42 % d’initiatives abandonnées en un an : le chiffre résume à lui seul le changement d’époque pour l’IA en entreprise. À l’heure des arbitrages budgétaires préparatoires à 2027, la question a glissé du lancement des projets vers leur utilité économique réelle. Pour les directions générales, les DSI et les directions financières, le sujet n’est plus l’enthousiasme technologique, mais la capacité à mesurer l’usage, le coût et le retour concret.

La vague de coupes traduit moins un recul qu’un tri économique

Pendant 2023 et 2024, nombre de comités de direction ont multiplié les expérimentations, souvent avec la même logique : occuper le terrain rapidement, tester des assistants, des moteurs de recherche internes, des outils de génération de texte ou des premiers agents. Cette phase d’expansion a produit un volume important de preuves de concept, mais rarement une discipline de pilotage au même niveau.

Le retournement observé en 2025 est net. Selon S&P Global, la part des entreprises qui abandonnent la majorité de leurs initiatives IA est passée de 17 % à 42 %. L’enquête Voice of the Enterprise d’octobre 2025, menée auprès de plus de 1 000 entreprises en Amérique du Nord et en Europe, indique aussi que 46 % des preuves de concept sont stoppées avant la mise en production (S&P Global, octobre 2025).

Ces arrêts ne signifient pas nécessairement que l’IA cesse d’intéresser les entreprises. Ils marquent plutôt la fin d’un cycle de déploiements peu discriminants.

En langage de gestion, la bascule est claire : on passe d’une logique d’exploration à une logique d’allocation du capital. Ce changement est particulièrement sensible au moment où se préparent les enveloppes 2027, avec des directeurs financiers davantage disposés à questionner la productivité réelle des dépenses engagées.

Ce que dit vraiment la hausse des abandons

Un projet stoppé n’est pas, à lui seul, la preuve d’un échec stratégique. Dans de nombreuses organisations, l’arrêt devient au contraire un acte de gestion sain, à condition d’être fondé sur des indicateurs d’usage, de coût et d’impact métier. Le problème commence lorsque la coupe intervient sans méthode et sans capitalisation sur les enseignements accumulés.

Le point de rupture se situe dans la mesure du ROI, pas dans la technologie

Le nœud du problème est moins la qualité intrinsèque des modèles que l’absence d’outils de mesure fiables. Wavestone relève dans son Global AI Survey 2025 que 46 % des grandes entreprises ne disposent d’aucun cadre structuré pour mesurer le retour sur investissement de leurs initiatives IA. En pratique, cela signifie qu’une part significative des décisions d’arrêt, de poursuite ou d’industrialisation continue d’être prise avec une visibilité incomplète.

Pour une direction financière, cette lacune pose un double risque. D’un côté, elle peut maintenir sous perfusion des projets coûteux sans effet démontré.

De l’autre, elle peut interrompre trop vite un cas d’usage qui aurait mérité une correction de périmètre, une meilleure intégration au système d’information ou un accompagnement des utilisateurs. Dans les deux cas, l’entreprise perd de la valeur : soit par dépense improductive, soit par destruction d’apprentissage.

La difficulté est connue des équipes opérationnelles. Les déploiements sont souvent allés plus vite que l’instrumentation. Les entreprises ont empilé des cas d’usage, mais sans répondre de manière fiable à des questions pourtant élémentaires : qui utilise l’outil, à quelle fréquence, pour quelle tâche, avec quel effet sur le temps, la qualité ou la décision ? Sans ces repères, le débat sur le ROI reste théorique.

Les journaux techniques montrent qu’un outil a été ouvert, qu’une requête a été lancée ou qu’un workflow a tourné. Ils disent rarement si la réponse a été comprise, si elle a évité une tâche, si elle a changé une décision ou si elle a au contraire créé une friction supplémentaire. Pour un pilotage sérieux, il faut relier données d’usage, parcours utilisateur et effet métier.

Pourquoi tant de projets IA restent sans effet mesurable

Les signaux de marché convergent. Le projet MIT NANDA de juillet 2025 estime que 95 % des déploiements de GenAI n’ont produit aucun retour mesurable.

