95 % des modèles d'IA que les entreprises construisent n'atteignent jamais la production
Le directeur de la technologie d'une grande corporation mondiale a confié récemment à Abhijit Kakhandiki, vice-président senior de BMC Software, quelque chose qui résume l'état du marché avec une précision dérangeante : ses équipes de science des données avaient construit plus de 200 modèles d'intelligence artificielle. Moins de dix étaient en production.
Un taux de conversion inférieur à cinq pour cent. Non pas dans une petite entreprise qui expérimente avec une nouvelle technologie, mais dans une organisation disposant des ressources, des talents et de la pression concurrentielle nécessaires pour y parvenir. Ce chiffre n'est pas une anomalie : c'est le schéma habituel.
McKinsey l'a confirmé dans son enquête mondiale de 2025 : bien que l'utilisation de l'IA soit généralisée, à peine un tiers des organisations avait commencé à déployer des programmes d'intelligence artificielle à l'échelle transversale. Gartner, quant à lui, projetait une dépense mondiale en IA d'environ 2,59 billions de dollars en 2026, soit une hausse de 47 pour cent par rapport à l'année précédente. L'argent continue de circuler. La production, non.
Cette contradiction constitue le cas d'étude qui mérite attention, car elle ne pointe pas vers un problème de talent ni de technologie. Elle pointe vers quelque chose de plus difficile à admettre pour ceux qui pilotent ces investissements.
L'expérience la plus coûteuse du marché n'a pas de propriétaire de résultat
Le récit dominant sur l'IA en entreprise continue de tourner autour des modèles : leur degré de précision, leur architecture, le nombre de paramètres qu'ils contiennent. Les conversations techniques sont sophistiquées. Ce qui manque, souvent, c'est une réponse claire à une question bien plus fondamentale : quel indicateur métier cela va-t-il améliorer, et de combien ?
Kakhandiki documente un cas qui se répète sans variation : une équipe construit une solution d'IA générative avec des pipelines de récupération augmentée, des bases de données vectorielles avec mise à jour périodique et des modèles ajustés. Quand on leur demande quelle métrique métier est en train de s'améliorer, il n'y a pas de réponse concrète. Des mois plus tard, avec un investissement significatif accumulé, le système est toujours en phase pilote.
Le problème n'est pas la technologie. C'est que personne n'a défini le seuil de succès avant de construire quoi que ce soit.
« Améliorer la productivité » est la réponse qu'on entend le plus souvent quand on demande ce seuil. Mais un modèle qui améliore la précision d'une classification de cinq points de pourcentage n'a pas de valeur en lui-même. Cette valeur apparaît lorsqu'on peut la traduire en temps de cycle réduit, en coût opérationnel évité, en un taux de non-respect des accords de service qui cesse de se produire. Sans cette traduction, le projet pilote n'a pas d'argument pour devenir une opération.
Gartner a identifié une corrélation pertinente : les organisations ayant le plus haut niveau de maturité en IA sont, de façon constante, celles qui définissent leurs initiatives en fonction de la valeur métier et de la faisabilité technique avant de construire, et non après. Cette inversion de l'ordre des décisions — d'abord le résultat, ensuite l'architecture — est ce qui distingue ceux qui passent à l'échelle de ceux qui accumulent des projets bloqués.
L'écart entre le modèle qui fonctionne dans un environnement contrôlé et le système qui tourne en production n'est pas, pour l'essentiel, d'ordre technique. Il est organisationnel. Il manque un propriétaire du résultat. Il manque une métrique qui oblige à prendre une décision. Il manque, dans bien des cas, la question de savoir si quelqu'un paierait pour ce résultat s'il en avait l'obligation.
Faire confiance à un système qui ne peut pas s'expliquer lui-même a une limite opérationnelle précise
Il existe un second mécanisme de blocage qui opère en parallèle et qui n'a pas de solution technique simple : les organisations ne déploient pas ce qu'elles ne peuvent pas contrôler.
Lorsqu'un modèle refuse une demande de crédit, la banque doit pouvoir répondre avec exactitude quelles données ont été utilisées, quelle version du modèle tournait à ce moment-là, comment on est parvenu à cette recommandation et qui a approuvé ce processus. Non pas comme exercice de transparence volontaire, mais parce que des cadres comme la loi sur l'IA de l'Union européenne et le cadre de gestion du risque IA du NIST l'exigent de manière explicite. La traçabilité et l'explicabilité ont cessé d'être des caractéristiques optionnelles pour devenir des conditions d'exploitation.
L'erreur qui se répète consiste à traiter la gouvernance comme une couche que l'on ajoute lorsque le modèle est prêt pour la production. Cela ne fonctionne pas. La traçabilité des données et des modèles, la surveillance de la dérive statistique, les mécanismes de détection des biais : rien de tout cela ne peut être construit rétroactivement avec la même solidité que s'il fait partie intégrante de la conception dès le départ.
Gartner souligne que les organisations ayant un niveau élevé de maturité en IA sont plus susceptibles de déclarer que leurs unités métier font confiance aux systèmes déployés et sont prêtes à les utiliser. La confiance n'est pas une conséquence automatique du bon fonctionnement du modèle selon des métriques de performance. Elle résulte de la capacité à auditer chaque décision que ce modèle prend.
