Comment évaluer la maturité en IA d'une entreprise : 5 paliers

Le dirigeant avait commencé par me montrer une capture d’écran. On y voyait une dizaine d’outils d’intelligence artificielle ouverts dans les navigateurs de ses équipes : assistants rédactionnels, générateur d’images, solution de transcription, chatbot intégré au CRM. « Nous sommes déjà très avancés », m’a-t-il dit.

Vingt minutes plus tard, personne ne savait répondre à trois questions simples : quelles données pouvaient être copiées dans ces outils, quels usages produisaient réellement un gain de temps et qui validait les résultats avant envoi au client.

Le problème n’était pas l’absence d’IA. C’était l’absence de repères. Cette situation, rencontrée lors d’une mission anonymisée d’ASphere auprès d’une PME de services, résume pourquoi évaluer la maturité en IA d'une entreprise est un préalable utile avant de financer une formation, de lancer un projet ou de multiplier les abonnements.

Pourquoi les outils utilisés ne suffisent-ils pas à mesurer la maturité IA ?

Une entreprise peut utiliser plusieurs outils d’IA et rester immature sur des sujets essentiels. Elle peut aussi ne disposer d’aucune solution sophistiquée mais avoir déjà les fondamentaux : une gouvernance claire, des données propres, des collaborateurs formés et un cas d’usage mesuré.

La maturité ne répond donc pas à la question « avons-nous de l’IA ? ». Elle répond à une question plus opérationnelle : sommes-nous capables de transformer l’IA en résultats fiables, conformes et reproductibles ?

Cette distinction compte d’autant plus que le marché évolue vite. Dans son rapport The State of AI in early 2024, publié en mai 2024, McKinsey indique que 65 % des répondants déclaraient utiliser régulièrement l’IA générative dans leur organisation, contre environ un tiers lors de l’enquête précédente. Le chiffre décrit une adoption déclarée, pas une maturité maîtrisée.

De son côté, la Direction générale des Entreprises, via France Num, rappelle l’intérêt d’un diagnostic structuré de la maturité numérique avant de choisir des investissements. L’IA doit être évaluée dans ce cadre plus large : processus, données, compétences, sécurité et pilotage.

Le déclic : remplacer l’opinion par des preuves

Lors de la mission évoquée plus haut, nous avons commencé par interroger séparément la direction, les managers et six utilisateurs réguliers. Les réponses semblaient contradictoires. La direction parlait d’automatisation ; les équipes parlaient surtout de reformulation de courriels. Le service informatique craignait une fuite de données ; les commerciaux utilisaient déjà des informations clients dans des interfaces grand public.

Le déclic est venu d’un atelier de 90 minutes. Chaque participant devait décrire un usage réel, avec son point de départ, le temps passé avant et après, les données mobilisées, le contrôle humain et le résultat obtenu. Nous n’avons pas discuté des promesses des éditeurs. Nous avons examiné des traces : exemples de livrables, procédures, historiques de validation et indicateurs disponibles.

Le diagnostic a fait apparaître une réalité plus nuancée que le discours initial. L’entreprise possédait une forte curiosité et quelques gains individuels, mais aucune règle commune, aucun portefeuille de cas d’usage et aucune mesure de qualité. Nous l’avons classée au palier 2 sur 5 : expérimentation dispersée.

Ce classement n’était pas une sanction. Il a permis de décider quoi faire d’abord : sécuriser les usages, sélectionner deux processus à tester et former les personnes concernées. Sans ce constat partagé, l’entreprise aurait probablement acheté un outil supplémentaire.

Les 6 dimensions à examiner dans un diagnostic de maturité IA

Pour savoir comment évaluer la maturité en IA d'une entreprise, il faut éviter le score unique posé sur une impression. J’examine six dimensions complémentaires. Chacune doit être documentée par des faits observables, même simples.

1. La stratégie : l’IA répond-elle à une priorité métier ?

Une organisation mature ne commence pas par une technologie. Elle part d’un irritant mesurable : délai de traitement trop long, taux d’erreur élevé, recherche documentaire chronophage, faible personnalisation commerciale ou difficulté à absorber une hausse de volume.

Demandez : quels objectifs l’IA doit-elle soutenir ? Qui porte la décision ? Quel résultat justifierait la poursuite du projet ? Si la réponse se limite à « il faut être innovant », la maturité stratégique reste faible.

