Audit IA, diagnostic IA, évaluation de maturité : de quoi parle-t-on
Les trois expressions circulent pour le même exercice : établir où en est une organisation face à l'intelligence artificielle avant d'engager des budgets. Le format dominant du marché évalue cinq dimensions : la stratégie, les données, la technologie, les compétences et la gouvernance, parfois complétées d'un volet culture. Il en sort un score de maturité IA, c'est-à-dire une note de préparation, souvent présentée en radar, assortie de recommandations générales. L'exigence posée pour tout audit vaut ici aussi : un score constate, un diagnostic explique. Et dans le cas de l'IA, l'écart entre les deux se paie plus vite qu'ailleurs, car les budgets s'engagent sur la foi du score.
Ce que le score de maturité ne mesure pas
Prenez deux entreprises au même score : données correctes, infrastructure prête, appétence des équipes. La première gagnerait à automatiser sa qualification de demandes entrantes ; la seconde y détruirait sa relation client, mais libérerait des centaines d'heures sur la préparation de ses dossiers techniques. Même note, décisions opposées. Le score mesure la capacité à répondre ; il ne pose pas la question. Or la question vit dans le travail : quelles tâches pèsent, lesquelles se répètent, lesquelles portent la valeur qu'un client paie, lesquelles usent les équipes sans rien produire. Un audit IA qui ne cartographie pas les tâches livre un verdict de préparation sans objet. On sait qu'on peut ; on ignore quoi.
L'écart entre pilotes et production, chiffré
Les données récentes dessinent toutes le même paysage : une adoption large, une transformation rare. L'étude du MIT la plus commentée de 2025, The GenAI Divide (initiative NANDA, environ 150 entretiens de dirigeants, 350 salariés interrogés, 300 déploiements analysés), conclut que 95 % des pilotes d'IA générative ne produisent aucun impact mesurable sur le compte de résultat. Précision d'usage, dans l'esprit de ce que nous appliquons à tous les chiffres : celui-ci dispose d'une méthodologie publiée et d'auteurs identifiés, et il mesure l'absence d'impact financier des pilotes, pas un échec total des outils. Les auteurs situent d'ailleurs la cause hors de la technologie : une intégration défaillante au travail réel, des budgets concentrés sur les pilotes visibles plutôt que sur les tâches de fond.
Le même rapport documente un phénomène plus instructif encore : dans plus de 90 % des entreprises étudiées, les salariés utilisent déjà des outils d'IA personnels, sans déclaration, pendant que les pilotes officiels patinent. Les anglophones nomment cela shadow AI, les usages d'IA non déclarés. Lisez ce chiffre comme un diagnostic gratuit : le travail réel a déjà trouvé où l'IA l'aide ; l'organisation officielle cherche encore. En France, la dynamique confirme l'urgence de regarder au bon endroit : la part des collaborateurs disposant d'outils d'IA est passée d'environ 40 % à 60 % en un an, et un quart des organisations seulement a industrialisé une part significative de ses pilotes (Deloitte, State of AI in the Enterprise, édition France).
La méthode : auditer le travail avant la technologie
Étape 1 : formuler la décision attendue. Investir sur quels périmètres, protéger quelles activités, arrêter quels pilotes : l'audit prépare des arbitrages, pas une note. La question de départ délimite les métiers à écouter et le niveau de détail.
Étape 2 : inventorier l'existant, y compris l'officieux. Les pilotes en cours, les licences déployées, et les usages non déclarés. Ce dernier inventaire exige des garanties : personne ne décrit ses contournements sous menace de sanction. L'anonymat conditionne la sincérité, et la sincérité conditionne la carte.
Étape 3 : cartographier les tâches par l'écoute. Métier par métier, faire décrire le travail réel : ce qui occupe le temps, ce qui pèse, ce qui se répète, ce que chacun considère comme le cœur de sa valeur. La couverture compte davantage que la sophistication du questionnaire : un échantillon de responsables produit la carte des responsables. Les démarches d'écoute outillées rendent l'exhaustivité d'un périmètre praticable en quelques jours.
Étape 4 : croiser avec les cinq dimensions classiques. Données, technologie, compétences, gouvernance, culture retrouvent alors leur utilité, évaluées cas par cas et non en général. La question cesse d'être « nos données sont-elles prêtes ? » pour devenir « les données de ce cas précis suffisent-elles ? ». La réponse change souvent du tout au tout.
Étape 5 : livrer une matrice de décision. Pour chaque famille de tâches, une orientation : automatiser ce qui pèse sans valeur humaine, assister ce qui en garde, réorganiser ce qui dysfonctionne avant tout outillage, protéger ce qui fait la différence aux yeux des clients et des équipes. Chaque orientation avec ses prérequis, son hypothèse de valeur et son porteur pressenti.
