Échecs de l’IA : pourquoi ces projets ont échoué
De Siri à Humane, ces projets d’IA ont échoué ou déçu. Découvrez les causes, les risques et les décisions à prendre avant de lancer votre prochain produit.
Le cimetière de l'IA : ce que les projets abandonnés révèlent du marché
L'intelligence artificielle permet de lancer des produits en quelques mois. Mais ça ne suffit pas à leur donner une utilité durable ni un modèle économique qui tienne dans le temps. Des startups ferment, des fonctions annoncées avec enthousiasme se retrouvent repoussées, et certains produits disparaissent une fois la phase de buzz passée, absorbés par une plateforme plus large. Et ce n'est pas réservé aux petits acteurs : même les équipes très financées font des retours en arrière.
Du coup, la liste des projets d'IA abandonnés ou décevants n'est pas seulement un inventaire de « lancements ratés ». Elle donne surtout une idée des endroits où les promesses se heurtent à la réalité : les coûts d'exploitation, la sécurité, l'adoption, la concurrence des plateformes géantes et la difficulté - très concrète - de passer d'une démo technologique à un usage régulier. Selon S&P Global Market Intelligence, environ 42 % des initiatives d'IA en entreprise seraient abandonnées par leurs organisations.
Voici ce que plusieurs cas récents permettent de comprendre, et une méthode simple pour évaluer un projet avant d'y consacrer du temps et du budget. L'idée n'est pas de noircir le tableau de l'expérimentation : c'est plutôt de mieux séparer une bonne intuition d'un produit capable de durer.
Pourquoi tant de projets d'IA disparaissent
Un projet d'IA peut échouer pour des raisons très différentes. Il peut rester bloqué au stade du prototype, être lancé puis stoppé, être intégré à un produit plus large, ou rater une échéance importante. Mettre tout ça sous l'étiquette « échec » rend l'histoire plus facile à raconter, mais ça efface les vraies différences entre les décisions.
Relay, par exemple, voulait automatiser des flux de travail autour des courriels et des tâches grâce à des agents d'IA. Après cinq ans, l'entreprise a cessé son activité en août. À mesure que des acteurs comme OpenAI et Google intégraient des fonctions d'automatisation dans leurs propres outils, Relay a eu plus de mal à rester un produit indépendant. Ce n'était pas forcément un problème de technologie : c'était aussi une question de place sur un marché où les plateformes disposent déjà de l'audience et de la distribution.
D'autres projets butent sur un sujet plus basique : les utilisateurs ne reviennent pas assez souvent. Yupp permettait de comparer les réponses de centaines de modèles, avec un système de vote et de récompenses en cryptomonnaie. À son apogée, la plateforme proposait plus de 800 modèles. Pourtant, ses fondateurs ont jugé qu'ils n'avaient pas trouvé une adéquation suffisante entre le produit et le marché. La plateforme a fermé en mars 2026. Une large variété de fonctionnalités ne suffit donc pas : si l'usage principal ne devient pas une habitude, et si les revenus ne couvrent pas les coûts, ça ne tient pas.
Les causes récurrentes derrière les fermetures
Quand une initiative d'IA est abandonnée, on retrouve souvent les mêmes motifs :
- Une demande trop faible ou trop ponctuelle. Les gens testent, puis n'intègrent pas l'outil à leur quotidien.
- Des coûts difficiles à absorber. L'inférence, l'hébergement, le support et la modération peuvent transformer un service populaire en équation non rentable.
- Une intégration insuffisante. Une fonction isolée oblige à changer d'outil et de méthode. Une solution intégrée réduit la friction.
- Une concurrence asymétrique. Un petit éditeur peut être dépassé quand une plateforme généraliste ajoute une fonction similaire, déjà accessible là où les utilisateurs passent leur temps.
- Des risques juridiques, de sécurité ou de réputation. Ce n'est pas un détail : selon le produit, ça peut bloquer le déploiement ou forcer à modifier fortement le modèle.
- Des difficultés techniques et organisationnelles. Un prototype convaincant ne garantit pas la fiabilité, la montée en charge ni la capacité à maintenir le système.
En entreprise, la question n'est donc pas uniquement « le modèle fonctionne-t-il ? ». Il faut aussi regarder qui va utiliser la solution, à quelle fréquence, avec quelles données, sous quelle responsabilité et à quel coût « complet ». Pour une organisation en France ou en Europe, il faut en plus vérifier les exigences liées à la protection des données, notamment au regard du RGPD, et les contraintes métier du secteur concerné.
