AGENT IA PRO

Le magazine de l’IA agentique en entreprise

Le Diagnostic

Analyse

Direction générale · IT et données

8 min de lecture

Publié le 

Échec des projets d’IA agentique : ce que disent vraiment les études, et ce que font ceux qui réussissent

Gartner prévoit l’abandon de plus de 40 % des projets d’IA agentique d’ici fin 2027, un rapport du MIT a popularisé le chiffre de 95 % d’échecs. Ces études ne mesurent pas la même chose, et aucune ne mesure exactement ce que l’on croit. Lues de près, elles disent pourtant toutes la même chose sur les causes d’un échec de projet IA, et sur ce que font différemment les entreprises qui en tirent un résultat.

La rédaction 9 sources citées

Planche
4.2
Vue :
planche au trait
Sujet :
échec projet IA
Échelle :
sans

Illustration générée.

Illustration de l’article : Échec des projets d'IA agentique: ce que disent vraiment les études, et ce que font ceux qui réussissent

Le 25 juin 2025, Gartner publie une prévision qui sera reprise partout : plus de 40 % des projets d’IA agentique seront annulés d’ici fin 2027, en raison de coûts croissants, d’une valeur métier peu claire ou d’une maîtrise des risques insuffisante. Deux mois plus tard, un rapport du MIT NANDA ajoute un chiffre plus spectaculaire encore : 95 % des organisations n’obtiendraient « aucun retour » de leurs investissements dans l’IA générative.

Ces deux chiffres sont devenus des arguments, cités aussi bien pour freiner un projet que pour vendre un accompagnement. Avant de s’en servir, il faut savoir ce qu’ils mesurent. Puis regarder ce qu’ils disent, eux et les autres études, des causes d’échec, et surtout de ce qui distingue les projets qui aboutissent.

1Les chiffres qui circulent, et ce qu’ils mesurent vraiment

Tableau 1.1Les chiffres qui circulent, et ce qu&#39 ;ils mesurent vraiment

Étude Chiffre Méthode Ce que le chiffre mesure
Gartner, juin 2025 Plus de 40 % des projets agentiques annulés d’ici fin 2027 Prévision d’analystes Un jugement d’experts sur l’avenir, pas un taux observé
MIT NANDA, juillet 2025 95 % des organisations sans retour 52 entretiens, 153 réponses de dirigeants, 300 initiatives publiques, janvier à juin 2025 Des outils d’IA générative spécialisés jugés sans effet marqué et durable par les répondants
S&P Global, 2025 42 % des entreprises ont abandonné la plupart de leurs initiatives (17 % un an plus tôt) Enquête auprès de plus de 1 000 répondants en Amérique du Nord et en Europe Des décisions d’arrêt déclarées
McKinsey, août 2026 37 % attribuent un effet sur l’EBIT à l’IA ; 6 % en tirent au moins 5 % de leur EBIT 1 719 répondants dans 97 pays, mai-juin 2026 Un effet financier déclaré, pas mesuré par des comptes
Gartner, novembre 2026 4 % des responsables du service client ont obtenu le retour attendu 275 responsables, juillet-août 2026 L’écart entre attente et résultat, dans une seule fonction

Gartner : une prévision, pas un constat

Le communiqué de Gartner ne repose pas sur un comptage de projets arrêtés. Il s’appuie sur l’avis de ses analystes. Le seul sondage cité, réalisé en janvier 2025 auprès de 3 412 participants à un webinaire, mesure le niveau d’investissement (19 % déclaraient des investissements importants), pas les échecs. Le même communiqué contient deux observations plus utiles que le chiffre de 40 %. D’abord, le « agent washing » : beaucoup de produits rebaptisés « agents » n’en sont pas, et Gartner estime qu’environ 130 des milliers de fournisseurs du marché proposent de vrais agents. Ensuite, cette phrase d’Anushree Verma, analyste : beaucoup de cas d’usage présentés comme agentiques « n’ont pas besoin d’une mise en œuvre agentique » (notre traduction).

MIT NANDA : un chiffre plus fragile qu’il n’y paraît

Le rapport « The GenAI Divide », signé notamment par Aditya Challapally et Ramesh Raskar, se présente lui-même comme des « résultats préliminaires ». Sa méthodologie combine l’analyse de plus de 300 initiatives rendues publiques, des entretiens avec des représentants de 52 organisations et 153 réponses de dirigeants recueillies dans quatre conférences. Un outil est considéré comme réussi si des utilisateurs ou des dirigeants lui attribuent un effet « marqué et durable » sur la productivité ou le résultat. Les auteurs précisent que leurs chiffres sont « indicatifs », fondés sur des entretiens et non sur des données publiées par les entreprises, et que la définition du succès varie d’une organisation à l’autre.