McKinsey observe de son côté que près de huit entreprises sur dix ont adopté la GenAI, mais qu’une proportion comparable ne constate aucun impact significatif sur le résultat net. Gartner prévoit, pour sa part, que plus de 40 % des projets d’IA agentique seront annulés d’ici à fin 2027.

Ces constats dessinent une réalité plus prosaïque que la promesse initiale. Beaucoup d’outils fonctionnent techniquement, mais n’atteignent ni masse critique d’usage ni effet économique tangible. Le défaut principal n’est pas toujours l’algorithme. Il tient fréquemment à trois écarts cumulés :

  • un cas d’usage mal défini, trop large ou trop abstrait ;
  • une intégration insuffisante dans les processus quotidiens ;
  • une gouvernance incapable de relier expérimentation et décision budgétaire.

Les entreprises confondent encore souvent disponibilité d’un outil et adoption réelle. Or, un assistant ou un agent accessible ne devient pas automatiquement un levier de productivité. Si l’utilisateur ne comprend pas son périmètre, ne sait pas quand l’utiliser, ou ne perçoit pas la suite opérationnelle d’une réponse produite, l’outil reste périphérique.

Exemple avec une grande maison du luxe

Le cas relaté dans la matière fournie est éclairant. Une grande maison du luxe a fortement investi pendant trois ans, avec plusieurs agents en production et des équipes montées en compétence. Pourtant, la mesure de la valeur a progressivement reculé derrière l’effort de déploiement.

L’un des outils permettait d’interroger en langage naturel les avis clients sur un produit donné. Sur le papier, le cas d’usage paraissait évident. Dans les faits, l’adoption est restée très faible. Les utilisateurs ne comprenaient ni le périmètre précis de l’agent, ni les suites concrètes à donner à ses réponses. Le projet a été arrêté faute d’usage.

La leçon est importante pour les entreprises françaises : un faible taux d’adoption n’équivaut pas forcément à une absence de besoin. Il peut révéler un défaut de cadrage, de pédagogie métier ou de design du parcours utilisateur. Sans mesure fine, l’entreprise ne distingue pas l’outil mal conçu de l’outil inutile.

Le faux signal des retours utilisateurs

Les dispositifs les plus simples, comme les pouces, les notes ou les champs de commentaire, restent souvent peu renseignés. Leur silence ne signifie pas satisfaction. Il traduit fréquemment un manque d’incitation, de temps ou d’intérêt pour le canal de feedback proposé. Une gouvernance sérieuse ne peut pas s’y limiter.

Le « ChatGPT interne » a révélé les limites d’une réponse défensive

Le marché a également produit son propre angle mort : le « ChatGPT interne ». En 2023 et 2024, de nombreuses grandes entreprises ont lancé un chatbot interne pour réduire les risques de fuite de données vers les services publics. L’intention était légitime, notamment au regard des enjeux de confidentialité, de sécurité et de conformité.

Mais beaucoup de ces projets se sont matérialisés sous la forme d’un simple habillage autour d’un grand modèle de langage, sans véritable connexion au système d’information ni profondeur fonctionnelle. Dans plusieurs cas, ces outils ont été livrés avec dix-huit mois de retard, alors même que les solutions publiques progressaient rapidement sur la recherche web, l’enchaînement d’actions et les capacités d’assistance plus autonomes.

Le décalage a eu un effet prévisible : une partie des usages est repartie vers le marché ouvert. En France, 61 % des salariés qui utilisent l’IA au travail ont recours à des outils publics, contre 19 % seulement à des outils internes (KPMG, 2026).

Ce rapport de force ne signifie pas que les outils internes sont inutiles. Il montre surtout qu’un outil interne peu performant, peu connecté ou peu pratique ne dissuade pas durablement le shadow AI.

Pour les entreprises, l’enjeu n’est donc pas seulement de fermer l’accès aux services externes, mais de proposer des alternatives internes au niveau d’usage attendu. Sinon, la dépense technologique remplit une fonction de conformité apparente sans capter les usages effectifs.

Le shadow AI désigne l’usage d’outils d’IA non validés ou non encadrés par l’organisation, souvent à l’initiative directe des salariés. Le phénomène complique la maîtrise des données, la conformité interne et le suivi des coûts, mais il constitue aussi un indicateur de marché : lorsqu’il progresse, c’est souvent que l’offre interne ne répond pas au besoin opérationnel.

