La vérité sur l'IA en 2025 : le piège de la phase pilote | Force5

L’intelligence artificielle générative a fait l’objet d’un engouement sans précédent au cours des dernières années. Pourtant, le passage de l’expérimentation à l’impact financier réel reste un défi majeur pour la majorité des organisations.

Le récent rapport de McKinsey & Company, daté du 5 novembre 2025, « The state of AI in 2025: Agents, innovation, and transformation », met en lumière cette réalité. Voici pourquoi ce rapport est essentiel pour tout leader qui souhaite naviguer l’ère de l’IA.

Consultez l’étude complète de McKinsey ici

🎙️ Podcast : Discussion entre experts inspirée de cet article

Durée : 11 minutes

Vous préférez écouter plutôt que lire ? Nous avons préparé un podcast audio sur le sujet, avec une discussion approfondie entre deux animateurs experts qui analysent le rapport McKinsey 2025, le piège de la phase pilote, les obstacles au scaling de l'IA et les stratégies des entreprises performantes.

📝 Transcription complète disponible : Consulter la transcription de la discussion →

Qui est McKinsey & Company et pourquoi est-ce influent?

McKinsey & Company est sans conteste la firme de conseil en stratégie et management la plus reconnue au monde.

Son influence ne se limite pas à conseiller les PDG des plus grandes entreprises ; elle façonne la réflexion globale sur les tendances économiques et technologiques. Lorsque McKinsey publie un rapport, il s’agit d’une analyse rigoureuse basée sur des données recueillies auprès de milliers de dirigeants mondiaux.

Dans le domaine de l’IA, le cabinet a même sa propre division spécialisée, QuantumBlack, qui garantit la profondeur et la pertinence de leurs recherches. En d’autres termes, leurs conclusions sont souvent les plus fiables pour anticiper l’évolution du marché.

Résumé des découvertes clés du rapport

Le rapport 2025, basé sur une enquête mondiale de près de 2 000 participants, révèle un paysage contrasté : l’IA est largement utilisée, mais son impact à l’échelle de l’entreprise est encore modeste.

Voici les points essentiels à retenir :

• L’obstacle de la phase pilote : Bien que 88 % des organisations utilisent l’IA dans au moins une fonction, 2/3 n’ont pas encore entamé le déploiement à grande échelle (phase de scaling) de leurs programmes d’IA. La majorité est coincée entre l’expérimentation et le projet pilote.
• L’essor des agents IA : L’intérêt pour les « agents IA » — des systèmes capables de planifier et d’exécuter des séquences d’étapes dans un flux de travail — est très élevé. 62 % des répondants sont en phase d’expérimentation ou de déploiement de ces agents. Leur utilisation est la plus avancée dans les fonctions TI et de gestion des connaissances.
• Un impact financier limité, mais des gains qualitatifs clairs : Seulement 39 % des répondants déclarent un impact sur le BAII à l’échelle de l’entreprise. En revanche, les bénéfices qualitatifs sont majeurs :
  • 64 % des entreprises estiment que l’IA a amélioré leur capacité à innover.
  • 45 % rapportent une amélioration de la satisfaction client et de la différenciation concurrentielle.
• Les objectifs des entreprises très performantes : Les entreprises qui voient le plus de valeur (les high performers) se distinguent en fixant des objectifs qui vont au-delà de la simple efficacité. Elles sont beaucoup plus susceptibles de viser la croissance et l’innovation comme objectifs additionnels.
• L’IA génère de la valeur au niveau des cas d’usage individuels : Les bénéfices en réduction de coûts sont les plus souvent rapportés dans l’ingénierie logicielle, la manufacture et les TI, tandis que les gains en revenus se manifestent le plus en marketing et ventes et en stratégie et finance corporative.

Mon opinion : l’ambition face au mythe de l’efficience à faible coût

Le rapport 2025 de McKinsey confirme une hypothèse que nous voyons se vérifier sur le terrain : l’efficacité n’est pas suffisante. La véritable différence entre les « entreprises très performantes en IA » (celles qui attribuent 5 % ou plus de leur BAII à l’IA) et les autres réside dans leur niveau d’ambition et leur architecture numérique.

