Ce qu'il faut retenir
- Un diagnostic data et IA mesure une maturité, pas une envie. Il évalue l'entreprise sur 5 axes et 20 sous-critères, chacun noté de 0 à 4 : vision, structuration des données, outils, ressources et compétences, démarche cas d'usage par la valeur.
- Les projets IA échouent rarement sur le modèle. Dans l'étude BCG Build for the Future 2025 (1 250 entreprises), les obstacles les plus cités sont le manque d'expertise pour traiter les données non structurées (79 %), l'adoption par les équipes (77 %) et la pénurie de profils data (74 %). La précision insuffisante des modèles arrive loin derrière, à 66 %.
- La règle 10-20-70 de BCG résume l'enjeu : 70 % de l'effort porte sur les personnes et les processus, 20 % sur la technologie, 10 % sur les algorithmes. Un diagnostic qui ne regarde que la technologie regarde 20 % du problème.
- Le score le plus fréquent est 2 sur 4, partout. Ce n'est pas un mauvais score : c'est le profil d'une entreprise qui a des données, des outils et des intentions, mais rien de transversal. Il détermine le type de premier cas d'usage à choisir.
- Ce diagnostic est cofinancé en France. Le Diag Data IA de Bpifrance, financé par France 2030 dans le cadre du plan « Osez l'IA », prend en charge 40 % d'une prestation de 8 jours-hommes, ramenant son coût de 10 000 € HT à 6 000 € HT pour les PME et ETI de 10 à 2 000 salariés.
Pourquoi évaluer sa maturité data avant de lancer un projet IA ?
En 2025, 18 % des entreprises implantées en France déclarent utiliser au moins une technologie d'intelligence artificielle, contre 10 % un an plus tôt, selon l'Insee. La moyenne européenne est de 20 %, d'après Eurostat. L'écart de taille est net : 15 % chez les entreprises de moins de 50 salariés, 31 % entre 50 et 249 salariés, 58 % au-delà de 250.
Le problème n'est plus l'adoption : elle progresse vite. Le problème est le rendement. L'étude The Widening AI Value Gap publiée par le Boston Consulting Group en septembre 2025, menée auprès de plus de 1 250 entreprises dans le monde, établit que 5 % seulement dégagent de la valeur de l'IA à l'échelle, tandis que 60 % n'obtiennent aucun gain matériel malgré des investissements substantiels.
Entre les deux, il n'y a pas une différence de modèle ou de fournisseur. Il y a une différence de socle. C'est exactement ce qu'un diagnostic data et IA cherche à mesurer : non pas ce que vous voulez faire avec l'IA, mais ce que votre organisation est aujourd'hui en état de faire.
Qu'est-ce qu'un diagnostic data et IA, exactement ?
Un diagnostic data et IA est une mission de conseil courte, structurée, qui produit trois choses : un état des lieux de la maturité de l'entreprise, une liste de cas d'usage qualifiés et priorisés, et une feuille de route chiffrée. Il ne développe rien. Il décide de ce qu'il faut développer, et dans quel ordre.
L'État français a normalisé ce format. Le Diag Data IA, opéré par Bpifrance dans le cadre du plan « Osez l'IA » et cofinancé par France 2030, prend la forme d'une prestation de conseil de 8 jours-hommes conduite selon une méthodologie standardisée. Son premier objectif, tel qu'il est formulé par France Num, est de réaliser un état des lieux technique et opérationnel « permettant d'évaluer finement le niveau de maturité de l'entreprise, afin de garantir la sélection des cas d'usage les plus pertinents ».
L'ordre des mots compte. La maturité est évaluée d'abord, parce qu'elle conditionne la sélection des cas d'usage — et non l'inverse. Le dispositif a déjà accompagné plus de 1 200 entreprises, et 2 000 accompagnements supplémentaires sont cofinancés pour la période 2026-2027. La prise en charge de 40 % ramène la facture de 10 000 € HT à 6 000 € HT. Sont éligibles les PME et ETI de 10 à 2 000 salariés immatriculées au RCS en France.
D'autres voies de financement existent selon votre branche : les dispositifs OPCO, dont Clic&Tech pour les entreprises industrielles, couvrent des périmètres proches. Nous détaillons les conditions d'accès et les combinaisons possibles au moment de cadrer votre stratégie IA.
