Taux de réussite des projets d'IA : seuls 28 % tiennent leurs promesses, le pilotage pèse plus que le modèle

En résumé.

Gartner a interrogé 782 responsables d'infrastructures et d'opérations informatiques en novembre et décembre 2025. 28 % déclarent que leurs cas d'usage d'IA ont pleinement réussi et 20 % qu'ils ont échoué ; le reste, soit 52 % par différence, se situe entre les deux. Les succès sont attribués à l'intégration de l'IA dans les outils et processus existants (33 %), au soutien complet des dirigeants (26 %) et à la collaboration entre fonctions (25 %). Parmi ceux qui ont connu un échec, 57 % pointent des attentes trop fortes et trop rapides. Notre thèse : le pilotage d'un projet d'IA se joue sur quatre décisions de comité (but, intégration, ambition, arrêt), pas sur le choix du modèle. Le périmètre de l'étude reste l'IT, et le chiffre ne se généralise pas à tous les projets d'IA.

Que dit vraiment l'étude Gartner sur le taux de réussite des projets d'IA ?

Les faits d'abord, tels que les expose le communiqué de Gartner du 7 avril 2026 : 782 responsables des infrastructures et des opérations (« I&O ») ont été interrogés en novembre et décembre 2025. 28 % des cas d'usage d'IA ont pleinement réussi et atteint le retour sur investissement attendu, 20 % ont échoué franchement. 77 % des responsables ont réussi au moins un cas d'usage.

Premier garde-fou : le périmètre. Il s'agit de projets d'IA menés dans l'exploitation informatique. Selon Gartner, les échecs s'y concentrent dans la remédiation automatique, l'infrastructure auto-réparatrice et les agents qui pilotent des flux entre systèmes, c'est-à-dire des terrains où l'on demande à l'IA d'agir dans des environnements imprévisibles. Les succès, eux, se concentrent dans la gestion des services informatiques (ITSM), où 53 % des responsables situent leurs réussites. Un directeur marketing ou un directeur juridique ne peut pas lire ce 28 % comme son propre taux de réussite. Il peut en revanche lire les mécanismes.

Pourquoi le chiffre le plus important est celui du milieu ?

La presse retient les 20 % d'échecs, ou les 28 % de succès. Le troisième chiffre n'est pas publié : par différence, 52 % des cas d'usage ne sont ni des réussites pleines ni des échecs déclarés. C'est un calcul de notre part, pas une donnée de Gartner, et il suppose que les deux catégories sont exclusives et exhaustives, ce que le communiqué ne détaille pas.

Si l'ordre de grandeur est juste, la moitié des projets d'IA vit dans une zone grise : un pilote qui tourne mais qu'on n'a ni généralisé ni arrêté, un outil utilisé par quelques personnes, un gain mesuré sur un échantillon que personne n'a rapporté au budget. Cette zone est une question de pilotage avant d'être une question technique. Personne n'y prend la décision de poursuivre, de corriger ou d'abandonner, parce qu'aucun critère n'a été fixé au départ. Notre analyse sur l'art d'arrêter un projet digital décrit ce blocage pour les projets en général. Nous pensons que les projets d'IA l'aggravent, car leurs premiers résultats peuvent être flatteurs sans être représentatifs.

Quelles causes de réussite et d'échec ressortent de l'étude ?

Du côté des échecs, le communiqué cite trois motifs. Parmi les responsables qui ont connu au moins un échec, 57 % disent avoir attendu trop, trop vite. 38 % évoquent des lacunes persistantes de compétences, 38 % la mauvaise qualité ou la rareté des données.

Du côté des réussites, ceux qui ont réussi au moins un cas d'usage les attribuent à trois facteurs, qui n'ont rien de technique :

• l'intégration de l'IA aux systèmes et processus que les équipes utilisent déjà (33 %) ;
• le soutien complet des dirigeants métiers (26 %) ;
• la collaboration entre fonctions (25 %).

Gartner résume ce constat par une formule que nous traduisons librement : une IA qui ne s'insère pas dans le fonctionnement de l'organisation ne produit pas de retour sur investissement. Ce message rejoint nos propres lectures sur le pilotage des projets complexes : l'écart se creuse entre la direction, qui traite l'IA comme un sujet de stratégie, et les équipes, qui la subissent comme une tension d'exécution.

Les autres chiffres sur l'échec des projets d'IA sont-ils comparables ?

Non, et c'est une raison de ne pas les empiler.

L'enquête Omdia de 2025, rapportée par le Monde Informatique (21 novembre 2025), mesure une autre chose, la part des prototypes qui passent en production : 10 % des organisations dépassent 40 % de passage en production, quand environ un tiers en voient moins de 5 % arriver (par différence avec les autres tranches, calcul de digitalie_). La taille de l'échantillon n'est pas publiée dans l'article. Une prévision de Gartner de 2024, relayée par le même journal, annonçait qu'environ un tiers des projets d'IA générative seraient abandonnés d'ici fin 2025, sur la base d'une enquête auprès de 822 dirigeants ; nous n'avons pas trouvé de bilan publié de cette prévision.

