ROI négatif des projets IA : greffer l'IA ou construire les outils ?

La plupart des budgets IA d'entreprise ne montrent aucun retour mesurable au compte de résultat. BastionLab commence dans l'autre sens : utiliser l'IA pour construire d'abord des outils souverains et des processus structurés, puis ajouter des fonctions IA quand ce socle peut les porter.

Le comité valide un « projet IA ». Six mois plus tard, la boîte mail partagée tourne toujours, le tableur raccorde encore deux systèmes à la main, et quelqu'un présente une diapositive intitulée « adoption ». Rien n'a bougé au compte de résultat. Les modèles sont rarement le problème. L'échec, c'est greffer de l'IA sur des processus fragiles, non documentés et loués, qui n'étaient pas prêts.

En résumé

Les études publiques de 2024 et 2025 répètent la même chose. La majorité des pilotes d'IA générative ne livrent aucun retour économique mesurable. Beaucoup ne sortent jamais de l'espace entre preuve de concept et production. Un socle données et processus faible termine le reste. Le MIT NANDA estime qu'environ 95 % des organisations n'observent aucun retour mesurable sur l'IA générative, pour des dizaines de milliards dépensés. BastionLab utilise l'IA pour construire les outils qui améliorent le processus, puis ajoute les fonctions IA plus tard, une fois la structure possédée.

Pourquoi les projets IA greffés perdent de l'argent

Une fonction IA a besoin d'une tâche claire, d'entrées fiables, et d'un endroit où une mauvaise réponse peut être corrigée. Dans la plupart des PME et ETI, c'est l'inverse : savoir informel dans les boîtes mail, Excel comme vrai système de référence, logiciels loués dont vous ne contrôlez ni les interfaces ni la feuille de route. Greffer un modèle sur cette pile amplifie le bruit au lieu de créer un actif.

• Si personne ne peut écrire le chemin nominal et les exceptions, le modèle ne peut pas viser une tâche que vous pourrez vraiment supprimer.
• Beaucoup de produits loués exposent un panneau de conversation, pas le contrôle réel du processus : vous louez une surface, vous ne possédez pas le travail.
• Les pilotes de vitrine comptent « les gens ont utilisé la démonstration » comme succès, au lieu des heures retirées ou du coût évité au compte de résultat.
• Les démonstrations commerciales absorbent le budget pendant que la structure opérationnelle, là où les retours se trouvent souvent, reste intacte.

C'est le même problème d'empilement que lorsqu'on ajoute encore un abonnement au lieu de consolider vers des outils internes sur-mesure. Chaque couche règle une douleur ponctuelle et laisse le pont du lundi matin intact. L'IA greffée par-dessus devient une couche de plus.

Ce que disent les chiffres

Voici des chiffres qu'un comité de direction peut vérifier. Les méthodes diffèrent (enquêtes, entretiens, prévisions) : mieux vaut les lire ensemble que de chercher un pourcentage magique unique.

• MIT NANDA, 2025 (The GenAI Divide) : pour une estimation de 30 à 40 milliards de dollars d'investissement en IA générative en entreprise, environ 95 % des organisations ne voient aucun retour mesurable. Environ 5 % des pilotes IA intégrés extraient une valeur significative. Environ 60 % ont évalué des systèmes d'entreprise, 20 % ont atteint le stade pilote, 5 % la production. Les assistants généraux sont largement essayés et soulèvent surtout la productivité individuelle, pas le résultat. L'échec tient davantage aux parcours cassants et au décalage avec le quotidien qu'à la qualité des modèles. Source : rapport MIT NANDA (PDF).
• Gartner, 2024-2025 : au moins 30 % des projets d'IA générative abandonnés après la preuve de concept d'ici fin 2025 (données médiocres, contrôles de risque insuffisants, coûts qui montent, valeur métier floue). D'ici 2026, 60 % des projets IA sans données prêtes pour l'IA seront abandonnés. 63 % des responsables données n'ont pas, ou ne sont pas sûrs d'avoir, les bonnes pratiques de gestion de données pour l'IA. Sources : Gartner, juillet 2024, Gartner, février 2025.
• S&P Global, 2025 (plus de 1 000 organisations en Amérique du Nord et en Europe) : 42 % ont abandonné la plupart de leurs initiatives IA en 2025, contre 17 % l'année précédente. En moyenne 46 % des preuves de concept IA ont été abandonnées avant la production. Coût, confidentialité et sécurité figurent parmi les freins principaux. Source : synthèse CFO Dive de S&P Global Market Intelligence.
• BCG, 2024-2025 : seulement 22 % au-delà de la preuve de concept génèrent un peu de valeur, 4 % une valeur substantielle (2024). En 2025, environ 5 % opèrent l'IA à l'échelle avec des résultats matériels, et environ 60 % n'en retirent presque aucune valeur malgré l'investissement. L'écart entre les leaders et les autres s'élargit. Sources : Where's the Value in AI ? (2024), The Widening AI Value Gap (2025).
• McKinsey, 2025 (State of AI, environ 2 000 répondants) : environ 88 % utilisent l'IA dans au moins une fonction, mais seulement environ 39 % déclarent un impact sur le résultat opérationnel au niveau de l'entreprise. Environ 6 % sont très performantes. Source : McKinsey State of AI.
• RAND, 2024 : estimations secondaires selon lesquelles plus de 80 % des projets IA échouent, environ deux fois le taux d'échec des projets informatiques sans IA. Causes : définition floue du problème, données faibles, vanité technologique d'abord, infrastructure manquante, problèmes que l'IA ne sait pas encore résoudre. Source : RAND RR-A2680-1.

