« L’IA, c’est trop cher. » « Ça ne vaut pas le coup. » Ces phrases reviennent de plus en plus souvent chez les dirigeants. Le plus souvent, ce qui coûtait cher n’était pas l’IA : c’était l’absence de travail préparatoire.
Le diagnostic « trop cher » vise la mauvaise cible
Les chiffres donnent raison aux déçus. Selon le MIT, 95 % des projets pilotes d’IA générative n’ont produit aucun gain financier mesurable, et la cause tient d’abord à leur intégration dans le travail réel, plus qu’à la qualité des modèles (rapport The GenAI Divide, 2025). Gartner prévoit de son côté que plus de 40 % des projets d’agents IA seront abandonnés d’ici fin 2027, à cause de coûts qui dérapent et d’une valeur mal établie (juin 2025).
Notre lecture : l’IA a souvent été posée sur un travail que personne n’avait regardé de près.

Le raccourci coûteux : jeter des tokens par la fenêtre
On savait jeter de l’argent par la fenêtre. Avec l’IA, on a appris à jeter des tokens par la fenêtre.
Le scénario est presque toujours le même. Un processus lent, des données réparties entre trois outils, des règles que seuls deux collaborateurs connaissent, des exceptions jamais écrites. On y place un modèle puissant en lui demandant de « s’en occuper ». Le modèle compense ce désordre à chaque exécution : il relit, devine, se trompe parfois, et chaque passage se paie. Les coûts montent, les erreurs inquiètent, et le projet finit dans la colonne « trop cher ».
Étape 1 : revoir le processus
Supprimer les étapes inutiles, clarifier les règles, éliminer les doubles saisies. C’est peu de chose en apparence, et c’est souvent là que se trouve le gain le plus important.
Dans une PME multi-sites de distribution, notre audit a cartographié plus de huit frictions : doubles saisies, silos entre le CRM, les outils métier et les e-mails. Les recommandations documentées priorisaient un tri et un routage des e-mails entrants, et montraient que les chantiers plus ambitieux dépendaient d’abord des API et des outils de gestion en place (DMS, CRM).
Étape 2 : automatiser ce qui suit des règles stables
Une relance, un rapprochement de factures, une synchronisation entre deux outils : quand les règles sont connues et les exceptions prévisibles, l’automatisation classique fait le travail. Elle est fiable, explicable, et son coût est prévisible. Elle ne demande pas d’IA.
Étape 3 : ajouter l’IA là où les règles ne suffisent plus
Lire un document qui ne suit aucun modèle, traiter des cas qui varient, résumer un échange : c’est là que l’IA apporte quelque chose que les règles ne savent pas faire.
Quand on arrive à cette étape, le terrain est prêt. Le processus est clair, les données sont structurées, les outils sont reliés. L’IA s’insère plus facilement, son autonomie peut rester bornée là où l’erreur coûte cher, et l’on sait mesurer ce qu’elle apporte.
Chez Ellipsia, nous partons du processus avant de parler d’outil, et « ici, vous n’avez pas besoin d’IA » est une conclusion que nous assumons.
Et chez vous, quel processus mériterait d’être revu avant d’être confié à l’IA ?
Sources
- MIT, The GenAI Divide: State of AI in Business 2025, présenté par Computing : https://computing.co.uk/news/2025/ai/mit-report-95pc-corporate-generative-ai-pilots-fail
- Gartner, communiqué du 25 juin 2025 : https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027