Comment mesurer la maturité IA avant de passer à l’échelle ?

La maturité IA se mesure par la gouvernance, l’industrialisation et la valeur business réelle. Beaucoup d’entreprises utilisent déjà l’IA, mais restent bloquées entre usages dispersés, pilotes non déployés et risques de Shadow AI. Voici comment structurer l’évaluation avant d’accélérer.

Pourquoi l’IA crée si peu de valeur mesurable ?

L’IA crée peu de valeur mesurable quand elle reste cantonnée à des tests, à des assistants individuels ou à des proofs of concept sans propriétaire clair, sans gouvernance et sans refonte des processus métier. Un proof of concept, ou POC, sert à vérifier qu’une idée fonctionne techniquement. Le problème commence quand cette preuve technique ne devient jamais un outil utilisé, mesuré et intégré au travail réel.

Le décalage est net entre la confiance affichée et les résultats obtenus. Selon IBM Institute for Business Value, 92 % des dirigeants se disent confiants dans le retour sur investissement de l’IA, c’est-à-dire le gain économique obtenu par rapport aux coûts engagés. Mais seulement 12 % des CEO déclarent avoir obtenu à la fois une croissance des revenus et une baisse des coûts grâce à l’IA. L’écart dit beaucoup de choses : utiliser l’IA ne suffit pas, il faut transformer la manière de produire, vendre, servir, contrôler ou décider.

McKinsey indique en 2025 que 88 % des organisations utilisent l’IA dans au moins une fonction, c’est-à-dire dans au moins un département comme le marketing, la finance, les opérations ou les ressources humaines. C’est massif. Mais l’adoption n’est pas l’impact. Un collaborateur qui gagne dix minutes avec un assistant IA ne crée pas forcément une amélioration visible dans le compte de résultat, surtout si le processus autour de lui reste inchangé.

Ce blocage porte un nom : le pilot purgatory. L’expression désigne les projets bloqués au stade pilote, ni abandonnés, ni vraiment industrialisés. Les causes sont souvent les mêmes : les cas d’usage ne sont pas priorisés, les données sont incomplètes ou mal structurées, l’infrastructure technique n’est pas prête pour la production, ou les métiers ne changent pas leurs modes de travail. IDC estime que 88 % des proofs of concept IA n’atteignent pas le déploiement à grande échelle. S&P Global rapporte aussi qu’en 2025, 42 % des entreprises ont abandonné la majorité de leurs projets IA, contre 17 % l’année précédente.

La maturité IA commence ici. Une entreprise mature ne teste pas l’IA pour tester. Elle choisit les cas d’usage à valeur, définit les indicateurs, attribue des responsabilités, sécurise les données et intègre l’IA dans les workflows existants, c’est-à-dire dans les enchaînements concrets de tâches.

Que révèle le Shadow AI dans l’entreprise ?

Le Shadow AI révèle d’abord un besoin métier réel. Des équipes cherchent à gagner du temps, résumer des documents, produire du code, analyser des comptes rendus ou préparer des réponses clients. Le signal est utile. Mais il révèle aussi un manque de cadre, de sécurité et de visibilité pour l’IT, la data, le juridique et les responsables business.

Le Shadow AI désigne l’usage d’outils d’intelligence artificielle non approuvés ou non supervisés par l’entreprise. Cela passe souvent par des comptes personnels sur des modèles de langage, ou LLM, acronyme de Large Language Model. Un LLM est un modèle capable de générer, résumer, traduire ou transformer du texte à partir d’une consigne.

Le problème n’est donc pas l’usage de l’IA en soi. Le vrai sujet, c’est l’absence de contrôle sur les données envoyées, les droits d’accès, les journaux d’activité, aussi appelés logs, les règles de conservation et les obligations réglementaires. Selon Cyberhaven 2026, 1 employé sur 3 utiliserait des comptes personnels pour l’IA, près de 40 % des interactions IA impliqueraient des données sensibles, et des informations propriétaires seraient saisies en moyenne tous les trois jours. Selon KPMG 2025, 57 % des travailleurs cacheraient leur usage de l’IA.

