Le plateau de l'adoption : pourquoi les projets pilotes d'IA réussissent alors que leur déploiement à grande échelle échoue

J'ai vu ce scénario se reproduire un nombre incalculable de fois : un projet pilote est accueilli par des applaudissements et reçoit le feu vert pour être déployé à grande échelle, puis, six mois plus tard, personne ne sait ce qu'il est advenu de ce projet. Les études le confirment : la plupart des organisations ont mené un projet pilote d'IA, mais moins d'une sur cinq a réellement réussi à le déployer à grande échelle.

La technologie a fait exactement ce qu'elle était censée faire ; ce qui a disparu, c'est tout ce qui avait rendu cela possible au départ.

Regardez comment se déroule réellement un projet pilote. On choisit le cas d’utilisation le plus simple de l’entreprise, on y affecte les personnes les plus motivées plutôt que celles qui sont simplement disponibles, et quelqu’un nettoie les données à la main parce qu’on n’a pas le temps de mettre correctement en place le pipeline. Un dirigeant fait fi des procédures de gouvernance habituelles sous prétexte que ce n’est « qu’un test ». Ensuite, on mesure la rapidité, la précision et le gain de temps sur une tâche, et bien sûr, ça fonctionne, parce que c’est fait pour ça.

Quelqu'un, lors d'une réunion de direction, dit : « Super, maintenant, faites-le partout », et toutes les conditions qui permettaient que cela fonctionne disparaissent.

Les données étaient propres parce qu'une personne les avait nettoyées.

La plupart des projets pilotes s'appuient sur des données que quelqu'un a passé des semaines à traiter manuellement : les extraire, les regrouper, les normaliser, avant même que l'IA n'y touche. Rien de tout cela n'apparaît dans les résultats des projets pilotes, alors que toutes ces étapes étaient nécessaires pour y parvenir.

À grande échelle, vous ne disposez ni de cette personne, ni de ces semaines. Vous disposez de l’infrastructure de données que votre entreprise a effectivement mise en place au cours de la dernière décennie, cloisonnée, classée de trois façons différentes par trois équipes distinctes, dont la moitié est inaccessible à tout système devant la lire automatiquement.

Dans l’étude « Agentic Readiness Research 2026 » menée parSkai, dans le cadre de laquelle nous avons interrogé 332 équipes chargées des médias payants, l’infrastructure de données est la dimension fondamentale qui obtient le score le plus bas sur l’ensemble de l’échantillon. La plupart des personnes interrogées ne sont pas en mesure de confirmer que leurs propres données sont prêtes pour les agents, et c’est généralement la dernière chose à laquelle on consacre des ressources, car c’est coûteux, peu prestigieux, et personne ne se voit reconnaître le mérite d’avoir résolu une dette de données accumulée depuis une décennie.

Le projet pilote n'a pas résolu le problème lié aux données ; il ne l'a tout simplement jamais rencontré.

L'équipe chargée du projet pilote n'est pas celle chargée de la mise à l'échelle

Les projets pilotes attirent les adeptes : le vice-président qui les a soutenus, les deux data scientists qui sont restés tard pour les faire fonctionner, le chef de produit qui a été convaincu dès la première diapositive. Ce sont des personnes exceptionnelles, et les talents exceptionnels ne se multiplient pas à l'infini ; on ne peut donc pas cloner trois personnes pour les répartir parmi quatre cents autres.

La mise à l'échelle n'a pas besoin de ces personnes ; elle a besoin des quatre cents autres, celles qui n'étaient pas présentes lors de la démonstration, qui reçoivent un message leur annonçant « nous lançons cela dès maintenant », en plus de la charge de travail qu'elles ont déjà et des mêmes indicateurs de performance sur lesquels elles ont toujours été évaluées.

La gestion du changement est systématiquement le levier qui obtient les scores les plus faibles dans nos études, et le problème ne réside pas dans le manque de sensibilisation, puisque les dirigeants sont généralement conscients de son importance. Ce qu’ils continuent de faire, c’est d’investir dans la technologie avant de développer les capacités nécessaires à son adoption, en allouant une ligne budgétaire à l’outil tout en partant simplement du principe que le changement de comportement suivra. Or, c’est rarement le cas.

Les résultats le confirment : les personnes qui parrainent ces programmes obtiennent de meilleurs scores en matière de préparation que celles qui doivent les gérer au quotidien, ce qui est logique, puisqu’elles sont les seules à avoir assisté à la démonstration.

La définition du problème devient floue

Les indicateurs clés de performance (KPI) fonctionnent en partie parce qu’ils sont ciblés. « Réduire le temps nécessaire au traitement des rapports hebdomadaires de performance » est une tâche pour laquelle il existe une réponse claire : « réussi » ou « échoué ».

Les directives à grande échelle sont rarement formulées avec une telle précision, car l’ambition a tendance à s’élever tandis que la définition devient de plus en plus floue sur tous les autres points. Le projet pilote qui a démontré que l’IA pouvait faciliter l’établissement des rapports se transforme en une directive visant à « faire du marketing une approche axée sur l’IA », ce qui semble audacieux mais s’apparente en réalité à une direction sans destination, dont personne ne peut définir les critères de réussite, pas même le dirigeant qui l’a rédigée.

