Une évaluation de la préparation à l’IA teste si une initiative IA précise, selon la stratégie de solution retenue, peut réellement être exécutée — pas le degré de maturité que votre organisation ressent vis-à-vis de l’IA en général. Le cadre de World AI University pour cela, AIRA (AI Readiness Assessment), note cinq piliers — organisationnel, technologique, humain, économique, environnemental — associe chaque score à un niveau de confiance sur les preuves qui le fondent, et applique des jalons bloquants pour qu’un seul responsable manquant ou un risque non résolu puisse bloquer une initiative quelle que soit la qualité de sa moyenne. Le résultat est une décision : poursuivre, poursuivre avec des correctifs nommés, suspendre, passer outre avec responsabilité, ou actualiser l’évaluation.
Que teste réellement une évaluation de la préparation à l’IA ?
Pas la maturité organisationnelle dans l’abstrait. Une initiative précise, sous une stratégie de solution précise, face à la question : pouvons-nous l’exécuter maintenant ?
Un dossier de valeur peut montrer qu’une initiative IA mérite d’être poursuivie — le problème, le rôle de l’IA, le résultat attendu — sans répondre à la question de savoir si l’organisation peut réellement la livrer. L’évaluation de la préparation est le point de contrôle intermédiaire : elle prend l’initiative et la stratégie de solution retenue et les confronte aux personnes, données, systèmes, budget et contrôles de l’organisation. Un chatbot pour les questions RH internes a un profil de préparation complètement différent d’un système IA d’aide aux décisions de prêt ou au triage médical, car la préparation dépend de ce dont l’initiative précise a besoin, pas du degré de « maturité IA » de l’entreprise.
Ce point de contrôle se situe entre le dossier de valeur de l’initiative et le travail qui suit : le dossier financier est construit sur les hypothèses réelles de coût et de calendrier de l’initiative, la gouvernance et le risque sont cadrés selon l’exposition réelle, et la mise en œuvre est planifiée selon les contraintes réelles — tout cela en aval de la préparation, pas en amont. L’essentiel de l’écart derrière le constat du MIT NANDA en 2025, selon lequel 95 % des pilotes d’IA générative en entreprise ne montrent aucun impact mesurable sur le compte de résultat, tient au fait d’avoir sauté ce point de contrôle : des initiatives sont financées et construites avant que quiconque teste si l’organisation peut réellement les faire fonctionner.
Niveau du cas d’usage ou niveau de l’organisation
L’évaluation de la préparation se fait à deux niveaux, et les confondre est l’erreur la plus courante.
| Niveau du cas d’usage | Niveau de l’organisation | |
|---|---|---|
| Périmètre | Une initiative IA précise, selon sa stratégie de solution retenue | La capacité IA globale de l’organisation |
| Question | Cette initiative est-elle exécutable maintenant ? | Quels sont, globalement, nos écarts de capacité, nos fondations de gouvernance, notre culture, la maturité de nos données et de notre modèle opérationnel ? |
| Nature | Chirurgicale | Holistique |
| Utilisée pour | Aider une équipe à décider si elle poursuit un pari précis | Aider la direction à construire une feuille de route IA réaliste et séquencée |
Les deux niveaux utilisent les mêmes cinq piliers ci-dessous. La différence tient à ce sur quoi ils sont dirigés : une organisation peut être globalement solide en gouvernance des données et proposer pourtant un cas d’usage qui dépend de données que personne n’a réellement collectées — l’évaluation au niveau du cas d’usage le détecte ; l’évaluation au niveau de l’organisation, non.
Les cinq piliers d’AIRA
AIRA note chaque initiative sur cinq piliers, fondés sur la recherche établie en adoption technologique et en préparation : le cadre TOE (Technologie–Organisation–Environnement, étendu ici aux facteurs économiques et humains), le modèle Data Management Maturity pour la gouvernance des données, les Machine Learning Technology Readiness Levels pour la maturité de déploiement du ML, et le Technology Acceptance Model et l’UTAUT pour le comportement d’adoption humain. L’apport d’AIRA est de traduire cette recherche en un jalon pratique appliqué à une initiative réelle.
