- Le rapport du MIT « State of AI in Business 2025 » montre que les entreprises ont dépensé 30 à 40 milliards de dollars dans l’IA générative, mais 95 % n’ont constaté aucun retour sur investissement ; seules 5 % ont franchi le « fossé de la GenAI ».
- Qlik & ESG : 94 % des entreprises augmentent leurs investissements dans l’IA, mais seulement 21 % fonctionnent efficacement. Informatica : les principales causes sont la mauvaise qualité des données, le manque de préparation et une infrastructure immature.
- Le problème ne réside pas dans les modèles d’IA eux-mêmes, mais dans le manque d’intégration, l’incapacité à mesurer l’adéquation des données, les attentes des employés et la gouvernance dynamique.
- Les cadres traditionnels (RICE, ICE, MoSCoW) échouent avec l’IA car :
- Le Reach (Portée) est basé sur le nombre absolu d’utilisateurs, ce qui est facilement exagéré.
- La Confidence est subjective, ignorant les risques liés aux données et les capacités du modèle.
- L’Effort ne prend en compte que le codage, et non le coût du nettoyage des données.
- L’Impact est difficile à mesurer car l’IA peut assister ou remplacer les humains, et le comportement est incohérent.
- Apple, avec sa recherche « L’illusion de la pensée », souligne les limites des Grands Modèles de Raisonnement (LRM) : difficulté à généraliser au-delà des données d’entraînement et comportement instable.
- Une étude de Stanford de 2025 sur 800 tâches/100 métiers a révélé que les employés souhaitent que l’IA les assiste dans près de 50 % de leur travail, mais de nombreux projets d’IA se concentrent sur les mauvaises tâches. La « Human Agency Scale » proposée montre que la plus grande valeur réside dans l’assistance de l’IA, et non dans son remplacement.
- ARISE (Évaluation de la Préparation et de l’Impact de l’IA) a été créé pour remplacer RICE :
- Il conserve la Portée, l’Impact, la Confiance et l’Effort, mais en normalise les échelles.
- Il ajoute 3 nouveaux facteurs : AI Desire (besoin réel), AI Capability (données, maturité du modèle) et Intent (assistance de l’IA vs automatisation).
- Formule : Score ARISE = (Portée * Impact * Confiance / Effort) × Désir IA × Capacité IA × Multiplicateur d’Intention.
- Exemple : un assistant de codage par IA (score ARISE = 20) est priorisé par rapport à une IA de correction automatique des bogues (score = 1) car la capacité des données est encore faible.
- ARISE aide les entreprises à éviter de courir après des démos tape-à-l’œil et à se concentrer sur des projets à réelle valeur ajoutée, en équilibrant l’humain et l’IA.
📌
Malgré les 30 à 40 milliards de dollars investis dans l’IA générative, 95 % des organisations n’en ont pas encore récolté les fruits, principalement à cause de cadres de gestion de projet obsolètes et d’un manque de préparation des données. ARISE émerge comme un outil natif de l’IA pour remplacer RICE, en ajoutant des mesures pour le Désir, la Capacité et l’Intention de l’IA afin de garantir la faisabilité et la valeur réelle. Cela aide les entreprises à éviter les pièges courants, à prioriser les bons projets d’IA et à équilibrer l’augmentation humaine et l’automatisation.
