Une étude de faisabilité plutôt qu'un service de recherche : comment tester un projet d'IA avec un risque maîtrisé

Une PME sans service R&D peut aborder un projet d'IA de façon responsable si elle le traduit d'abord en une étude de faisabilité limitée dans le temps : avec quelques questions vérifiables sur la technique, les données et la rentabilité, et avec des critères de poursuite ou d'arrêt fixés avant le démarrage. L'étude ne remplace pas un service de recherche, mais elle fournit la base de décision pour la prochaine étape budgétaire, y compris un arrêt motivé.

Pour la plupart des entreprises, ce n'est pas une question marginale. Selon le rapport KfW sur l'innovation dans les PME 2025, seuls 3 % des PME allemandes font de la recherche en continu et 6 % occasionnellement ; 80 % des entreprises innovantes innovent sans R&D propre. Dans le même temps, selon KfW Research, les entreprises dotées de R&D utilisent l'IA près de trois fois plus souvent. Même à caractéristiques égales par ailleurs, la probabilité estimée d'utiliser l'IA est de 38 % avec une R&D continue et de 19 % pour les entreprises innovantes sans R&D. C'est une corrélation statistique, pas une preuve de causalité. La KfW l'explique par la capacité à absorber des connaissances externes. C'est précisément cette capacité que l'on peut mobiliser projet par projet : selon le Stifterverband, l'économie allemande externalise déjà un peu plus d'un tiers de ses dépenses de R&D.

Trois questions auxquelles l'étude doit répondre

Une étude de faisabilité est utile lorsqu'elle répond à trois questions distinctes plutôt que de produire une démo.

Technique : une méthode peut-elle accomplir la tâche avec la qualité requise, et mieux qu'une alternative plus simple comme des règles, une recherche ou un processus manuel amélioré ? La question directrice est : quelle hypothèse testons-nous, et comment la mesurons-nous ?

Données : les données sont-elles suffisantes, d'une qualité exploitable et avec des droits d'utilisation clarifiés ? Le guide du Fraunhofer IIS pour les PME place expressément l'examen de la base de données avant la modélisation d'un prototype.

Économique : le bénéfice couvre-t-il les coûts de l'ensemble du flux de travail, c'est-à-dire préparation des données, intégration, contrôle métier et exploitation ? Cette question est particulièrement pertinente : dans le panel KfW des PME, 50 % citent l'incertitude sur le succès commercial comme frein à l'innovation.

Ces questions recoupent les causes typiques d'échec des projets d'IA que RAND a identifiées à partir de 65 entretiens : un problème mal compris, un manque de données d'entraînement, une focalisation sur la technologie plutôt que sur le problème, une infrastructure insuffisante et des tâches trop difficiles pour l'état de l'art.

Fixer les critères de poursuite ou d'arrêt avant le démarrage

Les critères d'arrêt ne fonctionnent que s'ils sont fixés avant les premiers résultats. Des seuils par question ont du sens : une qualité minimale sur des cas de test réels, un jeu de données obtenable dans un délai défini et un plafond de coûts d'exploitation en dessous duquel le projet est rentable. S'y ajoute la question de savoir qui évalue le résultat sur le plan métier et ce qui doit être démontré avant la prochaine étape budgétaire. Tout aussi important : quelle erreur coûterait cher en exploitation ? Une valeur d'essai mal lue ne pèse pas comme un brouillon de texte maladroit, et la qualité exigée en dépend.

Sans de tels critères, il ne reste souvent qu'un jugement flou. Dans une enquête de l'Agence fédérale des réseaux allemande (Bundesnetzagentur), 58 % des entreprises ayant testé puis abandonné l'IA ont invoqué la non-atteinte des objectifs.

Des prévisions et enquêtes de solidité inégale montrent pourquoi c'est important. Gartner prévoyait qu'au moins 30 % des projets d'IA générative seraient abandonnés après la preuve de concept d'ici fin 2025, en citant notamment la qualité des données, les coûts et un bénéfice flou. Une étude du projet NANDA du MIT indique que la plupart des organisations n'ont constaté aucun effet mesurable sur leurs résultats (Fortune). Elle repose toutefois sur 52 entretiens et 153 répondants, majoritairement américains, et ne vaut qu'à titre d'indice. Dans cette logique, un « non » après quelques semaines n'est pas un échec, mais un résultat qui épargne les coûts d'un pilote et d'un déploiement.

