Comment préparer un projet IA dans une PME

Un chiffre circule depuis l'été 2025 : 95 % des projets d'IA en entreprise ne rapporteraient rien. Il vient d'un rapport du MIT, et il est souvent cité sans ses limites.

Ce qui est solide, c'est ce que toutes les études sérieuses disent de la cause. Les projets d'IA qui échouent ont rarement un problème de logiciel. Ils ont un problème de préparation : un besoin mal défini, des données introuvables, des équipes qui n'ont pas été embarquées.

Cet article rassemble ce que disent les études, en indiquant leurs limites, puis ce que j'observe sur le terrain depuis 24 ans, et il propose une façon de commencer lundi matin.

Ce que disent les études, et ce qu'elles ne disent pas

Le rapport du MIT : 95 %, avec ses limites

Le projet NANDA du MIT a publié en 2025 un rapport préliminaire intitulé « The GenAI Divide ». Il s'appuie sur l'analyse de plus de 300 initiatives d'IA rendues publiques, 52 entretiens avec des organisations et 153 réponses de dirigeants recueillies lors de quatre conférences.

Sa conclusion : 95 % des organisations n'obtiennent aucun retour mesurable de leurs projets d'IA générative. Les auteurs précisent que l'écart ne semble pas venir de la qualité des modèles ni de la réglementation, mais de l'approche. Ils pointent surtout des outils qui s'intègrent mal au travail réel.

Les auteurs écrivent aussi que leurs chiffres sont « directionnellement exacts » : ils reposent sur des entretiens, pas sur les comptes des entreprises, et la définition du succès varie d'une organisation à l'autre. C'est un ordre de grandeur, pas une mesure.

Le même rapport relève un écart que beaucoup de dirigeants reconnaîtront : des salariés de plus de 90 % des entreprises interrogées utilisent régulièrement des outils d'IA personnels pour travailler, alors que seulement 40 % de ces entreprises ont acheté un abonnement officiel.

RAND : cinq causes d'échec, dont deux dès le départ

En 2024, le centre de recherche RAND a interrogé 65 data scientists et ingénieurs expérimentés sur les raisons pour lesquelles des projets d'IA échouent. Il cite en introduction une estimation selon laquelle plus de 80 % des projets d'IA échouent, soit le double des projets informatiques sans IA. C'est une estimation reprise d'autres travaux, pas un résultat de son enquête.

Les cinq causes que RAND retient :

• le problème à résoudre est mal compris ou mal expliqué ;
• l'organisation n'a pas les données nécessaires ;
• elle s'intéresse plus à la technologie la plus récente qu'aux vrais problèmes de ses utilisateurs ;
• elle n'a pas l'infrastructure pour gérer ses données et déployer le modèle ;
• la technologie est appliquée à un problème trop difficile pour elle.

Les deux premières sont des questions de préparation, et RAND écrit que les malentendus sur l'objectif du projet sont la raison d'échec la plus fréquente.

Gartner : la question des données

Gartner a interrogé 1 203 responsables de la gestion des données en juillet 2024. Résultat : 63 % des organisations n'ont pas, ou ne sont pas sûres d'avoir, les bonnes pratiques de gestion de données pour l'IA. Le cabinet prévoit que, d'ici fin 2026, les organisations abandonneront 60 % des projets d'IA qui ne s'appuient pas sur des données prêtes pour l'IA. C'est une prévision d'analyste, pas un constat.

Bpifrance : le cas des PME et ETI françaises

L'étude de Bpifrance Le Lab (juin 2025) porte sur 1 209 dirigeants de PME et ETI de plus de 10 salariés, interrogés d'octobre à décembre 2024. Elle relève que 43 % des PME et ETI n'analysent pas leurs données pour piloter leur activité.

Elle relève aussi qu'une entreprise qui réalise des analyses de données est 2,5 fois plus susceptible d'utiliser une IA. Les freins cités tiennent peu à la technique : le partage de données confidentielles (33 %), la difficulté à identifier les cas d'usage (23 %), la résistance des employés (22 %). Bpifrance recommande d'éviter les projets pilotes isolés, menés uniquement par l'informatique, sans réelle adoption par les équipes.

