Un taux d'échec qui ne faiblit pas
Les chiffres sont têtus. Selon S&P Global, qui a interrogé plus de 1 000 professionnels IT et directions métier en Amérique du Nord et en Europe, les organisations déclarent en moyenne avoir abandonné 46 % de leurs projets d'agents IA entre la phase de pilote et le déploiement à grande échelle. Un an plus tôt, ce taux n'était que de 17 %. La progression est spectaculaire, dans le mauvais sens.
Gartner va plus loin encore sur le périmètre de l'IA générative : selon l'analyste, plus de 50 % des projets GenAI ont été abandonnés après leur proof of concept d'ici fin 2025. Et pour les agents dits « agentiques », la firme anticipe qu'au moins 40 % des projets seront annulés d'ici 2027, principalement en raison de coûts incontrôlés, d'une valeur business mal définie et de lacunes en matière de gouvernance.
Ces chiffres ne sont pas contradictoires : ils mesurent des réalités légèrement différentes (entreprises qui abandonnent, projets stoppés, absence d'impact mesurable), mais ils convergent tous vers le même constat. Le fossé entre la démonstration de faisabilité et la mise en production reste un gouffre que la majorité des organisations n'arrive pas à franchir. La question n'est pas de savoir si le problème existe, il existe, mais de comprendre ce qui distingue les rares équipes qui y parviennent.
Pourquoi les agents tombent : la démo n'est pas la réalité
La première explication est technique, et souvent sous-estimée. Un agent peut fonctionner parfaitement en environnement contrôlé, puis dérailler dès qu'il rencontre des données réelles, incomplètes, mal formatées ou issues de systèmes legacy que personne n'a documentés depuis dix ans. Fiddler AI, qui analyse des déploiements en production, estime que les taux d'échec en production oscillent entre 70 % et 95 % selon la complexité des tâches et la définition retenue du succès. Une estimation du même ordre indique que 88 % des agents qui fonctionnent en démonstration contrôlée échouent lorsqu'ils sont exposés à de vrais flux de travail.
Les ruptures se produisent presque toujours aux mêmes endroits : les points de jonction entre outils et systèmes, les données d'entrée que le pilote n'avait jamais anticipées, et les angles morts de supervision où personne ne remarque que l'agent fait fausse route depuis une semaine. Les agents bancaires conversationnels illustrent bien ce défi : exécuter une tâche bancaire réelle, dans un contexte réglementé, avec des données clients hétérogènes, c'est d'un autre ordre de grandeur qu'une démonstration en sandbox.
L'autre explication est organisationnelle. IBM, qui a interrogé plus de 1 200 clients Salesforce, constate que seulement 33 % des initiatives IA atteignent leurs objectifs de retour sur investissement. Dans le même échantillon, 72 % des organisations admettent ne pas avoir réussi à déployer leurs agents au-delà d'une seule unité, et 20 % rapportent un projet bloqué, échoué ou abandonné. Seulement 21 % des répondants estiment disposer d'une gouvernance suffisante pour gérer des agents agentiques de manière responsable.
Le premier levier : choisir le bon cas d'usage, pas le plus impressionnant
Parmi les équipes qui réussissent, un schéma revient avec une régularité presque ennuyeuse. Elles ne choisissent pas le cas d'usage le plus ambitieux ni le plus visible en interne. Elles ciblent un workflow à fort volume, avec des données structurées et un résultat facilement mesurable. Ce profil est exactement celui que les analyses de production identifient comme « prêt pour un agent ».
C'est précisément ce qu'a fait Klarna avec son assistant de service client : 2,3 millions de conversations traitées chaque mois, temps de résolution réduit de 11 minutes à moins de 2. L'entreprise a ensuite rencontré des limites et réintégré des équipes humaines pour les cas complexes, mais le pilote a survécu parce que le périmètre initial était étroit, mesurable et à haute volumétrie. À l'inverse, les projets qui stagnent partagent presque tous le même défaut de conception : ils visent à remplacer un processus entier plutôt qu'à automatiser une tâche précise.
Une étude Salesforce auprès de 2 025 décideurs en matière d'IA agentique identifie deux facteurs prédictifs du succès, devant la qualité du modèle ou le choix de la plateforme : des données propres et accessibles au moment où l'agent en a besoin (cité par 36 % des répondants), et un périmètre d'action clairement défini (également 36 %). La définition préalable des moments où un humain doit reprendre la main arrive juste derrière, à 35 %. En finance d'entreprise, ces trois conditions sont rarement réunies d'emblée, et c'est là que se joue l'essentiel.
Le second levier : construire la confiance avant d'élargir l'autonomie
Un agent déployé sans adhésion des équipes ne survit pas, même techniquement solide. C'est la leçon que tirent les organisations qui ont réussi à passer en production : elles ont commencé par augmenter le travail humain plutôt que de chercher à le remplacer. L'agent propose, rédige, signale, et un humain valide avant que l'action ne soit exécutée. Cette approche progressive construit une crédibilité que le modèle seul ne peut pas générer.
PwC, dans ses prévisions pour l'économie des agents, souligne que les déploiements qui fonctionnent sont ceux qui intègrent des étapes claires d'initiative humaine, de revue et de supervision, avec des collaborateurs formés et dotés d'incitations réelles à travailler avec les agents. Le monitoring continu, désormais facilité par la capacité des agents à documenter automatiquement leurs propres décisions, devient un outil central de construction de confiance, autant vers les équipes que vers la direction.
