Les entreprises n’en finissent pas d’annoncer des stratégies d’IA ambitieuses, et seule une poignée débouche sur quelque chose de durable. Les chiffres sont difficiles à ignorer. Une étude 2025 du MIT Sloan et du BCG a révélé que seule 1 initiative d’IA sur 20 génère une valeur métier significative. RAND le dit plus crûment : plus de 80 % des projets d’IA n’atteignent jamais la production ou n’apportent pas l’impact promis. En moyenne, les organisations perdent environ 7,2 millions de dollars par projet raté, une fois pris en compte le coût d’opportunité, le retard et la désorganisation.
Alors, qu’est-ce qui cloche vraiment ? D’après notre expérience, sur plus de 100 projets d’IA, le problème central n’est presque jamais le modèle. C’est que les entreprises traitent l’IA comme elles traitent un logiciel classique : quelque chose que l’on planifie une fois, que l’on construit une fois, et que l’on transmet. L’IA ne fonctionne pas ainsi. Elle repose sur des données, elle porte de l’incertitude, et elle doit être branchée sur la façon dont l’entreprise prend réellement ses décisions. Quand elle échoue, c’est parce que personne, à l’intérieur, ne la porte. C’est un problème humain, et cet article parle des personnes qui le résolvent.
Pourquoi l’IA ne se transmet-elle pas d’un simple passage de relais ?
Un logiciel traditionnel est un outil de productivité : il accélère un flux de travail qui existe déjà. L’IA est différente, car elle ne se contente pas d’exécuter des décisions, elle les façonne.
Un modèle de présélection ne se contente pas de classer les candidats plus vite. Il décide quels profils reçoivent de l’attention et quels attributs deviennent des indices de « qualité », et avec le temps cela remodèle qui est recruté. Un modèle de tarification fait plus qu’estimer l’élasticité de la demande. Il redéfinit le risque et la tolérance de marge acceptables, et change l’agressivité avec laquelle l’entreprise teste les limites de ses prix. Dans les deux cas, le système ne fait pas que passer une décision à l’échelle, il la standardise et la rend reproductible dans toute l’organisation.
C’est pourquoi un modèle balancé par-dessus le mur est dangereux, et pas seulement décevant. Tout système d’IA encode des hypothèses sur les priorités, sur ce que signifie le succès, sur les compromis acceptables. Ces hypothèses sont posées tôt et souvent de façon implicite. Une fois le système en service, les équipes optimisent ce qu’il mesure, les tableaux de bord reflètent ce qu’il suit, les incitations s’alignent sur ce qu’il récompense. Si personne dans l’organisation ne comprend et ne porte ces hypothèses, vous finissez par passer à l’échelle une logique que vous n’avez jamais choisie consciemment.
Les cinq façons dont les initiatives d’IA se brisent vraiment
Nous avons constaté les mêmes points de rupture encore et encore, et aucun ne concerne réellement l’algorithme :
- Aucun objectif métier clair. Les équipes partent de « il nous faut de l’IA » plutôt que d’un problème précis lié au chiffre d’affaires, au coût ou au risque. Sans résultat mesurable, même un projet techniquement irréprochable ressemble à un échec.
- Des fondations de données fragiles. Un système ne vaut que les données qui le nourrissent. Des données fragmentées, incohérentes ou inaccessibles neutralisent même le meilleur modèle.
- Aucune intégration aux processus. Un modèle qui tourne isolément n’informe rien. L’IA doit alimenter de vraies décisions, pas seulement remplir un tableau de bord.
- Des trous dans la propriété. Traitée comme un ajout externe, personne à l’intérieur n’est responsable de sa performance, de son itération ou de sa dérive.
- Résistance au changement et dérive. L’IA exige de nouvelles façons de travailler, et contrairement à un logiciel classique, elle se dégrade avec le temps. Sans surveillance, réentraînement et des personnes qui s’en soucient, la performance décline en silence.
Chacun de ces points se referme grâce aux bonnes personnes installées au cœur du travail, pas grâce à un meilleur modèle livré depuis l’extérieur.
L’externalisation de l’IA contre le conseil : est-ce le mauvais débat ?