La condition : connaître son entreprise

Une IA travaille avec ce qu'elle trouve. Si les informations sont éparpillées dans des fichiers Excel et des boîtes mail, elle cherchera dans cet éparpillement. Elle ne range pas à votre place.

Mon retour d'expérience tient en quatre points. Aucun n'est informatique.

1. Un problème précis. « Faire de l'IA » n'est pas un projet. « Nous mettons deux heures à faire chaque devis » en est un. C'est le point que RAND place en tête des causes d'échec.
2. Des informations rangées. Un seul endroit, des noms de fichiers clairs, des documents à jour. Si une personne cherche dix minutes le dernier devis d'un client, l'IA le cherchera aussi.
3. Des procédures écrites. Ce qui n'existe que dans la tête d'une personne ne peut pas être transmis à une IA, ni à un nouvel arrivant.
4. Des équipes formées, avec une règle du jeu écrite. Un outil que personne n'ose ouvrir ne sert à rien, et un outil utilisé sans règle expose vos données.

Le test du collaborateur brillant

Pour savoir où vous en êtes, imaginez que vous embauchez demain quelqu'un de très rapide, très cultivé, qui ne connaît rien de votre entreprise. Combien de temps lui faudrait-il pour être autonome ?

• Si la réponse est une semaine, parce que tout est écrit et rangé, vous avez la base nécessaire pour l'IA.
• Si la réponse est six mois, parce qu'il faut qu'il suive un collègue partout, l'IA butera sur la même difficulté.

Un exemple récent : la facturation électronique

Depuis le 1er septembre 2026, toutes les entreprises, quelle que soit leur taille, doivent pouvoir recevoir des factures électroniques. L'obligation d'émettre s'applique aux PME et micro-entreprises à partir du 1er septembre 2027 (calendrier de l'administration fiscale).

Le baromètre France Num 2026, publié par la Direction générale des entreprises le 28 septembre 2026, indique que cette réforme arrive en tête des projets numériques des TPE-PME pour 2026-2027 (39 %). La même enquête mesure que 40 % des TPE-PME utilisent déjà au moins une solution d'IA, 14 points de plus en un an, et 19 % une solution payante.

Ces deux sujets reposent sur la même base : des informations clients et fournisseurs fiables et des façons de faire connues. Les entreprises qui s'y sont mises pour la facture électronique ont déjà fait une partie du travail utile à l'IA.

Par où commencer lundi matin

1. Listez pendant une semaine ce qui revient et vous pèse. Relances, devis, comptes rendus, mails toujours identiques.
2. Prenez un seul sujet de la liste et traitez-le en trois temps : ranger (un dossier, un modèle, une règle de nommage), écrire (la façon de faire, sur une page), puis confier à l'IA (essayer, corriger, recommencer).
3. Passez au sujet suivant quand le premier tourne, et refaites la boucle.

On avance par itérations : personne ne réussit du premier coup, et c'est aussi la façon de travailler avec une IA. On demande, on relit, on corrige, on redemande.

Le retour ne se mesure pas toujours en euros, il peut prendre la forme d'heures gagnées, de devis qui partent plus vite, de relances qui ne s'oublient plus, ou d'une charge mentale allégée pour le dirigeant. À chacun de décider ce qu'il mesure, avant de démarrer.

Sources

• MIT Project NANDA, « The GenAI Divide : State of AI in Business 2025 », rapport préliminaire, 2025 (méthodologie p. 1, limites p. 5, 90 % et 40 % p. 7). Lire le rapport (copie du PDF)
• RAND Corporation, « The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed », J. Ryseff, B. De Bruhl, S. Newberry, 13 août 2024. rand.org
• Gartner, « Lack of AI-Ready Data Puts AI Projects at Risk », 26 février 2025. gartner.com
• Bpifrance Le Lab, « L'IA dans les PME et ETI françaises : une révolution tranquille », 4 juin 2025. presse.bpifrance.fr
• Direction générale des entreprises, Baromètre France Num 2026, communiqué du 28 septembre 2026. entreprises.gouv.fr
• Direction générale des finances publiques, calendrier de la facturation électronique. impots.gouv.fr