| Pilier | Question centrale | Ce qu’AIRA vérifie |
|---|---|---|
| Organisationnel | Qui porte cette initiative, qui l’approuve, et les droits de décision sont-ils clairs ? | Sponsor exécutif, responsable métier, responsable opérationnel, autorité de décision, responsable des indicateurs de succès, circuit d’escalade, pré-contrôle de gouvernance |
| Technologique | La solution retenue peut-elle fonctionner avec nos données, systèmes, sécurité et architecture actuels ? | Disponibilité, qualité et droits d’accès aux données ; préparation des systèmes/API ; viabilité de l’architecture ; sécurité et identité ; surveillance ; circuit de reprise humaine |
| Humain | Les utilisateurs et les équipes sont-ils prêts à adopter et à exploiter le workflow assisté par IA ? | Groupes d’utilisateurs, appui d’experts métier, besoins de formation, clarté des rôles, risque de confiance et de résistance, responsable de l’escalade humaine, capacité de support |
| Économique | Disposons-nous du budget, de la capacité, du circuit d’achat et d’un calendrier réaliste pour exécuter ? | Responsable budgétaire, préparation CAPEX/OPEX, capacité de ressources, circuit d’achat, réalisme du calendrier, marge de contingence, logique coûts-bénéfices |
| Environnemental | La réglementation, la vie privée, les fournisseurs et les dépendances externes sont-ils maîtrisables ? | Exposition à la vie privée, résidence des données, exposition réglementaire, maturité des fournisseurs, risque d’enfermement, dépendance aux partenaires, contraintes régionales, fiabilité externe |
Cadre de World AI University, issu du module AIRA du cursus du programme Chief AI Officer.
Comment le score de préparation est réellement construit
La notation commence simplement, à dessein. Chaque élément de préparation — y a-t-il un responsable métier, les données sont-elles accessibles, le budget est-il sécurisé — reçoit l’un de trois états : absent (aucune preuve, ou clairement pas prêt ; noté 0), partiel (des preuves existent mais sont incomplètes, vagues ou non confirmées ; noté 0,5), ou prêt (preuves claires, précises, confirmées et suffisantes ; noté 1). Les scores des éléments s’agrègent en cinq scores de piliers, et ceux-ci produisent un profil de préparation global sur une échelle de 0 à 5.
Ce chiffre seul n’est pas l’évaluation. AIRA associe chaque score de préparation à un niveau de confiance des preuves distinct — dans quelle mesure le score lui-même doit être cru.
Préparation et confiance répondent à des questions différentes. La préparation demande dans quelle mesure l’initiative paraît prête. La confiance demande dans quelle mesure les preuves derrière cette apparence sont récentes, précises et sans contradiction — des preuves qui remontent du diagnostic de workflow, du dossier de valeur, de la stratégie de solution, des dossiers de projet et des confirmations des utilisateurs. Un score de préparation de 3,4 sur 5 fondé sur des preuves peu fiables — périmées, incomplètes ou contredites ailleurs — est une situation matériellement différente du même 3,4 fondé sur des preuves très fiables, même si le chiffre semble identique. Un score de préparation élevé adossé à des preuves faibles n’est pas une base sûre pour décider.
Pourquoi les jalons bloquants comptent plus que les moyennes
Une initiative peut obtenir une moyenne de 3,8 sur 5 sur ses cinq piliers — un score honorable — et être pourtant bloquée net, car la moyenne est dangereuse. La force sur quatre piliers peut masquer une seule lacune éliminatoire sur le cinquième.
AIRA définit un ensemble de jalons bloquants : des conditions précises qui bloquent l’exécution quelle que soit la moyenne globale. Chacune des situations suivantes en déclenche un, à elle seule : aucun responsable métier nommé, aucun responsable des données, aucun responsable conformité ou vie privée, aucun circuit de supervision humaine là où il est requis, aucun responsable budgétaire, une intégration critique qui s’avère indisponible, une confiance des preuves trop faible pour croire le score, ou des faits amont qui ont changé après l’évaluation. Une moyenne de 3,8 n’annule pas un jalon déclenché. C’est le mécanisme qui empêche un score agrégé de masquer la seule lacune qui coulerait réellement l’initiative — et c’est la réponse précise à la question de savoir pourquoi un seul chiffre de maturité consolidé n’est pas, à lui seul, une façon sûre de donner le feu vert à un travail IA.