Enfin, le chiffre de 95 % d'échec attribué à une étude du MIT circule dans de nombreux contenus. Nous ne l'avons pas retenu : l'étude n'a pas été relue à la source pour cette note, et des pages qui le reprennent, comme cet article de People Managing People (8 mai 2026), le citent via un intermédiaire, sans définition du « succès » ni échantillon. Même prudence pour les statistiques de gestion de projet en général : l'enquête Wellingtone 2025, rapportée par le Monde Informatique, établit que 39 % de 150 organisations atteignent habituellement leurs objectifs de projet, tous types confondus. Les projets d'IA ne partent donc pas d'une base de réussite élevée.

Comment piloter un projet d'IA autrement qu'un projet digital classique ?

Quatre décisions reviennent, que le comité de pilotage doit prendre par écrit, avant le lancement. Elles prolongent les recommandations de Gartner, que nous reformulons ici pour une direction générale ou une direction des systèmes d'information.

Quel but métier, et quel propriétaire du résultat ?

Chaque cas d'usage se rattache à un objectif de l'entreprise et à un responsable côté métier. Gartner recommande de relier chaque cas d'usage d'IA à un objectif d'entreprise ; nous ajoutons qu'un nom doit y figurer. Notre analyse sur le sponsor de projet digital montre ce qui se passe sans propriétaire du résultat : le comité ne suit plus que des livrables.

Dans quel travail réel l'IA s'insère-t-elle ?

La question précède le choix de l'outil. Quel processus change ? Quels outils les équipes ouvrent-elles déjà ? Quelles tâches disparaissent, lesquelles s'ajoutent (relecture, validation) ? Le facteur le plus cité par les répondants est l'intégration ; un comité qui n'a pas vu le schéma du processus avant et après n'a pas de base pour juger du retour.

Quelle ambition pour la première étape ?

Les échecs naissent d'attentes trop hautes et trop rapides. Cadrez une première étape qui prouve un gain dans un périmètre limité, avec un critère chiffré, avant de promettre l'autonomie. Notre analyse de la priorisation des cas d'usage d'IA rappelle que les organisations qui limitent leurs cas d'usage tirent davantage de valeur de leur portefeuille.

Quel critère d'arrêt, fixé avant de regarder les résultats ?

C'est la décision qui vide la zone grise. Fixez par écrit le seuil en dessous duquel on corrige ou on arrête, et la date de la revue. Gartner recommande aussi de gérer les cas d'usage d'IA comme des produits, avec un modèle de notation partagé, un portefeuille validé au centre et des critères de financement posés par la direction générale et la direction financière, plutôt que par chaque métier séparément. Pour le raisonnement en portefeuille côté valeur, voir notre analyse du retour sur investissement de l'IA. Si le projet est déjà en difficulté, la méthode de reprise en 30 jours s'applique.

Quelles questions poser en comité de pilotage dès la prochaine réunion ?

Cinq questions, qui se posent en dix minutes :

1. Quel objectif de l'entreprise ce cas d'usage sert-il, et qui en répond ?

2. Dans quel processus et quel outil existants l'IA est-elle insérée, et qu'est-ce qui change pour l'utilisateur ?

3. Quel gain a été mesuré, sur quel périmètre, et par qui ?

4. Quel seuil déclenche la correction ou l'arrêt, et à quelle date ?

5. Qui valide les dépenses suivantes : le métier concerné seul, ou la direction générale et la finance ?

Un comité qui ne peut répondre à aucune de ces questions pilote un budget, pas un projet. C'est le même constat que dans notre analyse sur ce que l'IA ne doit pas décider à la place du PMO : la décision d'arrêter reste humaine, donc elle doit être préparée.

Ce que ces chiffres ne disent pas

Trois limites. D'abord, l'échantillon est déclaratif et sectoriel : des responsables IT jugent leurs propres projets, sans audit extérieur, et le communiqué ne donne pas de ventilation par pays ni par taille d'entreprise. Ensuite, la définition de la réussite est celle du répondant (« retour sur investissement attendu »), non un seuil commun. Enfin, un communiqué de presse présente des résultats choisis par l'éditeur de l'étude ; le rapport complet n'est pas, à notre connaissance, en accès libre.

Un enseignement de méthode en découle : à l'échelle d'une entreprise, votre propre historique de projets compte davantage que le benchmark d'un tiers, et des critères d'arrêt écrits davantage qu'un taux de réussite emprunté.

