Au sein des entreprises, l'intelligence artificielle (IA) est passée du stade expérimental à celui de priorité stratégique. Dans tous les secteurs, les entreprises lancent des projets pilotes, des démonstrations de faisabilité et des déploiements préliminaires visant à améliorer la prise de décision, à automatiser les flux de travail et à renforcer l'efficacité opérationnelle.
Pourtant, les attentes continuent de dépasser les résultats. Si de nombreuses entreprises peuvent se prévaloir de projets pilotes réussis en matière d’IA, elles sont bien moins nombreuses à avoir su transformer ces premiers succès en un impact opérationnel durable. Dans son enquête mondiale 2026 menée auprès de 4 454 PDG dans 95 pays, le cabinet de conseil international PwC a indiqué que 56 % des personnes interrogées ne constataient « ni augmentation du chiffre d’affaires ni réduction des coûts grâce à l’IA ».[1]
Cela met en lumière une réalité dérangeante : le principal défi auquel sont confrontées la plupart des organisations aujourd’hui en matière d’IA n’est pas la création de modèles d’IA, mais la mise en place d’environnements dans lesquels l’IA peut fonctionner de manière fiable. Le déploiement à grande échelle de l’IA est souvent freiné par des problèmes liés à l’état de préparation des infrastructures, à l’accessibilité des données et à des systèmes d’exécution qui n’ont jamais été conçus pour des opérations pilotées par l’IA.
Dans le cadre de projets pilotes contrôlés, l'IA donne généralement de bons résultats. Dans les environnements opérationnels réels, la complexité freine toutefois sa mise à l'échelle. Les systèmes de production s'étendent sur plusieurs sites, impliquent des plateformes héritées, des équipements propriétaires et des sources de données fragmentées. Au-delà de la complexité technique, les environnements opérationnels comportent également des structures de gouvernance, des dynamiques de gestion du changement, des dépendances interfonctionnelles et des facteurs liés à la préparation organisationnelle qui influencent la manière dont l'IA est adoptée et pérennisée. Ce qui a fonctionné dans des projets pilotes isolés rencontre souvent des difficultés lorsqu'il est confronté aux réalités des opérations d'entreprise.
En tant que directeur de l'IA à temps partiel conseillant des entreprises de tous les secteurs, j'observe régulièrement ce phénomène. Cet article examine les raisons pour lesquelles les projets pilotes d'IA peinent souvent à se déployer à grande échelle, identifie les problèmes récurrents d'infrastructure et de connectivité à l'origine de cette situation, et présente des conseils pratiques destinés aux dirigeants qui souhaitent passer de la phase d'expérimentation à un impact opérationnel durable. À mesure que l'IA évolue de la phase d'expérimentation vers une dépendance opérationnelle, les entreprises qui s'assurent d'abord que leur infrastructure est prête parviennent souvent à creuser l'écart en termes de performances.
La réussite d'un projet pilote ne garantit pas le succès de la mise à l'échelle
Les projets pilotes sont délibérément conçus pour démontrer la faisabilité dans des conditions contrôlées. Leur portée est limitée, leur budget modeste et leur mise en œuvre optimisée pour gagner en rapidité. Il s'agit d'une approche appropriée pour expérimenter et tester de nouvelles innovations, dont les résultats sont incertains, de manière efficace et à faible risque.
Mais l'environnement pilote n'est pas une version réduite de l'environnement d'exploitation. Dans les projets pilotes, les données sont souvent traitées manuellement. Les intégrations sont mises en place sous forme de connexions ponctuelles. Les flux de travail qui semblent automatisés peuvent encore nécessiter une vérification ou une intervention humaine. Ces raccourcis permettent aux équipes de valider rapidement la valeur ajoutée sans avoir à tenir compte des contraintes plus générales liées à l'infrastructure.
Les environnements opérationnels sont variés. Ils sont le résultat d'années de modifications progressives des systèmes, d'équipements hérités, de contraintes opérationnelles et de barrières organisationnelles. Les données ne sont pas présentées sous une forme prête à l'emploi. Elles proviennent de systèmes hétérogènes, peuvent varier d'un site à l'autre et sont souvent sujettes à des problèmes de fiabilité ou à des incohérences de formatage. La mise à l'échelle nécessite que l'IA fonctionne dans cet environnement complexe et exigeant.