La preuve attendue peut être un portefeuille de cas d’usage priorisés, reliés à des indicateurs métier et à un responsable identifié. Une simple liste d’idées dans un tableau partagé ne suffit pas.

2. Les données : sont-elles accessibles, fiables et utilisables ?

Un modèle ne corrige pas magiquement des données incomplètes, contradictoires ou mal classées. Il faut examiner où se trouvent les informations, qui peut y accéder, à quelle fréquence elles sont mises à jour et si leur utilisation est autorisée.

Dans la PME observée, les documents commerciaux étaient répartis entre un serveur, des boîtes mail et des dossiers personnels. L’équipe voulait créer un assistant interne, mais personne ne pouvait garantir que les versions proposées étaient les bonnes. Le premier chantier n’était donc pas le chatbot : c’était la structuration de la base documentaire.

Le dossier de la CNIL consacré à l’intelligence artificielle est une référence utile pour traiter les questions de données personnelles, de finalité, de sécurité et de responsabilité. Une maturité élevée suppose que ces sujets soient intégrés au projet dès sa conception.

3. Les compétences : qui sait utiliser, contrôler et faire évoluer les usages ?

Il faut distinguer trois niveaux de compétence. Les utilisateurs doivent savoir formuler une demande, vérifier une réponse et protéger les informations sensibles. Les managers doivent savoir choisir un cas d’usage et mesurer son impact. Les équipes techniques ou référentes doivent comprendre les intégrations, les droits d’accès et les limites de la solution.

Une formation ponctuelle peut créer un enthousiasme immédiat sans installer de pratique durable. Je cherche donc des preuves plus concrètes : charte d’usage comprise, bibliothèque de prompts validés, référents identifiés, exercices de vérification et temps prévu pour le partage d’expérience.

Le niveau de maturité augmente lorsque les compétences ne reposent plus sur une seule personne « qui s’y connaît ». Une absence prolongée ne doit pas interrompre tous les usages.

4. La gouvernance et la conformité : les règles sont-elles explicites ?

Qui peut utiliser quel outil ? Quelles données sont interdites ? Qui valide un contenu généré ? Comment signaler une erreur ? Combien de temps les informations sont-elles conservées ? Ces questions ne sont pas administratives : elles déterminent le niveau de risque accepté par l’entreprise.

Depuis le 2 août 2024, le règlement européen sur l’intelligence artificielle, dit AI Act, est entré progressivement en vigueur, avec des obligations échelonnées selon les pratiques et les niveaux de risque. Le texte officiel est consultable sur EUR-Lex. Toutes les entreprises ne sont pas soumises aux mêmes obligations, mais toutes ont intérêt à cartographier leurs usages et leurs responsabilités.

Un document de dix pages ignoré par les équipes ne démontre pas une maturité supérieure à une règle courte, connue et appliquée. La bonne question est : que se passe-t-il concrètement lorsqu’un collaborateur reçoit une réponse fausse ou transmet une donnée sensible par erreur ?

5. La technologie : l’environnement est-il intégrable et sécurisé ?

La maturité technologique ne se résume pas à la puissance du modèle choisi. Elle concerne l’identité des utilisateurs, les droits d’accès, les connexions aux outils existants, la traçabilité, la gestion des versions et la possibilité de reprendre la main.

Une solution qui fonctionne en démonstration mais exige des copier-coller quotidiens sera rarement adoptée durablement. À l’inverse, une intégration plus modeste dans un processus bien choisi peut produire un résultat solide. Je vérifie toujours la chaîne complète : entrée, traitement, contrôle, sortie et archivage.

Il faut aussi examiner les conditions contractuelles du fournisseur : utilisation éventuelle des données pour l’entraînement, localisation, sous-traitants, disponibilité du service et modalités de suppression. Une promesse de gain ne compense pas un risque mal compris.

6. L’adoption et la mesure : les gains sont-ils confirmés dans le travail réel ?

Un pilote réussi ne se limite pas à une démonstration convaincante. Il doit être utilisé par les personnes concernées, dans leurs conditions habituelles, puis comparé à une situation de référence.

Pour un traitement documentaire, on peut mesurer le temps moyen, le taux de correction et le volume traité. Pour une assistance commerciale, on peut suivre le délai de réponse, la qualité perçue et le taux d’utilisation. Pour un support interne, on peut examiner les demandes résolues et les escalades vers un expert.