L’erreur commune des PDG et des CFO qui se limitent à la réduction des dépenses est de sous-estimer le véritable coût de l’IA. Un projet pilote (PoC) peut être magnifique, mais sa mise en production révèle deux réalités financières implacables :

1. La crise de la donnée : L’IA ne peut performer qu’avec des données parfaites. Le manque de cohérence, les systèmes en silos, et les données imprécises ou dupliquées nuisent fondamentalement à la mise en place des projets d’IA. La plupart des entreprises découvrent, en voulant déployer leur preuve de concept, qu’une pause s’impose, car l’innovation, face aux données réelles du monde de la production, exige un coûteux et complexe nettoyage de données. Cette réalité confirme la conclusion d’un autre rapport important : l’étude « The Great Divide » du MIT a déjà souligné que 95 % des projets d’IA échouent au stade de la production en raison de problèmes d’intégration et de données.
2. L’explosion des coûts d’infrastructure et de sécurité : Une fois déployé à l’échelle, un système d’IA demande souvent une puissance de calcul (GPU) et des mesures de sécurité de données beaucoup plus importantes que prévu, ce qui fait exploser les coûts opérationnels. Ces mesures sont cruciales face à la fragilité des modèles d’IA aux nouvelles cyberattaques. Les risques incluent l’injection de prompt (Prompt Injection), qui permet de détourner un modèle de ses objectifs de sécurité, et l’exploitation des systèmes par rançongiciel (ransomware) pour accéder à des données d’entreprise sensibles. Un cas récent, documenté par Anthropic en novembre 2025, a révélé qu’un groupe d’espionnage a utilisé l’agent Claude pour orchestrer 80 à 90 % des tâches tactiques d’une attaque, y compris la cartographie de réseaux et la récolte d’identifiants, démontrant que l’IA autonome multiplie la vitesse et la complexité des intrusions.
3. Le scaling linéaire des coûts : Contrairement aux logiciels traditionnels, l’IA, notamment les modèles génératifs, présente une croissance des coûts quasi linéaire. Chaque transaction, chaque requête utilise des « jetons » (tokens) et de l’énergie (GPU), rendant la croissance des coûts directement proportionnelle à l’usage. Il est donc impossible d’atteindre un ROI significatif sans une refonte architecturale permettant d’optimiser chaque appel. Alors, il y a toujours la possibilité de construire votre propre infrastructure d’IA sur du matériel dans votre salle informatique (dans la mesure où vous en avez encore une) ou dans un nuage privé, mais le scénario est aussi dispendieux. Dans ce mode, vous avez un meilleur contrôle, mais vous n’avez pas toute la puissance des grands modèles comme Gemini 3 et les versions les plus huilées de ChatGPT ou Claude.

Le cas OpenAI : quand le succès crée la perte

La plus grande preuve de cette difficulté de scaling se trouve chez le leader du marché lui-même, OpenAI. Ce cas illustre parfaitement comment la croissance linéaire des coûts rend la quête de l’efficience non viable.

Malgré une croissance fulgurante de son achalandage (plus de 800 millions d’utilisateurs actifs et des revenus annualisés records estimés à 13 milliards de dollars en 2025), la firme subit des pertes astronomiques.

