AI readiness assessment : votre organisation est-elle réellement prête à intégrer l’IA ?

Les organisations veulent savoir si elles sont prêtes pour l’intelligence artificielle. La question paraît simple. Elle ne l’est pas. Prêtes à quoi ? À ouvrir des accès à un assistant génératif ? À automatiser une tâche administrative ? À faire contribuer un modèle à une décision sensible ? À intégrer l’IA dans une relation client ? À modifier un métier, une chaîne de responsabilité ou un modèle économique ?

Une entreprise peut être prête pour le premier usage et dangereusement mal préparée pour le quatrième. Elle peut disposer d’une infrastructure solide, de données nombreuses et d’un budget important, tout en étant incapable d’identifier qui doit vérifier un résultat, arbitrer une exception ou répondre d’une erreur. Elle peut aussi posséder peu de moyens techniques, mais savoir expérimenter, apprendre rapidement et interrompre un dispositif lorsque les preuves deviennent défavorables.

L’AI readiness assessment répond à ce problème. Il ne cherche pas à mesurer une disposition abstraite à « faire de l’IA ». Il examine si les conditions nécessaires à un usage déterminé sont suffisamment réunies pour décider de l’expérimenter, de l’étendre, de le différer ou d’y renoncer.

Cette précision change tout.

Une organisation n’est pas prête pour l’IA en général. Elle est plus ou moins prête pour un usage précis, dans un système de travail précis, avec un niveau de risque précis.

Qu’est-ce qu’un AI readiness assessment ?

Un AI readiness assessment est une évaluation structurée de la capacité d’une organisation à concevoir, déployer, utiliser et ajuster un système d’intelligence artificielle dans des conditions compatibles avec ses objectifs, ses ressources et ses responsabilités.

Le terme est souvent traduit par diagnostic de préparation à l’IA ou évaluation de la maturité IA. Ces formulations se recouvrent partiellement, mais ne désignent pas exactement la même chose.

La maturité décrit généralement un niveau de développement atteint. La readiness désigne la préparation à une action future. Une organisation peut donc avoir une maturité numérique élevée sans être prête pour un cas d’usage particulier. À l’inverse, elle peut ne pas posséder une architecture technologique très avancée et être suffisamment préparée pour conduire une expérimentation limitée, réversible et bien contrôlée.

La distinction est importante parce qu’elle déplace la question.

Un modèle de maturité demande : « Où en sommes-nous sur une trajectoire supposée ? »

Un diagnostic de readiness demande : « Que sommes-nous effectivement capables de faire maintenant, à quelles conditions et avec quels risques ? »

Ces quatre objets doivent être reliés, mais jamais confondus. Un score de maturité ne prouve pas la readiness. La readiness ne garantit pas l’adoption. L’adoption ne démontre pas la performance.

Pourquoi les diagnostics de maturité IA produisent facilement de faux sentiments de sécurité

Le marché propose de nombreux questionnaires en ligne. Quelques dizaines d’items aboutissent à une note, un niveau ou une catégorie : débutant, explorateur, expérimentateur, avancé, leader.

Ces outils peuvent structurer une première conversation. Ils deviennent trompeurs lorsqu’ils prétendent produire un verdict objectif sans expliciter leur construction, leurs preuves, leurs pondérations et leur domaine de validité.

La revue systématique de Sadiq et ses collègues consacrée aux modèles de maturité de l’intelligence artificielle recensait quinze modèles, dont moins de la moitié avaient fait l’objet d’une forme de validation empirique. L’hétérogénéité des dimensions, des méthodes de développement et des procédures d’évaluation interdit de considérer n’importe quel questionnaire comme un instrument scientifique.

Trois erreurs reviennent particulièrement souvent.

Transformer des opinions en faits

Une direction peut déclarer que la stratégie est claire, que les équipes sont engagées et que les données sont disponibles. Ces réponses renseignent sur une perception. Elles ne démontrent ni la clarté de la stratégie, ni l’engagement collectif, ni l’utilisabilité des données.

Une évaluation sérieuse cherche des traces : décisions documentées, processus observables, responsabilités explicites, tests réalisés, erreurs recensées, arbitrages effectués, temps réellement disponible et compétences effectivement mobilisables.

