Arkange71% des entreprises utilisent l’IA, mais seules 1% atteignent la maturité opérationnelle (McKinsey State of AI 2025, 1 491 répondants, 101 pays). Entre les deux, il y a souvent un diagnostic mal construit. La plupart des dirigeants commandent un audit IA comme on commande un audit comptable, pour obtenir un rapport. Un rapport ne déploie pas un agent.
Cet article donne le playbook côté entreprise (ce qu’il faut préparer) et côté consultant (ce qu’un bon diagnostic doit livrer), avec une grille de maturité IA à cinq niveaux comme outil de positionnement.
Pourquoi 9 diagnostics IA sur 10 finissent dans un tiroir ?
Un diagnostic IA finit en placard quand il confond cartographie technologique et cadrage opérationnel. 90% des entreprises françaises utilisent déjà l’IA sans cadre de gouvernance (Usine Digitale, 2025), ce qui veut dire que le terrain est déjà saturé de tentatives. Le diagnostic n’arrive pas sur une page blanche. Il arrive après ChatGPT en shadow IT, après deux POCs avortés, après un comité de direction qui a « validé une feuille de route IA » sans savoir ce qu’il signait.
Le ratage standard ressemble à ceci. Un cabinet livre un rapport de 80 pages avec une matrice 2x2, dix cas d’usage classés par « impact vs. faisabilité », et une recommandation de gouvernance type COMEX IA trimestriel.
Six mois plus tard, zéro agent en production. HBR a baptisé cet écart le « Last Mile Problem » (HBR, mars 2026). La distance entre la roadmap et l’agent qui tourne le lundi matin chez le contrôleur de gestion ne se franchit pas avec un PowerPoint.
Le piège méthodologique récurrent consiste à démarrer un diagnostic sur un périmètre déclaré par le COMEX, découvrir au sprint 2 que le vrai irritant est ailleurs, et devoir recadrer le scope en cours de route. Un mauvais cadrage initial coûte plus cher en temps qu’en argent. Le travail de cadrage doit donc précéder le premier livrable du diagnostic.
Qu’est-ce qu’un diagnostic IA d’entreprise ?
Un diagnostic IA est un exercice de 4 à 8 semaines qui livre trois choses. Un positionnement sur une grille de maturité, une liste hiérarchisée d’irritants business résolvables par l’IA, et une roadmap chiffrée des 3 à 6 premiers cas d’usage.
La différence avec un audit data classique tient à l’angle. Un audit data regarde l’existant (qualité des données, architecture, gouvernance). Un diagnostic IA regarde l’usage cible (quels processus métier vont être transformés, par quels agents, avec quel ROI à 100 jours). 57% des entreprises françaises déploient des cas d’usage IA générative depuis plus d’un an (Usine Digitale, 2025), l’angle « découverte de l’IA » est donc dépassé. Le diagnostic 2026 commence par cartographier ce qui existe déjà en shadow IA, pas par expliquer ce qu’est GPT.
Trois livrables non négociables d’un diagnostic IA bien fait.
- Un score de maturité positionné sur une matrice à 5 niveaux (voir section suivante)
- Une short-list de 5 à 10 cas d’usage avec gain estimé en ETP, coût de déploiement, et complexité technique
- Une roadmap 100 jours avec un premier agent identifié, scopé et budgété au sprint près
Si le livrable s’arrête à une « feuille de route stratégique », il reste un audit.
Une grille de maturité IA à 5 niveaux pour se situer
Une grille de maturité IA classe une organisation sur cinq niveaux, du N1 Curieux au N5 Scaleur. Elle donne au dirigeant un langage commun pour situer son entreprise face à ses pairs, et recoupe la segmentation Stanford (Brynjolfsson et al., Stanford Digital Economy Lab, avril 2026, 51 déploiements analysés).
N1 Curieux
Tests individuels, ChatGPT en navigateur, zéro gouvernance, zéro mesure. Le DAF utilise Claude pour relire ses notes, le marketing teste Midjourney, personne ne le suit côté direction, un shadow IA pur. 30% des PME françaises sont là en mai 2026 (estimation à partir de la base BPI).
N2 Expérimentateur
POCs validés, 2 à 3 cas d’usage métier identifiés, comité IA naissant. Au moins un atelier d’idéation a eu lieu. Un budget IA existe mais il finance des licences, pas des agents. Aucun agent en production stable. C’est le niveau de la majorité des ETI françaises qui ont lancé des expérimentations en 2024-2025.
N3 Déployeur
Agents IA en production sur 1 à 3 processus métier, mesure d’usage active, premiers ROI documentés. C’est typiquement à ce niveau qu’on retrouve les organisations qui ont industrialisé la production de contenu ou de notes structurées via IA. Le passage N2 vers N3 est le saut le plus difficile, c’est exactement ce que le « Last Mile Problem » décrit.
N4 Industrialisateur
IA agentique sur processus critiques, gouvernance formalisée, ROI mesuré et publié au COMEX. Plusieurs agents interagissent. On retrouve à ce niveau les organisations industrielles matures qui ont structuré un programme IA transverse sur des périmètres ciblés.
N5 Scaleur
IA systémique, centre d’excellence interne, l’entreprise produit ses propres agents sans aide externe. Moins de 1% des PME-ETI françaises (cohérent avec le McKinsey 2025). C’est la cible long terme, pas la cible à 12 mois.
Un dirigeant qui se situe en N2 gagne à viser un N3 solide en 6 mois. Le diagnostic sert à fixer cette ambition réaliste.
Comment préparer un diagnostic IA côté entreprise ?
