Le succès du consommateur comme illusion | La grande désillusion : quand l'intelligence artificielle échoue en production

« L’illusion de penser » : pourquoi le phénomène ChatGPT s’est effondré

Alors que le monde s'émerveille encore des capacités créatives de ChatGPT, un tout autre drame se joue dans l'économie réelle. De nouvelles données révèlent que le rêve d'une révolution de l'IA dans l'industrie menace de devenir la plus grande déception de l'histoire numérique.

Après la ruée vers l'or, il y a un revers. Pendant trois ans, l'intelligence artificielle générative a fait la une des journaux, fait grimper les cours boursiers et laissé entrevoir une ère de productivité illimitée. Mais quiconque s'intéresse aux coulisses de ces démonstrations technologiques spectaculaires et observe où se crée réellement la valeur – dans les ateliers de production, les centres logistiques et les bilans des entreprises – est confronté à une désillusion.

Ce qui fonctionne comme un chatbot utile dans la vie privée échoue souvent lamentablement dans les rouages ​​complexes de la production industrielle. Les chiffres sont alarmants : alors que les géants de la tech investissent des milliards dans les centres de données, selon de récentes études du MIT et de McKinsey, 95 % des implémentations d’IA en entreprise sont inefficaces. Au lieu du gain d’efficacité promis, nous assistons à une explosion des coûts sans aucun retour sur investissement.

Du fossé de l'apprentissage et du manque de stratégies de données à la capitulation des PME allemandes : cet article expose sans concession pourquoi la bulle de l'IA pourrait être sur le point d'éclater, pourquoi l'intelligence artificielle ne simule souvent qu'une « illusion de pensée », et pourquoi 2026 sera une année charnière pour l'ensemble du secteur technologique. Une analyse de la désillusion généralisée et de la question de ce qui subsistera après l'engouement initial.

Convient à:

• « Structurellement en faillite » ? Le modèle économique déficitaire de ChatGPT : la vérité choquante sur le modèle économique d’OpenAI

Pourquoi le rêve de l'usine automatisée est en train de devenir la désillusion la plus coûteuse de l'histoire numérique

Après trois années de battage médiatique effréné autour de ChatGPT et de l'intelligence artificielle générative, un tournant se dessine. Ce qui était présenté comme une révolution de la productivité se révèle de plus en plus être le schéma classique de l'exagération technologique : des démonstrations impressionnantes se heurtent à des réalités commerciales bien plus sombres. Si des millions de personnes dans le monde utilisent l'intelligence artificielle pour le traitement de textes, d'images et pour les tâches numériques quotidiennes, la percée promise ne s'est pas concrétisée là où se situe la véritable création de valeur économique : dans les ateliers de production, les chaînes de montage et les processus industriels complexes.

Les chiffres parlent d'eux-mêmes. Une analyse McKinsey de 2025 révèle toute l'ampleur du problème : si 78 % des entreprises utilisent aujourd'hui l'intelligence artificielle sous une forme ou une autre, une proportion tout aussi importante ne constate aucun avantage mesurable. Le Massachusetts Institute of Technology (MIT) va encore plus loin dans son étude exhaustive, aboutissant à une conclusion accablante : 95 % des implémentations d'IA en entreprise n'ont absolument aucun impact sur le compte de résultat. Seuls 5 % des projets pilotes passent de la phase de test à la production. Il ne s'agit donc pas d'une simple difficulté d'adaptation passagère, mais d'une défaillance structurelle aux causes profondes qui aura des conséquences considérables.

Le succès du consommateur comme tromperie

L'adoption massive de l'intelligence artificielle dans la sphère privée a créé une illusion dangereuse. OpenAI annonce un nombre impressionnant de 800 millions d'utilisateurs hebdomadaires de ChatGPT en septembre 2025, soit une multiplication par huit depuis novembre 2023. En Allemagne, 64 % de la population utilise des chatbots ou des assistants vocaux basés sur l'IA au moins une fois par semaine ; chez les 16-29 ans, ce chiffre atteint 89 %. Ces taux d'adoption impressionnants donnent l'impression d'une technologie qui s'est imposée avec succès. Or, cette impression est fondamentalement trompeuse lorsqu'on considère la valeur ajoutée réelle.

L'utilisation par les consommateurs se concentre sur des applications à faible impact économique : répondre à des questions quotidiennes, rédiger des textes à usage personnel et générer des images pour le divertissement. 87 % des utilisateurs utilisent exclusivement les versions gratuites des services. Ce seul fait illustre la faible propension à payer et, par conséquent, la faible valeur économique perçue. Bien qu'OpenAI génère un chiffre d'affaires annuel estimé à 12 milliards de dollars, ce succès repose principalement sur le nombre important d'utilisateurs et de licences d'entreprise, et non sur des gains de productivité tangibles dans l'économie réelle.

