Trois chiffres circulent depuis la rentrée, et ils sont généralement lus séparément. En un an, la part des entreprises qui abandonnent la majorité de leurs initiatives IA est passée de 17 % à 42 %. Dans le même temps, 46 % des grandes entreprises n'ont aucun cadre pour mesurer le retour sur investissement de leur IA. Et en France, 61 % des salariés qui utilisent l'IA au travail passent par des outils publics, contre 19 % par les outils internes.
Ces trois chiffres sont rapportés par Geoffrey Harrazi, cofondateur d'Idun, dans une tribune publiée par Maddyness le 1er septembre. Ils viennent respectivement de S&P Global (2025), de Wavestone (2025) et de KPMG (2026) ; nous ne les avons pas lus dans leurs rapports d'origine, et nous les citons comme il les cite. Précisons aussi tout de suite ce que sa tribune ne cache pas : Idun vend exactement la couche de mesure d'usage que ces chiffres appellent. Ça ne les rend pas faux - ils viennent de trois cabinets différents, ce qui est plutôt rassurant sur leur convergence - mais ça invite à lire les recommandations en le sachant.
Ce qui nous intéresse ici n'est pas le débat sur la bulle. C'est ce que les trois chiffres disent quand on les met bout à bout : on coupe massivement, sans savoir pourquoi, pendant que les usages partent ailleurs.
Le « ChatGPT interne » n'a pas échoué sur son objectif. Il a perdu une course
Le passage le plus instructif de la tribune ne parle pas d'échec technique. Il raconte une décision parfaitement rationnelle qui s'est retournée.
En 2023 et 2024, presque toutes les grandes entreprises ont lancé leur assistant interne. L'objectif était légitime et il l'est resté : éviter que des données sensibles partent dans des outils publics. Beaucoup ont construit ce que Harrazi décrit comme « un simple habillage de LLM, un chat déconnecté du système d'information, souvent livré avec dix-huit mois de retard ».
Pendant ces dix-huit mois, les outils publics ont changé de nature. Ils ne répondaient plus, ils cherchaient sur le web et enchaînaient des actions en autonomie. Le projet interne, lui, avait été spécifié contre la version de 2023.
On a réinventé la roue dans un bunker, et on l'a construite carrée.
Le résultat est le 61 % contre 19 %. Le shadow AI n'est pas revenu parce que l'entreprise avait interdit quelque chose - c'est le mécanisme habituel, et nous l'avons décrit ailleurs à propos du Shadow IA dans les collectivités. Il est revenu alors même que l'alternative existait, était financée et fonctionnait.
C'est un cas de figure différent, et plus inconfortable. Le projet n'a pas raté sa cible : la cible a bougé pendant la construction, et rien dans le dispositif ne l'a signalé. Harrazi rapporte la réponse qu'on lui fait encore en rendez-vous - « on est à jour, on a même Claude » - alors que le modèle a changé et que le produit autour n'a pas bougé d'un cran.
La leçon n'est pas qu'il ne fallait pas construire. C'est qu'un produit interne bâti contre une référence externe en mouvement rapide a besoin d'un mécanisme qui dit quand l'écart s'est creusé. Ce mécanisme n'existait nulle part, parce que personne ne regardait ce que les salariés utilisaient réellement.
Ce qu'on perd en coupant un projet qu'on n'a jamais mesuré
Le second cas de la tribune est celui d'une grande maison du luxe, et il est raconté sans complaisance par quelqu'un qui y travaillait. Trois ans d'investissement, des agents nombreux en production, des équipes montées en compétence : une vraie réussite d'exécution.
Parmi eux, un agent d'analyse des avis clients, poussé par la direction. L'idée était séduisante : poser une question en langage naturel - « que pensent les clients du produit X en version rouge ? » - et laisser l'agent interroger une immense base d'avis. L'adoption a été quasi nulle. Les utilisateurs ne comprenaient ni le périmètre de l'outil, ni quoi faire de ses réponses. On a fini par couper, faute d'usage.
La formule de Harrazi tient en une phrase : « couper à l'aveugle, c'est jeter l'apprentissage avec le projet ». La perte n'est pas l'agent. C'est que personne ne pouvait dire pourquoi ça n'avait pas pris. Périmètre mal compris ? Réponses inexploitables ? Mauvais moment dans le geste métier ? Avec une mesure fine de l'utilisation, le projet aurait pu être re-cadré au lieu d'être arrêté. Il a été arrêté, et l'apprentissage est parti avec lui.
Le détail qui vaut tout le reste tient en une ligne : ils avaient prévu des pouces et une case de commentaires pour recueillir les retours. Personne ne les remplit jamais.