Les risques sont très concrets, sans nécessiter de scénario catastrophe. Une personne peut copier un contrat client dans un chatbot public. Une autre peut soumettre des données RH, du code source, des informations financières, une stratégie commerciale ou des éléments de propriété intellectuelle. Même si l’outil est performant, l’entreprise ne sait plus toujours où partent les données, qui y accède, combien de temps elles sont conservées, ni si elles peuvent être réutilisées.

Ce comportement mesure directement la maturité IA. Une organisation immature interdit ou ignore. Une organisation plus mature encadre, fournit des outils validés, forme les équipes et surveille les usages. Pour structurer ce travail, trois cadres sont utiles : le NIST AI Risk Management Framework 1.0, qui aide à identifier et réduire les risques IA ; ISO/IEC 42001, norme de système de management de l’IA ; et l’AI Act européen, dont les obligations pour certains systèmes à haut risque deviennent un sujet opérationnel majeur à partir d’août 2026.

Un audit simple peut commencer par ces questions :

• Quels outils IA sont réellement utilisés par les équipes ?
• Quelles données sont envoyées dans ces outils ?
• Qui valide les cas d’usage IA avant leur déploiement ?
• Qui porte le risque métier, juridique et sécurité ?
• Quels logs existent pour tracer les usages ?
• Quelles règles sont connues, comprises et appliquées par les équipes ?

En quoi l’IA agentique change la donne ?

L’IA agentique change la donne parce qu’elle ne se limite plus à produire du texte ou des réponses. Elle peut exécuter des étapes, orchestrer des outils et avancer dans un workflow avec un degré d’autonomie contrôlé.

L’IA générative produit du contenu : un texte, une image, un résumé, une analyse ou du code. L’IA agentique va plus loin : elle désigne des systèmes capables de planifier des actions, appeler des outils, utiliser des données, prendre des décisions intermédiaires et déclencher des tâches dans un cadre défini.

Concrètement, cela peut servir à qualifier des demandes entrantes, enrichir un CRM, c’est-à-dire un outil de gestion de la relation client, préparer un reporting, contrôler des documents, traiter une partie du support client ou automatiser un processus finance ou marketing. La différence est simple : l’IA générative assiste, l’IA agentique agit.

Selon Gartner, 40 % des applications d’entreprise intégreront des agents spécifiques d’ici fin 2026. BCG estime que 17 % de la valeur IA est actuellement attribuée à l’IA agentique, avec une projection à 29 % en 2028. Ces chiffres indiquent un basculement : le sujet sort progressivement du laboratoire pour entrer dans les opérations. Mais plus l’autonomie augmente, plus le risque augmente aussi.

C’est là que la maturité IA devient décisive. Une IA qui rédige un brouillon expose à un risque limité. Une IA qui modifie une fiche client, déclenche un remboursement ou prépare une décision commerciale touche directement les systèmes, les données et les responsabilités internes. Il faut donc renforcer la gouvernance, le monitoring, les droits d’accès, la validation humaine, la traçabilité et les tests.

Deux notions deviennent centrales. Les guardrails sont des règles de sécurité et de contrôle qui encadrent ce que l’IA peut faire ou non. Le human in the loop signifie qu’un humain valide certaines étapes sensibles avant exécution, par exemple une action financière, juridique ou client.

Quels sont les niveaux de maturité IA ?

L’IA, ou intelligence artificielle, se mesure mieux avec un cadre simple en 5 niveaux. Le vrai sujet n’est pas de savoir si une entreprise “fait de l’IA”, mais si elle sait passer d’usages isolés à une production gouvernée, puis à une intégration dans les processus métier.

• Niveau 1 : Usage ponctuel et non cadré. Gouvernance absente, propriété individuelle, infrastructure personnelle, données copiées manuellement, culture métier curieuse mais dispersée. Le risque principal est la fuite de données ou la dépendance à quelques utilisateurs avancés.
• Niveau 2 : Expérimentation structurée. Quelques cas d’usage sont testés, souvent avec un sponsor métier. La gouvernance reste légère, l’infrastructure est partielle, les données sont difficiles à fiabiliser, la culture progresse par pilotes. Le problème arrive quand chaque équipe invente ses propres règles.
• Niveau 3 : Production gouvernée. Chaque cas d’usage a un propriétaire, des règles de sécurité, des métriques, une architecture cible et un processus de validation. Les données sont documentées, les accès sont contrôlés, les modèles sont suivis. C’est le premier vrai seuil industriel.
• Niveau 4 : Intégration transversale. L’IA est connectée aux workflows métier, aux outils internes, aux bases de données et aux systèmes de décision. La propriété devient partagée entre métier, IT, data et conformité. Le défi n’est plus le modèle, mais l’intégration dans l’organisation.
• Niveau 5 : Optimisation continue. La valeur est pilotée, les modèles sont monitorés, les performances sont améliorées en continu, l’automatisation est avancée et la gouvernance est mature. Le ROI, ou retour sur investissement, devient mesurable et comparable aux autres investissements.