3
Les études menées dans le secteur confirment cette réalité. Si de nombreuses entreprises testent des concepts avancés d’IA, seule une petite fraction d’entre elles parvient à les mettre en œuvre à grande échelle. Le cabinet d’études Forrester estime que seuls 10 à 15 % des projets d’IA aboutissent à une utilisation productive durable et que plus de 60 % des projets pilotes ne parviennent pas à s’étendre au-delà d’environnements contrôlés.[2]
Cet écart est rarement dû aux limites de l'IA. Dans de nombreuses entreprises, les projets pilotes sont financés en tant qu'initiatives expérimentales, tandis que la modernisation de l'infrastructure nécessaire à la mise à l'échelle ne relève pas de leur champ d'application. Par conséquent, les améliorations en matière de connectivité, d'intégration et d'exploitation requises pour soutenir le déploiement à l'échelle de l'entreprise ne bénéficient ni de financement ni de priorité. Ce décalage structurel crée un goulot d'étranglement prévisible entre la validation de principe et le déploiement opérationnel.
Le projet pilote a démontré que l'IA pouvait fonctionner. Sa mise à l'échelle a toutefois révélé que l'entreprise n'était pas prête à la prendre en charge. Cet écart devrait servir de signal d'alarme pour les dirigeants de l'entreprise. À mesure que l'IA s'intègre dans la prise de décision opérationnelle, les faiblesses de l'infrastructure ne constituent plus de simples inefficacités mineures ; elles deviennent des sources potentielles de risques opérationnels et financiers.
Quatre obstacles infrastructurels qui freinent le déploiement à grande échelle de l'IA
Du point de vue de l'infrastructure opérationnelle, je constate que ce sont toujours les quatre mêmes éléments qui posent problème lors du passage d'une phase pilote à la mise à l'échelle, quel que soit le secteur d'activité. Il s'agit des éléments suivants :
- Les intégrations développées sur mesure ne sont pas évolutives. Les premières initiatives en matière d’IA s’appuient souvent sur des intégrations sur mesure, telles que des interfaces de programmation d’applications (API) ponctuelles, des scripts ou des pipelines de données point à point créés spécifiquement pour un cas d’utilisation pilote. Ces intégrations permettent de gagner en rapidité, mais sont rarement conçues pour répondre aux exigences de fiabilité, de gouvernance ou de réutilisation au sein de l’entreprise pour plusieurs applications d’IA.
À mesure que de nouveaux cas d’utilisation apparaissent, les organisations accumulent des connexions fragiles, difficiles à maintenir et risquées à étendre.
- Impossibilité de collecter des données à partir des actifs opérationnels. Une part importante des données dont dépend l'IA provient de sources extérieures aux systèmes informatiques d'entreprise traditionnels. Par exemple, les équipements, les machines et les plateformes opérationnelles spécialisées présents dans les usines et sur les sites de terrain génèrent une grande partie des données dont les modèles d'IA ont besoin. Cependant, ce type de données n'est pas toujours disponible ni facilement accessible. Les actifs existants dans les installations industrielles et de fabrication ont été conçus pour un environnement antérieur à la connectivité. Les données restent piégées sur l'actif lui-même ou au sein de réseaux OT (technologies opérationnelles) propriétaires distincts. D'autres ne sont pas équipés des capteurs nécessaires pour collecter les signaux requis par les modèles d'IA.
Lorsque les données opérationnelles sont incomplètes, incohérentes ou difficiles d'accès, les systèmes d'IA fonctionnent avec des angles morts. Les informations deviennent partielles. Les modèles sont moins performants. L'IA ne peut pas optimiser ni agir sur ce qu'elle ne voit pas.
- Impossibilitéd'automatiser la mise en œuvre des informations générées par l'IA. De nombreux systèmes d'IA parviennent à générer des prévisions, des recommandations ou des alertes, mais ne disposent d'aucun moyen de déclencher des actions de manière fiable et autonome. Pour donner suite aux résultats de l'IA, il faut généralement une intégration avec les systèmes opérationnels afin de lancer des flux de travail, de mettre à jour les systèmes d'entreprise, d'ajuster les paramètres opérationnels ou d'interagir avec les équipements et les ressources sur le terrain.
