L'intelligence artificielle promet depuis des années une révolution industrielle sans précédent. Pourtant, derrière les annonces tonitruantes et les expérimentations médiatisées, se cache une réalité beaucoup plus contrastée. Une majorité d'entreprises peinent à dépasser le stade du proof of concept et à générer de la valeur tangible avec l'IA, particulièrement l'IA générative.
Le constat sévère de Tech Mahindra : une adoption trop timorée
Lors de la conférence Cypher 25 qui s'est tenue à Bengaluru en septembre 2025, Saurabh Jha, responsable mondial Data et Analytics chez Tech Mahindra, a dressé un bilan sans concession de l'adoption de l'IA dans les grandes entreprises. Selon lui, les dirigeants continuent de traiter l'IA comme une simple fonction d'optimisation plutôt que comme un levier de transformation radicale.
« Les entreprises se contentent trop souvent d'applications superficielles, comme l'automatisation du service client ou la génération de contenu marketing, sans repenser leurs modèles économiques fondamentaux », a-t-il déclaré. Cette approche incrémentale expliquerait les piètres résultats documentés par plusieurs études récentes.
Des chiffres qui parlent d'eux-mêmes
Les données présentées par Jha sont éloquentes. Le rapport GenAI Divide du MIT révèle que 95% des projets d'IA générative échouent à délivrer des résultats concrets. Parallèlement, une enquête IBM menée auprès de 2 000 PDG montre que seulement un quart des initiatives IA ont généré le retour sur investissement escompté, et à peine 16% ont réussi à atteindre une mise à l'échelle significative.
Ces chiffres traduisent un gap important entre les promesses de l'IA et sa mise en œuvre effective dans les organisations. Les obstacles sont multiples : manque de compétences techniques, difficultés d'intégration avec les systèmes existants, problèmes de qualité des données, et surtout une vision stratégique souvent limitée.
La menace des startups agiles
Jha met en garde contre cette frilosité des grandes entreprises, qui laisse le champ libre aux startups plus agiles pour disrupter les industries établies. « Les nouveaux entrants n'ont pas le poids des legacy systems et peuvent construire dès le départ des modèles d'affaires AI-first », explique-t-il.
Cette asymétrie pourrait conduire à un renversement des positions dominantes dans plusieurs secteurs. Les entreprises traditionnelles qui n'innovent pas suffisamment risquent de se faire distancer par des acteurs plus petits mais plus audacieux dans leur approche technologique.
Vers une approche transformationnelle
La solution, selon Jha, réside dans un changement de mentalité radical au plus haut niveau de l'entreprise. Les dirigeants doivent cesser de « babyer » l'IA et l'envisager comme un catalyseur de réinvention complète de leur business model.
Concrètement, cela signifie :
- Intégrer l'IA dès la conception des produits et services, pas en aval
- Repenser les processus métier de fond en comble plutôt que de les automatiser à la marge
- Investir dans la formation et la montée en compétences des équipes
- Développer une culture data-driven à tous les niveaux de l'organisation
Cette approche nécessite un engagement fort de la direction et une volonté de prendre des risques calculés. Elle implique également des investissements conséquents dans l'infrastructure data et les talents spécialisés.
L'impératif de la mise à l'échelle
Le véritable défi ne réside pas dans l'expérimentation mais dans la capacité à industrialiser les solutions IA. Les 16% de projets qui réussissent à scale présentent plusieurs caractéristiques communes : une alignment parfaite avec la stratégie business, un sponsorship au plus haut niveau, et une infrastructure technologique robuste.
La conférence Cypher 25 a servi de plateforme pour partager les best practices en matière de déploiement à grande échelle. Les intervenants ont insisté sur l'importance de mettre en place des governance frameworks adaptés et des métriques de performance claires.
Le rôle crucial des données
La qualité des données reste un prérequis essentiel pour toute initiative IA ambitieuse. Les entreprises qui réussissent leur transformation sont celles qui ont investi dans la modernisation de leur patrimoine data et dans la mise en place de processus de gestion rigoureux.
« Sans données de qualité, même les algorithmes les plus sophistiqués ne produiront pas de résultats probants », rappelle Jha. La data literacy doit devenir une compétence transverse dans l'organisation, et non plus l'apanage des seuls data scientists.
À retenir
- 95% des projets d'IA générative échouent à produire des résultats tangibles
- Seulement 16% des initiatives IA atteignent une scale significative
- Les entreprises doivent repenser leurs modèles économiques plutôt qu'optimiser marginalement
- Les startups agiles représentent une menace sérieuse pour les acteurs traditionnels
- La transformation nécessite un engagement fort au plus haut niveau et des investissements dans les données et les compétences