Adoption élevée ne veut pas dire création de valeur maîtrisée

Autre enseignement important : un fort taux d’usage n’apporte pas, à lui seul, la preuve d’un modèle rentable. La matière fournie cite le cas d’une société de gestion d’actifs dont le GPT interne est utilisé chaque jour par 90 % des salariés, en parallèle de workflows automatisés et d’outils publics en libre-service. Pour beaucoup de DSI, un tel niveau d’adoption représenterait déjà un objectif atteint.

Et pourtant, l’organisation concernée ne sait pas précisément qui fait quoi avec quel outil, à quel coût, ni ce qui mériterait d’être industrialisé. Ce point est central. Une diffusion large peut masquer une dispersion des pratiques, des doublons technologiques ou des dépenses de licences sans hiérarchisation de la valeur créée.

Dans la gestion d’entreprise, l’enjeu change donc de nature. Il ne s’agit plus seulement de soutenir l’appropriation par les équipes, mais d’identifier les usages à forte contribution. Concrètement, une direction doit pouvoir distinguer :

  • les cas d’usage qui améliorent réellement une chaîne opérationnelle ;
  • ceux qui servent de confort individuel sans effet économique démontré ;
  • ceux qui doivent être intégrés à un processus industrialisé ;
  • ceux qui relèvent mieux d’un accès libre, mais plafonné et surveillé.

Ce tri conditionne directement les arbitrages 2027. Faute de granularité, les réductions budgétaires risquent d’être transversales et peu intelligentes. Avec des données d’usage et des indicateurs économiques, elles peuvent au contraire devenir sélectives et stratégiques.

Du test permanent au pilotage financier : la nouvelle discipline des directions

Le virage attendu dans les prochains mois est moins technologique qu’organisationnel. Piloter l’IA ne consiste pas à freiner les initiatives ni à centraliser excessivement les expérimentations. Cela suppose d’installer un langage commun entre métiers, DSI, direction financière, conformité et direction générale.

Ce langage commun repose sur quelques questions simples, mais exigeantes :

  • quel problème métier exact le projet traite-t-il ;
  • quel indicateur d’usage permet de savoir si l’outil entre dans les pratiques ;
  • quel indicateur économique ou opérationnel permet de juger son apport ;
  • à quel moment décide-t-on d’industrialiser, de rescoper ou d’arrêter.

Dans cette logique, la préparation des budgets 2027 devient un moment clé. Les entreprises qui auront documenté leurs usages pourront défendre des lignes d’investissement ciblées. Les autres risquent un scénario plus classique : une baisse imposée, décidée sous pression financière, faute de pouvoir démontrer ce qui mérite d’être préservé.

La maturité ne se mesure donc pas au nombre d’agents, de prompts partagés ou de chatbots mis à disposition. Elle se mesure à la capacité de l’entreprise à faire remonter des preuves suffisamment robustes pour orienter le capital. C’est là que les cadres de gouvernance mis en avant par Deloitte ou les processus de suivi financier formalisés évoqués par Wavestone prennent leur importance : non comme exercice théorique, mais comme outil d’arbitrage.

Trois décisions de gestion qui changent la donne

  1. Rattacher chaque initiative IA à un objectif métier explicite, et non à une logique de démonstration technologique.
  2. Suivre séparément l’adoption, le coût et l’effet opérationnel, car un bon score sur un seul axe ne suffit pas.
  3. Prévoir dès le départ les critères de poursuite, de rescopage ou d’arrêt, pour éviter les décisions tardives et purement défensives.

Les arbitrages 2027 se joueront sur la preuve d’usage

L’IA en entreprise entre dans une phase moins spectaculaire, mais plus décisive. Les organisations qui savent pourquoi elles coupent, pourquoi elles poursuivent et pourquoi elles industrialisent prennent de l’avance. Les autres risquent de confondre discipline budgétaire et recul stratégique.

Le débat des prochains mois ne portera pas sur la promesse générale de l’IA, mais sur une question plus exigeante : quelle IA, pour quels salariés, avec quel effet vérifiable. La fin de l’euphorie n’annonce pas la fin du mouvement ; elle ouvre la période où la valeur doit enfin être démontrée.