La grille de maturité data et IA : 5 axes, 20 sous-critères
Voici la grille que nous utilisons comme livrable de diagnostic. Chaque sous-critère est noté de 0 à 4, sur la base d'entretiens avec les directions concernées et d'un examen des systèmes existants. Elle est présentée ici vierge : elle n'a de sens qu'appliquée à une organisation réelle.
| Axe | Sous-critère | Score (0-4) |
|---|---|---|
| 1. Vision | Identification et mise en œuvre des cas d'usage Data/IA | ☐ |
| Contribution de la Data/IA à la stratégie | ☐ | |
| Communication des ambitions Data/IA en interne | ☐ | |
| Gouvernance projet Data/IA (pilotage, priorisation, éthique) | ☐ | |
| Implication des métiers autour de la Data | ☐ | |
| 2. Structuration et qualité des données | Degré de structuration des données | ☐ |
| Identification, qualification et cartographie des données et des KPIs | ☐ | |
| Niveau de qualité des données pour les cas d'usage | ☐ | |
| Initiatives de mise en qualité | ☐ | |
| 3. Outils | Outils et plateformes de collecte de données | ☐ |
| Base technologique pour préparer, explorer et traiter les données | ☐ | |
| Compétences de la fonction IT sur la Data | ☐ | |
| Supports fournis sur les projets Data par l'IT | ☐ | |
| 4. Ressources et compétences | Initiatives de formation et d'acculturation sur la Data | ☐ |
| Échange des données entre directions et accès transversal | ☐ | |
| Degré de structuration de la fonction Data | ☐ | |
| Plan de renforcement de profils Data | ☐ | |
| 5. Démarche cas d'usage par la valeur | Degré de qualification des cas d'usage identifiés | ☐ |
| Identification des KPIs de suivi de création de valeur | ☐ | |
| Définition du process et de l'organisation de mise en œuvre | ☐ |
Comment lire un score de 0 à 4
L'échelle décrit un état observable, pas une opinion. Sur l'axe 2 par exemple, un 0 signifie que les données existent mais qu'aucune cartographie n'a jamais été faite : personne dans l'entreprise ne peut dire où se trouve la donnée de référence sur un client ou un produit. Un 2 correspond à des données structurées dans chaque système métier, mais sans référentiel commun : l'ERP, le CRM et le fichier de production ont chacun leur propre définition du même client. Un 4 décrit un modèle de données unifié à l'échelle de l'entreprise, avec des règles de qualité mesurées et suivies.
L'écart entre 2 et 4 sur cet axe est celui qui sépare les entreprises performantes des autres. Toujours selon l'étude BCG, plus de 50 % des entreprises les plus avancées opèrent sur un modèle de données unique à l'échelle de l'entreprise, contre environ 4 % de celles qui stagnent.
Pourquoi les projets IA échouent sur les axes 2 et 4, pas sur la technologie
C'est le résultat le plus contre-intuitif de la recherche disponible, et il est stable d'une étude à l'autre. Interrogées sur les obstacles rencontrés dans leurs projets IA, les 1 250 entreprises de l'étude BCG les citent dans cet ordre — la liste ci-dessous est complète :
| Obstacle cité | Part des répondants | Axe de la grille concerné |
|---|---|---|
| Aucune expertise pour gérer les données non structurées | 79 % | Axes 2 et 4 |
| Adaptation des personnes au changement et usage quotidien | 77 % | Axe 4 |
| Pénurie de profils data | 74 % | Axe 4 |
| Risques de sécurité induits par l'IA | 72 % | technologie |
| Intégration de l'IA aux systèmes, outils et API | 72 % | Axe 3 |
| Silos limitant la collaboration transverse | 69 % | Axe 4 |
| Absence de métriques et de mesure du ROI | 68 % | Axe 5 |
| Accès insuffisant à des données de qualité | 68 % | Axe 2 |
| Hallucinations et manque d'explicabilité | 67 % | technologie |
| Précision et fiabilité insuffisantes des modèles | 66 % | technologie |
| Conformité et mise en œuvre d'une IA responsable | 66 % | Axe 1 |
| Difficulté à aligner l'IA sur la stratégie de l'entreprise | 63 % | Axe 1 |
| Coûts de mise à l'échelle difficiles à maîtriser | 63 % | Axe 5 |
| Résistance sociale et inquiétudes sur l'emploi | 52 % | Axe 4 |
| Absence de soutien ou d'engagement de la direction | 42 % | Axe 1 |
Les trois obstacles les plus cités relèvent tous des axes 2 et 4 de la grille : la donnée et les compétences. Le premier obstacle proprement technologique n'arrive qu'en quatrième position, et la fiabilité des modèles seulement en dixième. Autrement dit, l'IA est rarement le premier point faible du projet IA.
