Table des Matières
Les projets d'IA industrielle échouent le plus souvent pour des raisons d'organisation et de données, pas parce que l'algorithme est mauvais. Les causes courantes : un problème flou mesuré par le mauvais indicateur, des données non prêtes, des pilotes jamais conçus pour la production, une intégration faible aux systèmes de l'usine, des opérateurs qui n'utilisent pas le résultat et des modèles qui dérivent après la mise en service.
Points clés
- Selon des estimations citées par la RAND, plus de 80 % des projets d'IA échouent, environ deux fois plus que les projets informatiques sans IA. Dans les entretiens de la RAND, la mauvaise compréhension du problème est la cause la plus fréquente.
- En 2019, le Forum économique mondial et McKinsey indiquaient que plus de 70 % des entreprises industrielles étaient bloquées dans le « purgatoire des pilotes » pour les technologies de la quatrième révolution industrielle.
- BCG attribue environ 70 % des difficultés de mise en œuvre de l'IA aux personnes et aux processus, 20 % à la technologie et seulement 10 % aux algorithmes.
- Les données d'usine sont « souvent abondantes mais pauvres en information » (Lawrence et al., 2024), et les exemples étiquetés, comme les résultats de laboratoire ou les pannes enregistrées, sont rares.
- Les modèles perdent en précision quand le procédé change. Les recommandations conjointes pilotées par la CISA demandent une surveillance, un repli de sécurité et la formation des opérateurs.
À quelle fréquence les projets d'IA industrielle échouent-ils ?
Il n'existe pas de taux d'échec fiable pour l'IA industrielle, et nous n'en avons trouvé aucun pour l'Algérie ou la région MENA. Les chiffres disponibles viennent d'enquêtes et d'entretiens, chacun avec sa propre définition de l'échec.
- La RAND (2024) cite des estimations selon lesquelles plus de 80 % des projets d'IA échouent. Sa propre recherche est qualitative : des entretiens avec 65 data scientists et ingénieurs ayant au moins cinq ans d'expérience (Ryseff et al., RAND).
- Le WEF et McKinsey (2019) ont constaté que seulement 29 % des entreprises industrielles déployaient à grande échelle les technologies de la quatrième révolution industrielle et que 30 % n'avaient pas encore lancé de pilote. Cela couvre les technologies numériques de production au sens large, pas seulement l'IA (WEF, 2019).
- BCG (2024) a interrogé 1 000 dirigeants dans 59 pays : 74 % des entreprises n'ont pas encore tiré de valeur tangible de leur usage de l'IA (BCG).
Lisez ces chiffres comme un avertissement, pas comme une prévision. Leur point commun : la plupart des projets calent entre une démonstration qui fonctionne et l'usage quotidien.
Quelles sont les causes les plus fréquentes ?
| Cause | Ce que l'on voit sur site | Signal d'alerte précoce |
|---|---|---|
| Problème flou ou mauvais indicateur | Un modèle précis qui ne change aucune décision | Personne ne sait citer le KPI que le projet doit faire bouger |
| Données non prêtes | Des mois passés à trouver, nettoyer et aligner les tags | Résultats de laboratoire ou historiques de pannes sur papier ou dans des tableurs |
| Technologie choisie avant le problème | « Il nous faut un LLM » ou « il nous faut un jumeau numérique » comme point de départ | Aucune méthode plus simple n'a été comparée |
| Pilote non conçu pour la production | Une démo sur l'ordinateur portable d'un ingénieur | Pas de responsable, de budget ni d'infrastructure pour l'après-pilote |
| Pas d'intégration aux systèmes de l'usine | Les opérateurs recopient des valeurs d'un écran à l'autre | Aucune interface nommée avec l'historian, le DCS ou l'ERP |
| Les opérateurs ne l'utilisent pas | Recommandations ignorées ou désactivées | Les opérateurs n'ont pas participé à la définition du cas d'usage |
| Dérive après la mise en service | La précision chute quelques mois plus tard, après un changement de procédé ou de charge | Personne n'est chargé de surveiller le modèle |
Les cinq causes profondes identifiées par la RAND couvrent une grande partie de ce tableau : un problème mal compris, des données manquantes, la technologie avant les utilisateurs, une infrastructure insuffisante et des problèmes trop difficiles pour l'IA (RAND). L'industrie y ajoute l'intégration OT, la confiance des opérateurs et la dérive du procédé.
Pourquoi un problème flou coule-t-il le projet ?
