La véritable raison pour laquelle vos pilotes d’IA échouent et comment les remettre sur les rails
La plupart des projets d’IA ne périssent pas à cause d’une technologie médiocre. Ils échouent lorsque de bonnes technologies rencontrent des humains non préparés.
L’an passé, une étude du MIT a fait la une dans le monde entier en révélant que 95 % des projets pilotes d’IA générative échouent à fournir un ROI mesurable. Ce taux d’échec n’a rien à voir avec les capacités des modèles. Les organisations déploient des outils IA à un rythme effréné sans structure de gouvernance, sans responsabilité pour la formation, ni objectif clair communiqué aux équipes. En quelques semaines, les systèmes se brisent parce que les humains n’étaient pas prêts.
Les gens utilisent les outils de façon incohérente, ce qui provoque d’énormes variations dans les résultats. La qualité plonge. Les employés deviennent dépendants de systèmes qu’ils ne comprennent pas et leurs compétences de base s’atrophient. Sous la pression d’obtenir des résultats, ils abandonnent complètement les outils officiels et se tournent vers n’importe quelle IA personnelle qui leur paraît plus facile à utiliser.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Nous connaissons désormais cela sous le nom d’IA de l’ombre.
Le coût ne se limite pas au temps de développement gaspillé. Il entraîne des pertes de productivité, une dégradation de la qualité de la production, des risques de non-conformité et une perte de cap stratégique.
Pourquoi les projets pilotes d’IA échouent-ils
Les dirigeants voient l’adoption de l’IA comme un simple déploiement technologique alors qu’il s’agit en réalité d’une transformation organisationnelle.
Un déploiement est un défi technique. Vous réunissez les données adaptées à l’outil choisi, réglez les licences et les accès, puis vous basculez le système.
La transformation est un défi humain. Cela touche les comportements, les processus, les modes de travail, les identités personnelles et les compétences. Le véritable changement se produit dans la façon dont les gens pensent, décident et collaborent, pas dans l’outil lui-même.
Je ne pense pas qu’il soit judicieux de traiter l’IA générative comme un simple déploiement technologique. C’est vraiment plutôt un exercice de gestion du changement, car il s’agit d’amener les gens à penser différemment à leur manière de travailler et à les amener à changer leurs comportements. Et, finalement, vous voulez que ces nouveaux comportements deviennent des habitudes.
Oublier ce travail de transformation, c’est ouvrir la porte au chaos déguisé en innovation.
La pression pour aller vite est réelle. Tout le monde suppose que la concurrence avance à toute allure, alors on fait l’impasse sur l’effort de conception de systèmes et de refonte des workflows. Certaines organisations adoptent une approche désinvolte dès le sommet, poussées par des objectifs de réduction de coûts, de gain d’efficacité ou d’image innovante.
Résultat ? 42 % des entreprises ont abandonné leurs initiatives IA en 2025, contre seulement 17 % l’année précédente.
Les trois lacunes de compétences qui anéantissent le ROI de l’IA
Le déficit de compétences ne se résume pas à un seul problème. Il combine trois carences distinctes qui, ensemble, provoquent l’échec organisationnel.
1. Jugement technique dans les choix de déploiement
Votre équipe doit comprendre quand utiliser l’outil, et quand ne pas l’utiliser. Cela diffère du simple savoir-faire technique.
Trop souvent, les utilisateurs manquent du discernement nécessaire pour évaluer si un résultat d’IA est suffisant, pertinent dans le contexte, ou répond même à la bonne question. Ils ne savent pas distinguer « l’outil a généré quelque chose » de « l’outil a généré un résultat utile ».
Cela n’a rien à voir avec la maîtrise du SQL ou du contrôle de version. Il s’agit de développer la capacité à prendre des décisions de déploiement de l’IA intelligentes dans des contextes professionnels réels.
Taylor Blake, SVP d’AI Labs chez Degreed, pointe une déconnexion fondamentale.