Transformer les écarts en correctifs, pas en verdicts
Le but de l’évaluation n’est pas de dire « vous n’êtes pas prêt ». C’est de dire exactement ce qui doit changer avant que l’initiative puisse avancer en sécurité — et de le rendre actionnable. Chaque écart significatif qu’AIRA fait émerger devient un plan de correction en quatre parties : un responsable nommé, une action précise avec une échéance, la preuve qui confirmera le correctif, et l’effet du correctif en aval sur le reste de l’initiative.
| Écart | Responsable | Action · échéance | Effet en aval |
|---|---|---|---|
| Responsable des données manquant (Organisationnel) | CDO | Nommer un data steward · 2 semaines | Débloque le plan d’accès aux données |
| Accès API non confirmé (Technologique) | Responsable intégration IT | Confirmer le périmètre API · 3 semaines | Réduit le risque de l’architecture d’intégration |
| Formation des relecteurs incomplète (Humain) | Responsable du changement | Former les relecteurs · 4 semaines | Protège l’hypothèse d’adoption du dossier métier |
Exemples illustratifs, pas le récit d’une mission précise.
Comment les écarts de préparation changent le dossier métier
Un écart de préparation n’est pas une simple note de bas de page sur le risque — il change les chiffres que le dossier financier doit utiliser. AIRA ne calcule pas le ROI final de l’initiative ; cela relève du dossier financier. Il fournit la logique d’ajustement qui garde le dossier financier honnête : les écarts de préparation se traduisent en ajustements directionnels des hypothèses sur lesquelles le dossier financier s’appuie.
| Hypothèse | Direction typique | Pourquoi |
|---|---|---|
| Calendrier | Plus long | Une préparation faible des données ou de l’intégration allonge généralement la livraison |
| CAPEX | Plus élevé | Les écarts signifient plus de travail en amont avant que la solution puisse fonctionner |
| OPEX | Plus élevé | Il faut davantage de support et de surveillance continus pour compenser |
| Adoption | Plus faible | Les écarts de préparation humaine réduisent la valeur que l’organisation capte réellement |
| Risque | Plus élevé | Exposition gouvernance, fournisseur, vie privée ou intégration non encore résolue |
Ce sont des signaux directionnels, pas un substitut à la modélisation financière elle-même — mais ils signifient que le dossier financier d’une initiative présentant de vrais écarts de préparation doit se présenter différemment de celui d’une initiative sans, et ce n’est généralement pas le cas à moins que quelqu’un ne relie délibérément les deux.
Les cinq décisions possibles
Une évaluation qui ne se termine pas par une décision ne valait pas la peine d’être menée. AIRA se conclut par l’un de cinq résultats.
Une distinction mérite d’être explicite : consigner une décision de préparation n’est pas la même chose qu’approuver l’initiative. Cela signifie que l’état de préparation a été évalué, documenté et peut être utilisé en sécurité par ceux qui traitent ensuite le dossier financier, la gouvernance et la mise en œuvre.
Une évaluation de la préparation qui ne peut nommer l’écart précis, son responsable et son effet sur le dossier n’a en réalité rien évalué.
Un accélérateur de 6 semaines. Vous apportez un véritable défi métier et le faites passer par AIRA et le reste de l’AI Transformation Framework ; vous repartez avec une initiative IA gouvernée.
Découvrir le programme Chief AI OfficerQuestions fréquentes
Une évaluation de la préparation à l’IA est-elle la même chose qu’une enquête de maturité IA ?
Non. Une enquête de maturité demande dans quelle mesure l’organisation se sent globalement capable en IA. Une évaluation de la préparation bien menée teste si une initiative précise, selon une stratégie de solution précise, est exécutable maintenant — une question plus étroite et plus actionnable.
Qui doit mener l’évaluation ?
Le sponsor de l’initiative, avec celui qui porte le portefeuille IA — souvent un Chief AI Officer — et le responsable du processus. Un consultant externe est utile pour les premières évaluations, afin d’instaurer la discipline et d’éviter que le sponsor note sa propre initiative.
Que se passe-t-il si une initiative n’est pas prête ?
La plupart des résultats sont « poursuivre avec correctifs », pas « suspendre » : un écart précis devient un plan de correction cadré avec un responsable nommé et une échéance, et l’initiative reprend une fois le correctif confirmé.
Un score de préparation élevé garantit-il le succès de l’initiative ?
Non. Un score élevé associé à une faible confiance des preuves n’est pas une base sûre pour décider, et l’évaluation de la préparation ne remplace ni une bonne exécution ni une refonte du workflow qui capte réellement l’opportunité. Elle réduit le mode d’échec précis consistant à engager un budget avant que l’organisation puisse exécuter.