La RAND a constaté que mal comprendre ou mal communiquer le problème est la raison la plus fréquente d'échec des projets d'IA. On déploie des modèles « optimisés pour les mauvais indicateurs » ou qui ne s'insèrent pas dans le fonctionnement de l'entreprise (RAND).
La précision d'un modèle n'est pas de la valeur métier. Une étude des déploiements de machine learning décrit comment Booking.com, après avoir mis 150 modèles en production, a constaté qu'une meilleure performance des modèles ne se traduisait pas toujours en valeur métier, en partie parce que les indicateurs intermédiaires ne se convertissaient pas en indicateur métier (Paleyes et al., 2022). En usine, l'équivalent est un modèle qui prédit bien une variable qualité mais ne réduit en rien le hors-spécification, parce que personne ne modifie une consigne sur cette base.
Fixez l'indicateur avant le modèle. La règle n° 2 des Rules of Machine Learning de Google est : « Commencez par concevoir et mettre en place des indicateurs ». Nommez la décision que le modèle changera, qui la prend, et la référence actuelle. Notre guide pour construire un business case IA traduit cela en chiffres.
Pourquoi les données d'usine sont-elles rarement prêtes ?
Une étude du machine learning dans les industries de procédés décrit les données procédé comme « souvent abondantes mais pauvres en information », à cause des perturbations, des valeurs aberrantes et des valeurs manquantes (Lawrence et al., 2024). Elle désigne le manque de données étiquetées comme le principal défi du développement des capteurs logiciels, car les variables qualité sont souvent prélevées une fois par poste de 8 heures ou une fois par jour.
Les recommandations pilotées par la CISA y ajoutent les silos de données liés à la ségrégation des réseaux OT/IT, aux protocoles propriétaires et à la multiplicité des fournisseurs, ainsi que la difficulté de capturer les cas limites liés à la sécurité, pour lesquels « l'expertise des opérateurs OT est nécessaire » (CISA et al., 2025). Les historiques de pannes sont une lacune fréquente : un modèle de prédiction de pannes a besoin d'exemples de pannes, et une usine bien entretenue en a peu.
Vérifiez ce point avant de signer quoi que ce soit. Une évaluation de maturité IA note l'historian, le nommage des tags et les historiques.
L'IA est-elle le bon outil ?
Les troisième et cinquième causes de la RAND sont la course à la dernière technologie au détriment du problème de l'utilisateur, et l'application de l'IA à des problèmes trop difficiles pour elle (RAND). Les recommandations pilotées par la CISA demandent aux exploitants d'évaluer si l'IA est la solution la plus appropriée et d'examiner « si une capacité éprouvée répond à leurs besoins » avant de se lancer dans une IA plus complexe (CISA et al., 2025).
Dans une usine de procédés, cette capacité éprouvée peut être une boucle de régulation mieux réglée, une revue des alarmes, un calcul fondé sur les premiers principes ou une simple règle. La règle n° 1 du guide de Google est : « N'ayez pas peur de lancer un produit sans machine learning » (Google). Si une méthode simple fait l'essentiel du chemin, elle devient aussi la référence que l'IA doit battre.
Pourquoi les pilotes n'atteignent-ils jamais la production ?
Le WEF a constaté que les pilotes étaient « souvent trop longs et/ou trop complexes » : 56 % des répondants faisaient état de pilotes d'un à deux ans et 28 % de plus de deux ans. Les entreprises peinaient à passer à l'échelle faute d'accord sur la valeur et le retour sur investissement, à cause de l'incertitude sur la valeur, et en raison du coût de mise en œuvre et de déploiement (WEF, 2019).
Une partie de l'explication tient au fait que le modèle n'est que la petite partie. Dans un article très cité sur la dette technique des systèmes de machine learning, des ingénieurs de Google notent que « seule une petite fraction des systèmes de ML réels est constituée du code de ML » ; l'infrastructure qui l'entoure est « vaste et complexe » (Sculley et al., 2015). Le guide MLOps de Google Cloud décrit le stade le moins mature comme un processus manuel, piloté par des scripts, avec des mises en production peu fréquentes et sans surveillance active des performances (Google Cloud).
La RAND recommande d'investir en amont dans l'infrastructure de gouvernance des données et de déploiement des modèles, et d'engager une équipe sur un même problème pendant au moins un an (RAND). Intégrez la phase de production au plan du pilote : qui héberge le modèle, qui le maintient et ce qu'il coûte après la première année. Notre article sur le coût d'un projet d'IA industrielle détaille ces coûts.
