Combien de temps pour un projet IA : POC, MVP, production, les durées réelles
Un POC IA se juge en deux à six semaines, un MVP IA démarre vers quatre à seize, et la production est la seule phase dont la durée n'est jamais garantie. Le vrai sujet n'est pas le calendrier, c'est pourquoi tant de projets s'arrêtent juste après la preuve de concept, avec les chiffres de Gartner, Deloitte et RAND.
By John-Guy Park · · 10 min de lecture
Key facts
- Un POC IA se joue en deux à six semaines. C'est la phase qui sert à lever un doute technique ou économique, pas à construire un produit.
- Un MVP IA démarre vers quatre à six semaines sur un périmètre très étroit, et monte à dix à seize semaines dès qu'il y a du retrieval, plusieurs intégrations ou des évaluations croisées (donnée tierce : sfailabs.com, 2026).
- Pour un SaaS IA complet, comptez huit à seize semaines, et jusqu'à vingt pour les plus complexes (donnée tierce : infinitysky.ai, 2026).
- Le chiffre qui compte n'est pas la durée du MVP, c'est ce qui se passe après : Gartner prévoyait qu'au moins 30 % des projets generative AI seraient abandonnés après le POC fin 2025 (donnée tierce : Gartner, juillet 2024).
- Deloitte, auprès de 2 770 entreprises : 70 % n'ont mis en production que 30 % ou moins de leurs expériences GenAI (donnée tierce : Deloitte, 2025).
- Chez Workfutur, le prototype Data & IA est borné à soixante jours forfaitaires, propriété intellectuelle transférée dès le premier euro facturé.
Une durée se lit d'abord comme un périmètre
Quand un fondateur me demande combien de temps prend un projet IA, la réponse honnête est presque toujours la même : cela dépend de la phase dont il parle, car POC, MVP et production n'ont ni le même objectif, ni le même délai, ni le même risque. Les confondre explique une grande partie des déceptions.
Sur les durées, les données publiques des praticiens convergent, ce qui est rare pour être signalé. Les guides que je citerai en bas de page situent un POC IA entre quelques jours et six semaines selon la complexité du doute à lever, un MVP IA entre quatre à six semaines sur un périmètre très resserré et dix à seize semaines dès qu'on ajoute de la récupération de contexte, des intégrations multiples ou des grilles d'évaluation croisées, et un SaaS IA complet entre huit et seize semaines, avec un plafond autour de vingt pour les cas complexes.
Ce sont des données tierces, pas des observations Workfutur : je les cite parce qu'elles sont vérifiables. L'ordre de grandeur que j'observe de mon côté, sur une quinzaine de projets Data et IA, tient dans la même fourchette, sauf sur un point : dans la grande majorité des cas, la durée affichée au départ est inférieure à la réalité de trente pour cent environ, parce que le périmètre bouge en cours de route.
Bien poser la question, c'est d'abord décider où vous voulez finir. Un prototype Data & IA ne prouve pas la même chose qu'un MVP : le premier lève un doute technique ou économique précis, le second teste une hypothèse produit auprès de vrais utilisateurs. Si vous les traitez comme équivalents, vous allez demander à l'un le travail de l'autre.
Pourquoi tant de projets IA s'arrêtent juste après le POC
La durée n'est pas le vrai sujet, et la suite le montre. Gartner estimait en juillet 2024 qu'au moins 30 % des projets generative AI seraient abandonnés après la phase de preuve de concept d'ici la fin 2025, en citant la mauvaise qualité des données, des contrôles de risque insuffisants, des coûts qui montent et une valeur métier peu claire. Un an plus tard, la firme datait le taux d'abandon après POC à plus de la moitié des projets sur les mêmes causes.
Deloitte apporte une photo complémentaire, tirée d'une enquête de 2 770 entreprises : 70 % d'entre elles n'avaient mis en production que 30 % ou moins de leurs expériences GenAI, et moins de la moitié se disaient réellement préparées sur l'infrastructure technique et la gouvernance des données.
Enfin, la recherche RAND, menée auprès de data scientists et d'ingénieurs machine learning, situe le taux d'échec des projets IA au-delà de 80 %, soit environ deux fois celui des projets informatiques qui n'impliquent pas d'IA.
