Déployer l'IA : pourquoi 60 % des projets n'arrivent jamais en production

Selon Gartner, 60 % des projets d'IA en entreprise n'arrivent pas en production. En cause : non pas l'argent, mais des données et des processus métier qui ne sont pas prêts.

Pourquoi les pilotes d'IA échouent

Le scénario type : le conseil d'administration exige une transformation par l'IA, un budget est débloqué, des prestataires sont mobilisés. Quelques mois plus tard, on découvre que les modèles n'ont tout simplement rien pour apprendre. Les demandes sont stockées dans des systèmes dispersés, il n'y a aucune classification, et l'historique est éparpillé entre des tableaux Excel, des messageries et des chaînes d'e-mails.

Sans données structurées, même le modèle de langage le plus récent ne produit pas de résultats prévisibles. L'erreur ne se commet pas au moment de choisir le modèle ou le fournisseur : elle est déjà faite avant le lancement du pilote, au niveau de l'architecture de données.

• 60 % des projets d'IA n'atteignent pas la production (données Gartner)
• La cause principale est l'état des données, pas le manque de technologie
• Le problème se reproduit quels que soient le budget et la maturité de l'équipe
• La plupart des entreprises lancent un pilote sans système unique de collecte des données de service

Qu'est-ce que l'ESM et pourquoi l'IA en a besoin

L'Enterprise Service Management (ESM) est une plateforme qui étend la méthodologie ITSM au-delà de la DSI et fédère tous les processus de service : RH, finance, achats, services généraux, service juridique. Pour les projets d'IA, son rôle principal est de créer un point unique de collecte des demandes, avec des attributs, des catégories et un historique d'interactions homogènes.

Quand toutes les demandes transitent par un seul système, avec des champs fixes et des SLA, le modèle obtient ce qui lui manquait : un jeu de données propre, annoté, avec un contexte historique. Au lieu du chaos de canaux dispersés, on dispose d'une base structurée sur laquelle l'entraînement et l'inférence fonctionnent de façon prévisible.

« Si l'IA n'a pas de données de qualité, le projet est très probablement voué à l'échec. »

Cette conclusion revient dans la plupart des rapports d'analyse sur les échecs des projets d'IA en entreprise.

C'est pourquoi le déploiement d'un ESM est présenté comme le « socle » de l'automatisation par l'IA : sans lui, tout pilote revient à construire sur du sable.

Comment le modèle élimine la routine

Une fois le socle ESM en place, l'automatisation des tâches routinières cesse d'être une expérience pour devenir un chantier maîtrisable. Les premiers candidats sont les demandes répétitives dont la résolution est prévisible : réinitialisation de mots de passe, demandes d'accès standard, achats courants, attestations RH types.

Un modèle entraîné sur l'historique structuré des demandes de l'ESM peut :

• classer automatiquement les demandes entrantes sans intervention d'un opérateur
• proposer une solution à partir de cas similaires de l'historique
• acheminer la demande vers le bon spécialiste en tenant compte des SLA
• escalader les situations atypiques avec tout le contexte pour un humain

Une part importante des demandes entrantes dans les organisations de service est répétitive, et ce sont elles qui deviennent les premières candidates à l'automatisation dès lors qu'un historique correctement annoté existe dans l'ESM. Résultat : une charge opérationnelle réduite pour les équipes de service et des délais de traitement raccourcis pour les demandes types.

Ce que cela signifie

Les projets d'IA en entreprise échouent non pas à cause d'une mauvaise technologie, mais faute de données exploitables. Les plateformes ESM règlent le problème de façon structurelle : elles créent un point unique de collecte des interactions de service et garantissent la qualité des données sur lesquelles les modèles fonctionnent de façon prévisible. Avant de lancer son prochain pilote d'IA, une entreprise devrait répondre à une question : existe-t-il déjà un système qui conserve l'historique complet de toutes les demandes de service avec leurs attributs ?

Pourquoi les projets d'IA ne sont-ils pas déployés dans les entreprises ?

Selon Gartner, la cause principale n'est pas le manque de budget, mais les données non structurées. Les demandes sont stockées dans des systèmes dispersés, il n'y a aucune classification, et l'historique est éparpillé entre des tableaux Excel, des messageries et des chaînes d'e-mails. Sans données structurées, le réseau de neurones ne produit pas de résultat prévisible.