Le véritable défi de l'intelligence artificielle ne réside pas dans la génération de contenu pour les réseaux sociaux ni dans la réponse à des questions triviales, mais dans les environnements complexes de la production industrielle, de la logistique et du contrôle de la production. Dans ces contextes, les systèmes doivent gérer des processus physiques, une grande diversité de produits, des spécifications évolutives et des écosystèmes de machines complexes. Et c'est précisément là que leurs faiblesses se révèlent.

Le paradoxe de la productivité est de retour

Ce qui se dessine actuellement, c'est la répétition inquiétante d'un phénomène que les économistes connaissent déjà depuis les années 1980 : le paradoxe de Solow. Le prix Nobel Robert Solow avait fait cette observation devenue célèbre en 1987 : l'ère informatique est visible partout, sauf dans les statistiques de productivité. Cette situation paradoxale s'est reproduite avec la numérisation dans les années 2000. Selon les données de l'OCDE, malgré des investissements massifs dans la numérisation, la productivité en Allemagne n'a progressé que de 0,7 % par an entre 2010 et 2018. Entre 1992 et 2010, elle avait même chuté de 1,55 % par an.

Nous assistons aujourd'hui à une troisième manifestation de ce paradoxe de la productivité, cette fois-ci avec l'intelligence artificielle présentée comme la solution miracle. Une analyse McKinsey de 2025 montre que 92 % des entreprises augmenteront leurs investissements en IA, mais seulement 1 % d'entre elles ont atteint une maturité technologique. En réalité, 67 % indiquent qu'au moins une initiative en matière d'IA a entraîné une baisse de la productivité globale. Ces chiffres révèlent un décalage considérable entre le volume des investissements et les retours sur investissement obtenus.

Les raisons de ce paradoxe récurrent sont multiples. Un défi fondamental réside dans la nature même des systèmes d'IA modernes. Les grands modèles de langage, actuellement dominants, reposent sur la reconnaissance statistique de formes dans les données d'entraînement, et non sur un raisonnement logique systématique ou une véritable compréhension. Une étude d'Apple datant de juin 2025 résumait succinctement le problème : même l'IA dite explicable, qui décrit son processus de résolution de problèmes étape par étape, ne génère qu'une illusion de pensée. Cette limitation fondamentale rend ces systèmes peu fiables pour les applications où la précision et la cohérence sont cruciales – des qualités pourtant indispensables aux processus de fabrication industrielle.

L'échec dans la réalité industrielle

L'intégration de l'intelligence artificielle en production se heurte à des obstacles persistants que les simples progrès technologiques ne sauraient surmonter. Une étude du MIT identifie le « fossé d'apprentissage » comme le problème fondamental : la plupart des systèmes d'IA sont incapables d'apprendre des retours d'expérience, de s'adapter à l'évolution du contexte ou de progresser dans le temps. 90 % des utilisateurs en entreprise interrogés privilégient leurs collègues humains à l'intelligence artificielle pour les projets complexes et de longue durée, car ces systèmes requièrent une saisie importante à chaque utilisation et ne permettent pas d'établir un contexte durable.

Cette carence structurelle est aggravée par plusieurs facteurs organisationnels et techniques. L'Institut économique allemand (IW) et diverses enquêtes sectorielles dressent un constat unanime : 76 % des petites et moyennes entreprises (PME) rencontrent des difficultés liées à la qualité insuffisante des données et à leur fragmentation en silos. 68 % d'entre elles ne disposent pas d'une stratégie d'IA bien définie. 82 % signalent d'importantes pénuries de compétences en IA. L'Allemagne connaît actuellement une pénurie de 244 000 professionnels des sciences, technologies, ingénierie et mathématiques (STEM), dont 29 500 spécialistes en informatique. Ces chiffres montrent que le problème dépasse largement le cadre des seules limitations technologiques.

Pour qu'une entreprise manufacturière puisse mettre en œuvre l'IA avec succès, toute une série de prérequis sont nécessaires : des données de haute qualité, structurées et intégrées provenant de diverses sources ; une infrastructure technique pour la capture, le stockage et le traitement de ces données ; des spécialistes maîtrisant à la fois la science des données et les processus de production spécifiques ; des structures organisationnelles pour la gestion du changement et la promotion de l'adhésion ; et des cadres de gouvernance clairs pour la gestion des responsabilités et des risques. Si un seul de ces éléments fait défaut, les projets ont de fortes chances d'échouer.

La réalité des entreprises manufacturières allemandes est préoccupante. Une étude de l'Université de Coblence révèle que si les deux tiers des 120 entreprises interrogées déclarent déjà utiliser l'IA, 80 % d'entre elles ne le font que depuis deux ans environ. Un examen plus approfondi des pratiques de production actuelles montre que les processus basés sur l'IA restent encore un horizon lointain pour la plupart des entreprises manufacturières. Le principal obstacle réside dans la consolidation et la disponibilité des données, suivi de près par la pénurie de main-d'œuvre qualifiée, qui mobilise davantage encore des ressources informatiques déjà limitées.