« La différence entre une démo d’IA et l’IA en pratique peut être énorme. Et on ne la découvre vraiment qu’en ayant les mains dedans et en étant confronté à ces problèmes », dit-il.
2. Normes de qualité et cadres d’évaluation
La plupart des organisations se contentent de montrer comment fonctionne l’outil. Cela ne permet que d’effleurer le sujet.
Ce qui manque, c’est la capacité à évaluer les résultats selon des critères de qualité pertinents. Sans cadre clair d’évaluation, les gens en reviennent à « ça a produit quelque chose, donc je vais l’utiliser ».
La différence de ROI est importante car le véritable retour provient du fait de permettre aux personnes d’exceller dans leur travail à plus forte valeur ajoutée, et non de simplement générer davantage de résultats. Dans un monde où tout le monde a accès aux mêmes outils, créer un environnement où les individus appliquent l’IA de manière stratégique différencie la performance de votre entreprise.
3. Application créative et résolution de problèmes
La plupart des formations échouent complètement à ce niveau. Elles enseignent les fonctionnalités au lieu d’inspirer la résolution créative de problèmes.
Peut-être que quelqu'un n’a aucun problème à rédiger du contenu marketing une fois qu’il a la direction créative. Mais lorsqu’il s’agit d’analyser les options et de décider d’une direction, il se retrouve bloqué. C’est là qu’est leur plus grande opportunité, l’endroit où l’IA pourrait complètement transformer leur façon de travailler.
Présenter différentes fonctionnalités pour inspirer des applications créatives aide les employés à s’attaquer à leurs défis les plus chronophages. C’est là que la transformation s’opère réellement.
La crise d’identité que vous ignorez
L'identité personnelle n’apparaît dans la plupart des plans de mise en œuvre de l’IA. Pourtant, elle le devrait.
Lorsque l’IA commence à prendre en charge certaines parties du poste de quelqu’un, cela génère une profonde insécurité et anxiété. Les gens craignent ce qui pourrait leur arriver s’ils ne s’adaptent pas aux changements dans la main-d’œuvre. Cette peur se manifeste de deux façons destructrices.
1.) Ils résistent ou sabotent les efforts d’adoption de l’IA de l’entreprise. Pas de manière flagrante, mais par une non-adoption passive, des contournements, et un sabotage silencieux des systèmes officiels.
2.) Ils se tournent vers des outils qu’ils trouvent plus simples à utiliser, indépendamment du fait que ces outils répondent réellement aux besoins de l’entreprise. C’est ainsi que naît le problème de l’IA fantôme : 90 % des employés utilisent quotidiennement des outils personnels d’IA comme ChatGPT pour leurs tâches, alors que seulement 40 % des entreprises disposent d’abonnements officiels à des LLM.
Les données sur l’anxiété des employés sont impressionnantes. 65 % des salariés sont anxieux à l’idée que l’IA remplace leur emploi. Près des deux tiers s’inquiètent de ne pas savoir comment utiliser l’IA de façon éthique. Cette anxiété freine directement l’adoption, avec jusqu’à 70 % des initiatives de changement liées à l’IA qui échouent à cause de la résistance des employés ou d’un soutien managérial insuffisant.
Justin Angsuwat, Chief People Officer chez Culture Amp, a observé un phénomène contre-intuitif lors du déploiement d’un coach IA dans son organisation.
Sometimes assuming that the senior or high performing folks would be the first to jump on and kind of master AI is an assumption that’s not always coming to fruition because I think unlearning how you’ve done things is actually pretty hard. If you’ve been doing the same thing for 20 years, part of your identity is wrapped up in how you get to that answer.
Le paradoxe est cruel : les gens sont à la fois anxieux à l’idée de prendre du retard et sabotent activement les systèmes conçus pour les aider à réussir.
Faire d’abord le travail humain
Pour un COO ou un DRH sur le point de déployer des outils d’IA, l’intervention commence par la communication et le renforcement de la confiance.
