Le dilemme de l'ingénierie des infrastructures numériques : ce que le rapport RAND révèle sur les échecs des projets d'IA à travers le monde

Le dilemme de l'ingénierie des infrastructures numériques : pourquoi les projets d'IA échouent-ils à grande échelle ?

Une aventure mondiale du capital

Alors que le capital mondial se précipite massivement dans le domaine de l'intelligence artificielle, une étude sobre tire la sonnette d'alarme dans ce climat d'effervescence. Le rapport publié par la RAND Corporation en août 2024 indique que plus de 80 % des projets d'IA n'ont pas atteint les attentes — un taux d'échec deux fois supérieur à celui des projets informatiques traditionnels sans IA. Cela signifie que la construction d'IA n'est pas une simple mise à niveau technologique, mais un projet d'infrastructure bien plus complexe.

Le rapport repose sur des entretiens approfondis avec 65 data scientists et ingénieurs en apprentissage automatique chevronnés. Les personnes interrogées proviennent d'entreprises et d'institutions de tailles diverses et justifient d'une expérience moyenne de plus de cinq ans. Leur constat commun est que l'échec des projets d'IA ne tient pas à des algorithmes insuffisamment avancés, mais au fait que l'ensemble du processus de construction va à l'encontre des principes fondamentaux de l'ingénierie des infrastructures.

Données, algorithmes et déploiement : les trois piliers de l'infrastructure numérique

Toute infrastructure, qu'il s'agisse d'un réseau de transport, d'un réseau énergétique ou d'un centre de données, exige une articulation étroite entre les trois phases de planification, de construction et d'exploitation. Il en va de même pour les systèmes d'IA : les données sont la matière première, les algorithmes sont les équipements centraux et l'environnement de déploiement est le site d'exploitation. Toute rupture dans l'un de ces maillons peut entraîner un effondrement systémique.

Les travaux de la RAND ont dégagé cinq « anti-patterns » récurrents, qui correspondent exactement à cinq catégories de défauts structurels dans les projets d'ingénierie. En les replaçant dans le cadre analytique des infrastructures, on constate que leur pouvoir destructeur dépasse de loin celui des pannes techniques ordinaires.

Premièrement : erreur de définition du problème — erreur d'emplacement et de jugement des besoins

Dans le génie civil, une erreur de localisation ou une mauvaise évaluation des besoins rend souvent le projet incapable de remplir sa fonction une fois construit. Les équipes d'IA reçoivent fréquemment des consignes métier vagues, comme « nous devons prévoir les ventes » ou « rendre le processus intelligent ». Mais sans une définition rigoureuse du scénario cible, le modèle optimise de mauvais indicateurs et les livrables ne correspondent pas aux flux de travail réels. Selon le rapport, c'est la cause d'échec la plus citée par les personnes interrogées. Dans le domaine de l'infrastructure, cela revient à construire un aéroport de fret dans une zone résidentielle : quelle que soit la qualité du projet, il sera inutilisable.

Deuxièmement : actifs de données insuffisants — rupture de la chaîne d'approvisionnement

Les infrastructures ont besoin d'un approvisionnement fiable en matériaux ; l'IA a besoin de données d'entraînement de haute qualité. De nombreuses organisations pensent qu'il suffit d'accumuler plus de données, tout en négligeant la qualité des données, la précision de l'annotation, la fraîcheur et la conformité juridique. Les données sont le « béton » de l'IA ; des matières premières non conformes produisent inévitablement des modèles fragiles. Le rapport souligne que détenir de grandes quantités de données n'équivaut pas à posséder des actifs de données exploitables ; des pipelines de données incomplets sont plus fatals qu'un algorithme en retard.

Troisièmement : primauté de la technologie — fétichisme de l'équipement

Troisième : technologisme — fétichisme de l'équipement

Le domaine de l'ingénierie connaît souvent un phénomène de « culte de la technologie » : de nouveaux matériaux de construction, des systèmes intelligents sont adoptés aveuglément, sans se demander s'ils sont adaptés à la géologie et au climat locaux. Les équipes d'IA sont confrontées à la même tentation : rechercher les modèles de pointe et les frameworks d'apprentissage profond les plus avancés, tout en négligeant les solutions ciblées aux problèmes réels. Les personnes interrogées par RAND ont observé que certains projets choisissent les technologies les plus « spectaculaires » uniquement pour montrer à leurs supérieurs qu'ils « progressent », et finissent par ne jamais être mis en production. Cette tendance transforme les projets, censés résoudre des problèmes, en simples performances technologiques.

Quatrième : absence de systèmes de soutien — infrastructure d'exploitation inadéquate

Les projets d'infrastructure traditionnels ne peuvent pas fonctionner s'ils manquent de réseau électrique, de routes ou d'équipes de maintenance. Les projets d'IA dépendent eux aussi d'une infrastructure complète de gestion des données, de déploiement de modèles, de surveillance et de mise à jour. De nombreuses organisations investissent massivement dans la phase de développement, mais ne disposent pas des capacités d'ingénierie nécessaires pour intégrer les modèles dans les systèmes métier. Le rapport indique que, sans outils MLOps et processus de gestion adaptés, les modèles à haute précision développés en laboratoire voient leurs performances se dégrader rapidement dans l'environnement réel, voire deviennent inutilisables.

Cinquième : erreur d'évaluation de la complexité du problème — construire sur un terrain impossible

L'IA n'est pas omnipotente ; certaines tâches sont fondamentalement difficiles à automatiser. Le rapport de RAND rappelle que lorsque la technologie est utilisée pour résoudre des problèmes dépassant les capacités actuelles de l'IA, l'échec est inévitable. C'est comme construire de force de grands projets sur des falaises abruptes ou des zones de faille géologique, en ignorant les limites physiques et technologiques. Les personnes interrogées soulignent que l'« intelligence » de l'IA a des frontières, et que les gestionnaires doivent le reconnaître, au lieu de diviniser l'IA comme un outil magique.