Dans les environnements pilotes, cette limitation est souvent masquée car les équipes examinent manuellement les résultats de l'IA et prennent elles-mêmes les mesures nécessaires, ou s'appuient sur des intégrations temporaires conçues pour un cas d'utilisation unique. À l'échelle de l'entreprise, ces intégrations ponctuelles ne sont pas viables. Lorsque les systèmes opérationnels ne sont pas connectés ou intégrés de manière cohérente aux workflows d'exécution, l'IA ne peut pas influencer de manière fiable les processus du monde réel. Il en résulte des « informations sans exécution », où l'IA démontre sa valeur analytique mais ne parvient pas à produire un impact opérationnel mesurable.
- L'infrastructure n'est pas gérée pour des opérations pilotées par l'IA. La mise à l'échelle de l'IA nécessite une infrastructure opérationnelle gérée de manière à assurer un flux de données continu, l'accessibilité des systèmes et l'exécution automatisée dans des environnements distribués. Les entreprises ont besoin de flux de données fiables, de systèmes accessibles en permanence, ainsi que d'une connectivité, d'une sécurité et d'une gouvernance surveillées à l'échelle mondiale.
Certaines infrastructures d'entreprise et opérationnelles ont été initialement conçues et gérées principalement pour garantir la disponibilité et la fiabilité locale, et non pour permettre un échange continu de données entre les sites, les systèmes et les partenaires. La connectivité est souvent mise en œuvre de manière fragmentée, la visibilité est limitée à des systèmes ou des sites individuels, et la disponibilité des données n'est pas surveillée de manière cohérente en tant qu'exigence opérationnelle. En conséquence, l'infrastructure peut être techniquement « opérationnelle », mais ne pas parvenir à fournir l'accès prévisible aux données à l'échelle de l'entreprise dont les systèmes d'IA ont besoin.
La mise à l'échelle est un défi pour les dirigeants
Il est tentant de considérer les défis liés à la mise à l'échelle comme des problèmes techniques et opérationnels que les équipes d'IA ou informatiques doivent résoudre. En réalité, les contraintes décrites ici dépassent les frontières organisationnelles, architecturales et opérationnelles. Elles concernent l'allocation des capitaux, les structures de gouvernance, les priorités en matière de modernisation et la coordination interfonctionnelle.
La mise à l'échelle de l'IA ne se résume pas à une simple extension d'un projet pilote. Il s'agit d'un défi en matière de préparation de l'entreprise.
Pour les dirigeants d'entreprise, ce changement de perspective est essentiel. À mesure que l'IA s'intègre dans les processus décisionnels et opérationnels, les lacunes en matière d'infrastructure ne constituent plus seulement un problème d'efficacité, mais deviennent des sources potentielles de risques opérationnels et commerciaux. L'incohérence des données, la fragilité des intégrations et la visibilité limitée sapent la confiance dans l'automatisation et ralentissent son adoption par les entreprises.
Les organisations qui s'attaquent rapidement à ces contraintes fondamentales en tirent un avantage considérable. Celles qui tardent à le faire constatent souvent que leurs concurrents déploient l'IA plus rapidement, intègrent plus profondément les systèmes d'exécution et fixent des objectifs de performance difficiles à égaler.
Ce que les dirigeants devraient faire ensuite
Pour passer de la phase d'expérimentation à un impact concret sur l'entreprise, les dirigeants doivent élargir la définition de la « préparation à l'IA » au-delà du simple développement de modèles. Il faut considérer la mise à l'échelle comme une initiative de modernisation de l'entreprise, et non comme une simple extension d'un projet pilote.
Le déploiement à grande échelle de l'IA nécessite une action coordonnée entre les services informatiques, les technologies opérationnelles, la sécurité et la direction de l'entreprise. Faites de la préparation de l'infrastructure et de la connectivité des priorités pour l'entreprise.
Ces mesures font passer l'IA du stade de l'expérimentation isolée à celui d'une capacité opérationnelle durable.