Les directions financières qui suivent ce sujet de près verront des parallèles avec l'expérience de Tristan Camilli chez Luphy, qui a équipé une trentaine de fonds et de cabinets en outils d'automatisation : la résistance interne ne vient presque jamais du modèle, elle vient du sentiment de perdre le contrôle. La réponse n'est pas technique, elle est managériale.
L'analyse Findfi : ce que les chiffres impliquent vraiment
Croisons deux données pour mesurer l'ampleur réelle du phénomène. D'un côté, Gartner estime que 40 % des applications d'entreprise intégreront des agents spécialisés d'ici fin 2026, contre moins de 5 % en 2025. De l'autre, les taux d'abandon oscillent entre 46 % (S&P Global) et plus de 50 % (Gartner sur le GenAI). Si l'on applique un taux d'échec médian de 48 % à cette vague d'adoption, et que l'on sait que les entreprises déploient en moyenne 12 agents chacune (chiffre Salesforce), cela implique que chaque organisation qui se lance laisse statistiquement 5 à 6 agents au stade de pilote sans jamais les rentabiliser. C'est une estimation Findfi, mais l'ordre de grandeur est cohérent avec l'ensemble des données disponibles.
Autre ratio révélateur : selon la même enquête Salesforce de 2 025 décideurs, parmi les 30 % d'organisations qui font déjà tourner des agents en production, le délai médian pour atteindre un retour sur investissement significatif est de huit mois, avec un taux d'adoption interne de 53 % et une hausse moyenne de 29 % de la satisfaction client. Autrement dit, ceux qui passent le cap obtiennent des résultats réels, mais la sélection naturelle à l'entrée est brutale. L'enjeu pour une direction financière n'est donc pas de « faire de l'IA » mais de se positionner dans la bonne moitié dès le départ.
Le marché de l'IA agentique est évalué à environ 9,9 milliards de dollars en 2026 et devrait atteindre 57 milliards d'ici 2031, soit un taux de croissance annuel de l'ordre de 40 à 46 %. Ce rythme est celui d'un secteur en phase d'adoption rapide, ce qui signifie que les erreurs de déploiement vont se multiplier en volume absolu, même si les taux d'échec se stabilisent. L'essor des startups européennes les plus rapides dans ce segment confirme que la pression sur les équipes pour déployer vite est réelle, ce qui aggrave structurellement le risque d'échec.
Concrètement, ce que ça change pour une direction financière
Une direction financière qui évalue un déploiement d'agents doit traiter trois questions avant de valider un budget. Première question : le périmètre est-il défini en termes de workflow précis, avec un indicateur avant/après identifiable ? Si la réponse est « automatiser la finance » ou « améliorer le reporting », le projet est mal cadré et le risque d'abandon est élevé. Si la réponse est « réduire le délai de traitement des réconciliations de 3 jours à 24 heures sur un volume de 10 000 lignes par mois », le projet a une chance.
Deuxième question : les données qui alimenteront cet agent sont-elles propres, accessibles et documentées ? C'est le facteur numéro un de succès selon les données Salesforce, et le facteur numéro un d'échec dans la pratique, car aucune organisation n'a spontanément ses données en ordre. Cela implique souvent un chantier de préparation des données qui précède le déploiement de l'agent lui-même, et qui doit figurer dans le budget et le planning. Des outils comme Pigment montrent que la structuration des données financières peut elle-même être outillée avant d'y greffer des capacités agentiques.
Troisième question : qui, en interne, valide les actions de l'agent avant qu'elles ne soient irréversibles, et selon quels critères ? Les équipes qui réussissent définissent ce point avant le lancement, pas après. C'est ce que PwC appelle des « étapes d'approbation humaine pour les décisions à enjeux élevés », l'agent peut préparer le contrat, scorer la contrepartie ou signaler l'anomalie, mais c'est un humain identifié qui valide avant exécution. L'open banking a suivi la même logique : la technologie était prête avant la gouvernance, et ce décalage a ralenti massivement l'adoption.
Ce qu'il faut retenir
Moins d'un agent IA sur deux survit à son pilote. S&P Global chiffre à 46 % la part des projets abandonnés entre preuve de concept et déploiement à grande échelle, un taux en hausse de 29 points en un an.
Les facteurs différenciants ne sont pas technologiques. Données propres, périmètre étroit et escalade humaine prédéfinie prédisent le succès mieux que le choix du modèle ou de la plateforme, selon la recherche Salesforce sur 2 025 décideurs.
Pour ceux qui franchissent le cap, les retours sont réels et documentés : retour sur investissement atteint en environ huit mois en médiane, hausse de 29 % de la satisfaction client, et dans certains cas des économies opérationnelles chiffrées en dizaines de millions.
L'enjeu pour une direction financière est de sélectionner un premier cas d'usage à fort volume, mesurable et limité, et de résister à la tentation du périmètre large que l'on vend bien en comité mais qui ne passe jamais en production. Retrouvez l'ensemble de nos analyses sur les usages de l'IA en finance dans la catégorie IA & Finance.