Pourquoi l'intégration aux systèmes OT bloque-t-elle les projets ?
Un modèle qui ne peut ni lire les données en temps réel ni livrer son résultat là où travaillent les opérateurs reste un rapport. Le raccorder à un historian, un DCS ou un SCADA franchit aussi la frontière qui protège le réseau de contrôle-commande. Les recommandations pilotées par la CISA préconisent des architectures en mode « push », où les données sont poussées hors du réseau OT sans accès permanent vers celui-ci, de nouvelles voies de connexion passant par la DMZ ou le serveur de rebond existants, et des tests des systèmes d'IA sur leurs effets en matière de sûreté, comme la latence, comme pour tout nouveau système OT (CISA et al., 2025).
Impliquez les ingénieurs OT et la cybersécurité dès la première semaine, pas après le pilote. Voir l'intégration de l'IA aux systèmes SCADA et OT.
Pourquoi les opérateurs ignorent-ils les résultats ?
L'étude des cas de déploiement note que le machine learning « est souvent accueilli avec prudence par les utilisateurs finaux », qu'il faut investir du temps pour bâtir la confiance, et qu'impliquer le public visé tôt est un moyen efficace d'y parvenir (Paleyes et al., 2022).
Les recommandations pilotées par la CISA mettent aussi en garde contre le risque inverse : une dépendance excessive qui érode les compétences manuelles, et des lacunes qui conduisent le personnel à mal interpréter les sorties de l'IA. Elles recommandent de former les équipes OT à interpréter et valider ces sorties, d'établir des procédures couvrant les opérations liées à l'IA, et de prévoir des mécanismes de repli vers l'automatisme classique ou la conduite manuelle. Pour des raisons de sûreté, elles conseillent de limiter le contrôle actif de l'OT par une IA sans humain dans la boucle (CISA et al., 2025).
En pratique, les opérateurs utilisent plus volontiers un outil qu'ils ont aidé à définir, qui explique pourquoi il recommande quelque chose, et qu'ils peuvent désactiver.
Pourquoi les modèles se dégradent-ils après la mise en service ?
Un modèle apprend l'usine telle qu'elle était. Les recommandations pilotées par la CISA citent la dérive comme un risque : les modèles « peuvent perdre en précision avec le temps » lorsqu'ils reçoivent des données absentes de leurs données d'apprentissage, et les modifications des procédés de production peuvent affecter leurs performances (CISA et al., 2025). Le vieillissement d'un catalyseur, une nouvelle charge ou un nouveau mélange de minerai, un instrument remplacé ou un projet de dégoulottage peuvent tous en être la cause.
Le guide de Google Cloud recommande de surveiller activement la qualité du modèle en production et de le réentraîner sur des données récentes (Google Cloud). Pour un modèle industriel, cela veut dire un responsable nommé, une comparaison avec les résultats de laboratoire ou d'inspection selon un calendrier fixe, et un repli défini. Notre guide sur les capteurs logiciels le montre pour un type de modèle.
Comment vérifier un projet avant son lancement ?
- Formuler le problème comme une décision. Quelle décision change, qui la prend, quel KPI bouge, et quelle est la référence aujourd'hui.
- Comparer avec une méthode plus simple. Une règle, un calcul ou un meilleur réglage de la régulation. Si c'est suffisant, s'arrêter là.
- Auditer les données. Couverture de l'historian, cohérence des tags, nombre d'exemples étiquetés (résultats de laboratoire, pannes) et leurs horodatages.
- Impliquer les utilisateurs. Opérateurs, maintenance et ingénieurs procédés aident à définir le résultat et son affichage.
- Fixer par écrit le protocole du pilote. Référence, indicateur, période de test, seuil de réussite et durée, avant le démarrage. Notre guide de sélection d'un fournisseur liste les questions à poser aux fournisseurs.
- Concevoir le passage en production. Hébergement, chemin d'intégration via la DMZ, revue de sécurité et budget après la première année.
- Nommer un responsable pour l'après-mise en service. Surveillance, critères de réentraînement, repli, et qui peut désactiver le système.
Le cadre de gestion des risques de l'IA du NIST (AI RMF), publié en janvier 2023 pour un usage volontaire, offre une structure plus large pour gérer ces risques.