Les grandes plateformes : intégrer ou faire marche arrière
Les groupes très bien dotés n'échappent pas aux mauvais choix produits. En revanche, ils peuvent faire évoluer la façon dont un projet s'arrête : plutôt qu'une fermeture totale, une fonction est parfois absorbée par une application plus large. Pour l'utilisateur, le service autonome disparaît ; pour l'entreprise, la technologie et l'expérience peuvent continuer ailleurs.
OpenAI donne plusieurs exemples. Le 9 juillet, l'entreprise a remanié ChatGPT avec plusieurs modes - « Chat », « Codex » et « Work » - tandis que l'interface familière prenait le nom de « ChatGPT Classic ». Des utilisateurs ont jugé la nouvelle configuration confuse et chargée. OpenAI a rapidement fait marche arrière et rétabli l'interface habituelle.
Ce type de séquence renvoie à une règle assez simple : ajouter des capacités ne veut pas dire améliorer l'expérience. Une interface peut aussi refléter l'organisation interne d'une entreprise plutôt que les tâches que l'utilisateur veut accomplir. Regrouper plusieurs fonctions dans une « super application » réduit parfois la fragmentation. Mais ça peut aussi introduire davantage de modes, de choix et de termes à comprendre avant de pouvoir faire son travail.
Quand la fermeture ressemble à une intégration
OpenAI a aussi arrêté plusieurs applications autonomes en transférant leurs fonctions dans ChatGPT. Le navigateur IA ChatGPT Atlas a été abandonné le 9 août, moins d'un an après son lancement, tandis que les fonctions jugées les plus utiles ont été reprises par ChatGPT. Même logique avec Operator, un agent capable de naviguer sur le Web et d'effectuer des tâches pour l'utilisateur. Et la génération d'images est aussi de plus en plus intégrée à ChatGPT, ce qui réduit le rôle de DALL-E comme destination séparée.
La consolidation peut avoir du bon : une fonction utile, distribuée dans un produit déjà utilisé par beaucoup de gens, est parfois plus simple à maintenir qu'une application à part. Mais l'intégration ne prouve pas, à elle seule, que le projet initial était viable. Elle peut tout autant signaler un changement de stratégie, une réduction des coûts, ou le souhait de regrouper l'usage dans un seul environnement.
Le cas de Sora, la plateforme de partage vidéo d'OpenAI, est différent. Le service a fermé en mars 2026 après des difficultés liées aux coûts d'exploitation et à la fidélisation des utilisateurs. Une démo de génération vidéo ne répond pas automatiquement à la question commerciale : pourquoi les gens reviendraient-ils, et qui payerait pour le calcul, sur la durée ?
Le calendrier a aussi pesé du côté d'Apple. Lors de la présentation d'Apple Intelligence en 2024, une version plus ambitieuse de Siri devait comprendre le contexte, repérer des informations dans les applications et exécuter des tâches. Le lancement a été repoussé à plusieurs reprises, avec des explications qui évoquaient notamment des problèmes d'ingénierie et des bogues. Le retard a ensuite joué un rôle dans un règlement de 250 millions de dollars lié à des accusations concernant la façon dont les capacités d'IA de l'iPhone 16 auraient été présentées. D'après les informations publiées par TechCrunch, la nouvelle version de Siri est apparue dans la bêta d'iOS 27 en juillet 2026, avant un déploiement en anglais en octobre ; d'autres langues devaient suivre.
Le cas Siri illustre bien le coût d'un décalage entre promesse et disponibilité. Dans un produit grand public, une fonction annoncée peut vite devenir une attente - et donc un sujet commercial - avant d'être assez fiable. Reporter un lancement peut être la décision responsable. Continuer à communiquer comme si tout était prêt, en revanche, peut créer un risque juridique et abîmer la confiance.
Les appareils IA et les applications grand public à l'épreuve de l'usage
Pour le grand public, il y a un avantage au moment du lancement : c'est plus simple à montrer. Un appareil qui répond à la voix ou une application qui transforme un texte en audio se comprend en quelques secondes. La difficulté arrive après. L'objet doit-il remplacer quelque chose qui existe déjà sur le téléphone ? L'application apporte-t-elle assez de valeur pour justifier un abonnement, une nouvelle interface ou un appareil supplémentaire à recharger ?