Trois sources indépendantes, trois biais différents, un même constat : le goulot d'étranglement d'un projet IA n'est ni le modèle, ni la durée du développement. C'est le passage du POC à quelque chose de fiable, de mesurable et de rentable en conditions réelles.
- La valeur métier n'est pas définie : on ne sait pas quoi mesurer, donc on ne sait pas quand arrêter ou étendre
- Les données ne sont pas prêtes, et la qualité des sorties en souffre dès que le volume augmente
- Le coût par traitement n'est pas chiffré : le POC tourne sur quelques centaines d'appels, la production sur des millions
- Les contrôles de risque, de conformité et de propriété arrivent trop tard, souvent bloquants
Le coût de production, la variable que personne n'anticipe
La raison la plus mal comprise de l'arrêt en production est économique, pas technique. Un POC valide sur un petit jeu de données coûte quelques centaines de tokens. En production, le coût n'est plus le prix d'un appel, c'est le coût total de la chaîne : le nettoyage des données, le contrôle de qualité des réponses, la modération, le stockage, l'indemnisation des erreurs.
Gartner, sur les transformations GenAI de grande ampleur, évoque des investissements de cinq à vingt millions de dollars. Pas de quoi effrayer une start-up au stade du POC, mais c'est précisément le piège : l'écart entre le coût marginal d'une démonstration et le coût d'un service stable en volume est si grand qu'il fait basculer la décision, souvent au dernier trimestre.
La variable qui tranche est donc le coût unitaire d'un traitement, pas le budget du projet. C'est le sujet que couvre la page prototype Data & IA : on y borne la phase de validation à soixante jours pour avoir le temps de chiffrer ce coût unitaire avant de s'engager, pas après.
Si ce coût unitaire est fatal, il vaut mieux le savoir à la sixième semaine qu'au dixième mois, et c'est toute l'utilité d'un prototypage borné dans le temps.
Ce que change un prototypage borné à soixante jours
Autant être direct : je ne crois pas aux projets IA ouverts, où l'on commence sans date ni périmètre. Je ne crois pas non plus aux POC qui durent neuf mois, parce que ce n'est plus un POC, c'est un projet qui refuse de s'avouer. La réponse que je défends, et que je pratique chez Workfutur, c'est le prototype borné.
Concrètement, sur soixante jours forfaitaires et à partir de 29 000 €, on cadre, on construit, on mesure le coût unitaire, et on sort un verdict écrit : soit le projet passe à l'échelle et on sait comment, soit il ne faut pas y aller, et on le dit. Le devis part sous cinq jours ouvrés après un atelier de cadrage qui conclut parfois que la réponse est non.
Ce format réunit les conditions que les trois études citées plus haut identifient comme manquantes : une valeur métier nommée, des données contrôlées, un coût unitaire chiffré, et une propriété intellectuelle qui n'oblige à aucune négociation de sortie, puisque tout vous est transféré dès le premier euro facturé.
Et pour les cas où le besoin n'est pas de produire mais de vérifier, une mission de due diligence technique à 4 900 € répond souvent plus utilement qu'un énième prototype.
POC, MVP, production : trois phases qui n'ont ni le même délai ni le même but
| POC IA | MVP IA | Passage en production | |
|---|---|---|---|
| Objectif | lever un doute technique ou économique | valider une hypothèse produit avec de vrais utilisateurs | tenir une qualité, un coût unitaire et une conformité stables |
| Délai typique | 2 à 6 semaines | 4 à 16 semaines (8 à 16 pour un SaaS IA) | des mois, sans engagement garanti |
| Nature de la sortie | une preuve, pas un produit | un produit utilisable par une cohorte | un service opérationnel, sans retour en arrière facile |
| Risque principal | une démonstration qui flatte | le piège du wrapper sans vraie valeur | l'explosion des coûts et des exigences |
| Coût de la sortie | faible : on jette | moyen : on peut pivoter | élevé : on ne revient pas sur la décision à peu de frais |
Les fourchettes de la colonne POC et MVP sont des données tierces citées en sources ci-dessous (sfailabs, infinitysky), pas des chiffres Workfutur. Le plafond de soixante jours forfaitaires est le tarif public Workfutur pour un prototype Data & IA.