Ce que nous avons observé chez KABAS AI
Nos deux projets publiés sont des projets de R&D, pas des déploiements en salle de contrôle, mais ils suivent l'ordre de travail décrit ci-dessus. Chez ENAD Shymeca, le projet a commencé par une phase de découverte avec l'équipe R&D, puis Virtual Lab a été configuré pour les paramètres propres aux détergents, l'historique des formulations a été migré et le personnel R&D a été formé. L'étude de cas fait état d'une réduction de 40 % des cycles d'essais physiques. Chez ADFC, la comparaison entre résultats simulés et réels guide les ajustements, et le déploiement se trouve dans l'environnement informatique de Sonatrach.
Deux enseignements valent au-delà de la R&D. Gardez la mesure physique comme référence, qu'il s'agisse d'un essai de laboratoire, d'une inspection ou d'un analyseur. Et décidez tôt où le système tournera : quand les données doivent rester sur site, l'hébergement conditionne l'intégration, le matériel et le coût. DALILE et Virtual Lab peuvent tous deux être déployés sur l'infrastructure du client.
Par où commencer ?
Si un projet est bloqué ou sur le point de démarrer, passez-le au crible des sept étapes ci-dessus avant de financer un nouveau pilote. Notre équipe conseil peut mener cette revue avec vos responsables exploitation, informatique et direction, et vous pouvez nous contacter pour discuter d'un cas précis.
Sources
- Ryseff, De Bruhl et Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed, RAND, août 2024
- Forum économique mondial avec McKinsey & Company, Fourth Industrial Revolution: Beacons of Technology and Innovation in Manufacturing, janvier 2019
- BCG, AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value, octobre 2024
- Paleyes, Urma et Lawrence, Challenges in Deploying Machine Learning: a Survey of Case Studies, ACM Computing Surveys, 2022 (arXiv 2011.09926)
- Lawrence et al., Machine learning for industrial sensing and control: A survey and practical perspective, Control Engineering Practice, 2024 (arXiv 2401.13836)
- CISA, ASD's ACSC et al., Principles for the Secure Integration of Artificial Intelligence in Operational Technology, 3 décembre 2025
- Sculley et al., Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015
- Google Cloud, MLOps: Continuous delivery and automation pipelines in machine learning
- Google for Developers, Rules of Machine Learning
- NIST, AI Risk Management Framework
Questions fréquentes
Quel pourcentage des projets d'IA échoue ?
Il n'existe pas de chiffre unique et fiable. La RAND indique que, selon certaines estimations, plus de 80 % des projets d'IA échouent, soit environ deux fois plus que les projets informatiques sans IA. BCG a constaté en 2024 que 74 % des entreprises n'avaient pas encore tiré de valeur tangible de l'IA. Chaque source définit l'échec à sa façon : ces chiffres sont un avertissement, pas une prévision.
Qu'est-ce que le « purgatoire des pilotes » ?
C'est la situation d'une entreprise qui multiplie les pilotes de nouvelles technologies numériques sans jamais les déployer à grande échelle. Un livre blanc du Forum économique mondial rédigé avec McKinsey en 2019 indiquait que plus de 70 % des entreprises industrielles se trouvaient dans ce cas pour les technologies de la quatrième révolution industrielle, et que beaucoup de pilotes duraient un à deux ans, voire plus.
La mauvaise qualité des données est-elle la principale cause d'échec ?
C'est l'une des principales, mais pas la seule. Les entretiens de la RAND montrent que la mauvaise compréhension du problème à résoudre est la cause la plus fréquente, et le manque de données nécessaires figure parmi ses cinq causes profondes. En usine, les données procédé sont souvent abondantes mais bruitées, et les exemples étiquetés, comme les résultats de laboratoire ou les pannes enregistrées, sont rares.
Un projet d'IA peut-il échouer même si le modèle est précis ?
Oui. Un modèle peut bien prédire et ne rien changer si aucune décision n'en dépend, si les opérateurs ne l'utilisent pas ou s'il n'est jamais relié aux systèmes où les équipes travaillent. Booking.com a constaté qu'une meilleure performance des modèles ne se traduisait pas toujours en valeur métier, en partie parce que les indicateurs intermédiaires ne se convertissaient pas en indicateur métier.
Comment garder un modèle d'IA industrielle précis après sa mise en service ?
Désignez un responsable nommé, comparez les sorties du modèle aux résultats de laboratoire, d'inspection ou d'analyseur selon un calendrier fixe, et réentraînez-le quand le procédé, la charge ou les équipements changent. Gardez un repli vers la méthode précédente ou la conduite manuelle. Les recommandations conjointes pilotées par la CISA citent la dérive des modèles comme un risque spécifique de l'IA appliquée aux technologies opérationnelles.



