Pourquoi 40% des projets agentic AI sont abandonnes (Gartner) — et notre fix

TL;DR. Gartner predit que 40% des projets agentic AI seront abandonnes d'ici 2027. Les quatre causes racines qu'on voit dans nos audits client : (1) mauvais scope (chasser un agent end-to-end avant qu'un agent unique marche), (2) pas de mesure (personne ne sait si ca aide), (3) couche de donnees brittle (l'article anti-patterns), (4) pas de discipline human-in-loop. Ci-dessous : a quoi chacune ressemble et ce qu'on fait a la place.

Le chiffre Gartner — ce qu'il dit vraiment

Le rapport Gartner de juin 2025 estime que "plus de 40% des projets agentic AI seront annules d'ici fin 2027". Raisons citees : couts qui escaladent, valeur business floue, et controles de risque inadequats. Couverture industrie largement alignee jusqu'en 2026.

Notre propre data d'audits client (28 engagements 2024-2026, surtout mid-market en MA + EU) s'aligne : a peu pres 4 sur 10 des projets agentic qu'on a ete amenes a fixer avaient ete inities 6-18 mois plus tot et avaient stalle. Memes causes racines reviennent encore et encore.

Les 4 causes racines

1. Mauvais scope : chasser l'agent end-to-end

A quoi ca ressemble. "On veut une IA qui gere tout le customer success." 9 mois plus tard, rien en production.

Le fix. Demarrer avec un agent qui fait une chose sur un canal. Le mesurer. Ajouter le second agent seulement quand le premier a tourne sans surveillance pendant 30 jours. C'est pourquoi notre tier d'entree est Pulse (1 agent, 1 canal), pas "tout d'un coup".

2. Pas de mesure

A quoi ca ressemble. L'agent est live depuis 4 mois. Est-ce que ca marche ? Personne ne peut repondre.

Le fix. Definir 3 metriques au jour 1 : (a) une metrique de volume (X gerés par semaine), (b) une metrique de qualite (Y faux positifs ou escalations par semaine), (c) une metrique business (Z heures economisees, conversions, ou revenue). Revue hebdo pour les premiers 90 jours, mensuelle apres. On ship un dashboard de mesure avec chaque deploiement Cockpit par defaut.

3. Couche de donnees brittle (les anti-patterns)

A quoi ca ressemble. Deux sources de verite, reads stale, pas d'idempotence. L'agent prend une decision sur des donnees stales ou fausses et quelqu'un le remarque devant un client.

Le fix. Voir notre piece anti-patterns d'integration CRM-IA. Bien faire la couche de donnees avant d'ajouter l'agent dessus. Integrations Stack couvre ca.

4. Pas de discipline human-in-loop

A quoi ca ressemble. L'agent recoit un acces ecriture complet, pas de flow d'approbation pour les actions risquees, et pas de chemin d'escalation clair. La premiere erreur detruit la confiance ; l'equipe desactive l'agent.

Le fix. Posture par defaut : l'agent enrichit + suggere, l'humain approuve tout ce qui est risque. Routing base sur la confiance — sous 60% de confiance, ping un humain sur Slack. Actions risquees (mouvements de deal stage, refunds, posts publics) demandent toujours une approbation humaine jusqu'a ce que l'agent ait 90+ jours de track record clean.

Le pattern qui marche

Phase	Duree	Ce que vous shippez
1. Un agent, un canal	6 semaines	Pulse — mesure, human-in-loop sur actions risquees
2. Ajouter le second agent si le premier marche	4-6 semaines	Departement — handoffs coordonnes, memoire partagee
3. Etendre seulement sur data	Continu	Nouveaux roles ou canaux drives par des wins mesures, pas par l'aspiration roadmap

Les equipes qui reussissent ne ship pas "agentic AI" — elles ship un agent qui marche, puis un autre, puis un autre. Les equipes qui echouent essaient de ship la plateforme d'abord.

Si vous voulez ca

Le bon point d'entree est presque toujours Pulse — un agent, un canal, mesure des le jour 1. Une fois qu'il tourne, le chemin vers Departement ou Operator est data-driven, pas pre-engage.

Envoyez un brief decrivant le role que vous voulez couvert (pas la plateforme que vous voulez construire), et notre generateur de propositions recommandera le bon tier de demarrage.