Pourquoi tant de projets restent bloqués au stade pilote.
À l’occasion de la conférence Fortune Brainstorm Tech, Saanya Ojha, Partner chez Bain Capital Ventures, a réuni plusieurs CTO de grands groupes pour un échange sans détour sur l’IA générative. Dans son analyse publiée après l’événement, elle liste les écueils qui empêchent encore la majorité des projets de dépasser le stade de la démonstration. Voici une traduction de son article de restitution :
1. Du problème à la plateforme
L’adoption de l’IA échoue lorsqu’elle est pensée comme une fin en soi. Elle fonctionne lorsqu’elle est rattachée à un problème métier précis, avec un impact mesurable sur le compte de résultat.
Le CTO de Deloitte l’a reconnu : leur première vague de projets IA s’est essoufflée jusqu’à ce qu’ils recadrent chaque initiative autour de cas d’usage liés au ROI. Règle d’or : si un projet n’impacte pas une ligne du P&L, ce n’est pas une capacité, mais une simple démo.
Chaque proposition IA doit être associé à l’indicateur business qu’il impactera, pas au modèle utilisé.
2. Réparer la plomberie
Les dirigeants parlent de data avec une ferveur quasi religieuse. Raison : toutes les implémentations ratées de l’IA remontent à des fondations fragiles.
Exemple chez Amex : un assistant IA de connaissance a vite implosé face à des données non structurées, forçant une refonte totale de leur couche data. Un détour coûteux, mais qui a permis de bâtir une infrastructure enfin adaptée. Résultat : des milliers de conseillers voyages Amex dans 19 marchés utilisent désormais l’IA au quotidien.
Les fondations data ne sont plus un centre de coûts. Si vous les négligez, l’IA vous le fera payer cash.
3. Gouvernance centralisée, usages décentralisés
Le parcours de Nike illustre bien le sujet :
Phase 1 : une équipe IA centralisée, mais trop éloignée du terrain → adoption en berne.
Phase 2 : un réseau d’ingénieurs proches des équipes métiers, avec obligation de relier chaque projet à un bénéfice consommateur et un indicateur P&L → adoption débloquée.
La constante : centraliser les standards, la sécurité et l’infrastructure, mais décentraliser le développement des cas d’usage. Le CEO fixe le cap en ouvrant les portes, mais ce sont les équipes produits qui les maintiennent ouvertes.
L’IA ne se « scale » pas depuis un labo, mais là où se situent les « pain points » business.
4. L’humain, plus complexe que la tech
Tous les CTO le confirme : l’intégration de l’IA est avant tout une histoire humaine.
La peur du « grand remplacement par l’IA » freine l’adoption, d’autant plus avec la GenAI. Deloitte a constaté un bond de satisfaction chez ses ingénieurs lorsque l’IA s’est attaquée aux tâches ingrates (tests, documentation). Ces cas d’usage “positifs” agissent comme des accélérateurs culturels.
Présenter l’IA comme un outil qui renforce plutôt qu’il ne remplace. Le plan de déploiement est culturel avant tout.
5. L’aval du board : bénédiction et fardeau
Les conseils d’administration redoutent d’être distancés. Bonne nouvelle : cela se traduit par des budgets et des priorisation. Mauvaise nouvelle : cela génère aussi des attentes irréalistes et des deadlines intenables, poussant parfois à des “projets vitrine” hors sol.
Les leaders les plus efficaces ont su canaliser cette énergie pour financer la data et la sécurité, plutôt que des démos spectaculaires mais creuses.
Utiliser le FOMO du board pour débloquer les investissements invisibles, mais essentiels, sans céder au théâtre de l’IA.
6. Le succès n’est pas une mission lunaire, l’échec n’est pas fatal
Chez Blackstone, le cas le plus rentable : de petites apps capables de résumer des datas, faisant gagner 1 à 2 heures chaque jour aux investisseurs. Pas glamour, mais à très fort ROI.
Chez Nike, l’échec le plus visible : une IA pour créer des chaussures pendant les Jeux Olympiques – jolie démo, mais aucune mise à l’échelle.
Cette analyse a trouvé un écho chez Benedict Evans. L’analyste britannique, qui n’était pas présent à la table ronde, estime que ces difficultés rejoignent celles qu’il observe ailleurs. Selon lui, donner aujourd’hui l’IA générative à une grande entreprise, c’est comme donner accès à Internet en 1997 et attendre aussitôt un retour sur investissement. Une analogie qui souligne l’importance de partir de cas d’usage concrets plutôt que de céder aux sirènes de l’“AI-washing”.