Additionner des dimensions qui ne se compensent pas

Une excellente infrastructure ne compense pas une responsabilité juridique indéfinie. Une culture d’innovation forte ne compense pas des données inutilisables. Une formation massive ne compense pas un cas d’usage sans valeur. Une gouvernance exemplaire ne rend pas un modèle suffisamment performant pour la tâche.

La moyenne arithmétique efface précisément les vulnérabilités qui devraient arrêter ou limiter le projet.

Confondre préparation déclarée et capacité démontrée

Savoir qu’il faut vérifier une production ne prouve pas que cette vérification sera réalisée lorsque le temps manque, que le résultat paraît plausible ou que le manager attend une réponse immédiate.

La readiness ne se lit pas seulement dans les intentions. Elle se révèle dans des situations, des décisions et des comportements.

Le score global est souvent l’ennemi du diagnostic. Il résume ce que la décision exige justement de ne pas mélanger.

Ce que dit la recherche sur l’AI readiness organisationnelle

L’une des études de référence a été publiée par Jan Jöhnk, Malte Weißert et Katrin Wyrtki dans Business & Information Systems Engineering. À partir d’entretiens approfondis avec 25 experts et d’une triangulation avec la littérature scientifique et professionnelle, les chercheurs ont identifié 18 facteurs répartis en cinq catégories : alignement stratégique, ressources, connaissances, culture et données.

Leur contribution est importante pour deux raisons.

Premièrement, elle montre que la préparation à l’IA ne relève pas uniquement de la technologie. Le soutien de la direction, l’adéquation entre processus et IA, les compétences, la collaboration, la conduite du changement et la qualité des données appartiennent au même problème organisationnel.

Deuxièmement, les auteurs insistent sur le caractère contextuel et finalisé de l’évaluation. Les actifs, les capacités et l’engagement doivent être examinés au regard du but particulier poursuivi. La readiness doit ensuite être réévaluée au cours de l’adoption, car l’organisation apprend, les usages évoluent et les exigences changent.

Ce travail fournit une base robuste, mais ses limites doivent être respectées. Il s’agit d’une étude qualitative exploratoire. Les 58 indicateurs proposés sont présentés comme illustratifs. Les auteurs appellent eux-mêmes à leur validation et ne justifient ni une pondération universelle ni un score standard applicable à toutes les organisations.

Les travaux plus généraux de Bryan Weiner sur la préparation organisationnelle au changement complètent utilement ce cadre. La readiness collective ne dépend pas seulement de ressources objectives. Elle combine un engagement partagé envers le changement et une croyance partagée dans la capacité du collectif à le mettre en œuvre.

Cette efficacité perçue dépend notamment de trois appréciations : les exigences de la tâche, les ressources disponibles et les facteurs de situation. Une organisation peut valoriser fortement l’IA tout en pensant, à juste titre, ne pas pouvoir l’intégrer dans les conditions actuelles.

Le questionnaire ORIC, développé ensuite par Christopher Shea et ses collègues, a apporté des premiers éléments de validation psychométrique à cette distinction entre engagement envers le changement et efficacité collective perçue. Il n’est toutefois pas une échelle spécifique de l’AI readiness. L’utiliser dans ce contexte exige une adaptation rigoureuse et ne dispense pas d’examiner les conditions techniques, juridiques et opérationnelles propres à l’IA.

La conclusion scientifique est moins confortable qu’un label « AI ready » : plusieurs cadres utiles existent, mais aucun ne permet de certifier universellement qu’une entreprise est prête pour toutes les formes d’intelligence artificielle.

AI readiness : six principes pour ne pas diagnostiquer le mauvais objet

Avant de choisir des dimensions ou des indicateurs, six principes doivent cadrer l’évaluation.

1. La readiness est finalisée

Le diagnostic commence par un usage, pas par l’IA comme abstraction. Il faut préciser le problème traité, les personnes concernées, le résultat attendu, la décision affectée et les conséquences possibles.

« Utiliser l’IA dans les ressources humaines » ne constitue pas un périmètre. Préparer des descriptions de poste, classer des candidatures, répondre aux salariés ou contribuer à une décision de mobilité présentent des exigences radicalement différentes.

2. La readiness est située

Une même technologie produit des effets différents selon le métier, la qualité des données, le niveau d’expertise, la pression temporelle, les interdépendances et la possibilité de corriger une erreur.