• Le paradoxe des pertes accélérées : Au lieu de devenir rentable, le succès d’OpenAI alimente une accélération de ses pertes. Le simple fait que 95 % des utilisateurs soient gratuits, mais consomment des ressources GPU coûteuses, crée une structure financière inversée. Les analystes rapportent des pertes atteignant 12 milliards de dollars sur un seul trimestre (T3 2025), et les projections indiquent que ces pertes pourraient atteindre 16 milliards de dollars d’ici 2026.
• Le modèle SaaS n’est plus applicable : Contrairement aux plateformes web traditionnelles (comme Google, Amazon ou la majorité des SaaS) qui pouvaient se permettre d’accumuler de l’achalandage gratuit, car les coûts marginaux d’infrastructure (pour 1 000 utilisateurs de plus) n’augmentaient pas de manière linéaire, l’IA est différente. Pour chaque requête, il y a un coût direct en jetons (tokens) et en calcul GPU. L’ancienne tradition de « grossir à tout prix pour monétiser plus tard » ne fonctionne plus lorsque la croissance des utilisateurs se traduit immédiatement et linéairement par une croissance des dépenses.
• Le seuil de rentabilité impossible : L’augmentation de l’achalandage (succès !) entraîne une augmentation quasi linéaire des dépenses (GPU, hosting, énergie), obligeant l’entreprise à engager 1,4 billion de dollars sur huit ans pour sécuriser les infrastructures. Le seuil de rentabilité est repoussé jusqu’en 2029-2030, car le modèle actuel est intrinsèquement conçu pour perdre de l’argent sur son propre succès, tant que l’architecture et la tarification ne sont pas optimisées.

Leçons des « high performers » de McKinsey

Le rapport de McKinsey identifie trois facteurs clés de succès qui ont permis à ces organisations — les « high performers » — de surmonter, ne serait-ce que partiellement, ces défis et de générer une valeur significative (5 % ou plus de leur BAII). Ces facteurs sont cruciaux pour distinguer les tentatives d’IA vouées à l’échec de celles qui mènent à une transformation réussie :

1. Elles visent la croissance et l’innovation, pas seulement l’efficience. Tandis que toutes les entreprises cherchent à réduire les coûts, les leaders intègrent l’IA pour créer de nouvelles offres, se différencier de la concurrence et transformer leur modèle d’affaires. La firme Force5 confirme que l’échec est souvent organisationnel, pas technologique : une transformation significative passe par l’amplification du facteur ADN de l’entreprise — ce qui la rend unique et compétitive — et non par l’automatisation d’un processus mal conçu.
2. Elles réinventent leurs processus. Les entreprises très performantes sont près de trois fois plus susceptibles de redessiner fondamentalement leurs flux de travail. Les leaders redéfinissent l’interaction entre l’humain et la machine pour capturer une valeur inédite. Force5 aide spécifiquement ses clients à identifier des opportunités d’innovation qui leur permettent de créer de nouveaux vecteurs de différenciation sur leurs marchés, ajoutant à leur positionnement déjà favorable.
3. Le leadership est engagé. Chez les entreprises très performantes, les leaders sont trois fois plus susceptibles de faire preuve d’un engagement fort, en investissant massivement et en modélisant l’utilisation de l’IA. Ici, autant McKinsey que le MIT soulignent qu’une initiative IA doit être soutenue par la haute direction, car il s’agit d’un projet d’entreprise qui nécessite des réformes et une rapidité d’ajustement en cours de projet. Il est essentiel que la haute direction développe ces projets en étant à l’écoute des acteurs de l’entreprise (les “opérateurs”), car l’innovation vient souvent du terrain. Un projet de réforme ne se fait pas à porte fermée; notre expérience en déploiement ERP nous a appris qu’un projet mené “en cachette” par la direction engendrera une résistance au changement massive, un problème encore plus critique avec l’IA.

Conclusion

En conclusion, le message est clair : l’adoption de l’IA n’est plus optionnelle, mais pour sortir du « piège du pilote » et générer une valeur substantielle, vous devez transformer l’IA d’un simple outil d’efficacité à un moteur stratégique de croissance. Cela passe par une architecture numérique solide (l’approche Force5) qui maîtrise le scaling des coûts, et par une ambition qui va au-delà des économies.

N’hésitez pas à nous contacter pour approfondir ce sujet et découvrir comment sécuriser votre projet d’IA dès la phase de conception.

IA intelligence artificielle McKinsey phase pilote scaling IA agents IA coûts IA ROI IA OpenAI ChatGPT données architecture numérique transformation PME