Un rapport du MIT constate que 95 % des initiatives d'IA générative n'ont aucun effet sur le compte de résultat

Le rapport de MIT NANDA The GenAI Divide: State of AI in Business 2025, publié en août 2025, conclut qu'environ 95% des initiatives d'IA générative en entreprise n'ont aucun impact mesurable sur le P&L. Fortune a relayé ces résultats le 18 août 2025, face à $30-40 milliards d'investissements des entreprises dans l'IA générative.

Ce que le rapport du MIT a constaté

Selon MIT NANDA, seuls 5% environ des outils d'IA sur mesure ou intégrés atteignent la production avec un impact mesurable. Le rapport indique que les déploiements menés avec des partenaires externes ont réussi dans environ 67% des cas, contre environ 33% pour les développements internes. Il relève aussi que plus de 90% des salariés utilisent des outils d'IA personnels, même lorsque les pilotes officiels échouent. Le rapport appelle ce phénomène shadow AI. L'étude n'a pas fait l'objet d'une relecture par les pairs et son échantillon est modeste. Les chiffres indiquent donc une tendance et ne constituent pas une mesure précise. Forbes a repris ces résultats le 21 août 2025.

Pourquoi les pilotes s'arrêtent avant la production

La plupart des pilotes sont conçus comme des démonstrations. Un pilote type tourne sur un extrait de données nettoyé, vit dans un onglet de navigateur à côté des vrais systèmes et est utilisé par l'équipe la plus motivée de l'entreprise. Il n'a pas de point de référence, et le poste de personne ne change si le test réussit. Chacun de ces choix se justifie pour un test de six semaines. Ensemble, ils masquent les conditions dont dépend la production. Quand la production arrive, les cas limites arrivent aussi, avec l'intégration à votre ERP, à votre CRM et à votre outil de ticketing, et les questions de conformité et de sécurité que le pilote avait repoussées.

Ce que cela change pour les équipes d'ingénierie

Vos salariés utilisent déjà l'IA, comme le montre le chiffre de shadow AI de MIT NANDA. La demande pour ces outils existe donc déjà. Le travail le plus difficile se situe dans l'accès aux données, les permissions, l'intégration et la décision sur le workflow de qui change quand le système tourne. Trois vérifications indiquent vite si une initiative peut atteindre la production. Elle touche de vraies données avec de vraies permissions dès le départ. Le workflow d'une personne change réellement, et cette personne a donné son accord à l'avance. Un responsable nommé s'occupe du sixième mois, une fois que l'équipe du pilote est passée à autre chose.

Ce que cela change quand vous recrutez des ingénieurs

L'écart que MIT NANDA relève entre les développements menés avec un partenaire et les développements internes attire l'attention sur la question de qui construit. Un ingénieur qui n'a construit que des démos aura tendance à optimiser pour la démo. Un ingénieur qui a déjà mis des fonctionnalités d'IA en production posera dès la première semaine des questions sur les permissions, les cas limites et l'intégration. Quand vous recrutez, il est utile de voir comment les candidats travaillent dans une vraie base de code, avec et sans outils d'IA. Vous savez ainsi s'ils peuvent mener une fonctionnalité au-delà du pilote. Demander où leur travail sur l'IA a échoué en production, et ce qu'ils ont changé, vous en apprend plus qu'une démo soignée.

Les ingénieurs Miyagami passent deux évaluations de 60 minutes dans une vraie base de code : la première sans outils d'IA, la seconde avec leurs propres agents. Les deux scorecards vous sont transmises. Pour en savoir plus, lisez notre processus de sélection.