← Notes de terrain

3 octobre 2026 · 7 min de lecture

Un projet d'IA annulé coûte 4 millions de dollars : diagnostiquez avant de signer

Selon Cognizant, un quart des entreprises interrogées a déjà suspendu ou abandonné un déploiement d'IA en 2026, pour un coût moyen de 4 millions de dollars. Les causes sont connues : données pas prêtes, infrastructure sous-dimensionnée, aucun indicateur de succès. Un diagnostic avant le premier contrat coûte quelques jours, pas quelques millions.

Francis Meleard

4 M$coût moyen d'un projet d'IA annulé

Notes de terrain · Francis Meleard

Signer un projet d'IA sans diagnostic, c'est financer un pari en l'appelant investissement. Selon une étude Cognizant relayée par ChannelNews le 28 septembre 2026, 25 % des entreprises interrogées ont déjà suspendu ou abandonné un déploiement d'IA. Le coût moyen des projets annulés atteint 4 millions de dollars par entreprise.

L'étude porte sur 1 100 responsables de grandes entreprises et 100 start-ups. Vous n'êtes peut-être pas une grande entreprise. Mais les mécanismes décrits sont ceux que je vois dans des structures bien plus petites, avec des montants à l'échelle.

Les budgets montent, les preuves de gains restent rares

Le plus troublant dans l'étude, c'est le décalage entre ce qu'on dépense et ce qu'on peut montrer. Seules 32 % des directions sont capables de justifier des gains de productivité tangibles liés à l'IA. Pourtant, la quasi-totalité des grandes entreprises du panel prévoit d'augmenter encore ses investissements dans les deux prochaines années.

Nomura va dans le même sens, avec d'autres périmètres. Seules 13 % des organisations déclarent une valeur significative au niveau de l'entreprise grâce à l'IA générative, et 40 % des projets mis en œuvre ne répondent pas aux résultats prévus. Dans le même temps, les budgets IA des entreprises ont augmenté d'environ 320 % entre 2024 et 2026, d'après Nomura.

Honnêtement, ces chiffres ne me disent pas que l'IA ne marche pas. Ils disent qu'on achète avant de savoir ce qu'on veut en tirer. Je préfère le dire tel quel plutôt que de laisser croire que le problème est ailleurs.

Le graphique est parlant par son dernier chiffre. Selon Cognizant, 64 % des grandes entreprises ont au moins une dimension de leur infrastructure de données insuffisamment préparée pour l'IA, avec des conséquences directes sur les résultats. Autrement dit, la majorité démarre un chantier avec un terrain qu'elle n'a pas regardé.

Le modèle n'est presque jamais le coupable

Gagan Syal, directeur Europe du sud et Moyen-Orient de Cognizant, le dit sans détour dans le communiqué : un projet d'IA n'échoue pas parce que le modèle est mauvais. Il échoue parce que les données ne sont pas prêtes, parce que l'infrastructure ne suit pas, ou parce que des indicateurs de succès clairs n'ont pas été définis. Trois causes, et aucune ne se règle en changeant de fournisseur de modèle.

Le constat n'est pas nouveau. IT Pro rappelle que McKinsey identifiait déjà la mauvaise qualité des données comme facteur clé d'échec en 2023. Trois ans plus tard, selon le rapport CIO Agenda 2026 d'IDC cité par le même article, la « dette de données » reste un point de friction récurrent. IDC estime que les entreprises qui ne traitent pas la qualité de leurs données s'exposent à un taux d'échec des projets d'IA 50 % plus élevé.

Sur ce sujet, je l'ai déjà écrit : arrêtez de chercher le meilleur modèle d'IA et assainissez votre CRM. La vraie valeur d'un système, c'est la donnée métier, pas l'outil. Un modèle brillant branché sur un CRM que personne ne remplit produit des réponses brillantes sur du vide.

La facture qui grossit après la signature

Premier piège : croire que la baisse du prix des modèles protège le budget. D'après un article de Solutions Numériques publié le 2 octobre 2026, qui cite McKinsey, le coût d'inférence de niveau GPT-3.5 est passé de 17 € à 6 centimes par million de tokens depuis 2024. Dans le même temps, les dépenses des entreprises en LLM ont triplé.

Nomura décrit le mécanisme : chaque baisse de 10 % du prix des tokens entraîne 12 à 18 % de tokens consommés en plus. Et une requête d'entreprise embarque des consignes système et des documents récupérés avant même que la question de l'utilisateur soit traitée. Résultat, plus de 85 % du coût peut rester invisible pour celui qui tape la question.

Les agents aggravent la chose. Un même workflow agentique planifie des actions, récupère des données, appelle plusieurs outils, vérifie, relance en cas d'échec. Chaque étape consomme des tokens. Un pilote à quelques requêtes par jour ne dit rien de la facture d'un système qui en traite des milliers.

Un pilote qui coûte peu ne prouve rien sur le coût du même système en production.

Eric Bezille, de Dell Technologies, ajoute un point utile dans le même article : une consommation élevée de tokens est souvent le symptôme d'un problème plus profond. Il cite une récupération d'informations peu efficace, une gouvernance des données insuffisante ou des boucles agentiques superflues. La facture devient un thermomètre de la qualité du chantier.