L'approche BastionLab : l'IA pour construire les outils, puis l'IA dans les outils

BastionLab est un studio d'ingénierie numérique et un éditeur de logiciels. Sous la pression IA, on traite l'IA comme un levier de construction : créer des outils internes souverains qui améliorent les processus (Missions Outils internes, MVP, Data et Intégration), puis ajouter des fonctions IA une fois ce socle en place.

• Documenter la tâche qui brûle du temps ou du risque, et chiffrer la perte (voir coût caché de la saisie manuelle).
• Construire un outil interne ou un flux de données cadré que vous possédez, au lieu de louer une couche de plus. L'IA accélère la conception, la génération et la documentation de ce travail.
• Seulement ensuite ajouter agents, extraction assistée ou recherche interne, sur un processus qui a déjà entrées, sorties et traçabilité (voir piste d'audit IA en production).

Au lieu d'acheter un siège modèle pour décorer un lundi matin cassé, vous investissez dans un actif qui s'amortit, avec la maintenance dite en amont. Même logique que dans SaaS dépense vs sur-mesure investissement. Portlane montre le pari de propriété quand vous avez besoin d'une plateforme de données (licence perpétuelle, hébergée chez le client). Le cadrage Mission reste BastionLab.

Critères de décision pour un comité de direction

• Peut-on nommer la tâche supprimée en une phrase, avec des heures ou des euros attachés ?
• Possède-t-on le système de référence de cette tâche, ou espère-t-on qu'un panneau de conversation éditeur réécrira le processus ?
• Le succès est-il un mouvement de compte de résultat ou de délai, ou « les gens ont essayé la démonstration » ?
• Le prochain euro est-il mieux placé sur un outillage de processus que l'on garde, ou sur une autre preuve de concept d'IA générative que les études disent souvent morte avant production ?
• Si les fonctions IA viennent plus tard, a-t-on déjà journalisation, validation humaine et chemins de données prêts pour l'IA ?

Si plusieurs réponses restent floues, vous regardez le schéma d'échec des dossiers MIT, Gartner et S&P, pas un programme de transformation.

Par où commencer

Partez des frictions opérationnelles qui vous coûtent déjà chaque semaine. Chiffrez-les, prenez le noyau le plus stable, et demandez si un outil que vous possédez supprimerait la tâche. Un Appel découverte dure trente minutes pour séparer un pilote de vitrine d'une Mission qui peut montrer un délai de retour. La maintenance n'est jamais gratuite, et tout abonnement n'a pas à disparaître.

Questions fréquentes

Tout le monde lance un projet IA autour de nous. On prend du retard si on attend ?

La pression est réelle, et c'est une mauvaise raison de valider un pilote. Les études montrent qu'un greffage trop rapide brûle souvent le budget sans rien bouger au compte de résultat. Des outils que vous possédez et des processus clairs préparent le terrain dont l'IA aura besoin ensuite. Un Appel découverte suffit à séparer la pression d'image d'un pari qui peut vraiment s'amortir.

BastionLab refuse-t-il totalement les fonctions IA ?

Non. On refuse de poser les fonctions IA en premier sur des processus fragiles et loués. On utilise l'IA pour construire d'abord des outils internes souverains et des processus structurés. Agents, extraction assistée ou recherche interne viennent après, quand ce socle peut tenir. Voir aussi les agents IA pour PME.

Un outil sur-mesure n'est-il pas plus cher qu'un pilote logiciel d'IA ?

Une preuve de concept étroite peut paraître moins chère le premier jour. Comparez le coût total à ce qui se passe quand le pilote n'atteint jamais la production, résultat majoritaire dans les études ci-dessus. Un outil que vous possédez et qui supprime une tâche récurrente a un délai de retour calculable. Une couche de conversation sur un processus cassé, rarement. La maintenance est réelle et chiffrée en amont, avec la même honnêteté que dans SaaS dépense vs sur-mesure investissement.

Quand les fonctions IA dans l'outil ont-elles du sens ?

Quand vous pouvez définir le succès sur un processus documenté, nourrir le modèle avec des données fiables, et attraper les erreurs avec un humain dans la boucle. Alors une étape assistée peut supprimer une tâche de bout en bout. Avant cela, le budget IA vaut mieux pour construire l'outil et le processus.

Et Portlane dans cette histoire ?

Portlane est la plateforme de données de BastionLab, en licence perpétuelle, hébergée chez le client. Même pari : posséder d'abord l'outillage, puis faire évoluer les capacités sur quelque chose que vous contrôlez. L'intention licence reste côté Portlane. Le cadrage, la migration et le sur-mesure restent une Mission BastionLab.