Frequently asked questions
Combien de temps faut-il pour faire un POC IA ?
Deux à six semaines, selon la nature du doute à lever. Si la question est purement technique, quelques jours peuvent suffire ; dès qu'il faut récupérer du contexte, brancher plusieurs intégrations ou évaluer la qualité des sorties sur un volume réaliste, on monte vers le mois et demi. Au-delà de deux mois, ce n'est plus un POC, c'est un projet qui refuse de s'avouer, et il vaut mieux le nommer.
Combien de temps faut-il pour développer un MVP IA ?
Les données de praticiens convergent autour de quatre à seize semaines. Un périmètre très étroit, comme une fonction unique branchée sur une seule intégration, tient en quatre à six semaines ; l'ajout de récupération de contexte, d'évaluations croisées ou de plusieurs intégrations le porte à dix à seize semaines. Un SaaS IA complet avec authentification, tableau de bord et facturation se situe plutôt entre huit et seize semaines. Dans tous les cas, la durée se décide dans les deux premières semaines, celle où l'on fige le périmètre.
Pourquoi la plupart des projets IA ne vont jamais en production ?
Gartner estimait qu'au moins 30 % des projets GenAI seraient abandonnés après le POC d'ici fin 2025, puis a daté ce taux à plus de la moitié. Deloitte, sur 2 770 entreprises, constate que 70 % n'ont mis en production que 30 % ou moins de leurs expériences. La recherche RAND situe le taux d'échec au-delà de 80 %. Les causes reviennent toujours aux mêmes : une valeur métier non définie, des données non maîtrisées, et un coût unitaire jamais chiffré avant l'engagement.
Combien coûte un projet IA, du POC à la production ?
Il n'existe pas de chiffre unique fiable, et je ne vais pas en inventer un. Ce qu'on peut dire, c'est que la différence entre le coût d'une démonstration et le coût d'un service stable en volume est le facteur de loin le plus sous-estimé. Gartner évoque des investissements de cinq à vingt millions de dollars pour certaines transformations GenAI. La seule façon d'avoir un chiffre honnête pour votre cas est de mesurer le coût unitaire d'un traitement pendant la phase de validation, et c'est précisément ce que borne un prototypage à soixante jours.
Comment éviter que mon projet IA s'arrête au POC ?
En réunissant dès le départ les conditions que les études identifient comme manquantes : une valeur métier nommée et mesurable, des données contrôlées, un coût unitaire chiffré, et un point d'arrêt écrit. Concrètement, cela veut dire décider à l'avance ce qui fera qu'on continue, ce qui fera qu'on arrête, et à quel coût maximal. Un prototype borné dans le temps est le meilleur moyen de forcer cette discipline : on ne sort pas sans verdict chiffré.
Sources cited
- Gartner — 30 % des projets generative AI abandonnés après le POC (communiqué) — donnée tierce · juillet 2024 · causes : qualité des données, contrôles de risque, coûts, valeur métier ; investissements GenAI de 5 à 20 M$ sur certains cas
- Gartner — Why Half of GenAI Projects Fail — donnée tierce · plus de 50 % des projets GenAI abandonnés après le POC, sur les mêmes causes
- Deloitte, synthèse TechRepublic — Evolution numérique / GenAI — donnée tierce · enquête 2 770 entreprises : 70 % n'ont mis en production que 30 % ou moins de leurs expériences GenAI
- RAND — Why AI Projects Fail (James Ryseff) — donnée tierce · plus de 80 % des projets IA échouent, environ deux fois le taux des projets IT sans IA
- sfailabs — How long does it take to build an AI MVP — donnée tierce · sprint 4-6 semaines, build typique 6-10, complexe 10-16 ; champ 2026
- infinitysky — How long to build an AI-powered SaaS MVP — donnée tierce · SaaS IA simple 6-10 semaines, moyenne 10-14, complexe 14-20 ; fourchette principale 8-16
Got a project to turn into a product?
Book 30 minutes, or describe your idea in a few lines. We reply within 5 business days with free scoping — scope, risks, timeline and engagement pricing.