Le Humane AI Pin illustre bien cette tension. L'appareil portable devait offrir des fonctions d'IA sans s'appuyer sur un smartphone « classique ». Humane a levé 230 millions de dollars et a attiré une grosse attention. Mais le produit a souffert de performances décevantes. La situation s'est aggravée quand l'entreprise a demandé aux clients d'arrêter d'utiliser l'étui de recharge, à cause d'un risque potentiel d'incendie lié à la batterie. L'activité liée à l'AI Pin a fermé en février 2025, et HP a acquis la majeure partie des actifs de l'entreprise pour 116 millions de dollars.
Le Rabbit R1, présenté au CES en janvier 2024, poursuivait la même idée : un compagnon matériel chargé d'accomplir des tâches pour son propriétaire. L'entreprise a annoncé avoir vendu 100 000 unités peu après le lancement. Mais les premières critiques ont décrit un appareil incomplet, avec des performances peu fiables et des intégrations réellement utiles assez limitées. Rabbit a continué les mises à jour du R1 et l'a repositionné comme un contrôleur d'ordinateur, capable d'exécuter des tâches via des agents. L'entreprise a aussi annoncé un nouveau projet matériel, « Project Cyberdeck », pour un appareil portable axé sur le développement assisté par l'IA.
La démo ne suffit pas : l'adoption, c'est autre chose
Ces deux produits ne racontent pas exactement la même histoire : Humane a arrêté l'activité autour du Pin, tandis que Rabbit continue d'améliorer le R1. Mais ils posent la même question. Quelle tâche précise devient plus simple, plus rapide ou carrément possible grâce à ce nouvel appareil ? Si la réponse implique une longue explication, des intégrations encore incomplètes ou une fiabilité trop incertaine, la nouveauté peut ne pas compenser le coût - matériel et mental - imposé à l'utilisateur.
Les applications suivent la même logique. Huxe, créé par d'anciens développeurs de NotebookLM, transformait des informations écrites en audio sous forme de conversation. Le service a fermé en mai 2026, alors que des plateformes plus grandes, dont Spotify, développaient des expériences audio assistées par l'IA pour leur audience existante.
Notion Mail, lancé en avril 2025, cherchait à organiser et automatiser la boîte de réception grâce à l'IA. L'entreprise a constaté que ses utilisateurs utilisaient plutôt des agents d'IA séparés pour gérer leurs emails. La fermeture était prévue pour le 22 septembre. Le message est clair : même si une entreprise est déjà connue pour un produit, ses clients ne lui confient pas automatiquement une autre catégorie d'usage.
Figgs AI, une plateforme de personnages personnalisables pour le jeu de rôle et la narration, aurait dépassé le million d'utilisateurs entre 2023 et 2024. Pourtant, les développeurs ont expliqué que maintenir le service gratuit coûtait trop cher. Là encore, le nombre d'inscriptions ne suffit pas. Il faut distinguer l'intérêt au départ, l'usage répété et la capacité à financer le service sur la durée.
Le risque produit inclut aussi le risque éthique
Character.ai montre un autre type de limite. Lancée en 2021 par deux anciens chercheurs de Google, la plateforme permettait de dialoguer avec des personnages personnalisables, souvent inspirés de célébrités ou de personnages de fiction. L'entreprise a levé 150 millions de dollars en 2023, pour une valorisation d'un milliard de dollars. L'année suivante, Google a payé, selon les informations rapportées, 2,7 milliards de dollars pour obtenir une licence sur sa technologie et faire revenir ses fondateurs. Ils n'ont pas pour autant repris la main au quotidien.
Les problèmes se sont ensuite accumulés. Des familles ont engagé des poursuites, affirmant que des robots conversationnels avaient contribué à des suicides ou à des automutilations chez des adolescents. Disney a adressé une mise en demeure au sujet de l'usage non autorisé de ses personnages. Character.ai a interdit aux moins de 18 ans les conversations ouvertes à la fin de l'année précédente et a accepté, avec Google, de régler plusieurs procédures au début de 2026. L'entreprise a déposé le bilan au début du mois d'octobre, invoquant des obstacles juridiques, réglementaires et opérationnels. Disney est devenu le premier enchérisseur, avec une offre de 20 millions de dollars pour une licence portant sur une partie de la propriété intellectuelle. L'application devait rester accessible pendant la procédure, dont la conclusion était attendue fin novembre ou début décembre.
