Pourquoi les pilotes d'IA s'enlisent-ils dans la mode, et comment les passer en production ?

Dans la mode, les pilotes d'IA s'enlisent surtout parce qu'ils sont conçus comme des expériences plutôt que comme la première phase d'un produit : ils tournent sur des données d'échantillon bien rangées, restent en dehors des systèmes que les équipes utilisent réellement, n'ont ni responsable métier ni critère de réussite convenu. Le passage à l'échelle exige l'inverse : des données réelles, une intégration dans les flux de travail, un responsable désigné, une référence de départ et un plan de production financé, convenus avant le lancement du pilote.

Combien de pilotes d'IA atteignent réellement la production ?

Les données disponibles suggèrent qu'il s'agit d'une minorité. Le rapport du MIT The GenAI Divide: State of AI in Business 2025, fondé sur 150 entretiens avec des dirigeants, une enquête auprès de 350 salariés et l'analyse de 300 déploiements publics, a constaté qu'environ 95 % des pilotes d'IA générative en entreprise se sont enlisés à un stade précoce et n'ont jamais atteint un déploiement à grande échelle, comme l'a rapporté Computing en août 2025. L'auteur principal l'attribue moins à la qualité des modèles qu'à un « déficit d'apprentissage » entre les outils et les flux de travail de l'entreprise.

Les prévisions des analystes vont dans le même sens. En juillet 2024, Gartner prévoyait qu'au moins 30 % des projets d'IA générative seraient abandonnés après la preuve de concept d'ici fin 2025, en raison d'une mauvaise qualité des données, de contrôles des risques insuffisants, de coûts croissants ou d'une valeur métier floue. En juin 2025, le cabinet prévoyait que plus de 40 % des projets d'IA agentique seraient annulés d'ici fin 2027, en citant des coûts croissants, une valeur métier floue et des contrôles des risques insuffisants.

Pourquoi les pilotes d'IA s'enlisent-ils dans la mode ?

Dans la mode, les raisons sont généralement concrètes et prévisibles.

La saisonnalité ajoute une difficulté propre à la mode. Un pilote de prévision ou d'assortiment peut nécessiter une saison complète pour produire des résultats ; s'il démarre au mauvais moment du calendrier, il peut manquer entièrement le cycle d'achat suivant et perdre son élan comme ses soutiens.

Lire aussi

Développer ou acheter ? Choisir ses logiciels dans une entreprise de mode

Comment concevoir un pilote d'IA capable de passer à l'échelle ?

Un pilote destiné à passer à l'échelle ne ressemble pas à une démonstration. Avant d'en approuver un, convenez par écrit des points suivants :

1. Le problème métier et son responsable : une phrase décrivant le problème, et la personne dont les objectifs s'améliorent si la solution fonctionne.
2. La référence : le délai, le coût, le taux d'erreur ou le taux d'écoulement actuels du processus concerné.
3. Les seuils de réussite : le niveau d'amélioration qui justifie la production, et celui qui signifie l'arrêt.
4. Le périmètre des données : quelles sources de données réelles seront utilisées, et qui corrige les problèmes de qualité constatés.
5. Le chemin d'intégration : où les résultats arriveront en production (PIM, ERP, outil de planification, service client) et ce que coûtera cette intégration.
6. La revue des risques : protection des données, propriété intellectuelle, marque et AI Act de l'UE, validés dès le départ.
7. La date de décision : une échéance fixe pour passer à l'échelle, ajuster ou arrêter.

Qu'est-ce qui change entre le pilote et la production ?

La production ajoute un travail que les pilotes ignorent souvent : surveiller la qualité des résultats dans la durée, gérer les exceptions, assister les utilisateurs, contrôler les accès, suivre les coûts et mettre à jour les modèles ou les prompts lorsque les produits, les règles ou les données changent. Pour l'IA générative, quelqu'un doit aussi tenir à jour les contenus de référence sur lesquels le système s'appuie, comme la charte de marque, les instructions d'entretien ou la politique de retours. Budgétez ce coût de fonctionnement dès le départ : c'est une charge d'exploitation permanente, pas un coût de projet ponctuel.

L'enquête State of AI 2026 de McKinsey indique que 44 % des répondants déclarent que l'IA se déploie à l'échelle de leur entreprise, contre 38 % un an plus tôt, tandis que la part de ceux qui attribuent au moins un certain impact sur l'EBIT à l'IA est restée pratiquement stable, à 37 %. Les entreprises qui font état de l'impact le plus fort étaient bien plus susceptibles d'avoir profondément repensé leurs flux de travail. Déployer un outil sans changer l'organisation du travail produit généralement de l'usage sans valeur.

La communication décide aussi de la survie d'un pilote. Les personnes dont le travail va changer doivent voir les résultats intermédiaires, y compris les erreurs, et pouvoir façonner l'outil avant son déploiement. Les pilotes présentés aux utilisateurs seulement une fois terminés rencontrent souvent une résistance qu'aucune précision du modèle ne permet de surmonter.

Développer ou acheter pour dépasser le stade du pilote ?

L'étude du MIT indique que les outils achetés auprès de fournisseurs ou de partenaires externes réussissaient environ deux fois sur trois, contre environ une fois sur trois pour les systèmes développés en interne. Cela ne signifie pas que développer soit toujours une erreur, mais que les développements internes impliquent davantage de charge d'intégration et de maintenance que les équipes ne le prévoient souvent. Pour des tâches courantes comme les contenus produit ou les réponses du service client, des outils externes matures peuvent atteindre la production plus vite. Pour des décisions propriétaires reposant sur des données uniques, comme la logique d'allocation, le développement peut rester rentable, à condition que l'entreprise dispose des capacités techniques pour l'exploiter.

Lire aussi

Comment amener les collaborateurs à vraiment utiliser l'IA ? Un plan d'adoption pour les équipes de la mode

Combien de pilotes une entreprise de mode doit-elle mener en même temps ?

Moins que la plupart n'en mènent. Un petit portefeuille de trois à cinq pilotes, chacun avec un responsable, une référence et une date de décision, est plus facile à piloter que des dizaines d'expériences peu encadrées. Les conclusions de Gartner et du MIT convergent vers la même leçon : la valeur vient de l'intégration en profondeur de quelques cas d'usage dans le travail réel, pas de la multiplication d'essais déconnectés.