La plupart des projets d’IA qui échouent en entreprise n’échouent pas parce que l’outil était mauvais. Ils échouent parce qu’on lui a confié une tâche qu’aucun modèle de langage ne sait faire, et que personne ne l’avait vérifié avant de signer.
Un modèle de langage produit la suite de mots la plus plausible compte tenu de ce qu’on lui a donné. Cette phrase explique à la fois ce qu’il réussit remarquablement bien et ce qu’il ne fera jamais correctement. Les limites qui suivent ne sont pas des défauts de jeunesse appelés à disparaître à la prochaine version : elles découlent du fonctionnement même de ces systèmes.
Cet article complète notre guide sur l’IA en entreprise. Il sert à une chose précise : éliminer les mauvais cas d’usage avant d’y consacrer un budget.
Les limites
Posez une question sur un sujet qu’elle n’a jamais rencontré : elle répondra quand même, dans le même registre assuré que pour une question qu’elle maîtrise. Il n’existe pas, dans la réponse, de signal fiable distinguant ce qui est solide de ce qui est inventé. C’est la limite la plus coûteuse, parce qu’elle est invisible pour un lecteur qui ne connaît pas déjà le sujet. La parade n’est pas technique : elle consiste à n’utiliser l’IA que là où quelqu’un est capable de repérer une erreur.
Un total sur trente lignes, un prorata, un pourcentage d’évolution : le résultat sort avec la même aisance qu’un paragraphe, et il est parfois faux. Certains assistants contournent le problème en exécutant réellement du code ou une formule, ce qui change tout, mais il faut savoir si c’est le cas et le vérifier. La règle pratique : un chiffre qui compte ne se produit pas dans une conversation, il se produit dans un tableur.
Elle ne connaît ni votre catalogue, ni vos tarifs, ni vos procédures internes, sauf si vous les lui fournissez dans la conversation ou via un dispositif de recherche documentaire. Interrogée sans ce contexte, elle produira une réponse générique et plausible qui ne correspond pas à votre entreprise. Une grande partie des déceptions vient de là : on attendait un collaborateur au courant, on avait un rédacteur sans dossier.
La même question posée deux fois donne deux formulations différentes, et parfois deux décisions différentes sur un cas limite. Pour de la rédaction, c’est sans conséquence. Pour un processus qui doit être reproductible, auditable ou opposable, c’est rédhibitoire en l’état : il faut contraindre la sortie, imposer une liste fermée de valeurs et prévoir une vérification, comme décrit dans notre article sur l’automatisation d’une tâche avec l’IA.
Corriger une réponse améliore la suite de l’échange en cours, rien de plus. La conversation suivante repart de zéro. Ce qui s’accumule dans votre entreprise, ce n’est pas l’apprentissage du modèle, ce sont vos consignes écrites : les formulations qui marchent, les exemples de sortie attendue, les cas particuliers documentés. Ce patrimoine se constitue à la main et se range quelque part, sinon il se perd.
Recruter, licencier, accorder un crédit, sanctionner : ce ne sont pas des limites techniques mais juridiques, et elles sont fermes. Le règlement européen sur l’IA (règlement UE 2024/1689) classe plusieurs de ces usages comme systèmes à haut risque et impose notamment un contrôle humain effectif, à son article 14. Le RGPD, de son côté, encadre les décisions produisant des effets juridiques prises sur le seul fondement d’un traitement automatisé. Sur ces sujets, l’IA prépare un dossier, elle ne tranche pas.
Un scan de travers, un tableau fusionné sur quatre pages, un fichier où la même information s’écrit de trois façons : l’IA fera des erreurs, différentes de celles d’un humain mais aussi nombreuses. On rencontre souvent l’espoir inverse, celui d’un outil qui viendrait absorber un désordre documentaire ancien. Le désordre reste un travail de rangement.
Sur le terrain
Les scénarios d’échec se ressemblent d’une entreprise à l’autre. En voici trois, avec la limite qui les explique.
Limite 3
L’assistant qui répond aux clients
On branche un assistant sur le site pour répondre aux questions produit. Faute de dispositif de recherche dans la documentation réelle, il invente des caractéristiques et des délais. Le projet est arrêté après deux réclamations. Ce qui manquait n’était pas un meilleur modèle, mais une base documentaire à jour et un périmètre de réponse fermé.