Le taux de réussite des projets d'IA décourage ceux qui le lisent comme une fatalité technologique. Lu comme un indicateur de pilotage, il renvoie à des décisions que l'entreprise contrôle : le but, l'insertion dans le travail, l'ambition, l'arrêt. La question stratégique est alors moins « notre IA est-elle assez bonne ? » que « combien de nos cas d'usage ont aujourd'hui un propriétaire, un critère d'arrêt et une date de revue ? ». Si la réponse est « aucun », la zone grise est déjà votre portefeuille.

Le regard de digitalie_.

Chez digitalie_, nous considérons que l'IA se pilote comme tout autre changement d'organisation : en commençant par la coordination, pas par l'outil. Lors de notre mission auprès de Tangram, le centre d'innovation de CMA CGM, nous avons repris pendant deux mois la direction opérationnelle d'un programme digital, reconstruit une vue consolidée de l'avancement, des responsabilités, des risques et des échéances, et préparé la passation à l'équipe permanente (cas client). Ce n'était pas un projet d'IA, mais la mécanique de pilotage est la même. Si un échange de 30 minutes peut vous aider à passer en revue vos cas d'usage d'IA avec ces cinq questions, contactez-nous ; nos pages transformation digitale et data et IA présentent notre approche.

Questions fréquentes

Quel est le taux de réussite des projets d'IA en entreprise ?

Il n'existe pas de taux unique. Selon Gartner (782 responsables d'infrastructures et d'opérations, fin 2025), 28 % des cas d'usage d'IA atteignent pleinement leurs objectifs et 20 % échouent. D'autres enquêtes mesurent le passage du prototype à la production et donnent des résultats différents, car les définitions du succès et les échantillons divergent.

Pourquoi tant de projets d'IA échouent-ils ?

Les répondants de l'étude Gartner citent surtout des attentes trop élevées et trop rapides (57 % des responsables ayant connu un échec), des lacunes de compétences (38 %) et des données de mauvaise qualité ou indisponibles (38 %). Les réussites tiennent à l'intégration dans les processus existants, au soutien de la direction et à la collaboration entre fonctions.

Comment piloter un projet d'IA différemment d'un projet informatique classique ?

Un projet d'IA se pilote d'abord sur l'usage : un objectif métier avec un propriétaire, une insertion dans un processus existant, une première étape limitée et chiffrée, et un critère d'arrêt fixé avant les résultats. Les résultats initiaux pouvant être flatteurs, le comité doit trancher la suite sur des seuils écrits à l'avance.

Quand faut-il arrêter un projet d'IA ?

Quand il n'atteint pas, à la date de revue, le seuil de gain fixé au lancement et qu'aucune correction crédible n'est proposée, ou quand ses coûts dépassent la valeur mesurée. Le critère doit être écrit avant de connaître les résultats, validé par le sponsor et partagé avec la direction financière, pour éviter qu'un pilote prolongé ne devienne un coût permanent.

Peut-on se fier au chiffre de 95 % d'échec des projets d'IA ?

Pas sans précaution. Ce chiffre, attribué à une étude du MIT, est repris dans de nombreux contenus, souvent via des intermédiaires et sans définition du succès ni échantillon. Nous ne l'avons pas relu à la source. Préférez des études à méthode documentée, en précisant leur périmètre, ou mesurez votre propre historique de projets.

Sources

1. Gartner, « Gartner Says AI Projects in Infrastructure and Operations Stall Ahead of Meaningful ROI Returns », communiqué de presse, 7 avril 2026 (enquête auprès de 782 responsables I&O, novembre-décembre 2025) — https://www.gartner.com/en/newsroom/press-releases/2026-04-07-gartner-says-artificial-intelligence-projects-in-infrastructure-and-operations-stall-ahead-of-meaningful-roi-returns

2. Le Monde Informatique, « Les raisons de l'échec des projets IA analysées », 21 novembre 2025 (enquête Omdia 2025, échantillon non précisé) — https://www.lemondeinformatique.fr/actualites/lire-les-raisons-de-l-echec-des-projets-ia-analysees-98539.html

3. Le Monde Informatique, « Près d'un projet de GenAI sur trois sera abandonné d'ici 2025 », 16 août 2024 (prévision Gartner, enquête auprès de 822 dirigeants) — https://www.lemondeinformatique.fr/actualites/lire-pres-d-un-projet-de-genai-sur-trois-sera-abandonne-d-ici-2025-94475.html

4. Le Monde Informatique, « Dérapage des budgets et des calendriers : une récurrence dans la gestion de projet », 31 mars 2025 (rapport Wellingtone 2025, 150 organisations) — https://www.lemondeinformatique.fr/actualites/lireamp-derapage-des-budgets-et-des-calendriers-une-recurrence-dans-la-gestion-de-projet-96462.html

5. People Managing People, « Pourquoi les pilotes d'IA échouent », 8 mai 2026 (cité comme exemple de reprise du chiffre de 95 % sans source primaire accessible) — https://peoplemanagingpeople.com/fr/operations-rh/pourquoi-pilotes-ia-echouent/