Les erreurs qui font échouer un projet d’IA en PME

Pourquoi tant de projets d’IA s’arrêtent en route

Les chiffres se ressemblent d’une étude à l’autre. En 2024, la RAND Corporation a interrogé 65 data scientists et ingénieurs expérimentés : selon les estimations qu’elle reprend, plus de 80 % des projets d’IA échouent, soit deux fois plus que les projets informatiques classiques (RAND).

Le mouvement s’accélère. Selon S&P Global Market Intelligence, qui a interrogé plus de 1 000 entreprises en Amérique du Nord et en Europe, 42 % des entreprises ont abandonné la plupart de leurs initiatives d’IA en 2025, contre 17 % un an plus tôt. En moyenne, elles ont arrêté 46 % de leurs prototypes avant la mise en production (CIO Dive).

Au Vietnam, le constat est le même, avec un temps de décalage. L’étude 2026 de Strand Partners pour AWS, menée auprès de 1 000 dirigeants, montre que 61 % des entreprises qui utilisent l’IA en sont encore au stade de l’expérimentation. Seulement 23 % ont une stratégie IA à l’échelle de l’entreprise, 13 % mesurent régulièrement ce qu’elle leur rapporte, et 46 % n’ont aucun moyen fiable de le savoir (VietNamNet).

Le cabinet BCG a cherché où se situent les difficultés. Sur 1 000 dirigeants interrogés dans 59 pays, environ 70 % des difficultés viennent des personnes et des processus, 20 % de la technologie et des données, et seulement 10 % des algorithmes eux-mêmes (BCG).

Un projet d’IA échoue rarement parce que l’IA ne marche pas. Il échoue parce qu’on l’a mise au mauvais endroit, sans données propres, sans mesure et sans les équipes.

Une PME n’a pas le budget d’un grand groupe pour absorber un échec. Mais elle a un avantage : des circuits courts, un dirigeant qui décide vite et des processus qu’on peut observer en une journée. Voici les sept erreurs à éviter pour en profiter.

Erreur 1 : partir de l’outil au lieu du problème

C’est la cause numéro un selon RAND : le problème à résoudre est mal compris, ou mal expliqué à ceux qui construisent la solution. Les chercheurs ajoutent que courir après la dernière nouveauté de l’IA pour elle-même est l’un des chemins les plus fréquents vers l’échec.

Dans une PME, cela commence souvent par une phrase : « il nous faut un chatbot », « on veut des agents IA », « mon concurrent a mis ChatGPT sur son site ». L’outil est choisi avant d’avoir regardé le travail.

Exemple type. Une agence de voyage installe un assistant sur son site. Il répond bien, mais les clients écrivent surtout sur Zalo, et la vraie perte est ailleurs : les demandes de devis du week-end restent sans réponse jusqu’au lundi, et une partie part chez la concurrence. Le chatbot n’y change rien.

Comment l’éviter. Formulez le besoin sans prononcer le mot « IA » : « on perd des demandes de devis le week-end », « la saisie des factures prend trois jours par mois ». Chiffrez-le en heures, en erreurs ou en argent. Et méfiez-vous des effets de mode : être cité par ChatGPT ou Gemini, par exemple, relève d’abord du référencement dans les IA, pas d’un projet d’automatisation. Parfois, la bonne réponse n’est même pas de l’IA : un formulaire bien conçu, une base clients unique ou un site plus clair suffisent. Notre article sur par où commencer pour automatiser une PME propose quatre questions pour repérer les bonnes tâches.

Erreur 2 : croire que les données sont prêtes

Une IA ne vaut que ce que valent les données qu’on lui donne. Selon une enquête Gartner de 2025, 63 % des organisations n’ont pas, ou ne savent pas si elles ont, les pratiques de gestion des données nécessaires à l’IA. Gartner prévoit que jusqu’à fin 2026, 60 % des projets d’IA sans données prêtes seront abandonnés (Gartner). Un ingénieur interrogé par RAND le résume : 80 % du travail en IA, c’est le travail ingrat de préparation des données.

Dans une PME vietnamienne, les données existent presque toujours. Elles sont simplement éparpillées : les commandes dans Zalo, les prix dans Excel, les paiements dans l’application bancaire, les ventes dans la caisse, et une partie de l’historique dans la tête de deux ou trois personnes.

Un cas réel. Chez Baieta, un restaurant de Hô Chi Minh-Ville (voir l’exemple de la restauration), le gérant voulait connaître sa marge par plat. Avant tout calcul, il a fallu réunir et relier les sources : factures fournisseurs, relevés bancaires et ventes de caisse.

Comment l’éviter. Avant de choisir un modèle, faites l’inventaire : où vit chaque information, sous quel format, qui la met à jour, et à quel point elle est fiable. Commencez par les sources déjà numériques. Le Vietnam a ici un vrai atout : toutes les entreprises émettent des factures électroniques au format XML, lisibles par une machine (voir notre article sur l’automatisation de la facture électronique).