Limite 2
L’analyse financière automatisée
On demande une synthèse mensuelle à partir d’exports comptables. Les commentaires sont excellents, les totaux faux d’une ligne sur vingt, et l’erreur ne se voit qu’à la lecture croisée. Le bon montage inverse les rôles : le tableur calcule, l’IA commente les écarts qu’on lui donne.
Limite 5
Le déploiement sans consignes
On ouvre des accès à tout le monde en espérant que les usages émergent. Six mois plus tard, trois personnes s’en servent vraiment, chacune avec ses propres méthodes, et rien n’est partagé. L’outil n’a rien appris de l’entreprise parce que l’entreprise n’a rien écrit.
La grille
Qui saura dire que la réponse est fausse ? S’il n’y a personne, ou si la vérification coûte aussi cher que faire la tâche, le cas ne tient pas.
Y a-t-il un chiffre dans la sortie ? Si oui, il doit venir d’un calcul réel, pas d’une rédaction. Déplacez le calcul hors du modèle.
D’où vient l’information ? Si la réponse suppose de connaître vos données, il faut les lui fournir. Ce raccordement est souvent le vrai projet.
Que coûte une erreur, et en combien de temps se voit-elle ? Une erreur réversible détectée en cinq minutes est un incident. La même, partie chez un client, est un litige.
La décision produit-elle des effets sur une personne ? Recrutement, crédit, accès à un service, évaluation : le cadre juridique impose alors un contrôle humain et de la traçabilité. Voir notre article sur l’AI Act.
Ce qui déplace la limite
Fournir le contexte plutôt que l’espérer. Coller le document de référence dans la conversation, ou monter un dispositif qui va chercher les bons extraits dans votre documentation, règle la limite 3 et réduit fortement la limite 1. La réponse cesse d’être une reconstitution : elle devient une lecture.
Sortir le calcul et l’action du modèle. Laisser le tableur compter, le logiciel métier écrire, le modèle lire et qualifier. Chaque brique fait ce qu’elle sait faire. C’est exactement le principe d’une automatisation bien conçue.
Écrire les règles et les consignes. Une charte d’utilisation de l’IA pour ce qui relève du cadre, une bibliothèque de consignes validées pour ce qui relève du métier. C’est ce qui remplace, dans une entreprise, l’apprentissage que le modèle ne fait pas.
Questions fréquentes
Certaines s’atténuent, d’autres non. La qualité de rédaction et de raisonnement progresse vite, et l’exécution de calculs par un outil externe règle déjà une partie de la limite 2. En revanche, l’absence de signal fiable sur sa propre ignorance et la variabilité des réponses tiennent à la nature même de ces modèles. Construire un projet en pariant sur leur disparition n’est pas raisonnable.
Une réponse plausible dans la forme et fausse sur le fond : une référence qui n’existe pas, un article de loi inventé, une fonctionnalité attribuée à un produit qui ne l’a pas. Ce n’est pas un mensonge ni un bogue, c’est le résultat normal d’un système qui produit du plausible. D’où la règle : toute référence, tout chiffre et toute citation se vérifient à la source.
C’est mieux, à une condition : ouvrir les liens. Un outil qui cherche réellement sur le web et affiche ses sources est nettement plus fiable qu’un modèle seul, mais il arrive que la source existe et ne dise pas ce que le résumé lui fait dire. La citation déplace le travail de vérification, elle ne le supprime pas. Voir notre article sur comment choisir une IA.
En les faisant constater plutôt qu’en les énonçant : poser à l’outil une question pointue sur votre métier, puis vérifier la réponse ensemble. L’exercice marque durablement. Le règlement européen sur l’IA impose d’ailleurs, depuis le 2 février 2025, un niveau suffisant de maîtrise de l’IA pour les personnes qui l’utilisent au nom de l’organisation.
Aller plus loin
La formation Intelligence Artificielle en entreprise pose ces repères dès le premier jour, exercices de vérification à l’appui. Pour cadrer les usages et les responsabilités, voir la formation IA et RGPD ; pour obtenir des réponses exploitables malgré ces limites, la formation prompt engineering.
L’IA en entreprise, 20 exemples · Quelle formation IA choisir · Le catalogue · Demander un devis
Sources : règlement (UE) 2024/1689 du 13 juin 2024 établissant des règles harmonisées concernant l’intelligence artificielle, articles 4 et 14 ; règlement (UE) 2016/679 (RGPD), article 22.