Échecs de l’IA : 12 projets arrêtés et leurs leçons14 min de lecture2 706 mots

Échecs de l’IA : 12 projets arrêtés et leurs leçons

Pourquoi des projets d’IA prometteurs échouent-ils ? Analyse de douze cas et des leçons à tirer sur la demande, les coûts, la sécurité et la stratégie.

échecs de l’IAprojets d’intelligence artificiellestart-up IArisques de l’IAstratégie IA
Échecs de l’IA : 12 projets arrêtés et leurs leçons

Échecs de l'IA : ce que les projets abandonnés révèlent du marché

Un produit d'intelligence artificielle peut attirer des investisseurs, faire parler de lui et rassembler des milliers d'utilisateurs... sans jamais devenir rentable. On voit beaucoup de projets « morts » sur le papier, mais pour des raisons très concrètes : coûts mal maîtrisés, public trop fragile, promesse trop optimiste, ou tout simplement le fait que la technologie ne suffit pas à elle seule à faire un produit.

Et ce n'est pas réservé aux start-up. Les grands groupes aussi. D'après S&P Global Market Intelligence, environ 42 % des initiatives d'IA finissent abandonnées par les entreprises qui les lancent. Certaines équipes coupent court très vite. D'autres pivotent, intègrent le travail dans une offre existante, ou laissent le produit en ligne après des résultats en dessous des attentes.

Dans les lignes qui suivent, on passe en revue plusieurs cas - de Siri aux lunettes et assistants matériels, jusqu'aux outils de productivité et aux compagnons conversationnels. L'objectif n'est pas de faire un palmarès des ratés, mais de comprendre les mécanismes qui mènent à l'abandon, et les questions à se poser avant d'y investir du temps (et de l'argent).

Pourquoi tant de projets d'IA échouent-ils ?

On entend souvent la même réponse : « la technologie n'était pas assez bonne ». Sauf que, dans la vraie vie, un projet peut fonctionner techniquement et échouer quand même. Les raisons sont presque toujours ailleurs : des utilisateurs qui ne reviennent pas, un coût par interaction trop élevé, ou une plateforme déjà installée qui propose une fonction équivalente.

Autrement dit : la techno n'est qu'une pièce du puzzle. Elle ne remplace ni la distribution, ni la confiance, ni une économie viable. Et dans l'IA grand public, ça se voit encore plus : le lancement attire parfois plus d'attention que l'usage réel au quotidien.

L'intérêt initial ne prouve pas une demande durable

Un pic de téléchargements ou une file d'attente au lancement, ça veut dire qu'il y a de la curiosité. Ça ne prouve pas qu'une fois l'effet « nouveauté » passé, les gens ont un problème assez important pour revenir... et payer.

Yupp, qui permettait de comparer les réponses de centaines de modèles, a fédéré une communauté autour d'un usage original. Mais les fondateurs ont fini par reconnaître que le produit ne trouvait pas le bon product-market fit pour tenir dans la durée.

Figgs AI, une plateforme de personnages conversationnels, aurait dépassé le million d'utilisateurs. Le problème n'était pas l'audience : c'était le coût pour maintenir le service gratuitement. Le nombre d'inscrits ne dit pas combien reviennent, combien paieraient, ni si les revenus couvrent l'inférence, l'hébergement et la modération.

Les coûts d'exploitation peuvent exploser plus vite que l'usage

Un produit d'IA générative dépend souvent de ressources variables : appels à des modèles, stockage, traitement multimodal, et parfois intervention humaine pour gérer des erreurs. Ce qui paraît « supportable » en pilote peut devenir déficitaire à grande échelle - surtout si les utilisateurs consomment intensivement sans formule payante adaptée.

La plateforme vidéo Sora, par exemple, a été arrêtée en mars 2026, notamment avec des coûts d'exploitation élevés et des difficultés de rétention. La leçon n'est pas que la vidéo générative n'a pas d'avenir. C'est qu'un usage spectaculaire ne finance pas forcément l'infrastructure derrière.

La confiance et la sécurité font partie du produit

Les questions juridiques et éthiques ne sont pas une « préoccupation de fin ». Character.ai a fait l'objet de plaintes de familles qui alléguaient un lien entre ses chatbots et des suicides ou des automutilations chez des adolescents. L'entreprise a ensuite limité les conversations ouvertes pour les moins de 18 ans et accepté de régler plusieurs litiges avec Google. Puis elle a déposé le bilan en octobre 2026, en invoquant des difficultés juridiques, réglementaires et opérationnelles.

