« 88 % des agents IA échouent » — le chiffre a changé de sujet en cours de route

Le chiffre qu'on vous citera cette semaine

Si vous assistez à une conférence sur l'IA en entreprise, si vous lisez un billet de prestataire, si vous recevez une proposition commerciale autour des « agents », vous allez croiser cette phrase : 88 % des projets d'agents IA n'atteignent jamais la production.

Elle est efficace. Elle dramatise juste ce qu'il faut, elle flatte le lecteur — vous serez dans les 12 % — et elle amène naturellement au paragraphe suivant, qui explique ce qu'il faut acheter pour en faire partie.

Le réflexe qu'on essaie d'entretenir sur ce blog est simple : quand un chiffre sert à vendre, on remonte à la source. Pas pour le démentir par principe — ce n'est pas toujours un faux — mais pour savoir de quoi il parle. Dans ce cas précis, la réponse est instructive : le chiffre existe bel et bien, et il ne porte pas sur les agents.

D'où il vient réellement

Le 88 % remonte à un document intitulé CIO Playbook 2025 — It's Time for AI-nomics, publié en février 2025. L'éditeur est Lenovo ; la partie recherche est créditée à IDC. C'est de là que part la chaîne de citations, relayée notamment par la presse informatique professionnelle sous le titre « 88 % des pilotes d'IA n'atteignent pas la production ».

Deux remarques, avant même d'entrer dans le contenu.

La seconde remarque est la plus importante. Février 2025. À cette date, ce que le secteur appelle aujourd'hui « agents » — des systèmes qui enchaînent des actions, appellent des outils et opèrent sur plusieurs étapes sans validation intermédiaire — n'était pas encore le sujet dominant des directions informatiques. Le document parle de preuves de concept d'IA au sens large : des expérimentations, des projets pilotes, tout ce qu'on lançait alors sous l'étiquette « IA générative ».

Un chiffre mesuré sur un objet a donc été transféré, sans nouvelle mesure, à un autre objet plus récent. Personne n'a menti. Le glissement s'est fait par recopie, chaque reprise citant la précédente et ajustant le vocabulaire à l'air du temps.

Le détail qui circule sans pouvoir être confirmé

Une version plus précise se rencontre fréquemment : les entreprises interrogées auraient lancé en moyenne 33 preuves de concept, dont quatre seraient passées en production. Le rapport donne bien 88 %, et l'arithmétique est cohérente — 29 sur 33, c'est 88 %.

Je n'ai pas pu confirmer ce détail dans le document source, pour la raison exposée plus haut. Je le rapporte comme ce qu'il est : une reprise répandue et plausible, pas un fait que j'ai vérifié.

Ce que le chiffre dit vraiment

Le diagnostic n'est pas celui qu'on en tire

Voici le retournement intéressant, et il joue contre les deux camps habituels.

Quand on cite le 88 %, c'est en général pour soutenir l'une de ces deux thèses : soit « l'IA ne tient pas ses promesses, les modèles ne sont pas prêts », soit « il vous faut une plateforme, un cadre de gouvernance, un outillage — le nôtre ». Or le diagnostic porté par le document ne soutient ni l'une ni l'autre.

Ce qu'il pointe, c'est le niveau de préparation organisationnelle : des données insuffisantes ou mal rangées, des processus qui ne sont pas décrits, une infrastructure qui n'a pas été pensée pour ça. Le même document relève par ailleurs qu'environ un tiers des entreprises qui n'adoptent pas l'IA invoquent le risque financier et l'incertitude sur le retour sur investissement, et qu'une proportion comparable estime ses données insuffisantes ou désorganisées pour s'y lancer.

Autrement dit : l'échec est attribué à l'état de la maison, pas à la qualité de l'outil.

C'est une conclusion qu'on a déjà croisée ailleurs, formulée autrement. Le rapport DORA 2025 la résume d'une phrase — l'IA n'arrange pas une équipe, elle amplifie ce qui s'y trouve déjà. Et c'est la même leçon que la cartographie du cerveau de la mouche donnait sur un tout autre terrain : ce qui coûte cher et décide du succès, ce n'est pas le modèle, ce sont les données et les années de préparation qui les précèdent.

Si le 88 % est vrai, il ne dit donc pas « n'y allez pas ». Il dit « la partie difficile n'est pas celle que vous regardez ».

Le chiffre correctement sourcé

Gartner, 40 % — et ce qu'il faut savoir de sa base

Il existe dans ce dossier un chiffre dont la source primaire est publique, lisible et datée : le communiqué de Gartner du 25 juin 2025, qui annonce que plus de 40 % des projets d'IA agentique seront annulés d'ici fin 2027, pour cause de coûts qui dérapent, de valeur métier mal établie ou de contrôle des risques insuffisant.

Celui-là, au moins, parle bien d'agents. Mais deux précautions s'imposent.

• C'est une prévision, pas une mesure. « Seront annulés d'ici fin 2027 » n'est pas du même ordre que « 88 % ne sont pas passés en production ». On ne peut pas aligner les deux chiffres dans la même phrase comme s'ils se confirmaient l'un l'autre. L'un regarde en arrière, l'autre devine.
• La base déclarée est un sondage de 3 412 participants à un webinaire, en janvier 2025, portant sur leur posture d'investissement. Les gens qui s'inscrivent à un webinaire sur l'IA ne constituent pas un échantillon représentatif des entreprises — ce sont, par construction, celles qui s'y intéressent déjà. Gartner ne le cache pas : c'est écrit dans le communiqué.