- Intégrez les aspects liés à la connectivité et à la préparation des données dans vos décisions d'évolution. Lorsque vous évaluez l'opportunité de poursuivre un projet pilote, vérifiez si les sources de données requises sont accessibles de manière fiable et si les intégrations peuvent prendre en charge une utilisation en production. Si une modernisation s'avère nécessaire, intégrez-la dans la feuille de route et le modèle de financement.
- Concevez les projets pilotes en tenant compte des aspects opérationnels. Organisez-les de manière à refléter le futur environnement opérationnel. Testez non seulement les performances du modèle, mais aussi la connectivité, les processus opérationnels et les mécanismes de gouvernance nécessaires au déploiement.
- Assurez une visibilité globale sur l'infrastructure opérationnelle de l'entreprise. Évaluez et établissez une compréhension de base des actifs connectés, de l'origine des données et des lacunes en matière de fiabilité ou de gouvernance. Cette visibilité permet d'éviter les imprévus lors de la mise à l'échelle.
- Investissez de manière réfléchie dans des infrastructures capables de prendre en charge des opérations basées sur l'IA. Évaluez les investissements en infrastructure non seulement en fonction de leur disponibilité, mais aussi de leur capacité à prendre en charge l'échange continu de données, la surveillance de l'entreprise et l'automatisation sécurisée à grande échelle.
Conclusions et recommandations finales
Le succès de l'IA dépend de plus en plus non seulement du niveau d'intelligence des systèmes, mais aussi de la capacité de l'environnement de l'entreprise à les soutenir. Les organisations qui prennent conscience de cette réalité vont au-delà du simple succès des projets pilotes et commencent à constater des changements mesurables dans leurs performances opérationnelles.
La question n'est plus de savoir si l'IA est capable de fournir des informations pertinentes. Il s'agit plutôt de savoir si les entreprises mettent en place l'infrastructure, la connectivité et la gouvernance nécessaires pour permettre à l'IA de fonctionner de manière fiable à grande échelle.
Ceux qui le feront passeront de l'expérimentation à la transformation. Ceux qui ne le feront pas risquent de continuer à se réjouir de leurs projets pilotes tout en attendant que ceux-ci produisent des résultats.
Si vos projets d'IA ne parviennent pas à passer à l'échelle de la production, leur réussite dépend peut-être de données opérationnelles, d'actifs distants ou d'infrastructures existantes. Contactez-nous pour découvrir comment les solutions Digi Infrastructure Management fournissent la connectivité, la visibilité et la couche de contrôle qui rendent l'IA possible.
Foire aux questions sur l'évolutivité de l'IA en entreprise
Quelles sont les questions essentielles que je devrais me poser pour déterminer si notre infrastructure opérationnelle est prête à faire face à la montée en puissance de l'IA ?
Tous les dirigeants devraient se poser cette question, quelle que soit l'étape à laquelle ils se trouvent dans leur parcours vers l'IA. Commencez par poser une série de questions diagnostiques de base aux dirigeants de différentes entités au sein de l'entreprise. Ces questions ouvertes doivent être considérées comme des questions exploratoires qui mènent à d'autres questions spécifiques à votre organisation et à vos initiatives.
- Disposons-nous d'un accès cohérent et fiable aux données opérationnelles dont dépend l'IA sur l'ensemble des sites et des systèmes, ou continuons-nous à nous appuyer sur des extractions manuelles et des intégrations ponctuelles ?
- Les informations générées par l'IA peuvent-elles déclencher automatiquement des actions au sein de nos systèmes centraux, ou nécessitent-elles une intervention humaine ?
- Savons-nous quels actifs sont connectés, d'où proviennent les données et où se situent les lacunes en matière de connectivité ?
- Nos intégrations sont-elles standardisées et régies par des règles, ou sont-elles conçues sur mesure et difficiles à maintenir ?
- Si nous étendions notre projet pilote actuel à dix sites au lieu d'un seul, l'infrastructure serait-elle en mesure de le prendre en charge sans nécessiter de refonte majeure ?
- La mise en place des infrastructures est-elle financée et gérée comme une priorité de l'entreprise, ou considérée comme un aspect secondaire au sein des projets d'IA individuels ?
Si ces questions font apparaître des incertitudes, une fragmentation ou des dépendances vis-à-vis des processus manuels, des difficultés de mise à l'échelle sont à prévoir. Pour y remédier, il n'est pas nécessaire de suspendre les initiatives en matière d'IA, mais il faut accorder une attention particulière à la connectivité, à la visibilité de l'infrastructure et aux mécanismes d'exécution dans le cadre d'une modernisation plus large de l'entreprise.