Le diagnostic doit donc observer le travail réel. La procédure prescrite ne suffit pas. Il faut comprendre les exceptions, les arbitrages informels, les régulations et les savoirs tacites qui permettent actuellement au système de fonctionner.

3. La readiness est distribuée

Une direction convaincue ne rend pas une organisation prête. L’IA mobilise souvent plusieurs fonctions : métier, données, informatique, sécurité, juridique, ressources humaines, achats, management et représentants des salariés.

La capacité réside dans leurs relations autant que dans chacune d’elles. Si personne ne peut trancher un conflit entre performance, conformité et qualité du travail, la somme de compétences individuelles ne produit pas une capacité collective.

4. La readiness est asymétrique

Toutes les faiblesses n’ont pas la même conséquence. Certaines réduisent la vitesse d’apprentissage. D’autres rendent l’expérimentation dangereuse ou illégitime.

Un manque de documentation peut être traité pendant un pilote limité. L’impossibilité d’identifier les données utilisées, l’absence de responsable ou l’incapacité à interrompre le système peuvent constituer des conditions d’arrêt.

5. La readiness est dynamique

L’IA évolue pendant que l’organisation apprend à l’utiliser. Un changement de modèle, de fournisseur, de données ou de réglementation peut invalider une conclusion antérieure.

L’évaluation n’est donc pas un examen d’entrée que l’on réussit une fois. Elle accompagne les cycles de conception, d’expérimentation, d’adoption et d’extension.

6. La readiness doit conduire à une décision

Un diagnostic utile ne produit pas seulement une carte colorée. Il doit permettre de choisir entre plusieurs options : ne pas poursuivre, préparer certaines conditions, lancer une expérimentation contrôlée, étendre un usage ou le retirer.

Sans règle de décision définie, l’évaluation risque de devenir une cérémonie destinée à légitimer un projet déjà choisi.

Les huit dimensions d’un AI readiness assessment exigeant

Les catégories de Jöhnk et ses collègues constituent un socle. Pour examiner la capacité de mise en œuvre dans le travail réel, il faut les articuler avec la théorie de la readiness organisationnelle, la conception sociotechnique et la gestion des risques.

La grille suivante correspond à une synthèse opérationnelle. Elle ne prétend pas constituer une échelle psychométrique universelle.

Finalité et valeur : commencer par ce qui devrait s’améliorer

Un cas d’usage n’est pas pertinent parce que l’IA sait techniquement l’exécuter. Il l’est s’il contribue à un résultat suffisamment important, dans des conditions meilleures que les solutions alternatives.

Le diagnostic doit formuler une hypothèse falsifiable. Par exemple : l’assistant réduira le temps de préparation d’un dossier de 20 % sans augmenter les erreurs détectées lors de la validation, ni transférer plus de dix minutes de contrôle à une autre fonction.

Cette formulation paraît moins ambitieuse qu’une promesse de transformation. Elle est surtout plus utile, parce qu’elle dit ce qui devrait être observé pour poursuivre ou arrêter.

Travail et processus : regarder ce que les personnes font réellement

L’IA s’insère rarement dans un processus aussi propre que sa représentation. Le travail réel comporte des informations manquantes, des exceptions, des demandes contradictoires, des délais impossibles et des critères de qualité tacites.

Un diagnostic doit repérer ce que l’outil prendra en charge, ce qu’il préparera, ce que l’humain conservera, ce qui devra être vérifié et ce qui arrivera lorsque le cas sortira du fonctionnement prévu.

Cette dimension distingue l’AI readiness assessment d’un simple audit de solutions. Elle prolonge la démarche décrite dans notre article sur l’intégration de l’IA en entreprise : installer une technologie et transformer un système de travail sont deux opérations différentes.

Technologie et données : évaluer une aptitude, pas une possession

Posséder beaucoup de données ne signifie pas disposer des bonnes données. Leur qualité dépend de l’usage, de la population, de la période, des conditions de collecte et de la décision qu’elles contribueront à produire.

L’évaluation doit tester le système sur des cas représentatifs, mais aussi sur des cas limites. Elle examine la robustesse, la sécurité, la confidentialité, la traçabilité, la dérive possible et la capacité à détecter une dégradation.