Explosion des coûts sans retour sur investissement

Parallèlement à l'absence de bénéfices opérationnels, les coûts d'investissement s'envolent. Les dépenses mondiales consacrées aux centres de données d'IA sont estimées à 600 milliards de dollars en 2025 et devraient atteindre entre 3 et 4 billions de dollars d'ici 2030, soit un taux de croissance annuel de 46 %. McKinsey prévoit même un besoin de 7 billions de dollars d'ici 2030 pour la seule infrastructure des centres de données. OpenAI, via son initiative Stargate menée en partenariat avec Oracle et Softbank, prévoit des investissements de 500 milliards de dollars dans ces centres. Mark Zuckerberg, PDG de Meta, anticipe quant à lui des coûts de 600 milliards de dollars d'ici 2028.

Ces sommes colossales doivent bien finir par être rentables. Sequoia Capital a calculé que le secteur de l'IA devrait générer 600 milliards de dollars de revenus annuels pour justifier les investissements actuels, un obstacle qui semble presque insurmontable à court terme. Goldman Sachs a lancé des avertissements alarmistes : un investissement de 1 000 milliards de dollars dans l'IA pourrait ne pas donner les résultats escomptés. L'analyste Jim Covello l'a dit sans détour : « Faire trop de choses dont le monde n'a pas besoin, ou pour lesquelles il n'est pas prêt, finit généralement mal. ».

Le volet énergétique est particulièrement problématique. Aux États-Unis, dans la région cruciale de PJM, les prix de la capacité ont atteint 329 dollars par mégawatt-jour pour l'année de livraison 2026/2027, soit une augmentation de près de neuf fois par rapport à 2025/2026. Cette forte pression sur l'efficacité contraint les hyperscalers à adopter immédiatement des architectures économes en énergie. Cependant, même avec des architectures améliorées, une situation critique se profile à la mi-2026, lorsque l'offre, stimulée par les investissements, augmentera plus rapidement que la consommation monétisée. Dans ce scénario, le coût par jeton pourrait tendre vers zéro, entraînant une dévaluation rapide de la capacité d'inférence nouvellement construite.

La situation rappelle l'éclatement de la bulle Internet au début des années 2000, lorsque les investissements massifs dans la fibre optique ont engendré une surcapacité jamais pleinement exploitée. Nombre de ces nouveaux centres de données dédiés à l'IA pourraient connaître un sort similaire si la demande ne se développe pas au rythme prévu. Le cycle de vie des technologies émergentes de Gartner, un outil de prévision reconnu, suggère que l'intelligence artificielle pourrait entrer dans sa troisième phase, celle de la désillusion, en 2026. Durant cette phase, les limitations et les coûts élevés deviennent criants, les problèmes de mise à l'échelle et l'absence de modèles économiques viables conduisent à l'échec de nombreux projets et à la disparition des fournisseurs.

La classe moyenne allemande capitule

Alors que les géants de la tech continuent d'investir des milliards dans l'intelligence artificielle, une tendance remarquable se dessine au sein des PME allemandes : un repli stratégique. Une enquête menée auprès de 200 PME et publiée en janvier 2026 par le cabinet de conseil en management Horvath révèle que ces entreprises ne consacreront que 0,35 % de leur chiffre d'affaires aux technologies d'IA en 2025, contre 0,41 % en 2024. Cela signifie que les PME investissent environ 30 % de moins que le marché global, un écart qui ne cesse de se creuser.

Les raisons de cette évolution sont révélatrices. Les tensions géopolitiques ont déstabilisé de nombreuses PME et les ont incitées à privilégier l'optimisation des coûts. Plus important encore, les premières applications de l'IA n'ont peut-être pas permis d'obtenir les gains d'efficacité escomptés. Heiko Fink, directeur d'études et membre du conseil d'administration d'Horvath, lance un avertissement sans équivoque : si la transformation par l'IA n'est pas massivement accélérée dès maintenant, le retard technologique se transformera en un risque stratégique existentiel.

Les défis auxquels sont confrontées les petites et moyennes entreprises (PME) sont multiples et profondément ancrés. Les obstacles bureaucratiques et la lenteur de la numérisation entravent considérablement leur capacité à mettre en œuvre l'IA. Les préoccupations liées à la protection des données et à la souveraineté numérique freinent davantage son adoption. Une étude exhaustive sur l'IA auprès des PME à partir de 2025 dresse un constat alarmant : bien que 86 % reconnaissent la pertinence de l'IA, seules 23 % ont mené à bien des projets concrets dans ce domaine. Seules 32 % disposent d'une stratégie IA bien définie, et à peine 19 % ont mis en place un responsable ou une équipe dédiée à l'IA.