C'est une observation à garder pour tout dispositif de mesure. Le retour déclaratif ne fonctionne pas. Il ne fonctionne pas parce qu'il demande un effort à quelqu'un qui, précisément, est en train de décrocher - et un utilisateur qui décroche ne remplit pas de formulaire, il ferme l'onglet. Ce qui se mesure utilement, c'est ce que les gens font, pas ce qu'ils déclarent en faire.
L'adoption réussie n'immunise pas
Le troisième cas est le plus dérangeant, parce qu'il ressemble à un succès. Une société de gestion d'actifs dont l'assistant interne est utilisé chaque jour par 90 % des salariés, à côté de workflows automatisés et d'outils publics en libre-service. Le taux d'adoption dont rêvent la plupart des directions des systèmes d'information.
Et pourtant, écrit Harrazi, personne n'y sait dire qui fait quoi avec quel outil, ce que ça coûte, ni ce qui mériterait d'être industrialisé.
Ce cas règle une confusion fréquente : l'adoption n'est pas la valeur. Un taux d'usage à 90 % prouve que l'outil est pratique, pas qu'il produit quoi que ce soit de mesurable. Il autorise même une erreur coûteuse - celle de ne rien instrumenter, parce que le tableau de bord est déjà vert.
C'est le même angle mort que celui décrit par l'Institut Montaigne quand il constatait que le problème n'est pas la technologie mais l'organisation, et le même que celui d'Uber quand le budget annuel a été consommé en quatre mois : dans les trois cas, ce qui manque n'est pas un outil de plus. C'est une réponse à « qui utilise quoi, pour faire quoi, et qu'est-ce que ça change ».
Pourquoi la mesure d'usage est toujours la première ligne coupée
Les trois cas ont la même cause, et elle n'est pas culturelle. Instrumenter l'usage d'un outil ne rapporte rien tant que tout va bien. Ça ne produit ni fonctionnalité, ni démonstration, ni annonce. Ça ne devient précieux qu'au moment où il faut arbitrer - c'est-à-dire précisément au moment où il est trop tard pour l'installer rétroactivement.
Un dirigeant signe pour un agent d'analyse des avis clients. Il ne signe pas pour la couche qui dira, dans huit mois, si cet agent sert à quelqu'un. La seule manière que nous ayons vue de faire passer cette ligne, c'est de ne jamais la présenter seule : la rattacher au premier cas d'usage et livrer les deux ensemble.
La distinction que fait Harrazi entre piloter et contrôler est juste et mérite d'être répétée, parce que c'est elle qui décide de l'accueil en interne. Observer l'usage réel n'a rien à voir avec surveiller des salariés. Ce qu'on cherche, ce sont des équipes, des moments, des points de décrochage - pas des individus. Un dispositif qui confond les deux sera contourné, et il le méritera.
Ce que Survol en fait, et ce qu'il ne fait pas
Disons d'abord la limite, parce qu'elle est nette. Survol ne mesure pas l'usage d'un assistant bureautique. Ce n'est pas notre sujet, et les trois cas ci-dessus relèvent en grande partie d'un autre outillage que le nôtre.
En revanche, le même aveuglement existe sur la livraison logicielle, et c'est là que nous répondons :
- La consommation est rattachée à un objet de travail, pas à une facture. Les jetons dépensés le sont sur une fonctionnalité et une version, pas sur un mois. C'est ce qui rend visible le coût réel d'une livraison - y compris quand elle a demandé quatre sessions au lieu d'une.
- L'abandon est une issue enregistrée, pas une disparition. Une fonctionnalité peut ressortir d'une vérification avec l'état « abandonnée », datée, motivée, rattachée à ce qui avait été demandé. C'est la réponse directe au « couper à l'aveugle » : arrêter reste une bonne décision, arrêter sans motif écrit est une perte double.
- Le statut se déduit de l'exécution, il ne se déclare pas. Ce qui est en production l'est parce qu'une version y a été promue, pas parce que quelqu'un a coché une case. Un état saisi est une affirmation ; un état déduit est un fait.
Reste la question que ni un outil ni une tribune ne tranchent à la place d'une entreprise : quand vous couperez vos prochains projets IA - et vous en couperez -, saurez-vous dire lesquels méritaient d'être rescopés ? Les entreprises qui coupent aujourd'hui en sachant pourquoi choisissent leur trajectoire. Les autres la subiront, avec un an de retard et sous la pression de leur directeur financier.
Sources
- Geoffrey Harrazi, « 42 % des entreprises abandonnent la majorité de leurs projets IA. Tant mieux. », Maddyness, 1er septembre 2026. Les chiffres S&P Global (2025), Wavestone (2025) et KPMG (2026) cités dans cet article le sont d'après cette tribune.