Signe de la fragilité de ces chiffres une fois sortis du rapport : Fortune, qui l’a fait connaître, décrit une méthodologie de 150 entretiens et 350 salariés interrogés, qui ne correspond pas à celle imprimée dans le document. Le 95 % ne porte pas non plus sur les agents en particulier : il concerne les outils d’IA générative intégrés à l’entreprise, par opposition aux assistants grand public comme ChatGPT, que le même rapport juge largement adoptés.

McKinsey et S&P : du déclaratif, mais sur de grands échantillons

L’enquête annuelle de McKinsey, publiée le 25 août 2026, a l’avantage de la taille et de la répétition. Elle montre que l’usage progresse (40 % des répondants de grandes entreprises disent passer à l’échelle des agents IA, contre 27 % un an plus tôt, et 22 % dans les entreprises plus petites) sans que l’effet financier suive : 37 % attribuent une contribution de l’IA à leur EBIT, une part inchangée depuis 2025. Le groupe des « très performants » reste stable à environ 6 %. Ce sont des perceptions de cadres, pondérées par le PIB des pays, pas des comptes audités.

Même prudence pour S&P Global Market Intelligence, dont les résultats sont rapportés par CIO Dive: 42 % des entreprises déclarent avoir abandonné la majorité de leurs initiatives d’IA, et l’entreprise moyenne a arrêté 46 % de ses preuves de concept avant la production. Coût, protection des données et sécurité sont les premiers obstacles cités.

2Les causes d’échec d’un projet IA qui reviennent d’une étude à l’autre

Le travail le plus utile sur les causes n’est pas le plus récent. En 2024, RAND a interrogé 65 data scientists et ingénieurs expérimentés. Leur diagnostic recoupe presque point par point ceux de Gartner, du MIT et de McKinsey.

Le problème est mal posé. Selon RAND, la première cause est un malentendu sur le problème à résoudre : le modèle optimise le mauvais indicateur ou ne s’insère pas dans le travail réel. Gartner décrit des projets « portés par l’effet de mode » et souvent mal appliqués. Un agent est lancé parce que la technologie existe, pas parce qu’un processus coûte cher.

Le mauvais outil est choisi. Gartner recommande d’utiliser des agents quand des décisions sont nécessaires, de l’automatisation pour les flux routiniers et des assistants pour la recherche d’information simple. Beaucoup d’échecs sont des agents là où un simple flux automatisé aurait suffi, comme nous l’expliquons dans notre article sur la différence entre agent, chatbot et automatisation.

Les données et l’intégration sont sous-estimées. RAND cite le manque de données et d’infrastructure ; Gartner, la complexité de brancher des agents sur des systèmes anciens, qui perturbe les processus et impose des modifications coûteuses. Dans le service client, Gartner observe que les organisations les plus avancées investissent près de 1,8 fois plus dans leurs données et leur gestion des connaissances que dans les cas d’usage eux-mêmes.

Le coût réel arrive après le pilote. Coûts « croissants » chez Gartner, coût en tête des obstacles chez S&P, et désormais coût d’usage : selon McKinsey, environ 20 % des répondants disent que les coûts d’exploitation de l’IA, jetons compris, limitent leur usage. Un pilote sur quelques centaines de conversations ne dit rien de la facture à cent mille.

L’outil n’apprend pas et le processus ne change pas. C’est la thèse centrale du MIT : les outils échouent parce qu’ils ne retiennent pas le contexte, s’intègrent mal et ne s’adaptent pas aux façons de travailler. McKinsey le dit autrement : les entreprises qui réussissent redessinent leurs processus au lieu d’y insérer l’IA.

Les compétences manquent. En France, le manque d’expertise est le premier frein cité par les entreprises qui utilisent déjà l’IA (53 %), devant la protection des données (43 %), selon l'Insee. Seules 15 % des entreprises de 10 à 49 salariés utilisaient l’IA en 2025.

Les décisions sont prises sur la promesse. Gartner décrit le piège « couper vite, réembaucher plus tard » : 7 % des responsables du service client interrogés en 2026 ont déjà réembauché après avoir réduit leurs effectifs à cause de l’IA. Le cas de Klarna, raconté dans notre reportage sur les agents IA au service client, en est l’exemple le plus connu.

3Ce que font différemment les projets qui réussissent

Les mêmes études décrivent les gagnants. Leurs pratiques sont moins technologiques qu’organisationnelles.