Préparer un diagnostic IA, c’est rassembler avant le kick-off cinq éléments qui font gagner deux semaines au consultant et trois mois au déploiement. La préparation représente 20% du temps total et conditionne 80% de la qualité du livrable. a16z (Enterprise CIO Survey 2025, 100 CIOs) montre que les entreprises avec une préparation structurée déploient leur premier agent en moyenne 2,3x plus vite.
La liste des irritants documentés
Une liste de 15 à 30 irritants business remontés des équipes, pas des hypothèses du COMEX. Format minimaliste. Processus concerné, temps perdu par semaine, personne qui souffre. C’est le carburant du diagnostic. Sans cette liste, le consultant invente, et un consultant qui invente produit une roadmap générique.
La cartographie shadow IA
Un sondage interne de 5 questions sur les outils IA déjà utilisés sans validation. Garantir l’anonymat sinon les réponses sont fausses. L’objectif n’est pas de sanctionner, c’est de savoir ce qui tourne déjà. Sur les diagnostics conduits en cabinet de services professionnels, un sondage shadow IA bien conduit révèle régulièrement 8 à 12 outils utilisés par les collaborateurs dont aucun n’apparaissait dans la roadmap initiale.
L’accès aux personnes-clés
5 à 8 entretiens d’une heure avec opérationnels, pas avec le COMEX uniquement. Le COMEX décrit l’ambition. Les opérationnels décrivent la réalité. Un diagnostic qui n’interviewe que le COMEX produit une roadmap déconnectée du terrain.
Le périmètre data documenté
Une page A4 par source de données critique, avec volume, fraîcheur, propriétaire, accessibilité technique. Pas un audit complet, juste l’essentiel. Si la donnée RH est dans un Excel partagé sur OneDrive, le diagnostic doit le savoir avant de proposer un agent de matching de profils.
Le budget de déploiement
Le piège classique consiste à payer un diagnostic à 30 k€ sans avoir provisionné les 80 à 150 k€ du premier déploiement. Un diagnostic n’a de valeur que si le déploiement suit.
Que doit livrer un diagnostic IA bien mené ?
Un diagnostic IA bien mené livre quatre artefacts utilisables le lundi suivant la restitution. Un positionnement de maturité, une short-list de cas d’usage chiffrée, une roadmap aux jalons 10/30/100, un plan de gouvernance minimal. Si l’un des quatre manque, le diagnostic est incomplet. Stanford (avril 2026, 51 déploiements) montre que les déploiements précédés d’un diagnostic structuré atteignent leur ROI 40% plus vite.
Positionnement sur la grille de maturité
Un score N1 à N5 argumenté par dimension (usage, gouvernance, data, compétences, mesure). Le score se détaille en cinq sous-scores. Une PME peut être N3 sur l’usage et N1 sur la gouvernance, c’est l’information utile.
Short-list de cas d’usage avec chiffrage
5 à 10 cas d’usage classés par ratio gain/effort. Chaque cas inclut.
- Description en une phrase
- Processus impacté
- Gain estimé en heures/semaine ou en euros
- Complexité technique sur 5
- Dépendances data
Roadmap aux jalons 10/30/100
Un rythme 10/30/100 structure les 100 premiers jours. 10 jours pour le premier agent en test, 30 jours pour l’adoption équipe, 100 jours pour le ROI mesurable. Le diagnostic doit identifier précisément ce premier agent et budgéter le sprint d’amorçage. Sur un diagnostic en cabinet de services professionnels, ce premier agent est typiquement un assistant de pré-revue de documents structurés ou de rédaction de notes de synthèse.
Plan de gouvernance minimal
Trois pages maximum. Qui valide les nouveaux cas d’usage, qui mesure les ROI, comment gérer les incidents IA. Une gouvernance opérationnelle qui tient en une réunion mensuelle. Le modèle s’applique aussi bien à une collectivité territoriale qu’à une PME industrielle ou un cabinet de services professionnels.
Checklist. Êtes-vous prêt pour un diagnostic IA ?
Cette checklist extractible permet à un dirigeant de PME-ETI de savoir en 5 minutes si son organisation est mûre pour un diagnostic IA ou s’il faut d’abord préparer le terrain.
Côté ambition
- Le COMEX a un objectif IA chiffré à 12 mois
- Un sponsor opérationnel est nommé
- Le budget de déploiement post-diagnostic est provisionné
Côté terrain
- Une liste de 15+ irritants business est disponible ou collectable en 2 semaines
- Le shadow IA actuel a été cartographié (ou peut l’être sous accord d’anonymat)
- 5 à 8 opérationnels sont disponibles pour des entretiens d’une heure
Côté data
- Les 3 à 5 sources de données critiques sont identifiables
- Un référent data interne existe (DSI, DPO, ou data steward)
- La conformité RGPD/AI Act a été abordée au moins une fois en COMEX
Côté méthode
- Le critère de succès du diagnostic est défini avant le kick-off
- Un horizon de décision post-diagnostic est posé (4 à 6 semaines max)
- La restitution sera faite en COMEX
Si trois cases ou plus sont vides, prévoir 4 semaines de préparation avant le diagnostic. Si tout est coché, le diagnostic peut démarrer la semaine prochaine.
La thèse. Un diagnostic IA n’est utile que s’il est suivi d’un déploiement
La conviction est simple. Un diagnostic IA livré sans engagement de déploiement dans les 90 jours qui suivent est un exercice intellectuel coûteux. Sur les diagnostics suivis d’un déploiement dans le trimestre, le premier agent est en production avant 100 jours. Les cas où le diagnostic est resté isolé n’ont produit aucun agent.
Un diagnostic conçu comme l’amorce du cycle ADA (Audit-Déploiement-Adoption) débouche naturellement sur le premier sprint de développement d’agent. Situer son organisation sur une grille de maturité puis démarrer un agent dans le mois reste la séquence la plus sûre.
