Le MIT et le Boston Consulting Group (BCG) viennent de publier une étude qui fait la une des journaux : 95 % des projets d'IA générative des entreprises ne montrent aucun impact mesurable sur les profits et pertes (P&L).
Le plus surprenant ? Ce n'est pas la technologie qui échoue, mais la façon dont les entreprises tentent de l'utiliser. L'étude pointe du doigt une intégration défaillante des flux de travail et un manque d'alignement clair des activités comme principales raisons de l'échec de tant d'initiatives d'IA.
Ce que dit le MIT à ce sujet
Les chercheurs du MIT Sloan Management Review et du BCG soulignent que le principal déficit réside dans la préparation organisationnelle. Les entreprises se lancent dans des projets d'IA sans repenser leurs processus, former à nouveau leurs équipes ou aligner les projets sur les résultats opérationnels.
Comme l'explique Michael Chu, directeur général de BCG, dans Tom's Hardware :
« L’IA générative est un outil puissant, mais sans une intégration adéquate et des cas d’utilisation clairs, elle risque de devenir une simple expérience de plus avec peu de résultats. »
(Source : rapport de recherche MIT CISR, 2024)
Ce que cela signifie (en termes humains)
Malgré tout le buzz autour de l’IA, la plupart des entreprises n’en voient pas les bénéfices.
Pourquoi ? Parce qu'ils essaient d'intégrer l'IA dans d'anciens systèmes au lieu de modifier leur fonctionnement réel.
Pensez-y comme si vous ajoutiez un nouveau moteur puissant à une vieille voiture rouillée : cela ne rendra pas soudainement la voiture plus rapide si les roues, les freins et le châssis ne sont pas conçus pour cela.
Ce que cela signifie pour vous :
L'IA seule n'est pas la solution. C'est la façon dont vous l'utilisez qui compte.
Si votre entreprise n’adapte pas ses processus, l’IA aura juste l’air sophistiquée, mais ne fera pas bouger les choses.
Pour en tirer un réel bénéfice, les dirigeants doivent repenser les flux de travail, et pas seulement brancher des outils.
Relier les points
Chez Frozen Light, notre objectif est de faire émerger un maximum de perspectives autour d'une information. Voici ce que nous avons découvert :
Investissement et réactions du marché – Tom's Hardware
Les conclusions du MIT sont issues de 150 entretiens, de 350 employés interrogés et de 300 déploiements d'IA. Le rapport souligne que de nombreuses entreprises consacrent des budgets d'IA aux ventes et au marketing, négligeant l'automatisation du back-office, pourtant souvent source d'un meilleur retour sur investissement.
🔗 Quincaillerie de Tom
Baisse des investisseurs – Investors.com
L'étude du MIT a secoué Wall Street, contribuant à la baisse des actions liées à l'IA comme Nvidia et Palantir. Certains analystes suggèrent que les opportunités se déplacent vers les entreprises de services et d'infrastructures informatiques mieux placées pour aider les entreprises à déployer efficacement l'IA.
🔗 Investors.com
Le scepticisme de Wall Street – Axios
Axios a rapporté comment ces résultats ont alimenté les doutes des investisseurs quant à la rentabilité de l'IA. En conclusion : les investissements en IA des entreprises ne sont pas forcément rentables, surtout lorsque les outils internes sont moins performants que les solutions externes standard.
🔗 Axios
Lacunes en matière d'apprentissage et impact sur la main-d'œuvre – AInvest
Le MIT a identifié le « déficit d'apprentissage » comme le véritable problème : les organisations sous-estiment le temps nécessaire aux employés pour adopter efficacement l'IA. L'étude a également observé une baisse des embauches dans les postes à forte charge administrative, montrant que même sans licenciements massifs, l'adoption de l'IA remodèle la demande de main-d'œuvre.
🔗 AInvest
Perspective mondiale de l'échec – TechRadar
TechRadar a élargi le champ des possibles, soulignant que le taux d'échec ne se limite pas à un seul secteur. De la finance à l'industrie manufacturière, de nombreux projets pilotes échouent faute d'être intégrés aux flux de travail existants. L'article met en garde contre le fossé grandissant entre le battage médiatique autour de l'IA et la réalité opérationnelle.
🔗 TechRadar
Invitez-le
L’une des principales raisons pour lesquelles les projets d’IA échouent dans les entreprises est que les flux de travail ne sont pas prêts pour l’IA.
Ce n’est pas toujours une question de modèle, mais plutôt de la façon dont le travail est structuré.
C’est là que vous pouvez utiliser un LLM comme « réviseur de flux de travail ».
Au lieu de lui demander de « faire le travail », demandez-lui de vérifier si votre façon de travailler correspond aux outils d’IA.
Voici une invite de style à compléter que vous pouvez essayer :
Rapide:
« Voici mon flux de travail actuel : [décrivez votre processus étape par étape].
Ce flux de travail est-il compatible avec l’IA ?
Sinon, suggérez les trois principaux changements qui rendraient l’utilisation de l’IA plus efficace.
Expliquez pourquoi ces changements sont importants et donnez des exemples simples de la manière dont ils pourraient améliorer les résultats.
👉 Remplacez simplement les crochets par votre propre flux de travail et vous aurez une idée claire de la question de savoir si l'IA vous aidera ou si elle ajoutera simplement un autre projet échoué à la liste.
Point de vue de l'équipe Frozen Light
Rien de nouveau ici : l'IA ne vaut que par les personnes qui la créent. Choquant, non ?!
On plaisante, on le sait tous. Mais s'en souvient-on quand le projet d'IA dans lequel on avait investi a échoué ? C'est une autre histoire, mais c'est quand même une histoire humaine 😉
C'est agréable de trouver des messages comme celui-ci, où le MIT lui-même investit dans des chercheurs de haut niveau pour étayer ce que nous espérons déjà savoir. Et si ce n'était pas encore le cas, eh bien, il y a de fortes chances que nous nous en souvenions à l'avenir.