Le cadre AI RMF du National Institute of Standards and Technology organise la gestion des risques autour de quatre fonctions : gouverner, cartographier, mesurer et gérer. Cette logique rappelle qu’une performance technique ne peut être séparée de son contexte d’usage et de sa gouvernance.

Gouvernance et responsabilité : savoir qui peut dire non

Une matrice de rôles ne suffit pas si elle ne résiste pas à une situation réelle. Qui peut suspendre l’usage lorsqu’un résultat paraît douteux ? Qui tranche si l’expert métier contredit le système ? Qui informe les personnes affectées ? Qui enquête après un incident ? Qui assume la décision finale ?

Une organisation prête ne se contente pas d’identifier un propriétaire du projet. Elle distribue explicitement les droits de décision, de contrôle, de contestation et d’arrêt.

Le droit d’interrompre est un indicateur de readiness souvent plus révélateur que le nombre de personnes formées.

Compétences et jugement : vérifier le comportement sous contrainte

Les compétences ne se réduisent ni à l’AI literacy générale ni au prompting. Elles dépendent du rôle.

Un utilisateur doit savoir formuler une tâche, protéger les informations et détecter certains signaux d’erreur. Un expert doit pouvoir évaluer la qualité et reconnaître les limites de sa propre vérification. Un manager doit arbitrer le niveau de contrôle. Une fonction juridique doit comprendre le fonctionnement réel du dispositif. Une direction doit pouvoir décider à partir d’incertitudes explicites.

Le diagnostic doit donc placer les personnes devant des situations représentatives : production plausible mais fausse, donnée sensible, recommandation contraire à l’expertise, urgence, résultat impossible à expliquer ou désaccord entre deux fonctions.

Ce qui est déclaré dans un questionnaire devient alors observable dans l’action.

Engagement et efficacité collective : ne pas réduire la readiness à l’adhésion

Weiner distingue deux composantes. La première est l’engagement envers le changement : les acteurs veulent-ils réellement le mettre en œuvre ? La seconde est l’efficacité collective perçue : pensent-ils pouvoir y parvenir ensemble ?

Une forte valeur accordée à l’IA ne compense pas un sentiment d’impuissance. Inversement, une équipe peut se sentir capable techniquement sans juger le projet utile ou légitime.

L’évaluation doit préserver cette distinction. Demander « êtes-vous favorable à l’IA ? » mélange plusieurs mécanismes et produit peu d’information actionnable.

Management et coopération : examiner la capacité à organiser le désaccord

L’adoption de l’IA crée des conflits légitimes entre vitesse, qualité, sécurité, équité, coût et autonomie. Une organisation prête ne les fait pas disparaître. Elle sait les rendre discutables et arbitrables.

Le management doit protéger du temps d’expérimentation, clarifier les règles locales, surveiller les charges déplacées et permettre la remontée d’un résultat défavorable. Les fonctions doivent partager suffisamment d’information pour éviter qu’un gain local ne crée un risque ailleurs.

Cette capacité relève du leadership adaptatif : ajuster le contrôle, la délégation et la décision à la situation, plutôt qu’appliquer un niveau uniforme de confiance ou de prudence.

Apprentissage et adaptabilité : préparer aussi l’usage suivant

L’organisation ne doit pas seulement savoir lancer un pilote. Elle doit pouvoir apprendre de ses résultats, modifier les règles, corriger les données, faire évoluer les compétences et réviser la finalité du dispositif.

Cette dimension relie l’AI readiness à la change fitness. La préparation utile n’est pas une photographie. C’est la capacité à redevenir prêt lorsque la technologie, le contexte ou l’usage change.

Comment réaliser un AI readiness assessment fondé sur des preuves

Un diagnostic crédible peut suivre six étapes. Leur objectif n’est pas de produire mécaniquement une note, mais de réduire l’incertitude décisionnelle.

1. Définir l’usage et la décision attendue

Le commanditaire précise le problème, la population, les activités concernées, le niveau de risque et l’horizon de décision.

Le diagnostic doit répondre à une question réelle : pouvons-nous lancer un pilote ? Quelles conditions faut-il réunir avant de l’ouvrir aux clients ? Sommes-nous capables d’étendre un usage existant ? Pourquoi le dispositif actuel reste-t-il marginal ?

2. Formuler les conditions critiques

Avant de collecter les données, il faut déterminer ce qui rendrait l’usage inacceptable, fragile ou inutile.

