La promesse et la réalité
L'enthousiasme autour de l'intelligence artificielle a généré des investissements massifs à l'échelle mondiale, mais les résultats financiers sont loin de correspondre aux attentes. Selon plusieurs analyses publiées en 2025, seulement une entreprise sur dix rapporte un retour sur investissement significatif de ses projets d'IA. Ce constat sobre oblige les organisations québécoises à repenser leur approche de l'adoption de l'IA, en passant de la fascination technologique à une évaluation rigoureuse de la valeur créée.
L'état des lieux mondial
Les données convergent : la majorité des projets d'IA en entreprise peinent à dépasser le stade du prototype ou du projet pilote. Le passage à la production à grande échelle, le fameux « scaling », reste l'obstacle principal. Les raisons sont multiples : la qualité insuffisante des données, l'absence d'intégration avec les processus existants, le manque de compétences internes et la sous-estimation des coûts d'infrastructure et de maintenance.
Les grandes entreprises technologiques elles-mêmes admettent que le retour sur leurs investissements massifs en IA, des centaines de milliards de dollars en infrastructure de calcul, ne se matérialisera pas avant plusieurs années. Cette réalité contraste avec le discours marketing ambiant qui présente l'IA comme une solution immédiate à tous les défis organisationnels.
Le phénomène du « AI washing », la tendance des entreprises à surestimer leur utilisation de l'IA dans leurs communications, complique encore l'évaluation objective des résultats. Plusieurs entreprises ont fait l'objet de sanctions réglementaires aux États-Unis pour avoir induit les investisseurs en erreur sur leurs capacités réelles en IA.
Le portrait québécois
L'écosystème québécois n'échappe pas à cette réalité. Si le Québec dispose d'atouts considérables en recherche fondamentale et en talent, la traduction de ces avantages en valeur économique concrète reste un défi. Les PME québécoises, qui constituent l'essentiel du tissu économique, font face à des obstacles spécifiques dans l'adoption de l'IA.
Le coût d'entrée est souvent prohibitif pour les petites organisations. Le déploiement d'un système d'IA fonctionnel exige non seulement l'acquisition de la technologie, mais aussi la préparation des données, l'adaptation des processus, la formation du personnel et la maintenance continue. Pour une PME de 50 employés, ces investissements peuvent représenter une part significative de son budget annuel.
Le manque de compétences spécialisées est un frein majeur. Les experts en IA sont rares et coûteux, et la compétition pour les talents est intense, particulièrement à Montréal où les grandes entreprises technologiques et les laboratoires de recherche absorbent une part importante de la main-d'œuvre qualifiée. Les PME peinent à attirer et à retenir ces profils.
La qualité et la disponibilité des données constituent un obstacle structurel. De nombreuses organisations québécoises n'ont pas encore complété leur transformation numérique de base et ne disposent pas de données suffisamment structurées, complètes et fiables pour alimenter des systèmes d'IA performants.
Les facteurs de succès identifiés
Les organisations qui obtiennent un retour sur investissement positif partagent plusieurs caractéristiques. Elles commencent par des cas d'usage ciblés, à fort potentiel de valeur et à complexité maîtrisable, plutôt que de viser des transformations radicales. Elles investissent dans la qualité des données avant d'investir dans les algorithmes. Elles impliquent les utilisateurs finaux dès la conception des solutions. Elles mesurent rigoureusement les résultats et ajustent leurs approches en conséquence.
L'alignement stratégique est déterminant. Les projets d'IA qui réussissent sont ceux qui répondent à un besoin métier clairement identifié, plutôt que ceux qui déploient la technologie pour elle-même. La question « quel problème résolvons-nous ? » doit précéder la question « quelle technologie utilisons-nous ? ».
La gestion du changement est un facteur critique souvent négligé. L'adoption de l'IA transforme les pratiques de travail, les rôles et les responsabilités. Sans accompagnement adéquat, la résistance des équipes peut compromettre même les projets techniquement réussis.
Les implications pour la gouvernance
Ce bilan a des implications directes pour la gouvernance de l'IA au Québec. Un cadre de gouvernance efficace ne doit pas seulement encadrer les risques de l'IA, il doit aussi favoriser une adoption éclairée et productive.
Les obligations de transparence et de documentation, souvent perçues comme des contraintes, peuvent en réalité contribuer au succès des projets en forçant les organisations à clarifier leurs objectifs, à documenter leurs hypothèses et à évaluer rigoureusement leurs résultats. La gouvernance, bien conçue, n'est pas un frein à l'innovation mais un catalyseur de qualité.
Le Québec pourrait envisager des mécanismes de soutien spécifiques pour accompagner les PME dans leur adoption de l'IA. Des programmes d'accompagnement, des outils d'évaluation préalable, des guides de bonnes pratiques et des ressources partagées permettraient de démocratiser l'accès à l'IA tout en réduisant les risques d'échec.
Le piège de l'inaction
Si le bilan actuel invite à la prudence, il ne justifie pas l'inaction. Les organisations qui n'investissent pas dans la compréhension et l'expérimentation de l'IA risquent de se trouver désavantagées lorsque la technologie atteindra sa maturité. L'enjeu n'est pas de tout miser sur l'IA aujourd'hui, mais de développer les capacités, compétences, données, processus, qui permettront d'en tirer parti demain.
Pour les organisations québécoises, l'approche la plus sage consiste à investir de manière progressive et mesurée, en commençant par les applications où la valeur est la plus évidente et les risques les plus maîtrisables. L'automatisation de tâches répétitives, l'analyse prédictive à partir de données existantes et l'amélioration du service client sont des points d'entrée éprouvés.
Recommandations
Les organisations québécoises devraient réaliser un diagnostic honnête de leur maturité numérique avant d'investir dans l'IA, privilégier des projets pilotes à périmètre limité et à valeur mesurable, investir dans la qualité de leurs données comme prérequis à tout projet d'IA, prévoir un budget d'accompagnement au changement au moins équivalent au budget technologique, et établir des indicateurs de performance clairs dès le lancement de chaque projet.
Conclusion
Le bilan de 2025 sur le retour sur investissement de l'IA est un rappel salutaire : la technologie seule ne crée pas de valeur. C'est l'alignement entre la technologie, les processus, les compétences et la stratégie qui détermine le succès. Pour le Québec, ce constat est une invitation à poursuivre l'adoption de l'IA avec ambition mais aussi avec rigueur, en plaçant la gouvernance au cœur de la démarche plutôt qu'en périphérie.