Erreur 3 : viser trop grand, ou rester bloqué au stade du prototype

Deux pièges opposés mènent au même résultat. Le premier est le grand projet qui veut tout transformer en même temps : douze mois, cinq services, un budget engagé d’un coup. Le second est le prototype qui impressionne en démonstration, puis reste dans un tiroir parce que personne n’a prévu comment le brancher sur les vrais outils.

L’étude du MIT sur l’IA générative en entreprise, publiée en 2025, a fait beaucoup de bruit : selon ses auteurs, 95 % des organisations étudiées ne voyaient aucun retour mesurable sur leurs résultats, six mois après le déploiement (Virtualization Review). Le chiffre est discuté, mais deux constats du rapport sont utiles pour une PME. D’abord, environ la moitié des budgets va aux ventes et au marketing, alors que l’automatisation des tâches administratives rapporte davantage. Ensuite, les projets menés avec un partenaire spécialisé réussissent environ deux fois plus souvent que ceux construits seuls en interne (The Stack).

Comment l’éviter. Découpez. Un premier lot de 1 à 3 mesures, de 4 à 8 semaines, branché dès le départ sur vos outils réels et testé en parallèle de l’ancien fonctionnement. On ne passe au lot suivant que si le gain est prouvé : c’est le principe de notre méthode en 5 étapes.

Erreur 4 : ne pas mesurer la situation « avant »

Sans point de départ, impossible de prouver un gain. Le projet reste alors une impression (« ça a l’air de nous faire gagner du temps »), et il est le premier à sauter quand le budget se resserre. C’est exactement ce que montre l’étude AWS au Vietnam : seulement 13 % des entreprises mesurent régulièrement le retour de leurs projets d’IA.

Mesurer permet aussi d’arrêter à temps, ce qui est une forme de réussite. McDonald’s a testé pendant environ deux ans et demi la prise de commande vocale par IA avec IBM, dans une centaine de restaurants aux États-Unis. L’objectif était fixé à l’avance : plus de 95 % de commandes exactes avant de généraliser. Une étude publiée en 2022 situait plutôt la précision autour de 80 %, et la chaîne a mis fin au test en 2024 (Nation’s Restaurant News). Un seuil chiffré a transformé un échec potentiel en décision claire.

Comment l’éviter. Avant de commencer, notez trois à cinq indicateurs simples : temps passé par semaine, nombre d’erreurs, délai de réponse, montant des impayés, demandes perdues. Fixez le seuil qui justifie de continuer. Puis comparez à la fin de chaque lot, dans un rapport de gains partagé avec la direction et les équipes.

Erreur 5 : retirer l’humain trop vite

La tentation est forte de voir l’IA comme un moyen de supprimer des postes. Le cas le plus cité est celui de Klarna. En 2024, la fintech suédoise annonçait que son assistant faisait le travail de 700 agents du service client. En mai 2025, son PDG a reconnu que la réduction des coûts était allée trop loin et a relancé les recrutements, pour que chaque client puisse toujours parler à une personne (Bloomberg).

Le second risque est juridique. En 2024, un tribunal canadien a condamné Air Canada à indemniser un passager : le chatbot de la compagnie lui avait affirmé, à tort, qu’il pourrait demander un tarif réduit après son voyage. La compagnie soutenait que le chatbot était responsable de ses propres réponses. Le tribunal a répondu que l’entreprise est responsable de toutes les informations publiées sur son site, qu’elles viennent d’une page ou d’un chatbot (CBS News).

Au Vietnam, la loi n° 134/2025/QH15 sur l’intelligence artificielle s’applique depuis le 1er mars 2026. Elle exige notamment une supervision et un contrôle humains (The Star), et prévoit d’identifier les contenus générés par l’IA (Vietcetera).

Comment l’éviter. Confiez à l’IA les tâches répétitives et gardez les décisions humaines. Chaque automatisation doit prévoir un point de validation, un passage de relais clair vers une personne pour les cas complexes, et des réponses tirées de vos propres documents, relus et tenus à jour. Un assistant qui ne connaît pas la réponse doit le dire, pas l’inventer.

Erreur 6 : oublier les équipes

Une automatisation que personne n’utilise ne rapporte rien. Or les équipes sont souvent informées à la fin, quand l’outil est déjà choisi. Elles connaissent pourtant mieux que quiconque les exceptions, les contournements et les vraies pertes de temps.

Les salariés n’ont pas attendu leur employeur. Selon l’étude Microsoft et LinkedIn de 2024, 78 % des utilisateurs d’IA apportent leurs propres outils au travail, et seulement 39 % ont reçu une formation de leur entreprise (Microsoft). Au Vietnam, 54 % des entreprises citent le manque de compétences comme leur principal frein à l’IA (Viet Nam News).

