ROI de l'IA : pourquoi 95 % des projets échouent

2 520 milliards de dollars. C'est ce que le monde va dépenser en intelligence artificielle cette année, selon les projections de Gartner publiées en janvier 2026. Une hausse de 44 % par rapport à 2025. Et pourtant, un rapport du MIT estime que près de 95 % des initiatives IA ne génèrent aucun retour sur investissement mesurable. Autrement dit, les entreprises investissent massivement dans une technologie dont la plupart n'arrivent pas à tirer de valeur concrète.

Comment expliquer un tel décalage ? Et surtout, comment en sortir ? Gartner a présenté le 9 mars 2026, lors de son Data & Analytics Summit, un cadre structuré autour de trois piliers. Un cadre qui résonne particulièrement avec la réalité des entreprises françaises, prises entre ambition affichée et difficultés opérationnelles.

Le paradoxe français : gouvernance en place, valeur en attente

La France n'est pas en retard sur l'adoption de l'IA. Pas sur le papier, du moins. L'étude Trends of AI 2026, menée par KPMG et le think tank Les EnthousIAstes auprès de 356 décideurs français, dresse un tableau encourageant : 60 % des organisations disposent désormais d'un dispositif de pilotage transverse pour passer l'IA à l'échelle. Chief AI Officer rattaché au COMEX, centre d'excellence, comité de gouvernance dédié... Les structures sont là. Et 86 % des entreprises interrogées ont adopté une charte d'usage responsable de l'IA.

Ces chiffres paraissent rassurants. Mais ils masquent une réalité plus contrastée. Quand on regarde où l'IA est réellement déployée, le marketing arrive en tête avec 42 % des entreprises, suivi du commercial à 36 %. Les fonctions finance, juridique, conformité ? Elles restent en retrait. C'est un peu comme avoir installé un système d'irrigation dernier cri sur un champ de blé et ne l'utiliser que pour arroser le jardin d'ornement.

L'enquête YouGov réalisée pour Microsoft France en janvier 2026 enfonce le clou. Certes, 80 % des dirigeants français utilisent des outils d'IA générative au moins une fois par semaine. Mais plus de 7 cadres sur 10 n'ont jamais été formés à leur utilisation. Et l'écart se creuse entre grandes entreprises (69 % d'utilisateurs réguliers) et TPE (55 %). La gouvernance existe, les outils sont là, mais la valeur ne suit pas. Pourquoi ?

Premier pilier : fixer une ambition IA claire (le « retour sur l'intelligence »)

Gartner appelle ce premier pilier le « Return on Intelligence ». L'idée tient en une question que peu de directions générales se posent explicitement : quel niveau d'ambition voulons-nous atteindre avec l'IA ?

58 % des organisations ne disposent pas de stratégie IA formalisée, selon l'étude Margo sur l'industrialisation de l'IA en France. Elles lancent des projets épars, sans cadre global. Un POC ici, un chatbot là, un outil de synthèse documentaire dans un autre département. Résultat : dispersion des efforts, doublons de solutions, dette technique croissante et aucune vision cohérente de la valeur attendue.

Ce que Gartner recommande, c'est de commencer par un travail de fond que beaucoup jugent « trop stratégique pour être urgent ». Repenser l'impact de l'IA sur chaque fonction. Définir une vision partagée entre le COMEX, la DSI et les métiers. Déterminer un niveau d'ambition réaliste mais exigeant. Et surtout, quantifier les coûts cachés dès le départ. Combien de temps vos équipes passent-elles à contourner les limites d'un outil IA mal intégré ? Combien de projets IA tournent en parallèle sans coordination ? Ces questions semblent banales. Les réponses, elles, le sont rarement.

Prenons un exemple concret dans le secteur financier. Une direction financière qui déploie trois outils d'IA différents pour le reporting, la consolidation et le prévisionnel sans stratégie unifiée va multiplier les intégrations, les formats de données et les compétences nécessaires. Le coût total de possession explose, et le ROI devient impossible à mesurer. À l'inverse, une approche intégrée autour d'un outil comme Claude Cowork, capable de traiter ces trois cas d'usage dans un environnement unique, réduit la complexité et rend le retour sur investissement lisible.

Deuxième pilier : des fondations de données solides (le « retour sur l'intégrité »)

Le deuxième pilier identifié par Gartner est peut-être le plus inconfortable à entendre pour les décideurs pressés d'avancer : sans fondations de données fiables, l'IA restera ce qu'elle est pour la plupart des organisations aujourd'hui, c'est-à-dire une expérimentation coûteuse.