Ces conditions peuvent concerner la qualité minimale, la protection des données, l’identification d’un responsable, la possibilité d’un recours humain, la disponibilité d’une compétence de contrôle ou le caractère réversible de l’expérimentation.

Les critères ne doivent pas être inventés après l’évaluation pour justifier la conclusion souhaitée.

3. Croiser plusieurs sources de preuve

Un entretien avec la direction ne décrit pas toute l’organisation. Un questionnaire ne capture pas les pratiques. Une donnée d’usage ne révèle pas nécessairement la qualité.

La convergence renforce une conclusion. Les contradictions sont également utiles. Une gouvernance peut sembler claire dans les documents et devenir introuvable lors d’un incident simulé.

4. Examiner les écarts entre niveaux

La moyenne organisationnelle masque les asymétries. Une fonction peut être préparée, une autre non. Les utilisateurs directs peuvent gagner du temps tandis que le contrôle, le juridique ou le support récupère une charge invisible.

Le diagnostic distingue donc les niveaux individuel, collectif, organisationnel et interorganisationnel. Il examine également les écarts entre sites, métiers, statuts et degrés d’expérience.

5. Éprouver les hypothèses

Une readiness déclarée doit être stress-testée. Que se passe-t-il si les données sont incomplètes ? Si le modèle change ? Si le résultat est faux mais convaincant ? Si l’expert n’est pas disponible ? Si l’usage double en trois semaines ? Si un salarié refuse la recommandation ?

Le but n’est pas de prévoir tous les incidents. Il est de vérifier que l’organisation dispose de réponses, de marges de manœuvre et de mécanismes d’apprentissage lorsque le scénario nominal ne tient plus.

6. Produire une décision et un plan de préparation

Le rapport doit rendre visibles les conditions réunies, les vulnérabilités, le niveau de preuve, les désaccords et les actions prioritaires.

Il aboutit à une décision conditionnelle, jamais à un simple adjectif.

Comment noter sans fabriquer une fausse précision

Une représentation chiffrée peut aider à comparer des dimensions ou suivre une évolution. Elle doit rester au service du jugement.

Trois précautions sont essentielles.

Séparer le niveau observé de la qualité des preuves

Une dimension estimée « forte » à partir d’une seule déclaration n’a pas la même valeur qu’une dimension étayée par des observations, des données et une expérimentation.

Le rapport doit donc indiquer simultanément le niveau de préparation et la confiance accordée à cette estimation.

Distinguer les conditions critiques des capacités à développer

Certaines dimensions forment des seuils. Si elles ne sont pas réunies, le projet ne doit pas progresser malgré un bon résultat ailleurs. D’autres peuvent être améliorées pendant une expérimentation contrôlée.

Le diagnostic doit expliciter cette logique avant de calculer quoi que ce soit.

Conserver les désaccords significatifs

Un écart important entre la direction, les managers, les utilisateurs et les fonctions de contrôle n’est pas un bruit statistique à lisser. Il peut signaler une information inégalement distribuée, une contrainte locale, une crainte de s’exprimer ou une définition différente de la réussite.

La bonne restitution ne fait pas disparaître ces écarts dans une moyenne. Elle les transforme en hypothèses à examiner.

Mesurer la readiness ne consiste pas à réduire l’incertitude par le graphisme. Il s’agit de la rendre suffisamment explicite pour décider.

Les signaux qui devraient inquiéter avant un déploiement

Certains indices justifient une attention immédiate :

• le projet possède une solution mais aucun problème formulé de manière vérifiable ;
• la réussite est définie par le nombre de licences, de prompts ou de personnes formées ;
• les données sont déclarées disponibles sans test sur l’usage envisagé ;
• le contrôle humain est exigé sans temps, compétence ni responsabilité correspondante ;
• personne ne sait qui peut suspendre le système ;
• les utilisateurs sont consultés après la conception du processus cible ;
• la direction demande de « lever les résistances » avant d’avoir examiné leur mécanisme ;
• les gains de temps sont mesurés sans le rework, les erreurs et les charges transférées ;
• le pilote ne possède aucun critère d’arrêt ;
• le score de readiness est agrégé sans exposer ses données, ses pondérations et ses limites.

Aucun de ces signaux ne condamne automatiquement le projet. Leur accumulation indique toutefois que l’organisation prépare davantage un déploiement qu’une capacité de maîtrise.