Les problèmes liés aux données constituent un talon d'Achille majeur. 76 % des petites et moyennes entreprises (PME) rencontrent des difficultés en raison de la qualité insuffisante de leurs données et de leur cloisonnement entre les systèmes. 83 % d'entre elles ne disposent pas d'une stratégie de données globale. 69 % ignorent même quelles données sont nécessaires à leurs applications d'IA. 58 % sont dépourvues de structures de gouvernance des données. Ces chiffres montrent que le problème commence bien avant la mise en œuvre proprement dite de l'IA : il existe un manque d'infrastructures numériques fondamentales.

À cela s'ajoute un déficit de gouvernance. Bien que 91 % des entreprises considèrent la sécurité et la conformité de l'IA comme essentielles, 76 % d'entre elles ne disposent d'aucun cadre de gouvernance en la matière. Cet écart représente un risque juridique et de réputation considérable, notamment avec la réglementation européenne sur l'IA, entrée en vigueur en août 2024. Si cette réglementation instaure un cadre nécessaire à une utilisation responsable de l'IA, de nombreuses entreprises la perçoivent comme une surréglementation les désavantageant sur le plan concurrentiel par rapport aux États-Unis et à la Chine. Tandis que les entreprises européennes peinent à se frayer un chemin dans le dédale des nouvelles réglementations, les géants technologiques d'Amérique du Nord et d'Asie continuent de bénéficier d'une relative liberté.

Une nouvelle dimension de la transformation numérique avec l'intelligence artificielle (IA) – Plateforme et solution B2B | Xpert Consulting - Image : Xpert.Digital

Ici, vous apprendrez comment votre entreprise peut mettre en œuvre des solutions d’IA personnalisées rapidement, en toute sécurité et sans barrières d’entrée élevées.

Une plateforme d'IA gérée est une solution complète et sans souci pour l'intelligence artificielle. Au lieu de gérer une technologie complexe, une infrastructure coûteuse et des processus de développement longs, vous recevez une solution clé en main adaptée à vos besoins, proposée par un partenaire spécialisé, souvent en quelques jours.

Les principaux avantages en un coup d’œil :

⚡ Mise en œuvre rapide : De l'idée à la mise en œuvre opérationnelle en quelques jours, et non en quelques mois. Nous proposons des solutions concrètes qui créent une valeur immédiate.

🔒 Sécurité maximale des données : Vos données sensibles restent chez vous. Nous garantissons un traitement sécurisé et conforme, sans partage de données avec des tiers.

💸 Aucun risque financier : vous ne payez qu'en fonction des résultats. Les investissements initiaux importants en matériel, logiciels ou personnel sont totalement éliminés.

🎯 Concentrez-vous sur votre cœur de métier : concentrez-vous sur ce que vous faites le mieux. Nous prenons en charge l'intégralité de la mise en œuvre technique, de l'exploitation et de la maintenance de votre solution d'IA.

📈 Évolutif et évolutif : Votre IA évolue avec vous. Nous garantissons une optimisation et une évolutivité continues, et adaptons les modèles avec souplesse aux nouvelles exigences.

En savoir plus ici :

• La solution d'IA managée - Services d'IA industrielle : la clé de la compétitivité dans les secteurs des services, de l'industrie et de l'ingénierie mécanique

Là où l'intelligence artificielle crée réellement de la valeur ajoutée

Malgré un tableau d'ensemble plutôt sombre, il existe des domaines et des cas d'usage où l'intelligence artificielle apporte une réelle valeur ajoutée. Cependant, ces réussites sont très spécifiques et suivent des schémas reconnaissables qui diffèrent sensiblement des projets de grande envergure qui ont échoué.

Une étude IBM d'octobre 2025 révèle que 62 % des entreprises allemandes réalisent déjà des gains de productivité significatifs grâce à l'IA. Près de la moitié d'entre elles anticipent un retour sur investissement mesurable dans les douze mois, principalement grâce à une meilleure satisfaction des employés, des gains de temps et une augmentation du chiffre d'affaires. Une étude SAP aboutit à des conclusions similaires : le retour sur investissement moyen des projets d'IA est de 16 % la première année et devrait presque doubler pour atteindre 31 % en deux ans. 64 % des répondants se déclarent satisfaits de leur retour sur investissement actuel, un taux supérieur à celui de tout autre investissement technologique.

Ces chiffres positifs sont toutefois nuancés lorsqu'on examine de plus près où et comment la valeur est créée. L'étude du MIT met en évidence une tendance cruciale : les implémentations réussies d'IA se concentrent sur l'automatisation des fonctions support, et non sur les promesses grandioses d'une révolution des processus de production. L'automatisation des documents, les processus d'approvisionnement et les évaluations des risques affichent les meilleurs retours sur investissement. Les implémentations réussies permettent d'économiser entre deux et dix millions de dollars par an en réduisant l'externalisation des processus métier. Les coûts liés aux agences diminuent de 30 % lorsque les outils d'IA prennent en charge les tâches créatives et analytiques.