85 % des dirigeants interrogés par Cognizant doutent que leur système d'information puisse supporter des projets IA avancés. Ce chiffre est vertigineux. Il signifie que la grande majorité des entreprises essaient de faire voler un avion depuis une piste en terre battue.

Les causes sont connues. Données silotées entre départements. Référentiels incohérents d'un système à l'autre. Qualité de données insuffisante pour alimenter des modèles fiables. Et par-dessus tout, une dette technique accumulée pendant des années de sous-investissement dans l'infrastructure. L'enquête HFS Research montre que 43 % des entreprises estiment que l'IA crée de la dette technique supplémentaire, au lieu de la réduire. Le serpent se mord la queue.

Gartner insiste sur un concept qu'il nomme la « couche de contexte ». Il ne suffit pas d'avoir des données propres. Il faut s'assurer que les bonnes données arrivent au bon modèle, au bon moment, avec le bon niveau de permission. Pour un département juridique qui utilise l'IA pour analyser des contrats, exposer par erreur des documents confidentiels à un modèle non sécurisé n'est pas juste un risque technique. C'est un risque de conformité RGPD majeur, potentiellement un risque réputationnel.

Que faire concrètement ? Cartographier les flux de données avant de déployer le moindre outil IA. Identifier les référentiels critiques et les fiabiliser. Mettre en place des contrôles d'accès granulaires. Et ne pas chercher la perfection immédiate : commencer par les données les plus fiables et les cas d'usage les moins risqués, puis élargir progressivement. C'est exactement l'approche que suivent les sociétés de gestion les plus avancées dans leur adoption de l'IA : elles commencent par l'analyse de rapports publics avant de connecter leurs données propriétaires.

Troisième pilier : investir dans les personnes (le « retour sur les individus »)

Le troisième pilier est celui que les entreprises sous-estiment systématiquement. Gartner l'appelle « Return on Individuals » et le résume en une formule : priorisez le mindset et le skillset avant le toolset. Autrement dit, investir dans la formation et l'accompagnement au changement avant de multiplier les licences logicielles.

Les chiffres français illustrent parfaitement le problème. L'étude Microsoft/YouGov de janvier 2026 révèle que 71 % des cadres français n'ont jamais été formés à l'IA. Pas formés à un outil spécifique : formés tout court. Et ce, alors que 60 % des dirigeants considèrent l'adoption de l'IA comme une priorité stratégique. Vous voyez le décalage ? C'est comme déclarer que la sécurité routière est une priorité nationale tout en supprimant les auto-écoles.

Gartner va plus loin et recommande de budgéter substantiellement le change management. Ce n'est pas un bonus de fin de projet, c'est un prérequis de début de déploiement. Selon le cabinet, les entreprises qui réussissent leur transformation IA consacrent au moins 30 % de leur budget IA à la conduite du changement. Les autres ? Elles achètent des outils que personne n'utilise correctement.

L'étude NVIDIA State of AI 2026 apporte un éclairage complémentaire. Parmi les entreprises interrogées, 30 % citent le manque de clarté sur le ROI comme leur principal défi. Ce n'est pas un problème technologique. C'est un problème humain. Quand les équipes ne comprennent pas ce que l'IA peut faire pour elles, au quotidien, dans leur métier, elles ne l'adoptent pas. Et quand elles ne l'adoptent pas, le ROI reste à zéro.

La recommandation la plus concrète de Gartner sur ce pilier est la création de « fusion teams » : des équipes hybrides qui mêlent experts métier et spécialistes data/IA. L'objectif n'est pas de transformer chaque juriste en data scientist, mais de créer des binômes capables de traduire un besoin métier en cas d'usage IA et inversement. Les cabinets de conseil qui ont adopté ce modèle constatent des taux d'adoption internes deux à trois fois supérieurs à ceux qui déploient l'IA « par le haut », via un mémo de la direction générale.

Le cas des secteurs réglementés : retard ou opportunité ?

Les secteurs réglementés occupent une position particulière dans ce débat. L'assurance, la santé, la finance, le juridique : ces secteurs sont souvent perçus comme les retardataires de l'adoption IA. La réalité est plus nuancée.