BCG formalise cette observation par une règle simple, la règle 10-20-70 : 70 % de l'attention stratégique devrait porter sur les personnes et les processus, 20 % sur la technologie, 10 % sur les algorithmes. L'Insee documente le même déséquilibre côté français : parmi les entreprises qui utilisent déjà l'IA, 53 % se déclarent freinées par un manque d'expertise. Et parmi celles qui n'en utilisent pas, 54 % citent ce même manque d'expertise comme obstacle, devant l'incompatibilité avec les systèmes existants (38 %).
La comparaison la plus juste est celle du chantier. Un modèle d'IA est un étage supplémentaire. Il se construit vite, il se remplace vite, et son coût baisse chaque trimestre. Les fondations — la donnée cartographiée, les accès transversaux, les personnes capables de s'en servir — se construisent lentement et ne se remplacent pas. Une entreprise qui ajoute un étage sur des fondations à 2/4 n'a pas un problème d'étage.
Que signifie un score de 2 sur 4 partout ?
C'est le profil que nous rencontrons le plus souvent en PME et en ETI, et il mérite d'être décrit précisément parce qu'il est systématiquement mal interprété.
Un 2 partout ne veut pas dire « en retard ». Il décrit une entreprise fonctionnelle mais cloisonnée : chaque direction dispose de ses outils, de ses données et de ses indicateurs, tous corrects pris isolément, mais rien ne circule entre eux. La direction générale a une intuition claire de l'intérêt de l'IA sans l'avoir traduite en objectifs chiffrés. L'IT maintient les systèmes sans avoir de mandat sur la donnée. Quelques personnes utilisent des assistants génériques de leur côté, sans cadre.
Ce profil a une conséquence opérationnelle directe : il interdit les cas d'usage transverses en premier. Un projet qui suppose de croiser les données commerciales, de production et de facturation échouera, non par manque de technologie, mais parce que le croisement lui-même n'a jamais été fait dans l'entreprise. Le bon premier cas d'usage sur un profil 2/4 est vertical : il vit à l'intérieur d'une seule direction, s'appuie sur une seule source de données, et produit un résultat mesurable en quelques semaines. Il monte ensuite l'axe 5 — la démarche par la valeur — et finance la remontée des axes 2 et 4.
À l'inverse, un profil déséquilibré — 3 en vision, 1 en données — appelle un tout autre plan : geler les ambitions le temps de cartographier, sous peine de multiplier les prototypes qui ne passeront jamais en production.
Quel impact concret pour une PME ou une ETI ?
Trois conséquences pratiques, dans l'ordre où elles se présentent.
Le diagnostic conditionne le budget, pas l'inverse. Une entreprise qui note 1 sur l'axe 2 doit financer un chantier de cartographie et de mise en qualité avant tout développement. Une entreprise à 3 peut passer directement à la construction : de notre côté, un logiciel sur mesure mis en production en 4 semaines démarre à 20 000 € HT, suivi d'un abonnement mensuel. La différence entre ces deux situations n'est pas de quelques milliers d'euros, elle est de plusieurs mois. C'est précisément ce que le diagnostic évite de découvrir en cours de route.
L'axe 4 se traite par la formation, pas par le recrutement. La pénurie de profils data citée par 74 % des répondants BCG n'a pas de solution rapide sur le marché du travail français, en particulier hors des grandes métropoles. Elle a en revanche une solution interne : monter le niveau des équipes déjà en place, qui connaissent les métiers et les données. C'est l'objet de nos formations certifiées Qualiopi, conçues pour des équipes opérationnelles plutôt que pour des data scientists.
