79% des entreprises françaises qui expérimentent l’intelligence artificielle ne franchissent jamais le cap de la production industrielle. Une étude dévoilée ce 25 juillet 2026 pointe trois obstacles majeurs : le coût, le manque de compétences internes et la qualité insuffisante des données disponibles.
L’enquête, menée auprès de 500 entreprises de l’industrie, du commerce et des services, dresse un constat sans équivoque. Si 67% des répondants affirment avoir lancé des projets IA au cours des deux dernières années, seuls 21% déploient effectivement des solutions en production. Les autres restent coincés au stade du POC, le proof of concept. Dans l’industrie manufacturière, la proportion d’entreprises bloquées monte à 82%.
Le coût d’infrastructure fait reculer
Premier frein identifié : l’investissement nécessaire. 54% des dirigeants interrogés estiment que le passage à l’échelle exige des budgets qu’ils ne peuvent pas débloquer. En cause, l’infrastructure de calcul. Les modèles d’apprentissage profond réclament des serveurs GPU performants, souvent loués auprès de fournisseurs cloud américains. Les ETI manufacturières, habituées aux investissements matériels sur plusieurs années, découvrent des factures mensuelles à cinq chiffres pour des charges de calcul.
Deuxième barrière : les compétences. 61% des entreprises citent la pénurie de profils maîtrisant à la fois les algorithmes et le métier industriel. Les data scientists sortis des écoles généralistes connaissent les réseaux de neurones mais ignorent les contraintes d’une chaîne de production. Les ingénieurs process, eux, maîtrisent la ligne mais pas Python. Résultat : les projets pilotes fonctionnent en silo, pilotés par des consultants externes qui repartent sans transférer le savoir-faire.
Des données trop hétérogènes pour nourrir les modèles
Troisième obstacle, moins visible mais tout aussi bloquant : la qualité des données. 48% des répondants admettent que leurs bases de données sont trop fragmentées, incomplètes ou mal documentées pour entraîner un modèle fiable. Les historiques de production remontent rarement au-delà de trois ans, les capteurs installés sur les machines parlent des protocoles incompatibles, les ERP ne communiquent pas avec les MES. Avant de faire de l’IA, il faut nettoyer, normaliser, centraliser. Un chantier que beaucoup sous-estiment au lancement du POC.
L’étude révèle aussi un paradoxe : les entreprises qui réussissent à passer en production ne sont pas les mieux dotées financièrement, mais celles qui ont formé leurs équipes internes. 73% des projets IA réussis reposent sur une montée en compétence des collaborateurs existants, contre seulement 19% sur le recrutement de spécialistes externes. La durée moyenne d’un projet réussi : 18 mois, contre 9 mois pour un POC abandonné.
Capgemini et le ministère marocain scellent un partenariat IA à Rabat
Les secteurs les plus avancés restent la logistique et la banque, où 38% et 34% des entreprises ont déployé des solutions opérationnelles. L’industrie manufacturière, elle, plafonne à 18%, malgré un discours public volontariste sur la « réindustrialisation par l’IA ». Les ETI interrogées réclament un appui public sur deux leviers : la formation de leurs ingénieurs et l’accès mutualisé à des infrastructures de calcul souveraines, pour éviter la dépendance aux clouds américains.