L'AI Act européen, dont les obligations pour les systèmes à haut risque s'appliquent pleinement à partir d'août 2026 (avec un report à fin 2027 pour le recrutement), impose exactement ce que Gartner recommande : documentation technique, supervision humaine, traçabilité des décisions, audits réguliers. Pour les compagnies d'assurance et les laboratoires pharmaceutiques, la conformité réglementaire et les bonnes pratiques de déploiement IA convergent. Investir dans la gouvernance, les fondations de données et la formation n'est pas un surcoût : c'est un investissement qui coche à la fois la case « valeur business » et la case « conformité ».

NVIDIA rapporte dans son State of AI 2026 que les secteurs finance, santé et retail affichent les meilleurs résultats en matière de ROI de l'IA. Ce n'est pas un hasard. Ces secteurs, habitués à la gestion du risque et à la conformité, appliquent naturellement une rigueur de déploiement que d'autres secteurs découvrent après leur premier incident. Le rapport KPMG Trends of AI 2026 confirme d'ailleurs que les fonctions Risk & Compliance font partie des huit fonctions analysées dans l'étude et montent en puissance.

Pour un cabinet de recrutement qui utilise l'IA pour le screening de CV, les exigences de l'AI Act (transparence, non-discrimination, supervision humaine) ne sont pas des contraintes. Ce sont des garanties de qualité qui rassurent les candidats, protègent la réputation du cabinet et, in fine, améliorent la pertinence des recommandations. Le cadre réglementaire devient un avantage compétitif pour ceux qui s'y conforment tôt.

De l'expérimentation à la valeur : une feuille de route concrète

Si votre organisation reconnaît ses propres difficultés dans les chiffres cités plus haut, voici ce que les données de Gartner, KPMG et Microsoft suggèrent comme séquence d'actions.

Commencez par un audit honnête de votre maturité IA. Pas un audit de complaisance qui se contente de lister les outils déployés. Un audit qui examine la stratégie (est-elle formalisée et partagée ?), les données (sont-elles accessibles, fiables, sécurisées ?) et les compétences (les équipes savent-elles utiliser les outils en place ?). L'étude KPMG montre que 60 % des entreprises ont un pilotage transverse. Êtes-vous dans les 60 % ou dans les 40 % restants ?

Identifiez ensuite deux ou trois cas d'usage à fort impact et faible risque. La synthèse de documents, l'analyse de données structurées, la rédaction de comptes-rendus : ces tâches offrent un ROI rapide et mesurable. C'est l'approche que nous suivons chez ClaudIn quand nous accompagnons le déploiement de Claude Cowork : prouver la valeur sur des quick wins avant de monter en puissance sur des cas d'usage plus complexes.

Investissez dans la formation dès le premier jour. Pas une formation de trois heures en e-learning. Un programme structuré, avec des ateliers pratiques sur les cas d'usage réels du quotidien, un référent IA dans chaque équipe, et un suivi régulier de l'adoption. Les programmes de formation Claude Cowork que nous avons conçus partent de ce principe : on n'apprend pas l'IA en théorie, on l'apprend en l'utilisant sur ses propres fichiers, ses propres process, ses propres problèmes.

Et mesurez. Mesurez le temps gagné par tâche, le nombre d'utilisateurs actifs par semaine, la satisfaction des équipes, le coût évité. Sans métriques, le ROI reste un concept abstrait et l'IA reste une ligne de budget que le prochain comité de direction voudra couper.

Les 2 500 milliards ne sont pas le problème

Le débat sur les investissements IA est souvent cadré comme une question de montants. Trop d'argent dépensé, pas assez de résultats. Mais les 2 520 milliards de dollars de dépenses mondiales ne sont ni un excès ni une bulle. Ils reflètent une conviction partagée par 86 % des entreprises interrogées par NVIDIA : leur budget IA va encore augmenter cette année.

Le problème n'est pas le montant investi. C'est la manière dont il est investi. Quand 58 % des organisations n'ont pas de stratégie IA formalisée, quand 85 % doutent de la capacité de leur infrastructure à supporter l'IA, quand 71 % des cadres ne sont pas formés : le problème n'est ni l'IA ni le budget. C'est le déploiement.

Les trois piliers de Gartner ne sont pas une théorie de plus. Ce sont trois conditions préalables, validées par les données terrain de KPMG en France et de Microsoft en Europe. Les entreprises qui réussiront à extraire de la valeur de l'IA en 2026 seront celles qui auront investi autant dans leur stratégie, leurs données et leurs équipes que dans leurs licences logicielles.

Vous souhaitez évaluer la maturité IA de votre organisation et identifier vos premiers cas d'usage à fort ROI ? Réservez un diagnostic de 30 minutes avec notre équipe.