La définition des cas d'utilisation est la deuxième dimension fondamentale la moins prise en compte dans cette étude. Partout où je regarde, c'est toujours la même séquence d'opérations, mais à l'envers : les entreprises achètent d'abord l'outil, puis cherchent un problème pour le justifier. Si l'on identifie d'abord le problème, l'outil suit ; si l'on saute cette étape, on ne dispose d'aucun élément suffisamment précis pour passer à l'échelle.

La gouvernance arrive tardivement

Les pilotes s'inscrivent généralement en marge des procédures habituelles. Le service de sécurité n'a pas procédé à l'examen requis, estimant qu'il ne s'agissait « que d'un bac à sable ». Le service juridique n'a jamais soulevé d'objection concernant le traitement des données, jugeant qu'il ne s'agissait « que d'un test ». Le service financier n'a jamais exigé de modèle de retour sur investissement, estimant qu'il ne s'agissait « que d'une phase d'exploration ».

J'ai déjà vu une équipe juridique débarquer trois semaines avant le lancement d'un produit à grande échelle et poser une question à laquelle personne dans la salle ne pouvait répondre : qui sera tenu pour responsable si cela tourne mal ? Cette simple question a rallongé le calendrier de deux mois, alors qu'elle aurait dû être posée dès le premier jour.

Si l'on néglige la gouvernance dès le départ, les coûts doublent à la sortie. Les projets pilotes qui ont connu le moins de complications au début sont souvent ceux qui rencontrent le plus de difficultés lorsqu'ils sont déployés à grande échelle, car les garde-fous qui auraient dû être mis en place pendant la phase pilote ne l'ont tout simplement jamais été.

Les règles du jeu changent

Le succès d'un projet pilote se mesure par rapport à lui-même. Les résultats étaient-ils précis ? Le petit groupe qui l'a testé l'a-t-il trouvé utile ? Ce sont là des questions légitimes dans le cadre d'une validation de principe.

Le directeur financier chargé de valider un investissement de cette envergure pose une question d'un tout autre ordre. J'ai eu l'occasion de m'entretenir avec l'un d'entre eux qui n'avait qu'une seule question à laquelle la présentation du projet pilote n'apportait aucune réponse : comment attribuer concrètement ce résultat à l'IA, alors que trois autres facteurs ont évolué au cours du même trimestre ?

« Measurement » est l’accélérateur ayant obtenu le score le plus bas de toute l’étude. La plupart des entreprises suivent les indicateurs avancés, le taux d’adoption, la précision des modèles et le délai de production des résultats, puis considèrent que le travail est terminé ; cela s’avère utile pendant la phase d’apprentissage, mais satisfait rarement ceux qui gèrent le budget destiné à un investissement à grande échelle.

Le programme parvient rarement à franchir le cap entre une norme de preuve et une autre, car les bons résultats n'ont jamais été transformés en argumentaire nécessaire à une véritable décision d'investissement.

Appelons un chat un chat

Les projets pilotes d'IA réussissent exactement comme prévu, dans des conditions conçues pour garantir leur réussite. L'erreur consiste à considérer la réussite de ces projets comme la preuve que l'organisation est prête à passer à l'échelle supérieure. En général, c'est justement cette préparation qui fait encore défaut.

Un projet pilote permet de démontrer que la technologie est capable de remplir sa mission une seule fois, dans des conditions idéales, sous l'œil attentif des meilleurs experts de l'entreprise. Pour passer à l'échelle, il faut prouver que l'organisation est capable de continuer à mener à bien cette mission différemment, avec des données réelles, des personnes réelles qui n'ont pas participé au projet pilote, une gouvernance réelle et des mesures réelles — autant de conditions ordinaires que le projet pilote avait précisément pour but d'éviter.

Dans le cadre de notre étude, l’entreprise type obtient un score de 35,7 sur 100 en matière de préparation à l’autonomie, un chiffre honnête qui place pratiquement tout le monde au même niveau. La question n’a jamais été de savoir s’il fallait mener des projets pilotes. Il s’agit plutôt de savoir si l’on pose, en parallèle, les fondations nécessaires pour qu’un tel projet puisse aller de l’avant.

Si vous lancez le projet pilote sans poser les bases, vous n’avez rien exploré. Vous n’avez fait que repousser la véritable question.

Si vous souhaitez obtenir un chiffre concret plutôt qu'une estimation, l'évaluation « Agentic Readiness Assessment » vous attribue une note par rapport au même référentiel que celui utilisé dans cette étude et vous indique précisément où se situent vos lacunes par rapport à vos pairs. Les organisations qui agissent dès maintenant bénéficient d'une avance de près de deux ans sur celles qui en sont encore au stade de la stratégie sur le papier. Passez l'évaluation dès maintenant.

Pour en savoir plus sur la capacité d'action des équipes médias, notamment grâce à une étude exclusive menée par l'Skai , consultez The Drum.

---

Questions fréquemment posées