Je recommande de choisir peu d’indicateurs, définis avant le lancement. Sans mesure initiale, le gain annoncé après le pilote est souvent une impression. Or une impression ne permet ni d’arbitrer ni de généraliser.

Les 5 paliers de maturité IA que j’utilise

Cette grille n’est pas une norme officielle. C’est un outil de décision pour obtenir une photographie compréhensible et déterminer la prochaine étape.

Le palier ne doit jamais être calculé en additionnant mécaniquement des cases. Une entreprise peut être avancée sur les compétences et faible sur la gouvernance. Dans ce cas, le diagnostic doit retenir le point de fragilité qui bloque le passage à l’échelle.

Comment conduire l’évaluation en pratique ?

Étape 1 : réunir les bonnes personnes

Associez la direction, un représentant métier, une personne en charge des systèmes ou des données et plusieurs utilisateurs. Une évaluation conduite uniquement par l’informatique sous-estime souvent les usages réels. Une évaluation conduite uniquement par les utilisateurs néglige souvent les risques d’intégration et de conformité.

Étape 2 : inventorier les usages existants

Recensez les outils utilisés, y compris ceux qui ne sont pas officiellement validés. Pour chaque usage, notez l’objectif, les données saisies, les résultats attendus, le contrôle humain et le temps consacré. Cette étape révèle souvent un phénomène de « shadow AI » : des pratiques installées avant toute décision de l’entreprise.

Étape 3 : attribuer une note appuyée par une preuve

Pour chaque dimension, utilisez une échelle de 0 à 4, mais interdisez les notes sans justification. « Gouvernance : 2, car une charte existe mais n’est pas présentée aux nouveaux arrivants » est exploitable. « Gouvernance : 2, au feeling » ne l’est pas.

Étape 4 : identifier le verrou prioritaire

Ne transformez pas le diagnostic en catalogue de vingt actions. Cherchez le verrou qui empêche la suite. Ce peut être l’absence de données fiables, un manque de validation juridique, une intégration impossible ou une compétence concentrée sur une seule personne.

Étape 5 : construire une feuille de route sur 90 jours

La feuille de route doit comporter un nombre limité d’actions : une règle d’usage, un cas pilote, un responsable, un indicateur et une date de revue. Une démarche d’évaluation du ROI d’une stratégie IA peut ensuite préciser les gains attendus et les coûts à prendre en compte.

Quelles erreurs faussent le diagnostic ?

Confondre volume et maturité. Dix outils utilisés sans contrôle signalent parfois davantage une dispersion qu’une avance.

Interroger uniquement la direction. Les usages officieux, les contournements et les difficultés opérationnelles apparaissent rarement dans un comité de pilotage.

Noter la technologie au lieu du processus. Un modèle récent ne rend pas un processus pertinent. Il faut d’abord savoir quelle décision ou quelle tâche doit être améliorée.

Mesurer seulement le temps gagné. Un résultat plus rapide mais moins fiable peut dégrader la qualité, l’expérience client ou la conformité.

Présenter un score sans prochaine décision. Un diagnostic utile se termine par un choix : sécuriser, tester, former, intégrer, mesurer ou arrêter.

Que faire après l’évaluation de maturité IA ?

Le diagnostic n’est pas un trophée et ne doit pas rester dans un fichier de présentation. À l’issue de la mission évoquée au début, l’entreprise a renoncé à lancer trois projets simultanément. Elle a choisi un seul processus documentaire, défini les données autorisées, désigné deux référents et établi une mesure avant expérimentation.

Cette discipline a changé les conversations internes. Les équipes ne débattaient plus de l’outil « le plus puissant », mais de la qualité de la source, du contrôle attendu et du résultat à atteindre. C’est souvent le signe qu’une organisation commence réellement à mûrir.

Si vous voulez passer du constat à une décision opérationnelle, commencez par formaliser vos usages actuels, vos données sensibles et vos deux priorités métier. Vous pouvez ensuite solliciter ASphere pour cadrer un diagnostic et une feuille de route IA adaptés à votre organisation. La prochaine étape concrète n’est pas d’acheter une nouvelle licence : c’est de réunir les personnes concernées et d’examiner un cas d’usage réel, preuves à l’appui.

Pour prolonger la réflexion sur le passage du diagnostic à l’action, consultez également notre retour sur l’IA et la transformation d’un organisme de formation. Le principe reste le même : partir du travail réel, sécuriser les données et ne généraliser que ce qui a démontré sa valeur.