Autre exemple : Microsoft Recall a été critiqué pour la quantité d'informations personnelles qu'il pouvait capter via des captures d'écran périodiques. Là encore, ce n'était pas « un détail » : mots de passe, messages privés, données financières... tout se jouait sur la capacité des utilisateurs à accepter (ou non) cette fonction sur leur ordinateur.

Quels projets d'IA ont été arrêtés ou revus ?

Tout n'est pas une fermeture totale. Certains projets sont absorbés dans une offre plus large. D'autres sont retardés ou reconfigurés. Le point important, c'est que « arrêt » et « pivot » n'ont pas le même sens : mettre fin à une application autonome peut relever d'un choix stratégique, tandis qu'un report prolongé peut signaler des problèmes de qualité, de sécurité, ou de promesse produit.

OpenAI : regrouper des fonctions n'améliore pas toujours l'expérience

En juillet 2026, OpenAI a tenté de faire évoluer ChatGPT vers une application plus large, en regroupant plusieurs expériences, dont les modes Chat, Codex et Work, et en renommant l'interface habituelle ChatGPT Classic. Certains utilisateurs ont trouvé l'ensemble trop chargé, difficile à comprendre. L'entreprise a rapidement rétabli l'interface familière.

Ce retour en arrière rappelle une règle simple : ajouter des capacités ne suffit pas. Une interface doit aider à choisir la bonne action, pas exposer une sorte d'organigramme interne. Ce qui paraît logique dans une feuille de route peut devenir, côté utilisateur, un choix de trop.

D'autres produits autonomes ont été absorbés ou arrêtés. ChatGPT Atlas, un navigateur web dopé à l'IA, a été abandonné en août 2026, avec les fonctions les plus utiles intégrées à ChatGPT. Operator, un agent capable de naviguer sur le web et d'effectuer des tâches, a suivi une trajectoire similaire. Et la génération d'images s'est aussi davantage retrouvée intégrée à ChatGPT, au détriment de DALL-E comme destination séparée. Dans ces cas-là, disparaître en tant que marque ne veut pas dire « inutile » : la fonction peut vivre dans un produit plus vaste.

Siri : une promesse produit peut coûter cher si elle traîne

En 2024, lors de la présentation d'Apple Intelligence, Apple a mis en avant une version améliorée de Siri, capable de comprendre le contexte et d'agir entre les applications. La sortie a été repoussée à plusieurs reprises, avec comme raisons évoquées des problèmes d'ingénierie et des bogues.

Le décalage entre la promesse et la disponibilité a eu des conséquences commerciales et juridiques : Apple a accepté un règlement de 250 millions de dollars dans le cadre de réclamations liées à la façon dont les capacités d'IA de l'iPhone 16 avaient été présentées. D'après les informations disponibles en novembre 2026, la nouvelle version a d'abord fait son apparition dans la bêta d'iOS 27 en juillet, avant un déploiement auprès des utilisateurs anglophones ce mois-ci. D'autres langues doivent suivre.

Le cas ne prouve pas que « le projet a échoué ». Il montre surtout que les annonces engagent. Plus la promesse est précise, plus l'écart avec l'expérience réelle peut abîmer la confiance.

Les outils de productivité peuvent perdre leur place

Relay, un outil d'automatisation présenté comme une alternative à Zapier, a cessé ses activités en août 2026. L'idée était de s'appuyer sur des agents capables d'automatiser des tâches, notamment autour des courriels. Sauf que, pendant ce temps, OpenAI, Google et d'autres ont intégré des fonctions comparables à leurs propres produits. Pour un outil indépendant, il faut alors expliquer pourquoi on paie, pourquoi on s'intègre, et pourquoi on change ses habitudes.

Notion Mail, lancé en avril 2025 pour organiser et automatiser les courriels avec l'IA, doit fermer le 22 septembre 2026. L'entreprise aurait constaté que beaucoup de ses utilisateurs préfèrent recourir à des agents IA distincts pour gérer leur boîte de réception. Le papier peut sembler convaincant : la réalité des usages, elle, peut aller ailleurs.