Distinguer étude, preuve de concept et pilote

Ces termes répondent à des questions différentes. Une preuve de concept vérifie si une solution peut fonctionner techniquement ; une preuve de valeur demande si elle apporte un bénéfice métier mesurable (Fujitsu, source fournisseur). Un pilote se déroule en conditions réelles avec de vrais utilisateurs. L'étude de faisabilité est le cadre qui précède : elle peut inclure un essai technique préliminaire, mais évalue en plus les données et la rentabilité. Sur l'échelle de maturité technologique (TRL), elle se situe généralement entre la preuve de concept expérimentale et la validation en laboratoire ou en environnement représentatif. Qui démarre directement par un pilote saute cet examen et doit ensuite régler les questions de données, de technique et de coûts en conditions d'exploitation, où chaque correction coûte plus cher.

Financement en Allemagne : actuellement surtout le crédit d'impôt recherche

Le paysage du financement a changé en 2026. L'étude de faisabilité ZIM, instrument évident, est suspendue : depuis le 7 juillet 2026, le programme central d'innovation pour les PME allemandes (ZIM) n'accepte plus de demandes ; une reprise est visée pour début 2027 (BTU Cottbus-Senftenberg).

Reste ouvert le crédit d'impôt recherche allemand (Forschungszulage), un droit légal sans fenêtre de dépôt. Il exige nouveauté, incertitude technico-scientifique et planification systématique. Selon le guide d'évaluation du BSFZ, les risques économiques ne comptent pas ; la simple configuration de logiciels établis est exclue. Pour l'étude, cela signifie planifier et documenter séparément les lots de travail techniques et les volets marché ou rentabilité. L'éligibilité de certaines parties se clarifie avec votre conseil fiscal et l'organisme de certification (BSFZ).

En Bavière, le chèque innovation pour les entreprises de moins de 50 salariés a été prolongé jusqu'à fin 2029 ; il finance des prestations de R&D externes, mais ne mentionne pas expressément les études de faisabilité.

Qui découpe ainsi un projet d'IA achète d'abord une décision solide, et seulement ensuite du développement. Si vous souhaitez structurer votre question et vos critères d'arrêt, un échange avec capinori est une première étape possible.

Questions fréquentes sur les études de faisabilité d'IA dans les PME

Sources (14)

• KfW Research : KfW-Innovationsbericht Mittelstand 2025, mars 2026 (en allemand)
• KfW Research : Fokus Volkswirtschaft n° 533, l'IA dans les PME, 11/02/2026 (en allemand)
• KfW Research : Fokus Volkswirtschaft n° 520, freins à l'innovation, 18/11/2025 (en allemand)
• Stifterverband : fue-facts 2024, avril 2026 (en allemand)
• Bundesnetzagentur : enquête sur l'IA, rapport, juillet 2025 (en allemand)
• Fraunhofer IIS : KI-Lösung – Ein Leitfaden für KMU, avril 2025 (en allemand)
• RAND Corporation : The Root Causes of Failure for Artificial Intelligence Projects, 13/08/2024 (en anglais)
• Gartner : communiqué sur les projets d'IA générative après la preuve de concept, 29/07/2024 (en anglais)
• Fortune : article sur l'étude MIT NANDA « The GenAI Divide », 18/08/2025 (en anglais)
• Fujitsu : Proof of Concept vs. Proof of Value, 13/03/2025 (en anglais)
• Commission européenne : Technology Readiness Levels, Horizon 2020, annexe G (en anglais)
• BTU Cottbus-Senftenberg : ZIM, suspension temporaire des demandes depuis le 7 juillet 2026, 20/07/2026 (en allemand)
• Bescheinigungsstelle Forschungszulage : FAQ et guide d'évaluation, au 10/2025 (en allemand)
• Bayern Innovativ : directives du chèque innovation Bavière 2026 (en allemand)