Mur du POC : pourquoi 70 % des projets IA échouent, et comment l'IA agentique permet de le traverser

Le mur du POC : quand l'IA en entreprise s'arrête au seuil de la production

Si vous êtes DSI, cette statistique ne vous surprendra probablement pas : 70 % des projets IA en France ne dépassent jamais le stade du POC (Squid Impact, 2025). Souvent, les démos fonctionnent, les comités de direction sont convaincus, mais le passage à une IA réellement opérationnelle aboutit rarement. L'échec n'est généralement pas dû à la technologie elle-même mais au fait que les entreprises sous-estiment la complexité du déploiement des projets IA. Ce mur du POC est donc structurel. Et pour le franchir, il faut d'abord comprendre ce qui le construit.

Qu'est-ce qu'un POC ?

Un POC (Proof Of Concept) est une phase de validation technique qui consiste en la création d'un prototype pour démontrer qu'une idée est réalisable. Dans le contexte de l'IA en entreprise, c'est souvent là que tout commence. Et que tout s'arrête d'ailleurs.

Le POC reste une étape importante, à condition de ne pas le confondre avec le déploiement réel. Il doit être pensé comme une étape, pas comme une finalité. Ce qui manque dans la plupart des organisations, c'est la feuille de route qui va du POC jusqu'à la production, avec les bonnes fondations techniques, organisationnelles et réglementaires.

Le triptyque des obstacles : Technique, organisationnel, réglementaire

Les difficultés des projets IA surviennent généralement au moment de passer à la mise en œuvre, avec de vraies données, de vrais utilisateurs, et de vraies contraintes opérationnelles. Ce sont souvent les mêmes obstacles qui surviennent :

Obstacle technique : Quand les fondations sont absentes

L'IA en entreprise repose sur des prérequis techniques que beaucoup de projets négligent au démarrage et qui finissent par bloquer tout passage en production.

Des données inadaptées

C'est la cause numéro une des échecs. Les modèles de langage (LLM) ne sont pas optimisés pour fonctionner avec des données d'entreprise dispersées dans des silos applicatifs, mal documentées ou obsolètes. Selon Stema Partners (2026), 85 % des échecs de projets IA sont liés à des problèmes de données. Un agent IA connecté à des données de mauvaise qualité produira invariablement des résultats de mauvaise qualité, quelle que soit la performance du modèle utilisé.

Un manque de compétences internes

Déployer un agent IA en production mobilise des compétences que la plupart des équipes IT n'ont pas encore consolidées en interne : ingénierie des données, intégration aux systèmes existants (ERP, CRM, API), industrialisation et supervision des modèles (MLOps), sécurisation des accès. Ce sont des compétences techniques spécifiques, distinctes de celles nécessaires à l'exploitation quotidienne d'un système d'information classique.

L'entreprise doit donc déterminer rapidement quelles compétences peuvent être couvertes en interne et lesquelles nécessitent un accompagnement externe.

Une infrastructure insuffisante

Un POC fonctionne souvent sur un périmètre limité : quelques sources de données, peu d'utilisateurs et des flux maîtrisés. En production, l'IA doit composer avec la diversité des systèmes, des volumes de données plus importants, des flux continus et des contraintes de disponibilité et de sécurité.

Le passage à l'échelle peut alors révéler des limites moins visibles au stade du POC. La multiplication des échanges entre les différents systèmes interrogés par l'IA peut augmenter les temps de réponse et complexifier la gestion des flux. Les usages nécessitant des données en temps réel demandent également des mécanismes de synchronisation adaptés, que certains systèmes existants ne sont pas conçus pour gérer nativement.

À cela s'ajoute la nécessité d'historiser certaines interactions et les données utilisées par les agents IA afin d'assurer leur suivi et leur traçabilité. L'architecture doit donc être capable de supporter non seulement le fonctionnement du modèle, mais aussi les échanges avec le système d'information, la gestion des données et les exigences de sécurité, de disponibilité et de traçabilité propres à un usage en production.

Sans socle technique adapté, même le meilleur POC restera lettre morte.

Obstacle organisationnel : Quand l'entreprise freine son propre projet IA

Au-delà des enjeux techniques, c'est souvent l'organisation elle-même qui freine le déploiement de son projet IA, parfois sans en avoir conscience.

Des cas d'usage trop flous

« Automatiser notre support client », « exploiter nos données », « améliorer nos processus » : ce ne sont pas des cas d'usage IA, ce sont des intentions. Sans périmètre précis ni indicateur de succès mesurable dès le départ, le projet dérive. Les projets IA qui réussissent ont tous un point commun : ils commencent petit, précis et mesurable.