Convient à:

• De l'expérimentation à la mise à l'échelle et à l'industrialisation : l'IA d'entreprise 2026 comme tournant vers des opérations commerciales structurées

Un problème fondamental se révèle dans la répartition des investissements

Plus de la moitié des budgets alloués à l'IA générative sont consacrés au marketing et aux ventes, alors même que l'automatisation des tâches administratives génère souvent des retours sur investissement plus importants. Cette mauvaise allocation des ressources est symptomatique d'une adoption technologique guidée par l'engouement plutôt que par une analyse coûts-avantages rationnelle.

Dans le secteur industriel, les succès sont sporadiques et limités à des applications spécifiques. La maintenance prédictive, qui exploite les données des machines pour détecter précocement l'usure ou les pannes, affiche des résultats probants. Des constructeurs automobiles comme Volkswagen utilisent l'IA dans leurs usines pour analyser les données des capteurs et minimiser ainsi les arrêts imprévus. Ford utilise l'IA pour automatiser des processus de fabrication tels que le soudage et l'assemblage. General Motors a réduit ses temps d'arrêt de 20 % grâce à la maintenance prédictive.

Le contrôle qualité par vision par ordinateur est un autre domaine où le succès est avéré. Les systèmes d'IA analysent les images des caméras en temps réel et détectent même les défauts microscopiques, améliorant considérablement la fiabilité. Les analyses montrent qu'une infrastructure d'IA pleinement opérationnelle peut générer un retour sur investissement de 200 à 300 % grâce à la réduction des défauts et à l'accélération des cycles d'inspection. L'optimisation de la chaîne d'approvisionnement et des stocks permet d'atteindre un retour sur investissement de 150 à 250 % en prévenant les ruptures de stock et en améliorant la gestion de la chaîne d'approvisionnement.

Surtout, ces succès ne résultent pas d'une simple mise en œuvre de solutions d'IA standard, mais plutôt d'une intégration profonde et personnalisée dans des processus spécifiques, accompagnée d'une gestion du changement rigoureuse et d'une adaptation continue. Les données du MIT montrent que les partenariats externes atteignent la maturité opérationnelle environ deux fois plus souvent que les développements internes (67 % contre 33 %). Les entreprises qui réussissent considèrent les fournisseurs d'IA non pas comme de simples éditeurs de logiciels, mais comme de véritables partenaires commerciaux, et mesurent leur succès à l'aune des résultats obtenus plutôt que des performances techniques.

L'économie parallèle de l'IA comme indicateur

Une analyse plus approfondie des habitudes d'utilisation révèle un phénomène fascinant : dans 90 % des entreprises interrogées, les employés utilisent des outils d'IA privés pour leur travail, alors que seulement 40 % d'entre elles possèdent des licences officielles. Cette économie parallèle de l'IA met en lumière une contradiction fondamentale : les individus peuvent utiliser l'IA avec succès si les outils sont flexibles et intuitifs. En revanche, son déploiement institutionnel échoue en raison de sa complexité, d'un manque d'intégration et de barrières organisationnelles.

Ce monde parallèle d'utilisation non officielle de l'IA a plusieurs implications. Premièrement, il démontre que la technologie elle-même peut être bénéfique si elle est facilement accessible. Deuxièmement, il révèle un problème majeur de gouvernance : 81 % des entreprises n'ont aucune directive concernant l'utilisation des outils d'IA. 64 % s'inquiètent de la confidentialité des données. 73 % sont incapables de mesurer les gains de productivité. 58 % signalent des problèmes de qualité avec les résultats de l'IA. Sans une vision globale de l'IA au sein de l'entreprise, l'informatique parallèle et les environnements d'outils inefficaces représentent un risque réel.

Le décalage entre l'utilisation par le consommateur et l'échec de la mise en œuvre en entreprise est symptomatique du problème fondamental de l'intelligence artificielle sous sa forme actuelle. Ces systèmes sont optimisés pour des cas d'utilisation simples et individuels, présentant peu de risques et de complexité. Or, ils échouent systématiquement lorsqu'ils doivent être intégrés à des contextes organisationnels complexes, avec des exigences élevées en matière de qualité et de fiabilité. Ce qu'on appelle le « fossé d'apprentissage » – l'incapacité des systèmes à tirer des enseignements des retours d'information et à s'adapter aux contextes – les rend inadaptés aux projets complexes et de longue durée qui caractérisent la plupart des entreprises industrielles.

Divergences propres à chaque secteur

L'analyse du MIT révèle une autre tendance cruciale : seuls deux des neuf secteurs étudiés – la technologie et les médias – connaissent de véritables transformations structurelles grâce à l'intelligence artificielle. Dans sept autres secteurs, dont l'industrie manufacturière, cette transformation reste difficile à atteindre malgré d'importants projets pilotes. Cette divergence sectorielle n'est pas fortuite, mais reflète des différences fondamentales de complexité et d'exigences.