Organisation & Diagnostics
Structurez votre organisation avec un diagnostic clair
Nos audits révèlent les leviers concrets pour aligner vos équipes et vos process.
Les livrables d'un audit IA utile
Quatre pièces, et une absente. Un portefeuille de cas d'usage ancrés dans les tâches décrites par les équipes, hiérarchisé par valeur et par effort. L'état des prérequis par cas : les données, les compétences et les intégrations nécessaires à celui-ci, pas une météo générale du système d'information. L'amorce d'un registre des usages, qui recense pilotes et usages officieux avec leur niveau de risque, socle de la mise en conformité avec l'AI Act européen. Une trajectoire séquencée, enfin, avec des jalons de décision. La pièce absente : le radar de maturité en cinq axes. S'il figure quelque part, qu'il tienne en annexe, à sa place de thermomètre.
Les cinq dimensions, relues depuis les tâches
Chaque dimension classique gagne à cette relecture. Les données : la seule qualité qui compte se juge sur les cas retenus, et certains cas à forte valeur se contentent de données médiocres quand d'autres, séduisants sur le papier, butent sur une donnée introuvable. Les compétences : la formation utile porte sur les gestes réels d'un poste transformé, pas sur un tour de l'outil en visioconférence, un principe que nous détaillons dans notre guide sur la conduite du changement. La gouvernance : légère et proche des flux de travail, elle arbitre vite sur les cas réels ; lourde et centrale, elle fabrique des files d'attente. La culture, enfin : l'acculturation suit l'usage utile bien plus qu'elle ne le précède ; une équipe dont l'IA vient de supprimer la ressaisie du vendredi ne demande plus pourquoi, elle demande la suite.
À quoi reconnaître un audit IA qui a visé juste
Présentez les conclusions à un métier. S'il reconnaît ses tâches, ses irritants et ses fiertés dans le portefeuille de cas, l'audit a regardé au bon endroit, et l'adoption commence pendant la restitution. S'il découvre un score et trois recommandations sur ses données, vous tenez un thermomètre de plus, précis peut-être, mais muet sur la seule question qui engage un budget : quoi faire, pour qui, dans quel ordre.
Foire aux questions
Quelle différence entre un audit IA et un diagnostic de maturité IA ?
Quelle différence entre un audit IA et un diagnostic de maturité IA ?
Le diagnostic de maturité évalue la capacité générale à déployer : données, technologie, compétences, gouvernance, culture. L'audit IA complet ajoute la question première : quelles tâches transformer, avec quelle valeur attendue. Le premier produit un score ; le second, un portefeuille de décisions.
Combien de temps prend un audit IA ?
Combien de temps prend un audit IA ?
De quelques semaines à deux mois selon le périmètre. La cartographie des tâches concentre l'essentiel du délai : des entretiens échantillonnés s'étalent, une écoute exhaustive outillée se boucle en quelques jours. Le croisement avec les prérequis techniques et la préparation des arbitrages occupent le reste.
Faut-il des données parfaites avant de lancer l'IA ?
Faut-il des données parfaites avant de lancer l'IA ?
Non. L'exigence de qualité dépend du cas d'usage : un assistant de rédaction de comptes rendus tolère des données imparfaites, un moteur de prévision non. L'audit sérieux évalue les données cas par cas, au lieu de conditionner tout déploiement à un chantier de mise en qualité générale.
Qui doit conduire l'audit IA, la DSI ou les métiers ?
Qui doit conduire l'audit IA, la DSI ou les métiers ?
Les deux, avec une priorité de parole : les personnes qui exécutent les tâches. La DSI évalue les prérequis techniques et les intégrations, les métiers connaissent le travail à transformer. Un audit conduit par la seule DSI produit un état des systèmes ; un audit conduit avec le terrain produit un plan que les équipes reconnaissent.
Sources
MIT, initiative NANDA, The GenAI Divide: State of AI in Business 2025 (Challapally et al., juillet 2025) : 95 % des pilotes d'IA générative sans impact mesurable sur le compte de résultat ; usages d'IA non déclarés observés dans plus de 90 % des entreprises étudiées.
Deloitte, State of AI in the Enterprise, édition France, 2026 : part des collaborateurs disposant d'outils d'IA passée d'environ 40 % à 60 % en un an ; un quart des organisations a industrialisé une part significative de ses pilotes. deloitte.com
OCDE, L'adoption de l'IA par les petites et moyennes entreprises, décembre 2025 : la part des entreprises utilisant l'IA dans les pays membres est passée de 5,6 % à 14 % entre 2020 et 2024. oecd.org