Comment l’éviter. Associez les personnes qui font le travail dès l’observation. Nommez un référent par service. Prévoyez une formation courte par poste, sur vos propres documents plutôt que sur des exemples génériques, puis partagez les premiers gains avec tout le monde. Nous proposons des ateliers de formation par métier conçus dans ce but.

Erreur 7 : laisser chacun utiliser l’IA sans cadre

Quand l’entreprise ne fournit ni outil ni règle, chacun se débrouille avec un compte personnel. Le risque n’est pas théorique. En mars 2023, quelques semaines après avoir autorisé ChatGPT dans sa division semi-conducteurs, Samsung a relevé au moins trois cas où des salariés y avaient collé du code source confidentiel ou le contenu d’une réunion. Le groupe a restreint l’usage de l’IA générative dès le mois de mai (Fortune).

Le cadre légal s’est durci. La loi n° 91/2025/QH15 sur la protection des données personnelles s’applique depuis le 1er janvier 2026. Elle prévoit des amendes pouvant atteindre 5 % du chiffre d’affaires de l’année précédente pour les transferts de données à l’étranger non conformes, et jusqu’à 3 milliards de VND pour les autres infractions (PwC). Coller un fichier clients dans une IA grand public hébergée à l’étranger n’a donc rien d’anodin.

Comment l’éviter. Mieux vaut fournir de bons outils qu’interdire. Choisissez les versions professionnelles des modèles d’IA, qui n’utilisent pas vos données pour s’entraîner, et décidez où vivent les données sensibles. Écrivez une règle d’une page : ce qu’on peut confier à l’IA, ce qu’on ne lui confie jamais, et à qui poser la question en cas de doute.

Avant de lancer un projet : 7 questions à se poser

Ce que donne un projet mené dans le bon ordre

Nous appliquons ces règles d’abord chez nous, et nous mesurons le résultat chaque mois. Préparer un projet prend désormais une journée au lieu d’une semaine. La comptabilité et les RH gagnent une semaine par mois. Chaque développeur gagne 5 jours par mois grâce à l’IA, qui aide à écrire, tester et relire le code.

Aucun de ces gains n’est venu d’un outil miracle. Ils viennent d’une suite de petits lots, chacun mesuré avant et après, sur des tâches que les équipes avaient elles-mêmes désignées comme pénibles. Pour voir ce que cela peut donner dans votre activité, consultez les gains typiques par secteur et quelques-unes de nos réalisations.

Si vous ne savez pas par où commencer, l’audit IA express sert précisément à éviter ces sept erreurs : deux jours, dont une journée dans vos locaux, pour observer le travail réel, mesurer la situation « avant » et chiffrer 1 à 3 mesures. Le prix est déduit de la mise en place si vous décidez d’aller plus loin.

Questions fréquentes

Pourquoi la plupart des projets d’IA échouent-ils ?

Rarement à cause de la technologie. Selon BCG, environ 70 % des difficultés viennent des personnes et des processus, 20 % de la technologie et des données, et 10 % seulement des algorithmes. Les causes les plus fréquentes sont un problème mal défini, des données éparpillées, l’absence de mesure et des équipes tenues à l’écart.

Quel pourcentage des projets d’IA échouent vraiment ?

Cela dépend de ce qu’on appelle un échec. Selon les estimations reprises par RAND, plus de 80 % des projets d’IA n’atteignent pas leurs objectifs. Selon S&P Global, 42 % des entreprises ont abandonné la plupart de leurs projets d’IA en 2025, contre 17 % en 2024.

Une PME a-t-elle plus de chances de réussir qu’un grand groupe ?

Elle a des atouts : des décisions rapides, peu d’intermédiaires et des processus qu’on peut observer en une journée. À condition de commencer petit, avec 1 à 3 mesures chiffrées, branchées sur ses outils actuels et mesurées avant et après.

Comment savoir si un projet d’IA est rentable ?

En mesurant la situation « avant » : temps passé, erreurs, délais, impayés, demandes perdues. On fixe un seuil qui justifie de continuer, puis on compare à la fin de chaque lot de 4 à 8 semaines. Sans ce point de départ, aucun gain ne peut être prouvé.

Faut-il interdire ChatGPT à ses salariés ?

Interdire marche rarement : les salariés utilisent alors leur compte personnel en cachette. Mieux vaut fournir des versions professionnelles, qui n’utilisent pas vos données pour s’entraîner, et une règle d’une page sur ce qu’on peut leur confier.

Quelles lois encadrent l’IA dans une entreprise au Vietnam ?

Deux textes principaux. La loi n° 91/2025/QH15 sur la protection des données personnelles, en vigueur depuis le 1er janvier 2026, prévoit des amendes allant jusqu’à 5 % du chiffre d’affaires pour certains transferts de données à l’étranger. La loi n° 134/2025/QH15 sur l’intelligence artificielle, en vigueur depuis le 1er mars 2026, exige une supervision humaine des systèmes d’IA.