Quelle est la différence entre la modernisation informatique et la modernisation en vue de l'IA ?
La modernisation informatique porte généralement sur la mise à niveau des applications d'entreprise, la migration des systèmes vers le cloud, le renforcement de la cybersécurité et la standardisation des plateformes clés telles que les systèmes ERP, CRM et les outils de collaboration. Ces initiatives sont essentielles et permettent souvent d'améliorer l'efficacité, la résilience et l'évolutivité des systèmes d'entreprise traditionnels.
La modernisation en vue de l'IA va toutefois au-delà des plateformes informatiques. Elle consiste notamment à s'assurer que les technologies opérationnelles (OT), les actifs sur le terrain, les systèmes hérités et l'infrastructure distribuée sont capables de générer, de transmettre et d'exploiter les données de manière fiable à l'échelle de l'entreprise. L'IA ne repose pas seulement sur des applications modernes, mais aussi sur un accès constant aux signaux opérationnels, sur l'intégration avec les systèmes d'exécution et sur une visibilité globale sur des environnements qui ont pu évoluer indépendamment les uns des autres pendant de nombreuses années.
Une entreprise peut avoir modernisé son infrastructure informatique tout en continuant à rencontrer des difficultés pour déployer l'IA à grande échelle si ses systèmes opérationnels restent cloisonnés, mal connectés ou difficiles à intégrer. La modernisation en vue de l'IA nécessite donc une approche plus globale et transversale, qui harmonise l'informatique, les technologies opérationnelles, la visibilité de l'infrastructure, la gouvernance et les capacités d'exécution afin de soutenir des opérations pilotées par l'IA.
La modernisation en vue de l'IA ne consiste pas tant à remplacer les systèmes qu'à s'assurer que l'environnement de l'entreprise est prêt à gérer un flux continu de données et à prendre des décisions automatisées.
Faut-il tout moderniser pour réussir à déployer l'IA à grande échelle ?
Non. Le déploiement à grande échelle de l'IA ne nécessite pas de remplacer tous les systèmes existants ni de lancer une vaste transformation radicale. Dans la plupart des cas, la modernisation en vue de l'IA est sélective et ciblée. L'objectif n'est pas de refondre l'entreprise, mais de s'assurer que les systèmes, les ressources et l'infrastructure sur lesquels repose l'IA sont capables de générer des données de manière fiable, de s'intégrer à d'autres plateformes et de prendre en charge l'exécution automatisée.
Les dirigeants devraient s'attacher à identifier les systèmes opérationnels spécifiques et les lacunes en matière de connectivité qui limitent l'évolutivité. Certains environnements peuvent nécessiter une standardisation de l'intégration, une meilleure visibilité ou une connectivité renforcée plutôt qu'un remplacement complet. D'autres peuvent déjà s'en sortir avec des ajustements mineurs. L'objectif n'est pas une modernisation en profondeur, mais l'élimination des goulots d'étranglement structurels qui empêchent l'IA de fonctionner de manière cohérente à grande échelle.
La modernisation en matière d'IA doit être guidée par l'impact sur l'activité et les exigences d'évolutivité, et non par l'idée que tout doit changer.
Prochaines étapes
A propos de l'auteur
Benson Chan est directeur des opérations chez Strategy of Things, une entreprise basée dans la Silicon Valley qui aide les gouvernements et les entreprises à innover grâce à l'intelligence artificielle et à l'Internet des objets. Il possède plus de 30 ans d'expérience dans le domaine des technologies innovantes au sein d'entreprises du classement Fortune 500, de start-ups et d'organisations gouvernementales. Il a été président du comité IoT NIST IoT , chargé de conseiller le gouvernement fédéral sur l'Internet des objets, coprésident du comité IoT CompTIA et GTIA IoT Advisor, et mentor industriel dans le cadre du programme IMPEL du Bureau des technologies du bâtiment du département américain de l'Énergie, qui associe des industriels à des chercheurs des laboratoires nationaux afin de favoriser l'esprit d'entreprise.
Références