De nombreuses entreprises adoptent l'IA de façon chaotique - sans stratégie, sans processus définis, chacun faisant sa propre chose. Cela engendre des coûts évitables. Nous montrons ce que dit la recherche sur les projets d'IA qui échouent et comment des processus clairs font la différence.

Tout le monde adopte l'IA - mais presque personne ne sait exactement ce qu'il fait

Aujourd'hui, l'IA tourne dans presque toutes les entreprises. Rarement là où quelqu'un l'a décidé de manière délibérée. Une collègue fait rédiger ses devis par ChatGPT, le développeur d'à côté utilise un autre outil pour coder, l'équipe marketing s'est procuré un troisième abonnement. Personne ne se concerte, personne ne documente, personne ne demande si tout cela est seulement sécurisé.

Ce n'est pas un cas isolé, c'est la règle. Une étude de la Haute école spécialisée de Karlsruhe portant sur 517 entreprises de taille moyenne (20 à 500 salariés) montre que seules 21 % disposent d'une stratégie d'IA - alors que 40 % utilisent déjà l'IA. Dans près de la moitié des entreprises (48 %), l'usage des modèles de langage n'est pas du tout encadré. Et selon une enquête YouGov, 77 % des salariés des métiers scientifiques et techniques utilisent des outils d'IA comme ChatGPT, Gemini ou Claude sans validation de la DSI - près d'un quart d'entre eux quotidiennement.

Microsoft a forgé une expression pour cela : « Bring Your Own AI ». 78 % des utilisateurs d'IA apportent leurs propres outils au travail, et dans les petites entreprises ce chiffre atteint même 80 %. Dans le même temps, 60 % des dirigeants estiment que leur propre direction manque d'un plan et d'une vision pour adopter l'IA.

Le schéma est partout le même : beaucoup d'activité, aucun processus. L'IA n'est pas adoptée - elle s'infiltre.

Ce que ce chaos coûte vraiment

À première vue, cela paraît inoffensif, voire productif. Après tout, les collaborateurs s'y mettent. Le problème : l'activité n'est pas synonyme de création de valeur. Et l'écart entre les deux coûte cher.

Le chiffre le plus important vient de McKinsey : plus de 80 % des entreprises ne constatent aucun effet mesurable de l'IA générative sur leur résultat d'exploitation (EBIT). Seules 17 % peuvent démontrer une contribution notable au résultat. Le Boston Consulting Group parvient au même constat dans son étude de plus de 1 250 entreprises : seules 5 % génèrent de la valeur avec l'IA à grande échelle, tandis que 60 % sont à la traîne, sans bénéfice notable.

Ce n'est pas un problème de technologie. C'est un problème de coûts induits par l'absence de structure :

Projets abandonnés : selon S&P Global Market Intelligence, 42 % des entreprises ont abandonné la majorité de leurs initiatives d'IA en 2025 - contre 17 % un an plus tôt. En moyenne, 46 % de toutes les preuves de concept sont écartées avant même d'atteindre la production. Gartner prévoit qu'au moins 30 % des projets d'IA générative seront abandonnés après la preuve de concept - en raison d'une mauvaise qualité des données, de contrôles insuffisants, de coûts qui s'envolent et d'une valeur métier floue.
Licences en double et inutilisées : quand chaque service achète son propre outil, la même chose est payée plusieurs fois - et personne n'a de vue d'ensemble.
Risques de sécurité et de protection des données : le rapport « Cost of a Data Breach » 2025 d'IBM le chiffre concrètement : les violations de données impliquant le shadow AI coûtent en moyenne 670 000 dollars de plus. Une entreprise sur cinq a déjà connu un incident causé par une IA non encadrée - et seules 37 % disposent de la moindre politique pour détecter ou maîtriser le shadow AI. Les autorités allemandes de protection des données préviennent sans ambiguïté : sans règles claires, les salariés utilisent l'IA « de leur propre initiative et sans aucun contrôle ».

Les coûts d'une adoption chaotique de l'IA n'apparaissent donc jamais comme une ligne unique sur une facture. Ils se cachent dans les projets écartés, dans les abonnements en double, dans les fuites de données - et surtout dans le temps consacré à des choses qui n'apportent jamais de valeur mesurable.

La véritable erreur : traiter l'IA comme un problème d'outils

C'est là le cœur du malentendu. L'adoption chaotique de l'IA la traite comme une question d'outillage - comme s'il suffisait de mettre quelques outils entre les mains des collaborateurs et d'espérer un miracle.

Les chiffres disent le contraire. Selon BCG, seuls environ 10 % de la valeur de l'IA proviennent des algorithmes eux-mêmes et environ 20 % de la technologie. Les 70 % restants proviennent des personnes et des processus - de la manière dont le travail est organisé. McKinsey a examiné 25 facteurs pour déterminer ce qui explique le mieux le succès financier de l'IA. Le résultat : ce n'est ni le modèle, ni le budget - c'est la refonte fondamentale des workflows concernés. Or, jusqu'à présent, seules 21 % des entreprises le font réellement.

