L’IA s’est diffusée à grande vitesse, mais son impact sur les métiers et le P&L reste limité. Ford, Palantir et les premiers rollbacks de projets IA montrent l’entrée dans une phase de désillusion et de tri, côté grands groupes comme TPE/PME.
L’IA a été adoptée à une vitesse rarement vue dans l’histoire des technologies. En quelques mois, elle s’est installée dans les suites bureautiques, les outils de développement, les CRM, les plateformes de formation et les systèmes industriels. Au‑delà des démonstrations spectaculaires, un autre graphique commence à s’imposer : le Hype Cycle, avec son phase de « creux de la désillusion ».
On retrouve le même cycle que pour le web, l’intranet, le e‑learning ou les ERP : montée rapide des attentes, déploiements enthousiastes, puis confrontation avec les limites, les coûts et les réalités métier.
Pour l’IA, cette phase s’ouvre maintenant, d’abord dans les grands groupes et de plus en plus dans les TPE/PME.
Dans l’industrie automobile, Ford illustre bien cette inflexion. Après avoir largement déployé des systèmes d’IA pour ses contrôles qualité, le constructeur a décidé de rappeler plus de 300 ingénieurs et inspecteurs expérimentés.
L’IA reste présente dans la chaîne de contrôle, mais le rôle des ingénieurs est réaffirmé : analyse des défauts, interprétation des signaux faibles, arbitrages sur la qualité, paramétrage des outils.
La qualité industrielle ne se réduit pas à des prédictions algorithmiques ; elle repose sur des années d’expérience accumulée, sur des pratiques d’atelier et sur des compromis techniques qui se décident au cas par cas.
Du côté des logiciels et des données, les prises de position d’Alex Karp, CEO de Palantir, mettent l’accent sur un autre aspect. Il décrit une situation où les entreprises achètent des volumes de calcul sous forme de tokens, sans réussir à relier ces dépenses à un impact solide sur leurs activités.
Il évoque aussi la question de la souveraineté : confier ses données et ses modèles à quelques acteurs globaux revient à renoncer à une partie de son avantage informationnel, dans un contexte de tension géopolitique et de compétition technologique.
Les contextes sont différents, mais le mouvement est le même : l’IA quitte le registre de la promesse abstraite pour entrer dans une discussion concrète sur la qualité, les coûts, la maîtrise des risques et la préservation du savoir‑faire.
Le Hype Cycle décrit un phénomène connu : une technologie émerge, suscite un fort intérêt, atteint un pic d’attentes, puis traverse une phase de désillusion avant de se stabiliser sur des usages durables.
L’IA générative et les agents rejoignent ce schéma. Triomphe médiatique, prolifération d’expérimentations, promesses de transformation accélérée des métiers… puis arrivée des premiers indicateurs : coûts, incidents, gains réels.
Les données disponibles donnent quelques repères :
Le Hype Cycle ne sert pas à juger une technologie, mais à situer les organisations dans ce cycle.
Avec l’IA, de nombreuses entreprises passent de la phase « expérimentation et discours » à une phase « audit et sélection », où les projets sont évalués avec des critères métier et financiers plus stricts.
Dans les grands groupes, l’IA s’est souvent implantée par couches successives :
À ce stade, plusieurs questions apparaissent côté DSI et directions financières :
Les premières réponses sont souvent contrastées :
Dans ce contexte, plusieurs grands groupes ajustent :
L’IA devient ce qu'il aurait toujours du être : un sujet de gouvernance, pas seulement d’innovation.
Pour les TPE et les PME, le paysage est différent, mais certains mécanismes sont proches.
Les études montrent qu’une minorité de petites entreprises utilise l’IA de manière régulière.
Les obstacles principaux sont le coût, la complexité d’intégration et la difficulté à dégager du temps pour concevoir des cas d’usage robustes.
Dans les retours de terrain, plusieurs motifs reviennent :
Les marges de manœuvre étant plus réduites, la désillusion se traduit souvent par des décisions rapides : arrêt d’un outil, retour à une solution plus simple, recentrage sur quelques usages très concrets (rédaction, synthèse, traduction, aide ponctuelle).
Ce réalisme peut devenir un atout, à condition que les rares projets retenus soient conçus à partir des activités clés : prospection, facturation, relance, suivi des clients, reporting, maintenance, planification.
L’IA trouve alors une place précise dans la chaîne de valeur, plutôt qu’un rôle diffus dans « la transformation ».
La montée en puissance de l’IA repose sur une infrastructure lourde : centres de données, GPU, réseaux, stockage, refroidissement.
Dans ce cadre, trois dimensions se croisent :
Les usages gourmands, peu ciblés et mal instrumentés créent une dynamique de bulle : les entreprises multiplient les projets, ajustent peu les architectures, et repoussent la question des coûts et de l’impact écologique.
La phase où l’on commence à fermer des projets, à réduire des usages, à changer de modèles ou de fournisseurs est donc une étape utile. Elle permet de faire coïncider l’enthousiasme technologique avec des contraintes structurantes : finances, régulation, énergie, stratégie.
Éviter une bulle qui se dégonfle brutalement est un enjeu : un ajustement progressif, fondé sur des évaluations régulières, préserve la crédibilité des équipes qui portent l’IA et stabilise les relations avec les métiers.
La question centrale n’est pas de savoir si l’IA est « à la hauteur des attentes », mais de définir ce que l’on attend précisément de chaque projet.
Quelques repères utiles pour cadrer les initiatives :
Ce cadrage ne garantit pas le succès de chaque projet, mais offre une base de discussion commune entre métiers, IT, finance et direction générale.
Il permet aussi de documenter les décisions de réduction, de renforcement ou d’arrêt d’un usage, sans les présenter comme des renoncements, mais comme des ajustements.
Ford, Palantir et d’autres acteurs donnent un aperçu de cette phase de tri.
La suite se jouera dans la capacité des organisations à faire converger trois exigences : maîtrise du savoir‑faire, discipline de mesure, sobriété dans les usages.
Sources :
Yann BONIZEC (2024, juin). Beaucoup d’IA. Peu d’impact business. Atawak.
https://www.atawak.com/beaucoup-dia-peu-dimpact-business/
Ford – retour des ingénieurs qualité. BBC News. (2026, 29 juin). Ford rehires human engineers after AI fails to match quality checks.
https://www.bbc.com/news/articles/cgrkd41n2v9o
TechRadar Pro. (2026, 1 juillet). “Something has gone completely wrong”: Palantir CEO Alex Karp slams OpenAI, says AI industry is effing insane.
https://www.techradar.com/pro/something-has-gone-completely-wrong-palantir-ceo-alex-karp-slams-openai-says-ai-industry-is-effing-insane
CNBC. (2026, 1 juillet). Palantir's Karp bashes token-based AI model as “completely wrong”.
https://www.cnbc.com/2026/07/01/palantir-karp-open-ai-anthropic-tokens.html
Sinch AB. (2026, 12 mai). Sinch research reveals 74% of enterprises have rolled back live AI customer communication agents [rapport « The AI Production Paradox »].
https://sinch.com/news/sinch-releases-ai-production-paradox/
ATAWAK accompagne les équipes L&D, les organismes de formation et les consultants-formateurs indépendants pour valoriser et digitaliser leurs offres de formation : learning design, formations interactives, IA générative, production de contenus, agents d’apprentissage IA (Tawakis), média learning et écosystèmes apprenants, dans une démarche LIFOW.
2628-0147-01