Huxe, une application qui transformait des textes en contenus audio type podcast, a fermé en mai 2026. L'arrivée d'offres similaires chez de grandes plateformes, notamment Spotify, a rendu la différenciation d'un service autonome plus difficile. Quand une fonction peut être intégrée à un produit déjà utilisé par des millions de personnes, la start-up doit apporter une valeur nettement supérieure - ou une expérience plus ciblée.

Pourquoi les produits matériels et les start-up sont-ils particulièrement exposés ?

Arrêter un logiciel coûte souvent moins cher. Un produit matériel, lui, engage plus : conception, fabrication, stocks, distribution, retours et support. Si l'usage n'est pas là, même une IA « bonne » ne compense pas une expérience physique lente, fragile, ou trop peu fiable.

Les appareils dédiés doivent convaincre sur une vraie utilité

L'AI Pin de Humane voulait apporter des fonctions d'IA via un appareil portable plutôt que via un smartphone. Malgré 230 millions de dollars levés et une forte visibilité, le produit a souffert de performances insuffisantes. La situation s'est détériorée quand l'entreprise a demandé aux clients de ne plus utiliser le boîtier de recharge en raison d'un risque potentiel d'incendie lié à la batterie. Humane a arrêté cette activité en février 2025 ; HP a acquis la majeure partie de ses actifs pour 116 millions de dollars.

Rabbit R1 a aussi bénéficié d'un lancement très médiatisé : l'appareil aurait vendu 100 000 unités peu après sa présentation au CES en janvier 2024. Les premières évaluations ont décrit un produit incomplet, avec des performances irrégulières et des intégrations limitées. Rabbit a poursuivi les mises à jour et repositionné le produit comme contrôleur informatique pour des tâches agentiques. Bref : ce n'est pas exactement la même histoire qu'une simple fermeture, davantage un pari en évolution.

La question à trancher avant de lancer un appareil IA est assez simple : quelle tâche devient assez meilleure, assez souvent, pour justifier l'achat, la recharge et le transport d'un objet en plus ? Si un téléphone fait « presque pareil », l'avantage doit se démontrer dans l'usage réel, pas dans une démo.

Une petite entreprise peut être dépassée même sans produit « mauvais »

Ollie, un assistant pensé pour aider les familles à coordonner calendriers, courriels, rappels et tâches, s'appuyait sur une certification SOC 2 liée à la sécurité. L'application a été lancée en juin 2026, puis a annoncé sa fermeture pour le 6 novembre. Le dirigeant a évoqué des difficultés à se distinguer, à croître et à lever suffisamment de capitaux, face à des concurrents mieux financés.

Ce cas parle directement aux entreprises françaises et européennes qui construisent des outils autour de données sensibles. Une posture de confidentialité peut aider à gagner la confiance, mais elle ne remplace pas une stratégie d'acquisition. Il faut une cible claire, un canal soutenable, et une raison de choisir le produit plutôt que les solutions déjà en place.

Character.ai rappelle aussi que l'échelle peut amplifier les risques aussi vite que les revenus. Fondée en 2021 par d'anciens chercheurs de Google, la société avait levé 150 millions de dollars en 2023, pour une valorisation d'un milliard. Google a ensuite payé, selon des informations rapportées, 2,7 milliards de dollars pour obtenir une licence sur sa technologie et faire revenir ses fondateurs dans son environnement. La start-up a poursuivi sans eux, mais a dû affronter des procédures, des restrictions d'usage et des difficultés réglementaires. Au moment de sa procédure de faillite, Disney était présenté comme le premier enchérisseur, avec une offre de 20 millions de dollars pour une licence sur une partie de sa propriété intellectuelle.

Comment évaluer un projet d'IA avant d'y investir ?

On ne juge pas un projet d'IA uniquement sur la qualité de la démonstration. Pour une équipe produit, un comité d'investissement ou une direction métier, le test utile consiste à regarder ensemble la demande, l'économie, la distribution, la sécurité et la capacité d'exécution. Ces dimensions se compensent rarement : si la demande est faible, un modèle plus puissant ne fera pas revenir les utilisateurs.

