Combien l'IA rapporte-t-elle vraiment ? 95 % des pilotes ne rentrent pas dans leurs frais — voici où est le retour (et en combien de temps)

Il y a un chiffre qu'aucun fournisseur d'IA ne mettra sur ses slides, et c'est le plus important de tous : selon l'étude du MIT « The GenAI Divide » (2025), environ 95 % des projets pilotes d'IA générative en entreprise ne produisent aucun impact mesurable sur le compte de résultat. Un projet sur vingt seulement parvient à une accélération concrète du chiffre d'affaires. Ce n'est pas une statistique pour vous décourager — c'est le point de départ honnête à partir duquel on construit un vrai retour, au lieu d'en poursuivre un imaginé.

Car la lecture du MIT est presque contre-intuitive : ces 95 % ne sont pas un problème de qualité des modèles. Les outils fonctionnent. Le MIT parle de « learning gap » — écart d'apprentissage : les entreprises ne réussissent pas à greffer l'IA dans les flux de travail, l'organisation et les habitudes. Le modèle est bon ; c'est l'implémentation autour qui manque. Et c'est exactement le morceau qui décide si vous êtes dans les 5 % ou dans les 95 %.

Le plafond honnête : la majorité ne rentre pas dans ses frais

La donnée du MIT n'est pas isolée. La PwC 2026 CEO Survey la confirme du côté de ceux qui signent : 56 % des dirigeants ne déclarent aucune hausse de chiffre d'affaires ni réduction de coûts grâce à l'IA à ce jour, et seulement 12 % rapportent les deux. Mais le détail qui compte est ailleurs : les CEO qui voient un retour ont deux à trois fois plus de chances d'avoir diffusé l'IA largement dans leurs opérations, plutôt que de l'avoir testée dans un seul service. Le retour ne vient pas du pilote isolé : il vient de l'adoption qui entre dans les processus.

Tenir ensemble ces deux chiffres — 95 % des pilotes à impact nul, 56 % des dirigeants sans retour — sert à une seule chose : calibrer les attentes avant de signer. Celui qui vous promet un retour rapide et garanti vous vend l'exception comme si c'était la règle. La règle, c'est que l'IA ne rapporte que là où quelqu'un comble l'écart d'implémentation. Le reste de l'article dit où le retour se concentre vraiment, et en combien de temps il arrive honnêtement.

Où le ROI se concentre vraiment — et ce n'est pas là que va le budget

Le MIT a aussi mesuré où le retour apparaît, et la réponse renverse l'intuition commune : plus de la moitié des budgets d'IA générative va aux outils pour les ventes et le marketing, mais le ROI mesuré le plus élevé se trouve dans l'automatisation du back-office — éliminer des dépenses d'externalisation, réduire les coûts d'agences externes, alléger les flux d'administration et d'opérations. L'argent court après le cas d'usage le plus spectaculaire ; le retour est dans le plus ennuyeux.

C'est un argument direct contre le réflexe « commençons par un chatbot pour le commercial ». Pour une PME, la lecture pratique est : regardez d'abord là où le travail est répétitif, mesurable et à faible risque — le cycle fournisseurs, la réconciliation, le tri documentaire — et non là où c'est le plus visible. Ce sont les cas d'administration et finance et d'opérations qui donnent l'avant/après le plus net, pas la vitrine.

Sur le même axe se trouve le choix acheter contre construire : acheter chez un fournisseur spécialisé réussit environ 67 % des fois, tandis que les projets construits en interne réussissent à peu près un tiers des fois (~33 %) — la moitié du taux de réussite. Pour une PME sans équipe de data science, acheter (ou se faire greffer un stack déjà prêt) n'est pas le choix paresseux : c'est le plus sûr empiriquement. C'est le thème de l'article acheter ou construire, ici confirmé par les chiffres.

Les délais de retour sont plus longs qu'on ne vous les vend

La deuxième attente à corriger est le quand. Le marché vend des retours dans l'année ; l'évidence dit autre chose, et de manière concordante sur plusieurs sources :

• Gartner (782 responsables d'infrastructures et d'opérations, fin 2025) : seulement 28 % des initiatives d'IA satisfont pleinement les attentes de ROI, et 20 % échouent complètement. Parmi ceux qui rapportent des revers, 38 % citent des lacunes de compétences de l'équipe et 38 % la faible qualité ou accessibilité des données — toutes deux résolubles par un partenaire d'implémentation, non par un meilleur logiciel.
• Deloitte (1 854 dirigeants, Europe et Moyen-Orient) : seulement 6 % des organisations voient un retour en moins d'un an, et même parmi les meilleurs projets à peine 13 % rentrent dans leurs frais sous 12 mois. La majorité s'attend à deux à quatre ans pour un retour satisfaisant — un horizon bien plus long que celui qu'on associe d'ordinaire à un investissement technologique ordinaire.
• BCG (« Closing the AI Impact Gap », 2025) : le ROI réalisé se situe autour de 10 %, contre un objectif de ~20 % que la plupart des entreprises s'étaient fixé — et l'usage quotidien en première ligne plafonne à 51 % même là où dirigeants et managers utilisent l'IA plusieurs fois par semaine (plus de 75 %). De nouveau : l'écart, c'est la profondeur d'adoption, non la qualité de l'outil.