Des cas d'usage bien définis ressembleraient, par exemple, à :

• qualifier automatiquement les tickets de support entrants selon leur urgence et les router vers la bonne équipe, avec un objectif chiffré de réduction du temps de première réponse
• générer une synthèse hebdomadaire des indicateurs commerciaux à partir des données CRM, pour un comité de direction qui perd aujourd'hui plusieurs heures à consolider ces chiffres manuellement
• automatiser le rapprochement des factures fournisseurs avec les bons de commande, pour ne laisser remonter aux équipes comptables que les écarts nécessitant une intervention humaine

Dans les trois cas, le périmètre est délimité, le résultat attendu est mesurable, et l'échec ou la réussite du projet peut être évalué dès les premières semaines. C'est cette précision qui permet ensuite d'élargir progressivement le champ d'action de l'IA, plutôt que de viser d'emblée une transformation globale dont personne ne sait vraiment à quoi elle ressemble.

L'adoption de l'IA par les équipes, le maillon souvent oublié

Un projet IA peut cocher toutes les cases techniques et échouer malgré tout, simplement parce que les équipes ne s'en emparent pas. La résistance au changement reste l'un des facteurs les plus sous-estimés dans les déploiements IA : un outil perçu comme imposé, mal expliqué ou déconnecté du quotidien des utilisateurs finit contourné, sous-utilisé, ou cantonné à quelques usages marginaux. L'adoption ne se décrète pas après coup, elle se construit en amont, en impliquant les équipes concernées dès la définition des cas d'usage et en accompagnant la prise en main dans la durée.

C'est aussi là que se joue une bonne partie de la lutte contre le shadow IA : une équipe qui dispose d'un outil pensé pour son métier, simple à utiliser et clairement légitimé par sa direction, a beaucoup moins de raisons de se tourner vers des alternatives non contrôlées.

Le shadow IA : une bombe à retardement

Voici une problématique que trop peu d'entreprises prennent au sérieux : 68 % des employés qui utilisent des outils comme ChatGPT le font à l'insu de leur hiérarchie (Maddyness, 2025). Ce phénomène, appelé shadow IA, désigne l'usage non supervisé d'outils d'IA générative en dehors de tout cadre officiel. C'est à la fois le symptôme d'un besoin réel non adressé par l'organisation, et une source de risques concrets qui pourraient se traduire par une fuite de données sensibles hors de votre système d'information, des décisions métier prises sur des bases non vérifiées et une exposition réglementaire non évaluée.

Les conséquences financières sont mesurables. Selon le rapport GoodTech 2025, le shadow IA alourdit en moyenne de 321 900 € le coût d'une violation de données en France. Un chiffre qui redimensionne ce qui pourrait sembler n'être qu'un problème de gouvernance interne.

Obstacle réglementaire : L'AI Act européen, la nouvelle dimension réglementaire

Depuis août 2024, l'AI Act européen est en vigueur. Ce règlement, le premier cadre juridique au monde spécifiquement dédié à l'intelligence artificielle, classe les systèmes d'IA selon quatre niveaux de risque : inacceptable, élevé, limité et minimal. Chaque niveau entraîne des obligations différentes, des interdictions pour les pratiques jugées inacceptables (notation sociale, manipulation comportementale) jusqu'à de simples exigences de transparence pour les usages à risque limité, comme les chatbots. Une seule disposition, en revanche, s'applique à toutes les organisations sans distinction de niveau de risque : l'article 4.

Cet article impose à toute organisation qui déploie de l'IA de garantir que ses équipes disposent d'un niveau de compétence adapté à son utilisation. C'est donc la disposition qui concerne le plus directement les projets d'IA agentique en entreprise. Cette obligation, en vigueur depuis février 2025, reste pourtant largement ignorée. Un manquement expose pourtant l'entreprise au régime de sanctions prévu par le règlement, qui prévoit deux paliers selon la gravité de l'infraction :

• Jusqu'à 35 millions d'euros ou 7 % du chiffre d'affaires mondial pour les pratiques interdites
• Jusqu'à 15 millions d'euros ou 3 % du chiffre d'affaires mondial pour non-conformité aux autres dispositions

Qu'est-ce que l'IA agentique, et pourquoi elle change tout ?

On arrive au cœur du sujet. Parce que si tous ces obstacles existent depuis des années, l'IA agentique ne représente pas simplement une nouvelle couche technologique posée sur les mêmes problèmes. Elle représente un véritable changement de paradigme.

L'IA générative classique fonctionne en réponse à une sollicitation : on lui pose une question, elle produit une réponse. C'est utile. Mais c'est limité.