L'axe 1 inclut la gouvernance, donc la conformité. Le sous-critère « gouvernance projet Data/IA » couvre le pilotage, la priorisation et l'éthique. Depuis le 2 août 2026, une partie des obligations de l'AI Act européen s'applique, et les questions de localisation des données remontent naturellement au moment de choisir une architecture — un sujet que nous traitons sous l'angle de la souveraineté. Une gouvernance à 0 sur cet axe ne se voit pas tant que rien n'est en production ; elle se voit très bien au premier contrôle.
Sur un profil mûr, la suite logique est de prototyper un cas d'usage sur un périmètre restreint, avec une mesure de référence établie avant le démarrage. Sans cette mesure, l'axe 5 restera à 0 quelle que soit la qualité du résultat, parce que personne ne pourra prouver le gain.
Les limites d'une grille de maturité
Une grille de maturité est un instrument de mesure, avec les défauts de tous les instruments de mesure.
Elle est déclarative sur une partie des critères. La qualité des données peut être testée objectivement ; l'implication des métiers ou la communication des ambitions en interne reposent sur des entretiens, donc sur la sincérité des personnes interrogées. Un comité de direction qui note sa propre vision se surestime presque toujours d'un point. C'est la raison pour laquelle un diagnostic sérieux croise les entretiens avec un examen direct des systèmes.
Elle photographie sans expliquer. Un 1 sur l'axe 3 peut résulter d'un sous-investissement IT ou d'un choix délibéré d'externalisation. Le score est le même, la conclusion opposée. La grille sert de support à l'analyse, elle ne la remplace pas.
Elle n'est pas un pronostic. Rien dans les études disponibles ne permet d'affirmer qu'un score donné garantit un résultat donné. Les travaux de BCG et les données de l'Insee établissent des corrélations à l'échelle de milliers d'entreprises, pas des lois applicables à la vôtre. Une entreprise à 2 partout, très déterminée sur un cas d'usage bien choisi, ira plus loin qu'une entreprise à 3 partout sans commanditaire.
Enfin, elle ne mesure pas la valeur métier. Une maturité élevée sur cinq axes ne vaut rien si les cas d'usage identifiés ne résolvent aucun problème réel. C'est pour cette raison que l'axe 5 existe séparément : il ramène l'ensemble à la seule question qui décide du budget de l'année suivante.
Si vous voulez situer votre organisation avant même d'en parler avec nous, la grille complète en 20 critères est publiée : elle se remplit en une heure à plusieurs autour d'une table.
Conclusion : le diagnostic ne retarde pas le projet, il en fixe le point de départ
La tentation, quand l'IA progresse aussi vite, est de sauter l'étape d'évaluation pour ne pas perdre de temps. Les chiffres disponibles suggèrent l'inverse : 60 % des entreprises n'obtiennent aucun gain matériel de leurs investissements en IA, et les obstacles qu'elles citent — données non structurées, adoption, compétences, silos — sont tous des obstacles qu'un diagnostic identifie en amont, avant que le budget ne soit engagé.
La grille en 5 axes ne dit pas si vous êtes prêt pour l'IA. Elle dit pour quelle IA vous êtes prêt aujourd'hui, ce qui est une question nettement plus utile. Avec un dispositif public qui en couvre 40 % du coût et une méthodologie standardisée par Bpifrance, l'argument du délai et celui du budget ont tous les deux perdu de leur force.
Lire aussi : IA conforme au RGPD : le guide entreprise, AI Act inclus
Sources
- Insee — Les technologies de l'information et de la communication dans les entreprises en 2025, Insee Première n° 2120 (21 juillet 2026)
- Eurostat — 20% of EU enterprises use AI technologies (11 décembre 2025)
- Boston Consulting Group — The Widening AI Value Gap, Build for the Future 2025 (septembre 2025)
- France Num (Direction générale des entreprises) — Diag Data IA : bénéficiez d'un accompagnement sur-mesure pour exploiter vos données avec l'IA (mis à jour le 25 juin 2026)
- Bpifrance — Diag Data IA, plateforme des diagnostics d'accompagnement (consulté le 13 août 2026)
Savez-vous où se situe votre entreprise sur ces cinq axes, et lequel bloquerait votre prochain projet ? Vos données actuelles supporteraient-elles le cas d'usage que vous avez en tête ? Parlons-en — nous conduisons le diagnostic, puis nous vous aidons à définir votre stratégie data et IA et à prototyper le premier cas d'usage.