Une grille de décision en cinq questions

Avant de financer un lancement ou une nouvelle fonctionnalité, posez cinq questions et cherchez des preuves vérifiables :

  1. Quel problème précis est résolu ? Décrivez la tâche du point de vue utilisateur, pas du point de vue du modèle. « Résumer un échange commercial avant un rendez-vous » est plus testable que « utiliser un agent intelligent ».
  2. Les utilisateurs reviennent-ils ? Regardez la rétention et la fréquence d'usage sur plusieurs semaines. Les inscriptions juste après une campagne de lancement ne suffisent pas.
  3. L'économie tient-elle quand l'usage augmente ? Intégrez le coût des modèles, l'infrastructure, le support, la modération et les erreurs. Faites un scénario où l'usage monte, pas seulement celui du pilote.
  4. Pourquoi ce produit plutôt qu'une fonction intégrée ? Si un grand acteur peut obtenir le même résultat dans un outil déjà utilisé, identifiez l'avantage défendable : spécialisation métier, intégrations, qualité, sécurité ou distribution.
  5. Les risques sont-ils acceptables et maîtrisés ? Anticipez les données collectées, les erreurs possibles, les usages abusifs, le contrôle humain, et les obligations applicables (notamment RGPD).

Tester petit, mais avec les bons critères

Un pilote utile n'est pas une démo faite pour rassurer la direction. Il doit reproduire les conditions réelles : utilisateurs représentatifs, données pertinentes, cas difficiles, coûts complets, et critères d'arrêt annoncés dès le départ.

Fixez un seuil avant de lancer le test. Par exemple : adoption régulière par un groupe cible, taux d'erreur acceptable, temps réellement gagné, et coût par tâche inférieur à la solution actuelle. Si le seuil n'est pas atteint, ce n'est pas forcément « tout arrêter ». Vous pouvez réduire le périmètre, changer de cible, intégrer la fonction à un outil existant, ou arrêter proprement.

C'est là que se joue la différence entre un pivot et un sauvetage coûteux. Un pivot s'appuie sur un signal d'usage réel. Un sauvetage prolonge parce que du budget a déjà été dépensé, ou parce que la techno impressionne. Les décisions produit devraient suivre les preuves, pas le coût irrécupérable.

À retenir : un produit d'IA mérite d'être poursuivi si un usage récurrent, une économie soutenable et une valeur différenciée sont montrés en même temps. Aucune condition seule ne suffit.

Conclusion

Les projets du cimetière de l'IA n'échouent pas tous pour les mêmes raisons. Certains ne trouvent pas de demande durable ; d'autres butent sur les coûts, la concurrence, la sécurité, ou sur l'écart entre la promesse et l'expérience. Et plusieurs fonctions survivent sous une autre forme, dans un autre produit.

La leçon est donc plus nuancée qu'un simple « méfiez-vous de la nouveauté ». Évaluez l'usage récurrent, l'économie unitaire, la différenciation et les risques dans les conditions réelles. Si ces éléments ne tiennent pas ensemble, mieux vaut réduire le périmètre ou arrêter tôt que financer une démo sans avenir commercial.

Questions frequentes

Les causes se cumulent souvent : demande insuffisante, coûts d’exploitation élevés, difficultés techniques, concurrence d’acteurs mieux distribués ou risques juridiques et de sécurité. Un prototype convaincant ne prouve ni la rétention ni la rentabilité. Selon S&P Global Market Intelligence, environ 42 % des initiatives d’IA seraient abandonnées par les entreprises qui les portent.
Non. Une application autonome peut être arrêtée parce que ses fonctions sont mieux intégrées à une plateforme plus large. C’est différent d’un produit fermé faute d’utilisateurs ou de financement. Il faut regarder ce qui a été conservé, les raisons de l’arrêt et les résultats pour les utilisateurs, pas seulement le nom du produit.
Observez des usages répétés dans des conditions réelles, pas uniquement des inscriptions ou des réactions à une démonstration. Vérifiez que les utilisateurs reviennent, qu’ils obtiennent un résultat mesurable et qu’ils accepteraient de payer ou de changer leurs habitudes. Comparez aussi le coût complet avec la solution actuelle.
Elles disposent souvent de davantage de capital, de données et de canaux de distribution, mais ne sont pas à l’abri. Un projet peut échouer à cause d’une expérience confuse, d’une promesse prématurée ou d’un problème de confiance. En revanche, une grande plateforme peut parfois absorber les fonctions utiles d’un produit abandonné.

Articles similaires