À quel moment réaliser le diagnostic ?

L’AI readiness assessment est utile à plusieurs moments.

Avant l’investissement, il aide à distinguer un problème organisationnel réel d’une recherche de cas d’usage destinée à justifier une technologie.

Avant le pilote, il vérifie les conditions minimales de sécurité, d’apprentissage et de responsabilité.

Avant le changement d’échelle, il examine si les résultats obtenus sur un périmètre limité peuvent être transférés sans supposer que tous les métiers, sites ou collectifs fonctionnent de la même manière.

Après une adoption décevante, il permet de différencier un défaut de technologie, de données, de conception du travail, de compétences, de management ou de gouvernance.

Enfin, il doit être réactivé lorsqu’un paramètre important change : fournisseur, modèle, population, données, finalité, niveau d’autonomie ou réglementation.

La readiness n’est pas un préalable administratif. C’est une fonction permanente de pilotage.

Qui doit participer à un AI readiness assessment ?

La composition dépend du cas d’usage. Elle doit néanmoins représenter les personnes qui décident, utilisent, contrôlent, maintiennent et subissent les effets du dispositif.

Un diagnostic peut associer :

• le sponsor et les responsables de la stratégie ;
• les experts du métier et les utilisateurs réels ;
• les managers des équipes concernées ;
• les fonctions données, informatique et cybersécurité ;
• les fonctions juridique, conformité, risques et achats ;
• les ressources humaines et les acteurs du dialogue social ;
• les personnes responsables de la qualité, du contrôle ou du service rendu ;
• lorsque cela est pertinent, des clients, usagers ou partenaires affectés.

Cette pluralité n’est pas une exigence de représentation symbolique. Elle permet de reconstruire le système de travail et d’identifier les coûts que chaque fonction risque autrement de déplacer vers une autre.

L’approche UNREST : diagnostiquer la capacité à intégrer, pas seulement la technologie

L’intelligence artificielle constitue un cas particulièrement exigeant de transformation organisationnelle. Elle modifie simultanément le travail, les décisions, les compétences, les règles et les représentations de l’expertise.

Chez UNREST, les diagnostics d’adaptabilité organisationnelle examinent les capacités dont dépend la transformation réelle : engagement, efficacité collective, leadership, coopération, sécurité psychologique, résilience, agilité et apprentissage.

Appliquée à l’IA, cette perspective complète les audits technologiques, juridiques et de données. Elle cherche à établir si l’organisation pourra agir, vérifier, coopérer, apprendre et s’ajuster dans les situations que le nouvel usage produira réellement.

Lorsque le diagnostic révèle un écart, notre conseil en développement organisationnel permet d’agir sur les conditions du système : rôles, décisions, coopération, mécanismes d’apprentissage, comportements et règles de travail.

Cette démarche ne délivre pas un certificat abstrait de préparation. Elle rend une décision possible, identifie les conditions à construire et prépare l’organisation à rester capable de réviser sa propre réponse.

Conclusion : être prêt, c’est pouvoir décider sans se raconter d’histoire

L’AI readiness assessment ne doit pas répondre à une fascination par un autre simulacre : un questionnaire élégant, un radar coloré et une note suffisamment haute pour rassurer le comité de direction.

Une évaluation exigeante accomplit autre chose. Elle définit l’usage, observe le travail, examine les preuves, distingue les conditions critiques, conserve les désaccords et éprouve le système face à des situations non nominales.

Elle ne promet pas de supprimer l’incertitude. Elle vérifie que l’organisation saura agir lorsqu’elle se présentera.

Une entreprise prête pour l’IA n’est donc pas celle qui possède le plus d’outils, de données ou d’experts. C’est celle qui sait relier une technologie à un problème réel, distribuer clairement la responsabilité, protéger le jugement, apprendre des erreurs et arrêter un usage lorsque les faits le demandent.

La readiness n’est pas la confiance dans un projet. C’est la capacité à ne pas dépendre de cette confiance pour le piloter.

Questions fréquentes sur l’AI readiness assessment

Comment mesurer l’AI readiness d’une entreprise ?

Il faut définir un usage précis, puis examiner plusieurs dimensions : finalité, travail, technologie, données, gouvernance, compétences, engagement collectif, management et capacité d’apprentissage. La mesure doit croiser questionnaires, entretiens, documents, données opérationnelles, observation du travail et mises en situation. Un score global isolé ne suffit pas.