Les entreprises technologiques et médiatiques évoluent dans des environnements numériques caractérisés par des données structurées, une forte standardisation des processus et des cycles d'itération courts. Leurs modèles économiques reposent sur les logiciels et les services numériques, et non sur des produits physiques aux chaînes d'approvisionnement et processus de fabrication complexes. Elles disposent d'importantes équipes de data scientists et d'experts en IA. Leur culture d'entreprise favorise une adoption rapide des technologies. Tous ces facteurs contribuent à la réussite de la mise en œuvre de l'IA.

Les entreprises manufacturières et industrielles sont confrontées à des défis radicalement différents. Leurs environnements de production se caractérisent par des nuances subtiles : gammes de produits variables, spécifications évolutives, demande fluctuante et écosystèmes de machines complexes. Lorsque les modèles d’IA ignorent ces réalités, les fausses alertes se multiplient et la confiance des employés s’érode. Le Manufacturing Leadership Council estime que la plupart des données de production réelles restent inexploitées. Faute de contexte, l’IA est sujette à des erreurs coûteuses, comme la classification de bruits parasites comme des défauts ou l’omission de signaux d’amélioration pertinents.

À cela s'ajoute le problème de la fragmentation des environnements IT et OT. Les architectures datant de plusieurs décennies isolent souvent les systèmes de technologies opérationnelles, qui génèrent les données machine, des systèmes informatiques, responsables des données de processus et d'entreprise. Cette fragmentation masque des signaux cruciaux et signifie que les modèles d'IA fonctionnent avec une vision partielle, obsolète ou incohérente de la réalité du terrain. Surmonter ces barrières structurelles exige des investissements massifs dans les infrastructures, qui ne portent leurs fruits qu'à long terme.

L'étude « Smart Manufacturing Survey 2025 » de Deloitte révèle que 92 % des industriels estiment que l'industrie 4.0 sera un moteur de compétitivité future, mais que 84 % d'entre eux ne sont pas en mesure d'exploiter automatiquement les données. Une enquête de S&P Global indique que 42 % des entreprises ont abandonné la plupart de leurs initiatives en IA d'ici 2025, contre seulement 17 % en 2024. Un rapport de RAND datant de 2024 conclut que plus de 80 % des projets d'IA industrielle échouent, un chiffre attribué à la complexité des processus, à la mauvaise qualité des données et à un manque de contexte réel.

L'ampleur des promesses non tenues

Pour bien saisir l'ampleur de cette désillusion, il est utile de revenir sur les promesses faites en 2023 et 2024. En janvier 2025, Sam Altman, PDG d'OpenAI, annonçait triomphalement sur son blog que l'entreprise savait désormais construire une intelligence artificielle générale. Il affirmait que les agents d'IA auraient un impact significatif sur les résultats de l'entreprise dès la fin de l'année. Puis, en novembre 2025, Altman considérait comme une réussite majeure le fait que ChatGPT puisse enfin gérer correctement les tirets. Cet écart entre les aspirations et la réalité illustre à quel point les attentes et les capacités réelles étaient différentes.

L'institut de recherche économique Consult, mandaté par Google, prévoyait que l'utilisation de l'IA générative pourrait accroître la valeur ajoutée brute du secteur manufacturier allemand jusqu'à 7,8 %, soit 56 milliards d'euros. La réalité est pourtant bien différente. La productivité du travail dans la construction mécanique et d'autres domaines de l'industrie manufacturière est restée quasiment inchangée depuis 2018, progressant de seulement 0,4 % par an. À ce jour, aucun dividende lié à l'IA ne se fait sentir.

McKinsey prévoyait que l'IA doperait la productivité et recèlerait un potentiel énorme pour l'économie mondiale. Goldman Sachs, en revanche, avertissait que malgré ses coûts élevés, cette technologie était loin d'être utile. Les excès dans les technologies inutiles ou auxquelles le monde n'est pas préparé se terminent généralement mal. La société de capital-risque Sequoia et le fonds spéculatif Elliott estiment déjà que les entreprises technologiques sont en situation de bulle spéculative.

Au sein de la communauté scientifique, les voix critiques se font de plus en plus entendre. Le spécialiste des sciences cognitives Gary Marcus avertit que, malgré l'intérêt croissant des entreprises pour cette technologie, aucune amélioration substantielle n'est constatée. Une étude de Forrester prévoit qu'environ un quart des investissements prévus dans l'IA seront reportés d'ici 2026. Le Boston Consulting Group dresse le tableau d'une stagnation coûteuse : seul un infime pourcentage d'entreprises a jusqu'à présent réussi à transformer ses investissements colossaux en réelle valeur ajoutée.

Les causes structurelles de la défaillance

L'analyse des projets d'IA ayant échoué révèle une constante : des causes structurelles que les améliorations itératives des algorithmes ne peuvent résoudre. Le principal obstacle réside dans l'absence de gouvernance. La plupart des entreprises traitent l'intelligence artificielle comme un simple projet informatique, et non comme un écosystème nécessitant une maintenance continue. Les responsabilités clairement définies, les cadres de gestion des risques et les mécanismes d'assurance qualité permanente font défaut.

