Pourquoi la plupart des projets d'agents IA échouent - et ce qui les corrige vraiment

Chaque promesse de fournisseur d'IA se ressemble : donnez-nous 30 jours, on déploie un agent, vous économisez des heures par semaine. La version honnête de cette promesse est différente. On peut bâtir une démo en 30 jours. On peut automatiser un flux de travail étroit et bien défini en 30 jours. On ne peut pas déployer un agent IA en toute sécurité dans une entreprise sans d'abord comprendre comment cette entreprise fonctionne réellement, et sauter cette étape est la principale raison pour laquelle ces projets échouent.

Le taux d'échec, en chiffres

Ce n'est pas une intuition. Les données de 2026 sur les déploiements d'agents IA sont constantes, et peu encourageantes pour quiconque vend un déploiement rapide sans questions posées :

• Une analyse indépendante de 847 déploiements d'agents IA suivis en 2026 a trouvé un taux d'échec de 76 %, et ce, avant même de compter les échecs qui ne sont jamais publiés comme études de cas.
• Seulement environ 21 % des entreprises qui planifient un déploiement d'IA agentique ont un modèle de gouvernance mature en place, selon le sondage 2026 de Deloitte auprès de plus de 3 200 dirigeants, laissant environ 80 % sans limites d'autonomie claires ni surveillance en temps réel.
• La recherche de MIT NANDA (rapportée par Fortune) a trouvé qu'acheter des outils IA de fournisseurs spécialisés et bâtir des partenariats de mise en œuvre réussit environ 67 % du temps, contre environ 33 % pour les organisations qui tentent de tout bâtir à l'interne, soit près du double du taux de succès.
• Malgré des dizaines de milliards de dollars investis en IA générative, cette même recherche de MIT NANDA a trouvé que la grande majorité des organisations n'ont vu aucun rendement d'affaires mesurable.

Rien de tout ça ne veut dire que la technologie ne fonctionne pas. Ça veut dire que la plupart des mises en œuvre sautent la partie du travail qui rend la technologie fiable.

Le portrait au Québec

Les données provinciales suivent la même tendance, et l'écart révèle la même cause. Selon l'Institut de la statistique du Québec, à peine 12,7 % des entreprises québécoises avaient intégré l'IA à leurs activités de production au deuxième trimestre de 2025, une proportion semblable à celle de l'Ontario (13,3 %), mais avec une progression nettement plus lente au Québec (+3,3 points de pourcentage contre +7,8 points en Ontario). L'écart se creuse encore selon la taille de l'entreprise : 26,1 % chez les entreprises de 100 employés ou plus, contre seulement 12,2 % chez les très petites entreprises.

Ce n'est pas un manque d'intérêt. C'est ce que confirme le Conseil du patronat du Québec (CPQ) : les entreprises québécoises ne manquent pas d'enthousiasme envers l'IA, elles manquent d'un accompagnement structuré pour identifier les bons cas d'usage et bâtir une démarche cohérente, exactement le genre de découverte dont il est question dans cet article. Dans le secteur manufacturier en particulier, où la pénurie de main-d'œuvre freine la croissance de 61 % des entreprises selon une analyse de Syntell, les initiatives d'IA peinent souvent à dépasser le stade pilote parce que les fondations de données ne sont pas assez solides pour produire des résultats stables et reproductibles. L'organisation perd confiance, et l'initiative s'éteint tranquillement, la même histoire que le reste de cet article, à une échelle plus locale.

Pourquoi les projets échouent réellement

La recherche sur les causes profondes (RAND, en interviewant directement des praticiens) pointe toujours vers la même poignée de causes : une finalité mal alignée, des fondations de données faibles, des lacunes d'intégration, et le fait de prioriser la technologie plutôt que le résultat d'affaires réel, pas la qualité du modèle. En termes simples : l'agent n'était pas le problème. Ne pas connaître l'entreprise assez bien pour bâtir la bonne chose, ça l'était.

Les ventes ont un flux de travail. Les finances en ont un autre. Les opérations, le soutien et la conformité fonctionnent chacun selon leurs propres processus, systèmes, approbations et exceptions. Un agent bâti sans comprendre ces différences ne retire pas de risque d'un processus, il y ajoute un nouveau point de défaillance moins prévisible.

Ce que « découverte » veut vraiment dire

La découverte n'est pas une formalité avant que le « vrai » travail commence, c'est le vrai travail, et c'est là que la plupart des risques sont trouvés et éliminés. Faite correctement, elle couvre :

• Cartographier comment chaque département touché fonctionne réellement aujourd'hui, pas comment l'organigramme dit qu'il fonctionne
• Documenter les exceptions, les cas limites qui ne suivent pas le processus standard, généralement là où un agent non entraîné se brise en premier
• Identifier le vrai goulot d'étranglement, qui est souvent une étape d'un processus, pas le processus au complet
• Décider où l'IA convient vraiment, et où elle ne convient pas, pas tous les flux de travail ne devraient avoir un agent greffé dessus

C'est aussi là que la question de l'entraînement se pose honnêtement. Un agent ne devient pas fiable le jour du déploiement. Il le devient par la révision, la correction, des garde-fous plus solides et la gestion des exceptions au fil du temps, et cette surveillance doit être planifiée, pas découverte après qu'un problème survienne.

Combien de temps ça devrait vraiment prendre?

Plus long qu'une promesse de 30 jours, et ce n'est pas un signal d'alarme, c'est le propre repère de l'industrie. Gartner recommande une fenêtre pilote de 8 à 12 semaines avec un arrêt ferme, spécifiquement pour éviter ce que les praticiens appellent le « purgatoire du pilote ». Les firmes qui prennent la découverte au sérieux la scopent et la facturent comme sa propre phase plutôt que de l'intégrer gratuitement au processus de vente, typiquement un mandat d'une à quelques semaines avec une feuille de route écrite comme livrable, avant tout engagement de construction.

Des questions à poser avant de signer quoi que ce soit

• Pouvez-vous me montrer un flux de travail que vous avez bâti pour une entreprise comme la mienne, et quel a été le résultat mesuré?
• Que se passe-t-il quand l'agent rencontre une exception pour laquelle il n'a pas été entraîné : échoue-t-il silencieusement, ou le signale-t-il?
• La découverte est-elle une phase distincte, scopée et facturée, ou est-elle glissée gratuitement avant la « vraie » proposition?
• À quoi ressemble réellement la surveillance après le déploiement, et qui s'en charge?
• Quelle est la définition écrite du succès, convenue avant que quoi que ce soit soit bâti?

Si un consultant ne peut pas répondre précisément aux deuxième et quatrième questions, c'est habituellement le signe le plus clair que la promesse de 30 jours est une démo déguisée en déploiement.

Notre approche

C'est exactement pourquoi Évaluer vient avant Planifier, qui vient avant Livrer dans la façon dont nous menons chaque mandat, en IA ou ailleurs. La découverte n'est pas une tactique pour retarder, c'est l'étape qui détermine si un agent IA retire du risque de votre entreprise ou en ajoute discrètement. Si la mise en œuvre d'agents IA fait partie des problèmes que vous envisagez de résoudre, c'est couvert sur notre page logiciels, avec le reste de notre façon de bâtir. Si vous n'êtes pas encore certain qu'un agent est le bon outil pour votre processus, agent IA contre clavardage automatisé contre RPA est une bonne prochaine lecture.