Et la concentration l'emporte sur l'activisme : selon BCG, les entreprises performantes se concentrent en moyenne sur 3,5 cas d'usage, tandis que les retardataires se dispersent sur 6,1 - et obtiennent ce faisant 2,1 fois moins de rendement. Plus d'outils, plus d'expériences, plus de chantiers parallèles ne signifient pas plus de valeur. Bien au contraire.

Ce qui fonctionne vraiment : s'en tenir à ce qui marche, définir des processus

La bonne nouvelle : les entreprises où l'IA rapporte vraiment ne font pas de magie secrète. Elles s'en tiennent à ce qui fonctionne de toute façon - et définissent des processus clairs. Cinq principes se dégagent de la recherche :

1. Commencer par le problème, pas par l'outil

Au départ, il y a un problème métier concret, coûteux et récurrent - et non la question de savoir ce qu'un outil particulier sait faire. Quel processus coûte inutilement du temps et de l'argent chaque mois ? C'est là que l'IA mérite d'être testée, pas dans un projet annexe porté par le battage médiatique.

2. Se concentrer plutôt que se disperser

Mieux vaut amener proprement deux ou trois cas d'usage en production que de mener une douzaine d'expériences en parallèle qui s'éteignent toutes au stade pilote. Environ 70 % du potentiel de l'IA se situent de toute façon dans les fonctions cœur, comme la vente, le service, la production et les achats.

3. Repenser les processus, ne pas greffer l'IA

Le plus grand levier n'est pas le modèle, mais le workflow qui l'entoure. Poser l'IA sur un processus défaillant ne fait que le casser plus vite. D'abord le processus, ensuite l'automatisation.

4. Piloter en responsabilisant - pas en interdisant

Les interdictions ne font que générer davantage de shadow AI. Une étude spécialisée allemande (Wirtschaftsinformatik & Management, 2026) recommande explicitement l'alignement entre la DSI et les métiers plutôt qu'une culture de l'interdit : des projets pilotes menés conjointement, des accès basés sur les rôles, des règles de données claires et des outils sous licence, de qualité entreprise. Là où les entreprises mettent à disposition des outils validés, l'usage non maîtrisé chute jusqu'à 89 %.

5. Rendre les choses mesurables

Selon McKinsey, la mesure la plus efficace consiste à suivre des indicateurs clairement définis pour les solutions d'IA - combinés à une feuille de route sans ambiguïté. Ce qui n'est pas mesuré ne peut pas être piloté. Et ce qui ne peut pas être piloté finit par coûter cher.

Aucun de ces principes n'est nouveau ni spectaculaire. Ce sont les mêmes fondamentaux qui définissent depuis toujours un travail solide sur le logiciel et les processus : comprendre le problème, se concentrer, clarifier les responsabilités, mesurer les résultats. L'IA n'y change rien - elle les rend simplement plus urgents.

Comment vensas accompagne les entreprises dans l'adoption de l'IA

Chez vensas, nous vivons en pratique la différence entre l'activisme autour de l'IA et l'IA pensée avec un plan. Nous aidons les entreprises à

identifier les cas d'usage réellement rentables - là où un processus coûteux rencontre un véritable potentiel d'économies,
transformer des expériences éparses en un processus clair et reproductible,
mettre en place une gouvernance qui responsabilise les collaborateurs au lieu de les freiner - avec des règles de données claires et des outils validés,
et rendre le succès mesurable plutôt que de se fier à l'intuition.

Notre priorité n'est pas le dernier outil à la mode, mais l'impact métier : moins d'efforts manuels, des délais plus courts, moins de risques.

Conclusion : ce n'est pas l'IA le problème - c'est l'absence de processus

Dans la plupart des entreprises, l'IA s'adopte d'elle-même depuis longtemps. La question n'est plus de savoir si tes propres collaborateurs utilisent l'IA, mais comment - de manière ordonnée et mesurable, ou de manière chaotique et coûteuse.

La recherche est claire : ce qui fait échouer l'IA, c'est rarement la technologie. C'est l'absence précisément des choses qui fonctionnent de toute façon - un problème clairement compris, de la concentration, des processus définis et des objectifs mesurables. Ceux qui s'y tiennent transforment l'IA, d'un facteur de coût invisible, en un véritable avantage concurrentiel.

Sources et lectures complémentaires

Toutes les études et chiffres datent de 2024-2026. Les conclusions des enquêtes et des rapports sectoriels évoluent en permanence - à vérifier auprès de la source originale avant toute décision stratégique.

L'IA sans plan : pourquoi les entreprises brûlent de l'argent - et comment des processus clairs le récupèrent