Le problème de la maturité des données représente le deuxième obstacle fondamental. Une analyse menée par une entreprise technologique, s'appuyant sur plus de 20 000 heures de recherche auprès de plus de 50 entreprises, révèle que seulement 14 % d'entre elles possèdent les bases nécessaires à une mise en œuvre réussie de l'IA. La majorité est confrontée à des données fragmentées, des systèmes incohérents et un manque de gouvernance des données. Sans données de haute qualité, structurées et accessibles, même les algorithmes les plus avancés restent inefficaces.

Le manque de compétences aggrave encore le problème. L'Allemagne manque actuellement de 244 000 professionnels des sciences, technologies, ingénierie et mathématiques (STEM), dont 29 500 spécialistes en informatique. Pour les experts en informatique, notamment les data scientists et les spécialistes en intelligence artificielle, ce manque devrait atteindre 18 655 d'ici 2027. La plus forte augmentation relative est attendue parmi les responsables de l'ingénierie et de l'administration des réseaux informatiques. Les entreprises sont confrontées à un dilemme : elles ont besoin d'une expertise pour la mise en œuvre réussie de l'IA, une expertise qui est rare sur le marché.

Le déficit de gestion du changement constitue le quatrième pilier de l'échec. La mise en œuvre technique ne représente que la moitié du problème. Sans une gestion du changement globale, l'acceptation est compromise. Un prestataire de services financiers a déployé un système sophistiqué de détection des fraudes, mais celui-ci s'est avéré peu efficace faute d'intégration au processus d'approbation, les employés contournant régulièrement le système. Les opérateurs et les ingénieurs se montrent souvent sceptiques lorsque les recommandations de l'IA ne correspondent pas à la réalité du terrain ou proviennent de systèmes opaques qui ne fournissent aucune justification transparente.

La mauvaise allocation des ressources exacerbe ces problèmes structurels. Plus de la moitié des budgets alloués à l'IA générative sont consacrés aux ventes et au marketing, alors même que l'automatisation des fonctions support génère souvent des retours sur investissement plus importants. Les entreprises se lancent dans des projets ambitieux sans avoir mis en place l'infrastructure numérique fondamentale. Elles s'appuient sur des données de démonstration parfaites qui s'avèrent immédiatement inopérantes en conditions réelles. Elles sous-estiment systématiquement les efforts nécessaires à l'intégration, à la maintenance et à l'adaptation continue.

Les vingt-quatre prochains mois seront un tournant décisif

Les deux prochaines années seront cruciales pour le développement de l'intelligence artificielle dans la production et l'industrie. Plusieurs tendances indiquent que 2026 et 2027 constitueront une période charnière où les gagnants et les perdants se distingueront nettement.

Le cycle de vie des technologies émergentes de Gartner suggère que l'intelligence artificielle atteindra le creux de la désillusion en 2026. Durant cette phase, les limites et les coûts élevés deviendront manifestes. Les problèmes de mise à l'échelle et l'absence de modèles économiques viables entraîneront l'échec de nombreux projets et la disparition des fournisseurs. Toutefois, cette phase n'est pas une catastrophe, mais plutôt une correction nécessaire du marché. Après ce creux de désillusion, les technologies qui progressent à travers ce cycle de vie atteignent un plateau de productivité où se produit la véritable création de valeur.

La dynamique des investissements laisse présager une possible explosion des coûts vers mi-2026. Si l'offre, alimentée par les dépenses d'investissement, croît plus vite que l'utilisation monétisée, le coût par jeton pourrait s'approcher de zéro. Ceci entraînerait une dévaluation rapide des nouvelles capacités d'inférence et des dépréciations massives. Les entreprises qui auront réalisé trop tard que leurs investissements en IA n'étaient pas rentables devront procéder à des ajustements douloureux.

Parallèlement, une nouvelle génération de systèmes d'IA émerge : l'IA agentique. Dotés d'une mémoire persistante et d'un apprentissage itératif, ces systèmes comblent directement le déficit d'apprentissage que les entreprises considèrent comme un obstacle majeur. Les premières expérimentations avec des agents de service client capables de traiter des demandes complètes de manière autonome, ou des agents de processus financiers supervisant les transactions courantes, sont prometteuses. Les entreprises qui investissent dès maintenant dans des systèmes d'IA adaptatifs et profondément intégrés se créent des avantages concurrentiels qu'il sera difficile de rattraper par la suite.

Le cadre réglementaire jouera également un rôle crucial. La loi européenne sur l'IA établit un cadre juridique contraignant, assorti de périodes de transition de six à 36 mois et d'amendes potentiellement importantes en cas de non-conformité. Si cela engendre des obligations de conformité et des contraintes documentaires, l'IA « Made in Europe » pourrait aussi être perçue comme un gage de qualité. Les entreprises qui intègrent rapidement les exigences de conformité peuvent se positionner comme des pionnières dans le domaine de l'IA de confiance. La question est de savoir si la réglementation européenne permettra de créer l'avance espérée en matière de confiance ou si elle constituera principalement un désavantage concurrentiel par rapport aux États-Unis et à la Chine.