Risques de l'IA et allocation du capital dans une perspective de financement de projets

Si nous évaluons les projets d'IA comme une catégorie d'actifs d'infrastructure, leur taux d'échec de financement atteint 80 %, de quoi faire reculer n'importe quel investisseur en infrastructure. Les données de RAND montrent que, bien que 97 % des dirigeants d'entreprise ressentent l'urgence de déployer l'IA, seulement 14 % des organisations sont réellement prêtes. Cet écart considérable entre la « volonté » et la « capacité » reflète une mauvaise allocation structurelle du capital : des sommes importantes sont investies dans des projets pilotes insuffisamment justifiés, tandis que les investissements de base nécessaires au fonctionnement à long terme de ces projets font cruellement défaut.

Le financement des infrastructures dispose de concepts matures d'« étude de faisabilité » et de « coût sur l'ensemble du cycle de vie ». Les projets d'IA ne doivent pas se concentrer uniquement sur le coût initial d'entraînement des modèles, mais aussi prendre en compte les coûts de gouvernance des données, de gouvernance des modèles, d'apprentissage continu et d'audit de conformité. Les personnes interrogées dans le rapport de RAND sont majoritairement issues de la couche d'exécution technique ; elles constatent que d'importants budgets sont consumés par le réglage des modèles, tandis que les pipelines de données les plus élémentaires et l'intégration des systèmes ne reçoivent aucun financement. Cette mauvaise allocation empêche les projets de franchir la « vallée de la mort », c'est-à-dire de passer du prototype de modèle au déploiement à grande échelle.

Infrastructure numérique dans la compétition stratégiqueLe rapport mentionne en particulier que le Département de la Défense des États-Unis investit chaque année 1,8 milliard de dollars dans les applications militaires de l'IA et considère l'IA comme une technologie clé pour la guerre du futur. Cela montre que l'IA n'est pas seulement un enjeu de compétitivité commerciale, mais aussi une composante de l'infrastructure stratégique nationale. Dans un contexte où les grandes économies mondiales se font concurrence pour construire des centres de calcul, des plateformes de données et des systèmes de décision intelligents, le succès ou l'échec des projets d'IA est directement lié à la compétitivité industrielle à long terme et à la sécurité nationale. Or, un taux d'échec élevé ne consume pas seulement du capital, mais aussi des fenêtres d'opportunité et le socle de confiance. Si l'on ne parvient pas à améliorer le taux de réussite d'un point de vue ingénierie, les stratégies nationales courront le risque de n'être que des « systèmes sur le papier ».

Des anti-modèles à la feuille de route du succès : bâtir une infrastructure d'IA résiliente

Le rapport de la RAND, fondé sur des entretiens, énonce les principes de la réussite. Pour l'industrie, les dirigeants doivent d'abord clarifier les contours du problème, en évitant les appels d'offres de type « boîte noire » ; ensuite, développer une culture de la donnée au sein de l'organisation et constituer de véritables actifs de données ; troisièmement, choisir des trajectoires technologiques matures, stables et maintenables, plutôt que de courir après les tendances ; quatrièmement, investir dans l'infrastructure MLOps afin que les modèles puissent être déployés et surveillés en continu ; enfin, garder des attentes réalistes quant aux limites des capacités de l'IA.

Pour le monde académique, le rapport recommande que les projets de recherche se concentrent davantage sur des solutions déployables dans des conditions réelles et renforcent l'intégration de la science des données et des connaissances métier. Cela est crucial pour la construction d'une infrastructure d'IA, car les avancées théoriques doivent être transformées en résultats d'ingénierie livrables.

Ces principes ne sont pas nouveaux. Comme pour toute grande infrastructure qui réussit, ils mettent l'accent sur l'ordre, la discipline et une perspective de long terme. L'IA n'est pas magique ; c'est une infrastructure émergente qui exige une gestion d'ingénierie de précision. Alors que les gouvernements et le secteur privé des différents pays se livrent concurrence dans le domaine numérique, il faut comprendre qu'une véritable infrastructure ne doit pas seulement être construite, mais aussi utilisée et entretenue.

Conclusion : d'un taux d'échec élevé à une grande maturité

Le taux d'échec actuellement élevé des projets d'IA ne signifie pas que l'IA est sans valeur, mais que ce domaine traverse une période de transition douloureuse entre « l'expérimentation technologique » et « l'ingénierie fiable ». Historiquement, les chemins de fer, les réseaux électriques et les réseaux de télécommunications ont connu des phases similaires. Les premières constructions ferroviaires ont subi de nombreuses erreurs de planification et de lourdes pertes financières ; ce n'est qu'au prix de la normalisation, des normes d'ingénierie et de la réglementation publique qu'elles sont finalement devenues les artères de la civilisation moderne.

Il en va de même pour le développement actuel de l'IA. Les travaux de la RAND offrent une précieuse liste de points de réflexion. Pour les investisseurs et les décideurs politiques mondiaux en matière d'infrastructures, l'important n'est pas d'éviter l'IA, mais d'aborder chaque projet d'IA avec la rigueur propre à la construction d'infrastructures. Ce n'est qu'en considérant les données, les algorithmes, la puissance de calcul et les processus organisationnels comme un système intégré, et en suivant le cycle complet, de la définition à l'exploitation, que l'on pourra transformer le potentiel de l'IA en une productivité durable. La prochaine ère de la concurrence mondiale sera définie par les pays et les institutions qui parviendront à construire des infrastructures numériques.