Le désordre, rangé

Trois chiffres, trois objets différents

Les statistiques de ce dossier sont presque toujours empilées comme si elles se renforçaient. Séparées, elles disent des choses distinctes, et aucune ne recouvre les autres.

Et un détail de calendrier mérite d'être relevé : trois de ces quatre chiffres proviennent d'enquêtes de janvier et février 2025. C'est-à-dire d'avant la vague des agents qu'ils sont censés décrire. On juge une catégorie de produits sur des données recueillies avant son existence commerciale.

Le mot qui pose problème

« Échec » suppose qu'on voulait aller en production

Il y a, sous ces statistiques, une hypothèse que personne n'énonce : toute preuve de concept aurait dû devenir un produit. Ce qui ne va pas en production est compté comme un échec, et l'affaire est entendue.

C'est une drôle de façon de compter. Une preuve de concept a une fonction : répondre à une question à moindre coût. « Est-ce que ce modèle sait classer nos réclamations ? » « Est-ce que nos données de facturation sont assez propres pour ça ? » Une preuve de concept qui répond non en trois semaines n'a pas échoué. Elle a fait son travail, et elle a évité une dépense.

Reprenons les 33 preuves de concept dont quatre passent en production. Présenté ainsi, c'est un désastre. Présenté autrement, c'est la description exacte d'une démarche d'exploration qui fonctionne : on ouvre large, on teste vite, on ferme sans état d'âme, on industrialise le peu qui tient. Dans la recherche pharmaceutique, dans le capital-risque, dans la recherche et développement industrielle, un taux de survie de un sur huit passerait pour un bon millésime.

Le même chiffre décrit donc soit un gâchis, soit une méthode saine, selon qu'on suppose ou non que l'intention de départ était d'industrialiser les 33. Aucun des documents cités ne permet de trancher — ils comptent des sorties, pas des intentions.

Un contre-exemple qui vaut d'être gardé en tête

Imaginons deux entreprises comparables. La première lance une seule initiative, très cadrée, très financée, et la met en production au bout de neuf mois. Taux de passage : 100 %. La seconde en lance douze, en arrête onze au bout d'un mois chacune, et industrialise la douzième. Taux de passage : 8 %.

La seconde a exploré douze hypothèses pour le prix de quelques semaines-hommes, elle sait maintenant ce qui ne marche pas chez elle, et elle a mis en production la seule idée qui avait survécu à l'épreuve des faits. La première a misé sur une intuition et ne saura jamais si c'était la bonne.

Avec la métrique qui circule, la première est un modèle et la seconde un cas d'école d'échec. Je ne prétends pas que la seconde ait forcément raison — tout dépend de la qualité des arrêts. Je dis que le chiffre ne permet pas de les distinguer, et qu'il est pourtant utilisé pour ça.

Ce qu'il reste quand on enlève les chiffres

L'inquiétude est justifiée — pour d'autres raisons

Rien de ce qui précède ne veut dire que les projets d'agents réussissent. Il est très possible que la majorité échoue effectivement : c'est le sort ordinaire des technologies dans leur première phase commerciale, et rien n'indique que celle-ci y échappe.

Mais un scepticisme qui s'appuie sur un chiffre mal attribué est fragile. Le jour où quelqu'un remonte la source devant vous, c'est votre position entière qui devient suspecte — alors que les vraies raisons d'être prudent, elles, tiennent parfaitement debout sans statistique :

• Le non-déterminisme. Un système qui ne produit pas deux fois la même sortie pour la même entrée casse la plupart des méthodes de recette héritées de l'informatique de gestion. Ce n'est pas un défaut de jeunesse, c'est une propriété. On peut la gérer — il faut la décider d'avance.
• Le périmètre d'action. Un assistant qui propose et un agent qui exécute ne posent pas le même problème. Le second a besoin d'une réponse écrite à la question « qu'a-t-il le droit de faire tout seul », et cette réponse relève de la gouvernance, pas de la technique.
• L'agent washing. Le point de Gartner, encore : vérifier que le produit fait ce que son nom promet. Cette vérification-là ne demande pas d'expertise en IA, seulement une démonstration sur vos propres données.
• L'état de la maison. Le seul diagnostic sur lequel tous ces documents convergent, et le moins spectaculaire : des données mal rangées et des processus non décrits font échouer un projet d'agent exactement comme ils faisaient échouer un projet de décisionnel il y a quinze ans.

Ces quatre raisons se défendent dans n'importe quelle réunion, et aucune n'a besoin d'un pourcentage.

Le conseil qui change le dossier

Trois questions à poser à celui qui vous cite un chiffre

Sources, vérifiées le 15 septembre 2026 : communiqué de presse Gartner du 25 juin 2025 — prévision des 40 %, base déclarée du sondage de 3 412 participants de janvier 2025, notion d'agent washing et estimation d'environ 130 fournisseurs réellement agentiques ; l'analyse est attribuée à Anushree Verma. Pour le 88 % : Lenovo, CIO Playbook 2025 — It's Time for AI-nomics, février 2025, recherche créditée à IDC — document dont le texte n'a pas pu être extrait de façon fiable, comme indiqué dans l'article ; la reprise de presse s'appuie notamment sur l'article de CIO.com, « 88% of AI pilots fail to reach production ». Les chiffres attribués à Gartner (85 %) et à McKinsey (moins de 20 % en dix-huit mois) sont rapportés tels qu'ils circulent, à titre de comparaison de périmètres : je ne les ai pas vérifiés dans leurs rapports d'origine et ils ne portent aucune conclusion de cet article. La phrase de DORA sur l'amplification provient du rapport DORA 2025, dont le détail est traité dans l'article sur les 19 %.