Que se passe-t-il après la désillusion ?

La désillusion actuelle concernant l'intelligence artificielle dans la production et l'industrie n'est pas une simple difficulté d'adaptation passagère, mais la conséquence inévitable d'attentes démesurées face à une technologie structurellement incomplète. Les systèmes que l'on désigne aujourd'hui par le terme d'IA sont des outils très sophistiqués, conçus pour des cas d'usage spécifiques, et non des solutions universelles. Ils peuvent identifier des tendances dans les données, mais ne peuvent pas penser de manière systématique et logique. Ils peuvent automatiser des tâches simples, mais ne peuvent pas optimiser de manière autonome des processus de production complexes. Ils peuvent appuyer l'expertise humaine, mais ne peuvent pas la remplacer.

Cette prise de conscience ne signifie pas la fin de l'innovation en IA, mais plutôt le début d'une phase plus réaliste. Les entreprises qui réussiront dans les années à venir seront celles qui ne considèrent pas l'intelligence artificielle comme une solution miracle, mais comme un outil nécessitant une intégration rigoureuse, une maintenance continue et des attentes réalistes. Elles n'investiront pas dans des projets utopiques, mais dans les fondements numériques essentiels : la qualité des données, l'intégration des systèmes, le développement des compétences et la gestion du changement organisationnel.

La création de valeur des prochaines années proviendra principalement de cas d'usage bien définis, où les atouts de l'intelligence artificielle, la reconnaissance de formes dans les grands ensembles de données, l'automatisation des tâches répétitives et le traitement rapide des informations structurées seront pleinement exploités. La maintenance prédictive continuera de gagner en importance. Le contrôle qualité basé sur la vision par ordinateur s'imposera. L'automatisation des fonctions support permettra de réaliser des économies substantielles. Cependant, la vision d'usines autonomes et auto-optimisées restera de la science-fiction dans un avenir prévisible.

Les PME allemandes sont confrontées à un tournant stratégique. Leur réticence actuelle à investir dans l'IA se comprend au vu des résultats décevants des projets précédents. Cependant, l'abstention totale n'est pas la solution. Les entreprises qui mettent dès maintenant en place les conditions préalables essentielles – infrastructure de données, processus numériques et développement des compétences – pourront tirer pleinement parti des systèmes d'IA de nouvelle génération une fois ceux-ci arrivés à maturité. Celles qui persistent à attendre risquent d'être complètement distancées.

La désillusion suscitée par l'intelligence artificielle dans la production et l'industrie est en fin de compte une correction nécessaire d'attentes démesurées. Elle nous oblige à affronter des réalités dérangeantes : la technologie seule ne suffit pas à engendrer la transformation, les facteurs organisationnels et humains sont au moins aussi importants que les algorithmes, et la création de valeur durable exige du temps et un travail systématique. L'intelligence artificielle a démontré sa valeur ajoutée pour les textes et les images. Concernant la composante économique dans la production et l'industrie, cette démonstration reste à faire, et il reste à voir si et quand elle pourra être apportée.

☑️ Notre langue commerciale est l'anglais ou l'allemand

☑️ NOUVEAU : Correspondance dans votre langue nationale !

Konrad Wolfenstein

Je serais heureux de vous servir, vous et mon équipe, en tant que conseiller personnel.

Vous pouvez me contacter en remplissant le formulaire de contact ou simplement m'appeler au +49 89 89 674 804 (Munich) . Mon adresse e-mail est : wolfenstein ∂ xpert.digital

J'attends avec impatience notre projet commun.

☑️ Accompagnement des PME en stratégie, conseil, planification et mise en œuvre

☑️ Création ou réalignement de la stratégie digitale et digitalisation

☑️ Expansion et optimisation des processus de vente à l'international

☑️ Plateformes de trading B2B mondiales et numériques

☑️ Pionnier Développement Commercial / Marketing / RP / Salons

Bénéficiez de la vaste expertise de Xpert.Digital, quintuple, dans une offre de services complète | R&D, XR, RP et optimisation de la visibilité numérique - Image : Xpert.Digital

Xpert.Digital possède une connaissance approfondie de diverses industries. Cela nous permet de développer des stratégies sur mesure, adaptées précisément aux exigences et aux défis de votre segment de marché spécifique. En analysant continuellement les tendances du marché et en suivant les évolutions du secteur, nous pouvons agir avec clairvoyance et proposer des solutions innovantes. En combinant expérience et connaissances, nous générons de la valeur ajoutée et donnons à nos clients un avantage concurrentiel décisif.

En savoir plus ici :

• Utilisez l'expertise 5x de Xpert.Digital dans un seul forfait - à partir de seulement 500 €/mois