L'IA agentique, elle, va plus loin. Un agent IA détecte les signaux pertinents au sein des données de l'entreprise, comme un retard de livraison, une facture en écart ou une baisse d'activité sur un compte client. Il les analyse dans leur contexte métier pour formuler une recommandation, et peut, dans les limites définies par l'humain, exécuter directement certaines actions dans vos systèmes : générer un document, préparer un bon de commande, mettre à jour une fiche client. C'est cette capacité d'exécution qui la distingue vraiment de l'IA générative classique : elle ne se contente plus de répondre, elle agit dans votre environnement de travail.

L'agent IA intervient ainsi en amont de la décision, pas à sa place. En identifiant une anomalie, un risque ou une opportunité avant qu'un collaborateur n'ait eu à les chercher lui-même, il lui donne les éléments nécessaires pour évaluer une situation et trancher plus rapidement. La décision finale, elle, reste toujours entre les mains de l'humain : c'est lui qui définit le périmètre d'action de l'agent IA, et lui seul qui valide les arbitrages qui engagent l'entreprise.

Quels sont les avantages de l'IA agentique pour votre entreprise ?

Ce qui est particulièrement intéressant avec l'IA agentique, c'est qu'elle n'efface pas les obstacles évoqués plus haut, elle vous force à les adresser correctement.

Pour déployer une IA agentique, vous êtes obligés de structurer vos données en amont, de définir précisément le périmètre d'action, de penser à la gouvernance, à la traçabilité, aux droits d'accès... En d'autres termes, tous les raccourcis que les POC permettaient de prendre, l'IA agentique ne les tolère plus. C'est paradoxalement ce qui en fait une approche plus fiable sur le long terme, parce que les fondations ne sont plus optionnelles.

Au-delà de cette rigueur structurante, l'IA agentique apporte des bénéfices opérationnels concrets :

Une automatisation de bout en bout

Là où l'IA générative classique automatise une tâche ponctuelle, l'IA agentique prend en charge un processus dans son ensemble : recherche d'information, croisement de données, contrôles, jusqu'à la préparation ou l'exécution d'une action. Les collaborateurs interviennent là où leur jugement fait vraiment la différence, plutôt que sur des tâches répétitives à faible valeur ajoutée.

Une intégration native à votre système d'information

En contexte entreprise, un agent IA ne fonctionne pas en silo. Il se connecte à vos outils existants (ERP, CRM, bases de données...) et opère dans votre environnement. C'est cette connexion qui lui permet de produire des résultats directement exploitables, sans nécessiter de retraitement manuel.

Une réduction des coûts opérationnels

L'un des arguments les plus concrets en faveur de l'IA agentique en entreprise, c'est son impact direct sur les coûts opérationnels. En prenant en charge les tâches répétitives et à faible valeur ajoutée, l'IA agentique libère vos équipes pour des missions qui requièrent un vrai jugement humain : analyse stratégique, gestion de la relation client complexe, prise de décision.

Le gain n'est pas seulement financier. C'est aussi un gain en qualité : les tâches automatisées par l'IA agentique sont exécutées avec une fiabilité constante, sans les erreurs de saisie qui s'accumulent sur des volumes importants.

Une traçabilité complète

Chaque signal détecté, chaque recommandation formulée et chaque action exécutée par l'IA agentique peut être enregistrée, auditée et expliquée. Dans un contexte réglementaire comme celui de l'AI Act, c'est un avantage décisif : vous pouvez démontrer à tout moment sur la base de quelles données l'agent IA a formulé telle recommandation, et avec quels droits d'accès il a opéré.

Cette traçabilité sert aussi votre propre pilotage interne, indépendamment de toute obligation réglementaire. Elle vous permet de comprendre comment vos processus fonctionnent réellement, d'identifier les points de friction récurrents, et d'ajuster le périmètre d'action de l'agent IA en connaissance de cause plutôt qu'à l'aveugle.

Une réduction du shadow IA

En proposant un cadre officiel, sécurisé et adapté aux besoins métier, les organisations qui déploient une plateforme d'IA agentique réduisent mécaniquement les usages non supervisés. Les collaborateurs disposent enfin d'un outil taillé pour leur contexte, ce qui supprime la principale raison de recourir à des alternatives grand public non sécurisées.

Comment bien choisir votre IA agentique ?

Déployer une solution d'IA agentique en entreprise est un investissement structurant. Le choix de l'architecture et de l'approche conditionne non seulement les résultats à court terme, mais aussi la capacité à faire évoluer le système dans la durée.

