C'est une situation que nous rencontrons de plus en plus souvent chez BleuLemon : un client nous confie un problème, nous construisons un POC, nous le testons avec les équipes, et ça marche, vraiment. Le besoin est couvert, les utilisateurs le reconnaissent, le gain de temps est réel. Alors naturellement, la question arrive :
« Quand est-ce qu'on le met en production ? »
Et c'est là que les ennuis commencent. Quelques semaines plus tard, le projet peut se retrouver bloqué, sans être ni remis en cause ni abandonné, simplement coincé dans cette zone étrange où tout le monde le trouve intéressant, mais où personne ne parvient à le faire avancer.
Ce phénomène n'est pas anecdotique. Gartner indiquait en janvier 2026 qu'au moins 50 % des projets d'IA générative avaient été abandonnés après leur POC, principalement pour des raisons de données, de risques, de coûts ou de valeur insuffisamment démontrée. BCG observait en septembre 2025 que seulement 5 % des entreprises parviennent à générer de la valeur avec l'IA à grande échelle, et McKinsey note que 88 % des entreprises utilisent l'IA dans au moins une fonction, mais que 7 % seulement l'ont déployée à l'échelle de l'organisation.
L'IA est donc partout. Mais l'IA industrialisée est encore rare. Notre expérience nous conduit à une réponse simple :
Beaucoup de POC IA ne meurent pas parce qu'ils ont échoué. Ils meurent après avoir réussi.
Nous demandons au POC de répondre à la mauvaise question
Quand nous lançons un POC, la question est généralement : « Est-ce que l'IA sait le faire ? » C'est la première chose à vérifier. Mais en 2026, c'est presque la plus facile.
Ce que le POC ne nous dit pas, c'est si nous saurons faire fonctionner la solution avec 5 000 utilisateurs au lieu de 20, avec les vrais droits d'accès, les vraies contraintes de sécurité, les coûts de production, et surtout avec l'organisation que cette solution va parfois profondément modifier.
Nous venons simplement de contracter une dette.
J'aime parler ici de dette de passage à l'échelle : comme une dette technique, elle permet d'aller plus vite aujourd'hui, mais il faudra la rembourser demain.
Pour aller vite, nous avons contourné ceux dont nous avons maintenant besoin
Pour tester une idée rapidement, le métier nous demande souvent de ne pas associer tout de suite Data, IA, architecture ou sécurité, sinon le projet mettrait six mois à démarrer. Nous obtenons vite quelque chose de convaincant. Puis vient l'industrialisation, et nous retournons voir les équipes soigneusement laissées de côté : la conversation change immédiatement, avec une salve de questions sur le modèle, l'hébergement, les droits, la conformité.
Il est tentant de conclure que « l'équipe IA bloque le projet ». Ce serait injuste : on lui demande de valider après coup des décisions auxquelles elle n'a jamais participé.
Le raccourci qui nous a permis de réussir rapidement le POC devient le détour qui nous empêche ensuite de le déployer.
La solution n'est pas de mettre trente personnes dans chaque expérimentation, mais d'associer très tôt quelques acteurs clés, avec une règle simple :
Vous n'êtes pas là pour ralentir le POC. Vous êtes là pour nous empêcher de construire un POC impossible à industrialiser.
Et puis quelqu'un demande : « Est-ce que cette technologie est homologuée ? »
Le POC fonctionne avec une technologie raisonnable : un LLM, un framework agentique, une API. Puis la question tombe : « Est-ce que cette technologie est validée chez nous ? » Le problème est que le processus d'homologation des solutions IA n'existe souvent pas encore : quelle catégorie de modèles, sur quelles données, à partir de quel niveau d'autonomie faut-il une validation ?
La solution ne peut pas passer en production parce qu'elle ne respecte pas une gouvernance qui n'existe pas encore.
Supprimer la gouvernance serait pourtant une mauvaise réponse : dès qu'un agent agit sur le monde réel, on parle de droits, de responsabilités, de sécurité. Gartner estime que seulement 13 % des organisations disposent aujourd'hui d'un bon dispositif de gouvernance des agents, alors qu'une entreprise du Fortune 500 en comptera plus de 150 000 d'ici 2028. Et McKinsey montre que ce sont justement les entreprises qui refondent leurs processus de travail, la pratique la plus corrélée à l'impact économique de l'IA parmi 25 étudiées, qui en tirent le plus de valeur.
La gouvernance ne doit pas être le péage installé à la sortie du POC. Elle doit faire partie de la route.
Votre POC n'arrive plus seul
Chaque POC arrive désormais dans une entreprise où existent déjà Copilot, Rovo, Agentforce, des solutions IBM ou Google, et des développements internes. La question n'est plus seulement « est-ce que cette solution répond au besoin ? » mais « voulons-nous une brique de plus dans notre SI ? » Gartner parle d'agent sprawl, la prolifération incontrôlée des agents.
Comment éviter le Far West sans devenir le département du « non » ?
À partir d'un certain moment, un POC IA n'est plus un projet fonctionnel : c'est une décision d'architecture d'entreprise.
Parfois, le POC fonctionne même un peu trop bien
Une activité mobilise cinq ETP ; l'IA permet à un seul collaborateur assisté d'absorber l'essentiel de la charge. Le gain explose, mais que faisons-nous des quatre autres personnes ? Faut-il supprimer des postes, les repositionner, les former ? Qui sera responsable quand l'IA se trompera ?