« Conseil en IA » et « externalisation de l’IA » sont employés indifféremment, et les deux cadrages passent à côté de l’essentiel. L’externalisation est transactionnelle : on délègue une tâche définie, on construit un modèle, on livre un tableau de bord, on mesure le succès par rapport à un cahier des charges. Le conseil est systémique : il commence avant qu’aucun modèle n’existe et demande si la solution devrait exister tout court. L’un produit un composant. L’autre façonne une capacité.
Mais voici ce que nous avons appris en menant ces missions : une capacité ne se transfère pas dans une présentation ni dans un jeu de recommandations, et elle ne se construit pas par un prestataire qui repart. Elle se construit par des personnes qui restent. Le vrai fossé n’est pas entre les entreprises qui font du conseil et celles qui externalisent. Il est entre les organisations qui ont les bonnes personnes IA et data intégrées à leurs équipes et celles qui continuent de louer un modèle en espérant qu’il tienne.
Ce que nous fournissons réellement : une équipe qui devient votre capacité IA
Chez RITS, nous ne vous vendons pas une solution d’IA finie et nous ne concevons rien dans notre coin pour le jeter par-dessus le mur. Nous vous donnons une équipe dédiée d’ingénieurs IA et data seniors qui s’intègrent à votre équipe et à votre processus, et qui restent assez longtemps pour que la capacité devienne la vôtre.
Cette équipe est menée par un Technical Data & AI Architect spécialisé dans les architectures LLM et RAG et les flux de données automatisés, la personne qui fait le pont entre une connaissance organisationnelle fragmentée et une prise de décision en temps réel, pilotée par les données. Autour de ce rôle, nous mobilisons des ingénieurs LLM/RAG, des ingénieurs MLOps et des ingénieurs data, dimensionnés au problème. C’est délibérément une équipe réduite et senior. Dans nos projets, une équipe compacte augmentée par des outils d’IA livre systématiquement plus qu’une grande : moins de monde, plus de résultats, une livraison plus rapide, parce que la séniorité et une bonne orchestration l’emportent sur le nombre de têtes.
Ce que cette équipe fait au sein de votre organisation est l’exact opposé d’un passage de relais. Elle se tient au plus près de votre fonctionnement réel, apprend où la valeur se crée et où les décisions se bloquent, et construit les fondations de données, l’intégration, la surveillance et la gouvernance qui rendent un système d’IA fiable sous des contraintes réelles, incitations concurrentes, qualité inégale des données, pression réglementaire, priorités changeantes. Elle relie le comportement du modèle aux résultats économiques et maintient ce lien à mesure que les choses évoluent. Et parce qu’elle travaille aux côtés de vos équipes plutôt qu’à leur place, votre organisation développe sa propre maturité dans la décision augmentée par la machine au lieu de rester dépendante de nous.
Avec une expérience de plus de 100 projets d’IA dans de multiples secteurs, nous avons constaté que l’IA ne délivre que lorsque la compréhension métier, l’exécution technique et une véritable appropriation interne vont de pair. Cette combinaison n’arrive pas dans un livrable. Elle arrive sous la forme d’une équipe.
Par où devriez-vous commencer avec l’IA ?
Si l’IA a calé chez vous, ne commencez pas par un modèle et ne commencez pas par la technologie. Commencez par un problème métier clairement défini : où perdons-nous de l’argent, quelles décisions sont lentes, incohérentes ou à haut risque, quels processus pèsent le plus lourd financièrement. Puis mesurez le succès en termes métier, croissance du chiffre d’affaires, réduction des coûts, réduction du risque, pas en précision de modèle. L’erreur la plus fréquente que nous voyons est de partir de « il nous faut de l’IA » au lieu de « nous devons améliorer X de Y % ».
Et ensuite, mettez les bonnes personnes dessus, des personnes qui restent. Une équipe dédiée d’ingénieurs IA et data intégrée à votre organisation n’est pas l’option la plus coûteuse, une fois comptées les initiatives ratées qu’elle évite et la capacité interne qu’elle laisse derrière elle. C’est celle qui tient vraiment.
Placez une équipe dédiée d’ingénieurs IA et data, augmentée par l’IA, au cœur de votre organisation → /services/team-augmentation