Les collaborateurs ont besoin de comprendre pourquoi vous procédez ainsi, ce qu’ils ont à y gagner, et comment cela façonnera leur futur — au sein de l’entreprise comme dans leur carrière.
Ils n’adhéreront peut-être pas totalement. Mais la transparence crée les bases d’une véritable adoption.
L’équipe d’Angsuwat s’est d’abord concentrée sur la prise de confiance avant de s’inquiéter d’une exécution parfaite.
« Notre objectif était d’améliorer la confiance des employés dans l’utilisation de l’IA, car il est assez difficile de mesurer le déclic, explique-t-il. L’idée était vraiment d’apprendre, d’expérimenter, de tenter, tout simplement. Il ne s’agissait pas de livrer un résultat parfait et abouti, ce qui a permis de retirer une vraie pression. »
Le bon repositionnement consiste à aider chacun à voir le travail avec l’IA comme une opportunité de développer de nouvelles compétences et de repenser sa contribution essentielle. Ce n’est pas une menace pour leur poste actuel, mais une chance d’évoluer vers un rôle plus précieux.
Mais la formation seule ne suffit pas. Angsuwat l’a appris à la dure.
« Ce qui était intéressant, c’est que même après ces six semaines de programme, certains suivaient et réalisaient des petits exercices, créaient leur jeu vidéo, puis retournaient à leur quotidien… et ils étaient de nouveau intimidés. »
Cela exige du leadership qu’il fasse le travail difficile en amont, avant le déploiement, et non une fois les problèmes apparus.
Cathey insiste sur la nécessité de créer un espace d’expérimentation.
« Je pense qu’il est vraiment important que les entreprises reconnaissent que lorsqu’un changement est impliqué, il faut ralentir pour pouvoir accélérer par la suite. Personne ne devient expert en un jour. Il s’agit d’un processus et il faut donner à vos équipes de l’espace et du temps pour expérimenter en toute sécurité. »
L’angle mort de la gouvernance
Lorsque la direction met des outils à disposition sans propriétaire désigné, sans structures de responsabilisation, ni visibilité sur les usages, c’est la porte ouverte à l’anarchie.
La plupart des entreprises ne suivent pas ce que les collaborateurs font réellement avec la technologie ni comment ils l’utilisent. C’est la recette d’une crise de gouvernance.
Sans cadre de gouvernance de l’IA, les organisations risquent d’entacher leur réputation à cause de résultats incohérents ou problématiques, de perdre la confiance des clients en cas de baisse de qualité, de subir des pertes financières par des retours en arrière et investissements gaspillés, ainsi que des sanctions réglementaires en cas de non-conformité.
Le risque opérationnel est immédiat. Sans structures de gouvernance claires, il est impossible d’attribuer la responsabilité lorsqu’un système d’IA échoue ou cause des conséquences négatives. Instaurer une responsabilisation est primordial pour résoudre les problèmes et faire progresser les systèmes au fil du temps.
Le déficit de compétences va au-delà des capacités individuelles. Il s’enracine dans la nécessité de construire des systèmes organisationnels qui assurent visibilité, responsabilisation et amélioration continue.
La question à 5,5 billions de dollars
Plus de 90 % des entreprises mondiales seront confrontées à des pénuries critiques de compétences d’ici 2026. Les pertes projetées dues à ces lacunes persistantes : 5,5 billions de dollars en performance du marché mondial.
Cela peut sembler théorique ou sensationnaliste, mais 94 % des dirigeants sont déjà confrontés à des pénuries critiques de compétences liées à l’IA, selon le Forum économique mondial. Un tiers déclare faire face à un écart de compétences d’au moins 40 %.
