Promesses non tenues de l’Intelligence Artificielle
Depuis plusieurs années, l’intelligence artificielle (IA) est présentée comme une solution miracle pour les entreprises. Elle promet de réduire les coûts, d’automatiser des tâches complexes et d’améliorer l’efficacité des infrastructures technologiques. Cependant, une fois les projets déployés, la réalité montre que ces promesses ne se concrétisent pas toujours. De nombreux déploiements d’IA n’obtiennent pas les résultats escomptés, et la désillusion commence à s’installer.
Cifres alarmantes
D’après une étude de Gartner, seulement 28% des déploiements d’IA en infrastructure et opérations atteignent le retour sur investissement escompté. Les autres projets se divisent entre ceux qui n’arrivent pas à matérialiser le valeur et ceux qui échouent carrément, avec un taux d’échec de 20%. Plus de la moitié des décideurs, 57%, admet avoir rencontré au moins une initiative infructueuse. Ces chiffres portent sur l’application de l’IA dans les infrastructures technologiques et les opérations internes de l’entreprise.
Attentes désalignées et problèmes fondamentaux
Pour comprendre les raisons de cet échec, il apparaît que les problèmes sont souvent liés à la manière dont les projets sont conçus plutôt qu’à la technologie elle-même. Selon Melanie Freeze, directrice de recherche chez Gartner, de nombreux équipes ont cru à tort que l’IA allait automatiser immédiatement des tâches complexes, réduire les coûts ou encore résoudre des problèmes opérationnels anciens. D’autres facteurs comme le manque de talents spécialisés, les difficultés d’intégration des systèmes dans des processus existants, et la qualité des données viennent compliquer davantage la situation.
Cas de succès
Toutefois, tous les scénarios ne sont pas négatifs. Gartner indique que les meilleurs résultats proviennent de secteurs où la technologie est déjà bien implantée et appliquée de manière concrète. La gestion des services de TI et les opérations en nuage montrent des taux de réussite de 53%. Ici, le succès est moins lié à la sophistication des modèles que à la manière dont ils s’intègrent dans des processus réels, avec des cas d’utilisation clairement définis et alignés sur des besoins opérationnels précis.
Deux niveaux de l’infrastructure d’IA
Pour comprendre la dynamique actuelle de l’investissement dans l’IA, il est important de différencier deux niveaux d’infrastructure. D’un côté, les grands fournisseurs technologiques investissent massivement dans des centres de données, en pariant sur une demande croissante. De l’autre, les entreprises qui exploitent ces services pour appliquer l’IA dans leurs opérations rencontrent des difficultés. Cette situation pose une question cruciale : que se passe-t-il si ces entreprises ne parviennent pas à rentabiliser leurs projets et commencent à réduire leurs investissements ?
Analyse
Il est clair que les entreprises continuent d’investir dans l’IA, mais elles commencent à exiger des résultats tangibles à court et moyen terme. Par ailleurs, d’autres études, comme celles du National Bureau of Economic Research, montrent que de nombreuses entreprises ne perçoivent pas encore un impact significatif sur la productivité ou l’emploi.
En conclusion, la voie vers une intégration réussie de l’IA dans les entreprises est parsemée d’embûches. Pour transformer les attentes en résultats concrets, il est essentiel d’adopter une approche pragmatique centrée sur des applications réelles et sur une compréhension claire des défis à surmonter.