Plusieurs critères doivent guider cette décision :

La souveraineté et la sécurité de vos données avant tout

Dans un contexte de déploiement d'IA agentique, vos données ne doivent pas quitter votre environnement. La bonne IA agentique doit permettre un déploiement sécurisé, avec un contrôle granulaire des droits d'accès pour chaque agent. C'est une exigence de sécurité, mais aussi une exigence réglementaire dans le cadre de l'AI Act, qui impose de savoir à tout moment quelles données ont été utilisées, par quel système, et dans quel périmètre.

Indépendance technologique et pérennité de l'architecture

L'un des risques les plus sous-estimés dans le déploiement d'une solution IA agentique, c'est la dépendance technologique, ce qu'on appelle le vendor lock-in. Certaines solutions propriétaires enferment l'organisation dans un écosystème limité : changer de modèle IA, migrer vers une autre infrastructure, ou intégrer un nouvel outil métier devient alors un projet à part entière, coûteux et risqué.

Pour éviter cela, privilégiez une IA agentique qui s'appuie sur des standards ouverts. Le protocole MCP (Model Context Protocol) permet par exemple de connecter l'IA agentique à vos systèmes de données de façon standardisée, sans développements spécifiques à maintenir pour chaque source. Le protocole A2A (Agent-to-Agent) standardise quant à lui les échanges entre plusieurs agents spécialisés, permettant de construire des architectures multi-agents robustes sans créer de dépendances fragiles entre composants. Ces choix garantissent que votre investissement reste pérenne, quelle que soit l'évolution de votre SI.

La capacité à se connecter à plusieurs sources de données

Une IA agentique n'a de valeur que si elle peut accéder aux bonnes informations au bon moment. Cela suppose qu'elle soit capable de se connecter à l'ensemble de vos sources de données, qu'il s'agisse de votre ERP, de votre CRM, de vos solutions métiers, de vos bases documentaires, ou de sources externes comme des flux d'actualité ou des données marché.

Observabilité et traçabilité natives

Chaque action de l'agent IA et chaque appel à un système tiers doivent pouvoir être tracés et audités. Cette observabilité n'est pas un ajout que l'on greffe après coup, c'est une caractéristique architecturale qui doit être présente dès la conception. Sans elle, la maintenance devient complexe et la conformité réglementaire impossible à démontrer.

Un modèle de coûts prévisible et scalable

Les projets d'IA agentique peuvent rapidement générer des coûts cachés. Un modèle économique sain repose sur un coût maîtrisé, qui évolue avec l'usage réel plutôt qu'en fonction des ambitions initiales d'un budget prévisionnel. Cette approche transforme un investissement CAPEX lourd et incertain en OpEx maîtrisé et prévisible.

Un pipeline de déploiement pensé pour la production

Déployer une IA agentique nécessite une infrastructure de tests et de surveillance adaptée : vérification automatique des comportements de l'agent, validation de la qualité des sorties, détection des dérives, etc. Une solution qui ne propose pas ce niveau de rigueur opérationnelle restera fragile en conditions réelles, et finira par rejoindre la longue liste des POC qui n'ont jamais tenu leurs promesses en production.

AIDI – AI by Discovery Intech : l'IA agentique pensée pour les métiers

Le passage du POC à la production ne consiste pas simplement à déployer un agent IA. Il faut pouvoir le connecter aux données et aux outils de l'entreprise, l'intégrer aux processus existants, maîtriser ses accès et encadrer les actions qu'il peut réaliser.

C'est dans cette logique qu'a été développée AIDI – AI by Discovery Intech, la plateforme IA agentique de Discovery Intech. Son architecture cross-systèmes lui permet de se connecter à l'ensemble du système d'information : ERP, CRM, logiciels BI, applications métiers, bases documentaires, mais aussi à des sources externes. Les agents IA peuvent ainsi exploiter des données issues de plusieurs environnements et les replacer dans leur contexte métier.

AIDI repose également sur une approche indépendante et sécurisée : hébergement souverain, contrôle des droits, conformité RGPD, traçabilité et observabilité.

La plateforme s'appuie sur des agents IA spécialisés par métier, chacun entraîné sur les données, les règles de gestion et les processus propres à sa fonction. Leur action repose sur trois niveaux de valeur : détecter les signaux pertinents dans les données de l'entreprise, les analyser pour en tirer des recommandations contextualisées, et automatiser certaines actions dans les systèmes concernés. À chaque étape, la décision finale reste entre les mains des équipes.

Pour en savoir plus sur AIDI et ses agents IA métiers, rendez-vous sur la page dédiée.