La pression concurrentielle est bien réelle, mais se précipiter sans développer de compétences internes aggrave le problème. Les organisations qui optent pour des partenariats externes atteignent un taux de succès de déploiement de 67 %, contre 33 % pour les développements internes. La mentalité « faisons-le nous-mêmes » qui fonctionnait pour les logiciels traditionnels est un véritable frein à la réussite de l’IA.
Pendant ce temps, 75 % des organisations déclarent être proches, à la limite ou au-delà du point de saturation du changement. Un salarié a subi en moyenne 10 changements organisationnels planifiés ces dernières années, contre seulement deux en 2016. Plus de la moitié des professionnels IT affirment avoir accéléré l’adoption de l’IA durant les 24 derniers mois.
Le coût humain de cette course effrénée s’ajoute aux échecs techniques.
4 étapes pour éviter l’échec de vos projets pilotes
Si vous êtes COO ou CHRO et que vous envisagez de déployer l’IA, voici ce qu’il faut mettre en place avant de passer à l’action. Il est aussi pertinent de réfléchir à la façon d’intégrer l’IA dans votre processus de gestion du changement.
1. Définir la transformation, pas seulement le déploiement
Cartographiez les flux de travail qui vont réellement évoluer. Identifiez quels rôles seront concernés et de quelle façon. Définissez ce que signifie réussir au-delà du simple « déploiement de l’outil » et attribuez des responsabilités claires pour la formation, la gouvernance et le support continu.
2. Construire l’infrastructure de communication
Expliquez pourquoi vous adoptez cette démarche. Précisez ce que les collaborateurs pourront développer professionnellement et adressez directement les questions d’identité ou les préoccupations liées à l’anxiété. Mettez en place des boucles de feedback pour faire remonter rapidement les problèmes.
3. Les 30 premiers jours : créer des dispositifs pour développer les compétences
Allez au-delà de la formation « voici comment ça fonctionne » pour inciter à « voici comment réfléchir avec l’outil ». Aidez les collaborateurs à identifier leurs problématiques à plus forte valeur ajoutée. Mettez en place des standards de qualité et des frameworks d’évaluation. Mettez en avant des exemples créatifs pour inspirer un usage stratégique.
Laissez les équipes prendre le temps de ralentir au début. Comprenez que le changement de comportement demande du temps, et que chacun doit disposer de la liberté d’expérimenter sans craindre des pénalités sur la productivité.
4. Pérenniser : mettre en place gouvernance et visibilité
Suivez les usages effectifs et les résultats obtenus. Instaurez des structures de responsabilisation pour la qualité, la conformité et le suivi de la dérive de l’IA. Mettez en place des mécanismes de feedback pour améliorer le système. Traitez l’IA « fantôme » avant qu’elle ne devienne une crise.
Réalité à ne pas ignorer : seuls 15 % des employés américains indiquent que leur entreprise a communiqué une stratégie IA claire. Si votre équipe ne sait pas expliquer pourquoi vous faites cela et quels bénéfices elle en retire, vous avez déjà du retard.
Le pont à construire
Les échecs d’adoption surviennent parce que les organisations déploient des outils plus rapidement qu’elles ne construisent l’infrastructure humaine nécessaire pour les gouverner, les mettre en œuvre et en tirer profit efficacement.
Le décalage de compétences est évident et les coûts en sont mesurables, alors que la pression concurrentielle ne cesse d’augmenter. Mais la solution n’est pas de freiner l’adoption de l’IA. Il s’agit plutôt de développer les compétences humaines en parallèle. Cela signifie qu’il faut considérer ceci comme une transformation organisationnelle à part entière, et non comme un projet technologique ayant simplement une date de mise en service.
Si vous faites les bons choix, l’IA devient un avantage concurrentiel durable. Si vous faites l’impasse sur le facteur humain, vous rejoindrez les 95 % de pilotes qui ne génèrent jamais de retour sur investissement.
Les dirigeants agissent comme s’ils devaient choisir entre la rapidité et la préparation. En réalité, ils choisissent entre une transformation durable et un échec coûteux.