Un prestataire de santé avec lequel l'équipe de BMC a travaillé a délibérément choisi un modèle moins précis parce qu'il était explicable pour les médecins qui devaient agir sur ses recommandations. Cette décision a accéléré l'adoption et permis le déploiement complet. Les modèles plus précis mais opaques sont restés en phase pilote. La précision technique a perdu face à la capacité à être vérifiée.
Le véritable seuil de production n'est pas la précision du modèle. C'est de savoir si quelqu'un au sein de l'organisation peut contresigner chaque décision que ce modèle prend, avec les informations disponibles pour le faire.
Cela exige que la surveillance de la production s'exécute en parallèle avec l'inférence. Que la détection de la dérive statistique et des biais ne soit pas un processus périodique mais continu. Que chaque exécution laisse un enregistrement lié aux données d'entraînement et au processus de développement qui lui a donné naissance. Lorsque cette chaîne se rompt, le système cesse d'être fiable indépendamment de ses performances moyennes.
Intégrer un modèle dans l'entreprise ne consiste pas à connecter une API
Le dernier obstacle est celui qui surprend le plus ceux qui viennent du monde du développement de modèles, car il survient lorsque tout ce qui précède fonctionne déjà. Le modèle est précis, peut s'expliquer, passe les contrôles de gouvernance. Et pourtant, l'activité ne s'améliore toujours pas.
Une organisation de services financiers a déployé un modèle d'IA au sein de son flux de traitement des transactions. Le modèle a fonctionné exactement comme il avait été conçu. Mais le service d'IA n'était pas intégré dans le cadre des accords de niveau de service de la société. Les délais convenus avec les clients n'ont pas été respectés. Le modèle a réussi. Le système a échoué.
Ce cas illustre le problème avec clarté : introduire l'IA comme une capacité autonome plutôt que de l'intégrer dans la structure opérationnelle de l'entreprise produit exactement ce résultat. Le modèle fait sa part. L'entreprise ne peut pas soutenir l'opération autour de lui.
Les dirigeants qui sont parvenus à la production à grande échelle formulent un ensemble différent de questions dès le départ. Comment le système d'IA s'orchestre-t-il avec les processus par lots et les systèmes métier qui soutiennent déjà l'exploitation. Comment garantir la disponibilité, la reprise après incident et la responsabilité claire sur les processus enchaînés. Comment gérer le coût, les performances et la montée en charge lorsque l'inférence et les agents autonomes fonctionnent sans interruption.
La réponse qui fonctionne traite l'IA en production exactement comme toute autre capacité critique de l'entreprise : avec les mêmes disciplines d'orchestration, de gestion des accords de service, de gouvernance, de surveillance et de contrôle des coûts. Non pas comme quelque chose de séparé que l'on connecte à l'entreprise, mais comme une extension de l'infrastructure d'automatisation à laquelle l'organisation fait déjà confiance.
Cela devient plus urgent à mesure que les systèmes d'IA évoluent de modèles passifs vers des agents capables de recommander, d'initier et d'exécuter des actions. Chaque incrément d'autonomie élève les exigences de supervision, de capacité d'audit et de mécanismes de contrôle. Un agent capable d'exécuter ne peut pas opérer sans les mêmes garde-fous que tout système qui touche à de l'argent, à des données clients ou à des engagements externes.
L'avantage concurrentiel réside dans l'exploitation, pas dans le modèle
Le schéma qui sépare les organisations qui passent à l'échelle de celles qui accumulent des projets pilotes n'est ni le modèle le plus sophistiqué ni l'équipe de science des données la plus grande. C'est la décision de traiter l'IA comme une infrastructure métier soumise aux mêmes exigences que tout autre système sur lequel repose l'exploitation.
Deloitte a rapporté que l'accès des travailleurs à l'IA a augmenté de 50 pour cent en 2025 et a projeté que le nombre d'entreprises ayant au moins 40 pour cent de leurs projets d'IA en production doublerait dans les six mois suivants. Mais avoir un système en production et avoir un système intégré dans le tissu opérationnel de l'entreprise sont deux conditions distinctes. La première est relativement facile à atteindre. La seconde est là où le retour sur investissement se crée ou se détruit.
Avec une dépense mondiale en IA projetée à 3,49 billions de dollars pour 2027 selon Gartner, la pression pour justifier cet investissement par des résultats mesurables ne fera que croître. Les organisations qui ont plus de 200 modèles construits et moins de dix en production n'ont pas un problème de capacité technique. Elles ont un problème d'attribution de responsabilité sur les résultats, de gouvernance intégrée à la conception et de gestion opérationnelle des systèmes critiques.
La conversation qui reste en suspens dans de nombreux comités de direction ne porte pas sur le choix du modèle. Elle porte sur ce qu'il faut changer dans la façon dont l'organisation assume la propriété, définit le succès et soutient les opérations pour que les modèles qu'elle possède déjà cessent de vivre dans des projets pilotes et commencent à faire bouger les chiffres qui comptent.
