise à l’échelle, et seulement 4 % sont considérées comme des « leaders » qui génèrent de la valeur à grande échelle. Pour le dire autrement, « avoir l’IA » ne signifie pas « faire de la valeur avec l’IA » !

L’obstacle n’est plus le concept, mais l’exécution

Alors, pourquoi est-ce aussi compliqué ? La société Deloitte, dans une étude publiée le 15 septembre 2025, identifie plusieurs freins majeurs : l’intégration de l’IA dans les systèmes existants, la gouvernance, la conformité, la préparation des équipes. Une autre étude de l’entreprise Wavestone, parue il y a quelques jours, souligne par ailleurs que les organisations moins matures souffrent fortement de pénurie de talents avec un fonctionnement engoncé dans des silos organisationnels générant une résistance culturelle. En vérité, l’IA n’est pas un projet purement technologique, mais surtout un projet transformationnel. C’est pour cela que l’essentiel des défis vient des dimensions « personnes & processus » plutôt que de l’algorithme lui‑même.

Autrement dit, ce n’est pas le manque d’IA qui pose problème mais, beaucoup plus, l’absence de maturité organisationnelle, de mode de gouvernance et de culture de la transformation dans l’entreprise.

Un facteur vient compliquer la donne : le manque de maîtrise budgétaire !

D’après un rapport de la plateforme CloudZero, 58 % des entreprises estiment que leurs coûts « cloud/IA » sont trop élevés. Ce phénomène s’explique par : l’essor des usages d’IA générative (modèles LLM, inférences massives), l’essor des architectures GPU spécialisées, et des coûts difficiles à anticiper ou à attribuer. Sans maîtrise budgétaire, les projets IA sont vite être perçus comme des postes de dépense(s) sans retour clair. En outre, l’intégration de l’IA dans des systèmes existants de l’entreprise (ERP, CRM, mainframes, données silotées) reste un frein technique majeur. Sans modernisation ou architecture adaptée, l’IA peine à s’inscrire dans le flux opérationnel.

Le problème récurrent des données !

Des données incomplètes, dispersées, biaisées (ou non exploitées) fragilisent l’IA et érodent la confiance dans ses productions.

IBM pointe dans un rapport récent les problèmes de qualité des données (45 % des répondants à une étude interne) ou de manque de données propriétaires (42 % des cas de figure). De fait, des données incomplètes, dispersées, biaisées ou non exploitées fragilisent l’IA et détériorent la qualité de ses prédictions. Toujours chez IBM, 42 % des entreprises interrogées signalent un manque d’expertise en IA générative. Un manque d’expertise qui se conjugue à une gouvernance souvent immature : absence de cadre clair, de comité éthique, de stratégie d’usage.

Le paradoxe est que l’IA est largement explorée par les entreprises mais tarde dans sa mise à l’échelle.

Même lorsque les entreprises ont adopté ou expérimenté l’IA, très peu l’ont déployée à grande échelle et obtenu un impact significatif. Tous les rapports : BCG, Deloitte ou Wavestone le montrent. Wavestone précise que l’adoption commence souvent par des « fonctions intégrées » (productivité, CRM) mais peine à atteindre les processus les plus centraux. Ce paradoxe s’explique par la conjonction des facteurs précédents : coûts, talents, données, gouvernance. Tant que ceux‑ci ne sont pas traités, l’IA reste un « projet » plus qu’un « levier ».

Comment aller " au‑delà du modèle " ?

Voici quelques pistes opérationnelles pour vous aider à franchir le cap :

·      prioriser les cas à fort impact métier. Les entreprises leaders se concentrent sur quelques cas prioritaires plutôt que sur une multitude d’initiatives dispersées.

·      renforcer les fondations. Nettoyer, consolider et gouverner les données ; mettre en place une architecture IA‑ready (cloud, API, intégration) ; créer un cadre de gouvernance (éthique, conformité, pilotage).

·      accompagner l’humain et la culture. Former les équipes à l’IA, adapter les processus, impliquer les fonctions métiers. Combattre les silos organisationnels.

·      contrôler les coûts et piloter la valeur. Définir des indicateurs clairs : coût d’investissement, coût d’usage (cloud/IA), gain attendu, vitesse de ROI.

·      gouverner pour la confiance. Avec les enjeux réglementaires, de biais, de vie privée, la confiance est un élément clé. Sans confiance, l’IA reste marginale !

Cette année, l’IA a quitté le stade expérimental pour devenir un impératif stratégique. Mais la majorité des entreprises sont encore bloquées dans l’écart entre ambition et exécution. Ce ne sont pas tant les modèles ou algorithmes qui font défaut, mais les fondations : données, infrastructure, gouvernance, culture humaine, maîtrise des coûts. Pour transformer l’IA en levier de valeur, il faut adopter une approche holistique : prioriser les cas métier à impact, préparer les fondations, gouverner et piloter la valeur.

Pour avancer efficacement dans l’intégration de l’IA, contactez omestra

Sources :

• BCG, “AI Adoption in 2024: 74 % of Companies Struggle to Achieve and Scale Value”.

• Deloitte, “AI trends 2025: Adoption barriers and updated predictions”.

• CloudZero, “State of AI Costs in 2025”.

• Wavestone, “Global AI Survey 2025: The paradox of AI adoption”.

• IBM Institute for Business Value, “The 5 biggest AI adoption challenges for 2025”.

• Stack‑AI Blog, “The 7 Biggest AI Adoption Challenges in 2025”.