Quelle est la différence entre AI readiness et maturité IA ?

La maturité IA décrit généralement le niveau de développement des capacités d’une organisation. L’AI readiness évalue si elle est suffisamment préparée pour un usage et une décision déterminés. Une entreprise mature sur le plan numérique peut ne pas être prête pour une application sensible, tandis qu’une organisation moins avancée peut conduire un pilote limité dans de bonnes conditions.

Quelles sont les dimensions d’un AI readiness assessment ?

Les cadres varient. L’étude de Jöhnk, Weißert et Wyrtki distingue l’alignement stratégique, les ressources, les connaissances, la culture et les données. Une évaluation orientée mise en œuvre doit aussi expliciter le travail, la gouvernance, la responsabilité, l’engagement collectif, le management et les mécanismes d’apprentissage.

Existe-t-il un score scientifique universel d’AI readiness ?

Non. Plusieurs modèles et questionnaires existent, mais leurs dimensions, leurs méthodes et leur validation diffèrent. L’étude de référence de Jöhnk et ses collègues présente elle-même ses indicateurs comme illustratifs et appelle à leur validation. Le résultat doit donc être interprété dans son contexte et au regard de l’usage visé.

Combien de temps dure un diagnostic de préparation à l’IA ?

La durée dépend du périmètre, du risque et de la disponibilité des preuves. Un cadrage sur un cas d’usage limité peut être rapide. Une évaluation concernant plusieurs métiers, des décisions sensibles ou un changement d’échelle exige davantage d’entretiens, d’observations, de tests et d’analyses. La qualité dépend moins de la durée affichée que de la capacité à examiner le travail réel et à éprouver les hypothèses.

Qui doit piloter l’AI readiness assessment ?

Le pilotage doit réunir une capacité d’analyse organisationnelle et une compréhension suffisante des enjeux technologiques, juridiques et métier. Le diagnostic ne devrait pas appartenir exclusivement au fournisseur de la solution évaluée. Les fonctions et populations affectées doivent pouvoir apporter des preuves, contester les hypothèses et participer aux décisions.

À quoi doit servir le rapport final ?

Le rapport doit permettre de décider : abandonner l’usage, traiter des prérequis, lancer un pilote sous conditions, étendre progressivement ou réexaminer une adoption existante. Il doit préciser les preuves, les vulnérabilités, les conditions critiques, les responsables, les critères de succès et les critères d’arrêt.

Références

• Holmström, J. (2022). From AI to digital transformation: The AI readiness framework. Business Horizons, 65(3), 329-339. https://doi.org/10.1016/j.bushor.2021.03.006.
• Jöhnk, J., Weißert, M., & Wyrtki, K. (2021). Ready or Not, AI Comes: An Interview Study of Organizational AI Readiness Factors. Business & Information Systems Engineering, 63, 5-20. https://doi.org/10.1007/s12599-020-00676-7.
• Makarius, E. E., Mukherjee, D., Fox, J. D., & Fox, A. K. (2020). Rising with the Machines: A Sociotechnical Framework for Bringing Artificial Intelligence into the Organization. Journal of Business Research, 120, 262-273. https://doi.org/10.1016/j.jbusres.2020.07.045.
• National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. https://doi.org/10.6028/NIST.AI.100-1.
• OECD, BCG, & INSEAD. (2025). The Adoption of Artificial Intelligence in Firms: New Evidence for Policymaking. OECD Publishing. https://doi.org/10.1787/f9ef33c3-en.
• Sadiq, R. B., Safie, N., Rahman, A. H. A., & Goudarzi, S. (2021). Artificial intelligence maturity model: A systematic literature review. PeerJ Computer Science, 7, e661. https://doi.org/10.7717/peerj-cs.661.
• Shea, C. M., Jacobs, S. R., Esserman, D. A., Bruce, K., & Weiner, B. J. (2014). Organizational readiness for implementing change: A psychometric assessment of a new measure. Implementation Science, 9, 7. https://doi.org/10.1186/1748-5908-9-7.
• Weiner, B. J. (2009). A Theory of Organizational Readiness for Change. Implementation Science, 4, 67. https://doi.org/10.1186/1748-5908-4-67.