Ce dossier ne se résume pas à une question de « mise en conformité » ajoutée après coup. Quand un produit vise des utilisateurs vulnérables ou encourage des interactions longues avec des agents conversationnels, la conception, la modération, les garde-fous et la gestion des incidents font partie du produit dès le départ. L'éthique n'est pas une couche de communication : elle impacte la sécurité, la confiance et la capacité de l'entreprise à continuer.
Les leçons à tirer avant de lancer un produit IA
Si vous lisez les « cimetières » de produits, évitez la conclusion trop facile : « l'IA ne marche pas ». Certains projets échouent parce que la techno n'est pas assez fiable. D'autres parce que l'usage n'est pas là, parce que les coûts sont trop élevés, parce que le marché est déjà occupé, ou parce que les risques n'ont pas été traités. Dans tous les cas, il faut diagnostiquer le système complet, pas seulement le modèle.
Avant d'engager une équipe sur un produit ou une fonction d'IA, je structurerais l'évaluation autour de cinq questions.
- Quel problème concret est résolu ? Décrivez la tâche actuelle, la personne concernée, et ce qui change pour elle. « Utiliser un agent » n'est pas un besoin métier. En revanche, « réduire le délai de traitement d'une demande avec un niveau de qualité défini », ça se discute.
- L'usage est-il fréquent et mesurable ? Une démo convaincante ne suffit pas. Regardez le retour utilisateurs, le taux d'achèvement des tâches, le temps économisé et les cas où il faut corriger côté humain.
- Le produit peut-il financer ses coûts complets ? Calculez l'hébergement, les intégrations, le support, la modération, la sécurité et le suivi juridique. Un prototype payé par une enveloppe « innovation » n'est pas encore un modèle durable.
- Pourquoi le produit doit-il rester indépendant ? Si une plateforme déjà utilisée peut intégrer la fonction sans abîmer l'expérience, l'avantage d'un outil autonome doit être clair : meilleure qualité, spécialisation métier, contrôle sur les données ou intégration plus profonde.
- Quels sont les risques et le plan de repli ? Définissez les limites d'usage, les données nécessaires, les responsabilités humaines, les contrôles et les conditions d'arrêt. Retirer une fonction fait partie de la conception, pas d'un imprévu.
En France et dans l'Union européenne, cette analyse doit se faire avec les équipes qui connaissent les données et les processus concernés. Si vous manipulez des informations personnelles, des données de santé ou des décisions qui ont des conséquences importantes, vous ne pilotez pas ça comme un simple assistant interne de rédaction. Le RGPD, les règles sectorielles et les obligations applicables doivent être examinés avant le déploiement.
Une approche pragmatique consiste à démarrer avec un périmètre limité : un groupe d'utilisateurs, un processus précis, des indicateurs de qualité et un responsable métier. La première étape n'est pas forcément de construire un produit complet. Tester une fonction directement dans l'outil existant peut être plus utile, avec validation humaine et possibilité de revenir en arrière. Si ça marche, élargissez. Si l'usage ne prend pas, l'arrêt restera moins cher.
Pour aller plus loin, vous pouvez aussi consulter nos ressources sur le choix d'un outil d'IA adapté à vos besoins et les principes d'une utilisation responsable de l'IA. Une solution n'a pas besoin d'être spectaculaire pour compter. Elle doit surtout apporter un gain mesurable sans créer trop de charge opérationnelle ni de risque.
Conclusion
Les projets d'IA qui disparaissent ne prouvent pas que l'innovation est inutile. Ils montrent plutôt que la technologie ne compense pas un besoin mal cadré, des coûts sous-estimés, une expérience confuse ou des risques ignorés. Les cas de Relay, Siri, Humane, Rabbit, Notion Mail et Character.ai n'ont rien d'identique ; les regrouper dans une seule catégorie ferait passer à côté des vrais enseignements.
Avant le prochain lancement, repartez de la tâche à améliorer, vérifiez l'usage récurrent, estimez les coûts complets et définissez les conditions de sécurité et d'arrêt. Puis testez à petite échelle. Un système imparfait mais utile, mesuré et améliorable vaut mieux qu'une promesse ambitieuse qui ne résiste pas au quotidien.
Pour aller plus loin, choisissez un processus concret dans votre organisation et évaluez-le avec cette grille avant de vous lancer. C'est souvent là que commence une innovation durable.