Ce que le travail sur la donnée change, concrètement

Chez La Poste, j'ai travaillé sur l'uniformisation et la segmentation d'une base de 16 millions d'e-mails. Ce chantier n'a rien de spectaculaire et personne ne l'applaudit en comité de direction. C'est pourtant ce travail qui rend ensuite possible n'importe quel usage sérieux, IA comprise.

Ce que j'en retiens est simple. Quand on part du résultat attendu et qu'on redescend jusqu'à la donnée source, on trouve très vite ce qui bloque. Quand on part de l'outil, on le découvre en production, au moment où chaque correction coûte dix fois plus cher.

Le vrai problème : personne n'a décidé de ce qu'on attendait

Reprenons la troisième cause citée par Cognizant : l'absence d'indicateurs de succès. C'est celle que je rencontre le plus souvent, et la plus embarrassante, parce qu'elle ne demande ni budget ni technologie. Elle demande de décider.

Un projet d'IA lancé sur « gagner en productivité » ou « ne pas rater le virage » est un projet que personne ne pourra arrêter proprement, ni défendre. Sans chiffre de départ ni seuil d'arrêt, on ne sait pas s'il marche. Alors il continue, et la facture avec lui.

Deuxième angle mort : l'adoption. Un outil d'IA que les équipes contournent ne produit aucun gain, même s'il est techniquement irréprochable. Le dossier ne chiffre pas ce point, mais mon expérience de terrain est constante : un projet sans propriétaire métier finit en démonstration.

Les experts extérieurs aident, avec une réserve

Cognizant relève que les entreprises qui obtiennent les meilleurs résultats sont celles qui font le plus appel à des expertises extérieures pour renforcer leurs fondations. L'écart dépasse 18 points avec les segments les moins performants. C'est un argument en faveur du conseil, et vous avez raison de vous méfier : Cognizant est une ESN, elle vend ce type de services.

Je vends aussi du conseil, vous êtes prévenu. Dell, de son côté, vend l'infrastructure qui va avec, et deux des sources de ce dossier viennent de son univers. Je retiens donc les constats sur les causes d'échec, qui convergent entre sources indépendantes, et je laisse de côté les plaquettes. La valeur d'un partenaire se juge à la clarté de son diagnostic, pas à sa documentation commerciale.

Ce que je ferais à votre place

Voici les trois options que je vois avant de signer quoi que ce soit.

  • Option 1 : lancer le projet et corriger en route. C'est la plus rapide et la plus tentante. C'est aussi celle qui alimente les 4 millions de dollars de projets annulés.
  • Option 2 : acheter d'abord une plateforme de données. Les éditeurs le recommandent volontiers. À mon sens, c'est mettre la solution avant le problème, sans savoir quelle donnée sert quel résultat.
  • Option 3 : un diagnostic court, puis un pilote étroit avec un seuil d'arrêt. C'est celle que je choisis.

Voici ce que je ferais concrètement, dans cet ordre :

  1. Écrire le résultat attendu en une phrase chiffrée : quel coût baisse, quel délai raccourcit, quelle vente augmente, de combien.
  2. Remonter jusqu'à la donnée source : où elle vit, qui la remplit, dans quel état elle est, et ce qu'il manque.
  3. Estimer le coût d'usage à l'échelle, pas celui du pilote : volume de requêtes, taille du contexte, nombre d'étapes si des agents sont prévus.
  4. Nommer un propriétaire métier, pas seulement un chef de projet technique.
  5. Fixer un seuil d'arrêt avant de commencer : en dessous de tel résultat à telle date, on stoppe.

Sur le point 3, Nomura donne un ordre de grandeur qui fait réfléchir. Un modèle compact sur matériel dédié coûte environ 50 $ par jour pour 100 millions de tokens, contre environ 1 560 $ par jour via l'API d'un modèle de pointe. L'auto-hébergement de l'inférence peut aussi offrir plus de 50 % d'économies sur trois ans, pour des charges volumineuses et prévisibles. Je ne suis pas neutre, puisque j'héberge de l'IA sur mes propres serveurs. Mais je ne le recommande pas à tout le monde : en phase de test, une API reste souvent le choix le plus simple. Le bon réflexe est de choisir le modèle à la taille de la tâche, pas le plus puissant par défaut.

Un diagnostic, chez moi, c'est une journée à 890 € HT, détaillée sur la page parcours et offre de conseil. Je ne vous garantis pas qu'il conclura à « il faut y aller ». Parfois la bonne réponse est « pas encore » ou « pas comme ça ». Mieux vaut l'entendre avant le contrat qu'après.

Ce que vous pouvez faire lundi matin

Prenez le projet d'IA le plus avancé de votre entreprise et posez-lui deux questions. Quel chiffre va bouger, et à quelle date saurez-vous que ça n'a pas marché ? Si personne ne répond clairement, vous avez trouvé votre premier chantier, et il ne coûte rien.

Vous avez le même sujet sur la table ? Parlons-en trente minutes : https://yaokilab.com/rdv

Francis Meleard, fondateur de Yaoki Lab. Notes de terrain, chaque semaine.