  1. Un problème, un indicateur, de la durée. RAND recommande d’engager les équipes sur un seul problème pendant au moins un an. Celles qui réussissent, explique Aditya Challapally, auteur principal du rapport du MIT, « choisissent un point de douleur, l’exécutent bien » et s’associent aux bons partenaires (notre traduction).
  2. Redessiner le travail, pas seulement l’outiller. Près des trois quarts des entreprises très performantes de McKinsey disent avoir profondément revu leurs processus à cause de l’IA, contre un quart des autres.
  3. S’appuyer sur un partenaire plutôt que tout construire. Dans l’échantillon du MIT, les outils achetés ou co-développés avec un fournisseur atteignent le déploiement dans environ 67 % des cas, contre 33 % pour les développements internes. Les auteurs préviennent que la corrélation ne prouve pas la causalité : les entreprises qui achètent n’ont pas le même profil. Notre guide pour choisir son intégrateur aide à le faire sans s’enfermer.
  4. Viser les fonctions de soutien. Le MIT observe qu’environ la moitié des budgets d’IA générative va à la vente et au marketing, alors que les meilleurs retours se trouvent dans l’automatisation des fonctions de soutien, en réduisant la sous-traitance et les prestations externes.
  5. Mesurer, et l’avoir prévu. Chez McKinsey, les très performants sont deux fois plus nombreux à disposer de processus définis pour mesurer l’impact de leurs initiatives, et deux fois plus nombreux à décrire un engagement visible de leur direction.
  6. Gérer les risques de l’agent lui-même. Les mêmes très performants sont beaucoup plus nombreux à travailler sur les actions non autorisées ou non prévues de leurs systèmes. Un agent qui agit dans vos outils doit avoir des droits limités et une personne responsable de le couper.
  7. Ne toucher aux effectifs qu’après les résultats. Gartner recommande de traiter les réductions de postes comme le résultat d’une performance prouvée et durable, jamais comme une condition préalable.

4Ce qu’il faut faire maintenant

Si vous avez un projet d’agent IA en cours ou en préparation, trois vérifications suffisent à savoir s’il ressemble aux 40 % de Gartner ou aux 6 % de McKinsey.

  • Pouvez-vous écrire en une phrase le processus visé, son coût actuel et l’indicateur qui doit bouger dans six mois ? Si non, le projet est une démonstration technologique.
  • Le pilote a-t-il une date de décision, avec trois issues possibles : généraliser, réorienter ou arrêter ? Un pilote sans échéance est la forme la plus fréquente de l’échec silencieux.
  • Les personnes qui feront le travail avec l’agent ont-elles participé à sa conception, et savent-elles à qui signaler une erreur ?

Pour structurer ce cadrage, notre méthode pour déployer un premier agent IA en PME en 90 jours reprend ces étapes une à une. Arrêter un projet qui ne tient pas ses promesses n’est pas un échec : c’est ce que font aussi les entreprises qui réussissent, plus tôt que les autres.

Questions fréquentes4 questions

Q1Est-il vrai que 95 % des projets d’IA échouent ?

Non, pas au sens où on l’entend. Le chiffre vient d’un rapport du MIT NANDA de 2025, fondé sur 52 entretiens, 153 réponses à un questionnaire et l’analyse de 300 initiatives publiques. Il désigne la part des outils d’IA générative spécialisés qui n’ont pas produit d’effet marqué et durable sur la productivité ou le résultat, selon les personnes interrogées. Les auteurs eux-mêmes qualifient leurs chiffres d’indicatifs.

Q2Quelle part des projets d’IA agentique sera abandonnée ?

Gartner prévoit que plus de 40 % seront annulés d’ici fin 2027, à cause de coûts croissants, d’une valeur métier floue ou d’une maîtrise des risques insuffisante. C’est une prévision d’analystes, pas une mesure. Elle sert surtout à rappeler qu’un projet agentique sans objectif chiffré a peu de chances de survivre.

Q3Vaut-il mieux construire son agent IA ou l’acheter ?

Dans l’échantillon du MIT, les outils achetés ou co-développés avec un fournisseur aboutissent environ deux fois plus souvent que les développements internes (67 % contre 33 %). Les auteurs préviennent que l’écart peut tenir au profil des entreprises plutôt qu’à la méthode. Pour une PME sans équipe data, s’appuyer sur un intégrateur est en général le choix réaliste.

Q4Comment savoir si mon projet d’agent IA est en train d’échouer ?

Trois signaux : personne ne sait dire quel indicateur métier doit bouger, le pilote dure depuis des mois sans décision de généralisation ou d’arrêt, et les utilisateurs contournent l’outil. Si l’un des trois est présent, il faut redéfinir le périmètre ou arrêter.

Sources9 documents

Les documents cités dans l’article
N°DocumentÉditeurDate
01Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027Gartner25 juin 2025
02The GenAI Divide : State of AI in Business 2025MIT NANDA2025-07
03MIT report : 95% of generative AI pilots at companies are failingFortune18 août 2025
04The state of AI in 2026 : On the road to ROIMcKinsey25 août 2026
05The Root Causes of Failure for Artificial Intelligence Projects and How They Can SucceedRAND Corporation13 août 2024
06AI project failure rates are on the rise : reportCIO Dive14 mars 2025
07Gartner Survey Reveals Just 4% of Customer Service Leaders Have Achieved the Expected ROI of Their AI InitiativesGartner4 novembre 2026
08Gartner Survey Finds 21% of Service and Support Leaders Have Reduced Human Agent Headcount Because of AIGartner5 novembre 2026
09Les technologies de l’information et de la communication dans les entreprises en 2025 (Insee Première n° 2120)Insee21 juillet 2026

Pour : PME, ETI et grands groupes

À lire ensuite