La conduite du changement n'est plus un workstream du projet. Elle est le projet.
Si l'IA fait économiser 20 minutes par semaine à 200 personnes, c'est un projet de productivité. Si elle permet de passer de cinq ETP à un, c'est un projet de transformation organisationnelle, avec une tout autre gouvernance.
Plus le gain annoncé du POC est élevé, plus il peut devenir politiquement et humainement difficile à déployer.
« Attendons six mois. L'IA aura encore changé. »
Quel modèle choisir aujourd'hui, sachant que tout évoluera d'ici douze mois ? Le raisonnement qui pousse à temporiser est rationnel, mais dans six mois, la même incertitude existera encore.
Comment faire pour que le remplacement de cette technologie dans deux ans ne soit pas un drame ?
C'est là que l'architecture redevient essentielle : découpler la logique métier du modèle, conserver les évaluations, éviter de dépendre d'un fournisseur unique. C'est la même question que celle de la réversibilité.
N'industrialisons pas seulement notre modèle. Industrialisons notre capacité à changer de modèle.
Ensuite arrive la plomberie
Un assistant RAG est magnifique sur 200 documents triés. Le vrai système documentaire de l'entreprise, c'est autre chose : 500 000 fichiers, plusieurs versions, des formats disparates, des droits hérités, des permissions qui évoluent. Le vrai enjeu n'est alors plus d'obtenir une réponse intelligente, mais d'être absolument certain que l'IA ne donne jamais à un collaborateur une information qu'il n'avait pas le droit de consulter. Puis arrive tout ce qu'un POC n'a jamais eu à gérer : supervision, incidents, SLA, support, et des coûts qui changent d'échelle.
Cela ne signifie pas que le POC était mauvais. Il avait simplement démontré autre chose.
Un POC réussi devrait presque nous inquiéter
Nous avons l'habitude de nous réjouir lorsqu'un POC réussit. Mais c'est peut-être le moment où nous devrions aussi commencer à nous inquiéter : si l'IA peut réellement diviser par cinq le temps consacré à une activité, il faut penser à l'organisation qui va avec ; si elle peut accéder à l'ensemble des connaissances de l'entreprise, il faut s'interroger sur ses droits.
La technologie commence parfois à avancer plus vite que la capacité de l'entreprise à l'absorber.
Le POC nous indique que l'IA est prête. Le blocage qui suit nous indique que l'entreprise ne l'est pas encore. Alors peut-être faut-il changer la question que nous posons au démarrage :
« Si elle sait le faire, sommes-nous vraiment prêts à la laisser faire ? »
Un POC qui fonctionne n'est pas encore un projet réussi. C'est seulement un projet qui vient de gagner le droit de poser les vraies questions.
Finalement, peut-être faut-il arrêter de faire des POC
Il faut naturellement continuer à expérimenter. Mais peut-être faut-il chercher, dès le départ, deux preuves en parallèle : une preuve de valeur (est-ce que cela vaut la peine de continuer ?) et une preuve de déployabilité (si cela fonctionne, savons-nous quoi faire ensuite ?). Cela ne veut pas dire alourdir chaque POC, mais pouvoir répondre, même sommairement, à quelques questions avant de démarrer :
Qui prendra la responsabilité de cette solution si le POC fonctionne ?
Quelles équipes IA, architecture, sécurité ou Data doivent être associées dès maintenant ?
Quelle plateforme existante, Copilot, Rovo, Agentforce ou autre, recouvre déjà tout ou partie du besoin ?
Que donnera approximativement le coût lorsqu'on passera de 20 à 20 000 utilisateurs ?
Quel sera l'impact sur les métiers et sur les personnes si le POC produit les gains espérés ?
Et si la technologie retenue devient obsolète, sommes-nous capables de la remplacer ?
Nous n'avons pas besoin d'avoir toutes les réponses. Mais nous avons besoin de savoir qu'elles peuvent exister.
Chez BleuLemon, nous faisons des MVP
C'est pour cela que chez BleuLemon, nous préconisons d'arrêter de faire des POC. Un POC prouve qu'une technologie fonctionne, cela ne suffit plus. Ce qu'il faut, dès le départ, c'est un projet qui inclut toute la gouvernance, l'architecture, les droits et l'organisation nécessaires pour être réellement viable en entreprise et passer à l'échelle. Ce n'est plus un POC. C'est un MVP, Minimum Viable Product, produit minimum viable.
Parlons-en
Chez BleuLemon, notre rôle n'est plus seulement de démontrer qu'un cas d'usage IA fonctionne. C'est de vous aider à poser, avant le POC, les questions qui décideront s'il peut y survivre.
Vous reconnaissez un ou plusieurs de ces blocages ? Parlons-en.
Sources
Chiffres vérifiés le 11 septembre 2026 :
Gartner, Why Half of GenAI Projects Fail : l'abandon des projets d'IA générative après POC et les causes associées, données, risques, coûts, valeur.
Gartner, Six Steps to Manage AI Agent Sprawl : la maturité de la gouvernance des agents et l'anticipation de l'« agent sprawl ».
Boston Consulting Group, The Widening AI Value Gap, septembre 2025 : la part des entreprises générant de la valeur avec l'IA à grande échelle.
McKinsey, The State of AI, 2025 : l'écart entre adoption de l'IA et déploiement à l'échelle de l'organisation, et le lien entre refonte des processus de travail et impact économique de l'IA générative.