La conséquence pratique pour une PME est nette : promettre un retour sous douze mois n'est pas crédible face à cette évidence. Le cadre honnête est deux à quatre ans, avec les cas de back-office et d'ops/finance comme les victoires réalistes les plus rapides. Un fournisseur qui vous garantit plus ignore les données mêmes qu'il devrait connaître — et la différence entre les 28 % qui rentrent dans leurs frais et les 20 % qui échouent n'est pas le logiciel, ce sont les compétences et les données : exactement ce sur quoi travaille une implémentation bien faite.

Le piège des licenciements : le ROI ne vient pas en coupant des têtes

Il y a un dernier chiffre qui vaut comme boussole de positionnement, pas seulement comme statistique. Toujours Gartner (350 dirigeants d'entreprises au-dessus du milliard de chiffre d'affaires) : 80 % des entreprises ayant expérimenté l'IA et l'automatisation rapportent des réductions de personnel — mais le taux de réduction est presque identique entre les entreprises à haut ROI et celles à bas ROI. Autrement dit : aucune corrélation entre couper des postes et obtenir de meilleurs retours. Comme le résume la vice-présidente de Gartner Helen Poitevin, « poursuivre la valeur uniquement par la réduction du personnel mène la plupart des organisations vers des retours limités ».

Les meilleures entreprises ont utilisé l'IA pour renforcer les personnes — plus de productivité à effectif constant — non pour les remplacer. Pour une PME italienne, c'est à la fois l'histoire la plus propre éthiquement et celle que les données soutiennent vraiment : le retour n'est pas dans le fait de licencier, il est dans le fait de libérer des heures et de les remettre sur du travail à plus forte valeur. Et c'est aussi la façon dont l'équipe accepte le changement au lieu d'y résister : un outil qui augmente celui qui l'utilise est adopté ; un outil qui menace le poste est saboté, et un outil non utilisé a un ROI nul, aussi bon soit-il.

Ce que cela signifie pour votre entreprise

Si vous reliez les chiffres, il en sort une méthode, non un pessimisme. Quatre règles pour être du côté des 5 % qui rentrent dans leurs frais plutôt que des 95 % qui n'y parviennent pas :

• Partez du back-office, pas de la vitrine. Le ROI mesuré le plus élevé est dans l'automatisation de l'administration, de la finance et des opérations — non dans le chatbot pour le commercial, où va pourtant la moitié du budget.
• Achetez, ne construisez pas. Pour une PME sans équipe ML, adopter un stack prêt réussit deux fois plus souvent que tout construire en interne.
• Comptez deux à quatre ans, pas douze mois. C'est l'horizon qui tient face à celui qui gère les comptes — et ici, la crédibilité vaut plus qu'une promesse gonflée.
• Misez sur le renforcement, pas sur le remplacement. C'est ce que les données corrèlent au retour, et ce qui fait prendre l'adoption dans l'équipe.

Ces quatre règles ont un fil en commun, et c'est l'écart que le MIT a nommé : le retour n'est pas décidé par le modèle, il est décidé par l'implémentation. Les 38 % qui citent des compétences manquantes, les 38 % qui citent des données pas prêtes, le pilote qui n'entre jamais dans les flux — tout cela est du learning gap, et tout cela est le travail qui se trouve entre « nous avons acheté un outil » et « l'entreprise rapporte davantage ». C'est la raison pour laquelle la phrase d'Innesti n'est pas « nous vous vendons l'IA » mais « nous vous la greffons » : la partie qui décide du ROI est celle que presque tout le monde saute.

Avant d'estimer le moindre retour, cependant, il faut savoir d'où vous partez. Nous avons transformé ce premier pas en une évaluation self-service et gratuite : quelques questions et une indication sur où l'IA peut rapporter dans votre entreprise, avec quels contrôles autour et comment le mesurer — la méthode pour mesurer le ROI est l'article frère de celui-ci. Faites l'évaluation d'AI-readiness — puis, si cela a du sens, parlons-en.

Cet article a une visée d'orientation. Les chiffres de retour, de taux de réussite et de délais cités proviennent d'études et d'enquêtes sectorielles — MIT NANDA « The GenAI Divide: State of AI in Business 2025 » ; PwC 2026 CEO Survey ; Gartner (enquêtes auprès de responsables I&O fin 2025 et de dirigeants de grandes entreprises) ; Deloitte (enquête 2025 auprès de 1 854 dirigeants en Europe et au Moyen-Orient) ; BCG « Closing the AI Impact Gap » (2025) — et doivent être lus comme des indications de direction, non comme des garanties de résultat : les échantillons, les définitions et les horizons varient d'une source à l'autre, et chaque estimation doit être vérifiée sur le contexte de l'entreprise. Chaque choix d'outil et d'investissement en IA doit être évalué sur les données, les contrôles et les objectifs de votre entreprise, sous la supervision de celui qui en répond au bilan.