- Le rapport « The GenAI Divide: State of AI in Business 2025 » du MIT NANDA montre que 95 % des programmes pilotes d’IA générative en entreprise n’atteignent pas une croissance significative de leurs revenus.
- La recherche a été menée à travers :
- 150 entretiens avec des dirigeants d’entreprise
- Une enquête auprès de 350 employés
- Une analyse de 300 projets d’IA publics
- Les principales raisons de l’échec incluent :
- Un fossé de connaissances entre l’outil d’IA et l’organisation qui l’utilise.
- L’IA est mal intégrée dans les processus métier, n’apprenant pas ou ne s’adaptant pas aux flux de travail réels.
- Les entreprises construisent souvent des solutions en interne, mais le taux de réussite n’est que de 33 %, tandis que l’achat auprès de fournisseurs externes réussit jusqu’à 67 % du temps.
- Seulement 5 % des entreprises obtiennent des résultats clairs, généralement des startups dirigées par des jeunes qui ciblent des problèmes spécifiques, collaborent efficacement et se développent rapidement (passant de 0 à 20 millions de dollars de revenus en un an).
- La majorité des budgets d’IA (plus de 50 %) est dépensée dans les départements des ventes et du marketing, alors que le MIT suggère que le retour sur investissement le plus élevé provient de l’automatisation de la logistique et de la réduction des coûts de sous-traitance.
- Autres problèmes :
- Inquiétudes concernant les droits d’auteur et la propriété des données lors de l’utilisation de l’IA.
- L’« IA de l’ombre » (« Shadow AI ») : Des employés utilisant secrètement ChatGPT et d’autres outils non approuvés.
- Difficulté à mesurer l’impact réel de l’IA sur les bénéfices ou la productivité.
- Les organisations avancées expérimentent des systèmes d’« IA agentique » (« AI agentic ») – des systèmes d’IA capables d’apprendre, de mémoriser et d’agir de manière indépendante dans des limites définies.
📌 Un nouveau rapport du MIT avertit que 95 % des projets d’IA générative en entreprise échouent, malgré de grandes attentes. Les raisons principales : une mauvaise intégration, une mauvaise sélection des outils et une mauvaise orientation des investissements. Pendant ce temps, les petites startups connaissent le succès grâce à une mise en œuvre ciblée. Les entreprises doivent se concentrer sur l’automatisation de la logistique et collaborer avec des fournisseurs spécialisés pour tirer efficacement parti de l’IA.