Deux passages bloquent souvent les entreprises. Le premier va de l’expérimentation à la production gouvernée. Le second va d’une production isolée à une intégration transverse. Les chiffres de gouvernance disponibles sont parlants : 58 % des organisations n’auraient pas de propriétaire clair pour l’IA et 75 % n’auraient pas de cadre de gouvernance. Sans propriétaire, il n’y a pas d’arbitrage ni de responsabilité. Sans cadre, il n’y a pas de standards, pas de budget clair, pas de mesure fiable du ROI et donc peu de passage à l’échelle.

Comment passer des pilotes à la production ?

Passer des pilotes IA à la production repose sur cinq conditions simples : choisir strictement les bons cas d’usage, poser une gouvernance claire, construire une architecture fiable, mesurer l’impact business et accompagner les métiers. Sans cela, un pilote reste une démonstration intéressante, mais rarement un système utilisé, sécurisé et rentable.

La méthode doit être opérationnelle, pas théorique.

La maturité IA n’est donc pas seulement un sujet technologique. Elle demande une collaboration entre direction, métiers, data, IT, sécurité, juridique, RH et finance. La data vérifie la qualité des données, l’IT garantit l’intégration, la sécurité réduit les risques, le juridique cadre la conformité, les RH organisent la montée en compétences et la finance valide le retour sur investissement.

Ce point devient encore plus critique avec l’IA agentique. Une IA agentique ne se contente pas de proposer une réponse à un utilisateur. Elle peut agir dans un workflow, par exemple créer un ticket, modifier une fiche client, déclencher un remboursement ou interroger plusieurs systèmes. Plus l’IA agit, plus les responsabilités, les contrôles et les droits d’accès doivent être précis.

Le règlement européen sur l’IA, l’AI Act, publié comme règlement (UE) 2024/1689, impose aussi d’identifier tôt les systèmes potentiellement à haut risque. La conformité doit être pensée dès la conception : documentation, traçabilité, responsabilités, contrôle humain et gestion des risques. La traiter à la fin coûte plus cher et ralentit la mise en production.

Checklist dirigeant avant passage à l’échelle :

• Propriétaire IA nommé.
• Politique d’usage publiée.
• Inventaire des outils réalisé.
• Cas d’usage priorisés.
• Données validées.
• Critères de retour sur investissement définis.
• Environnement sécurisé.
• Contrôle humain prévu.
• Monitoring en place.
• Plan de formation lancé.

Et maintenant, où placer le prochain effort ?

La maturité IA ne se résume pas au nombre d’outils utilisés. Elle se voit dans la capacité à transformer des expérimentations en systèmes fiables, mesurables et utiles au business. Les chiffres montrent un écart net entre l’adoption, très élevée, et la valeur réellement captée. Shadow AI, absence de gouvernance, propriétaires flous et pilotes abandonnés sont les signaux à traiter en priorité. Avec l’arrivée de l’IA agentique et les exigences réglementaires, l’improvisation devient coûteuse. En évaluant votre niveau de maturité IA, vous savez où investir, quoi sécuriser et comment obtenir plus vite des gains concrets.

FAQ

• Qu’est-ce que la maturité IA en entreprise ?
  La maturité IA désigne la capacité d’une organisation à utiliser l’intelligence artificielle de façon gouvernée, sécurisée, mesurable et intégrée aux processus métier. Elle ne dépend pas seulement des modèles utilisés, mais aussi des données, de l’infrastructure, des responsabilités, de la culture interne et de la valeur business obtenue.
• Pourquoi autant de projets IA restent-ils bloqués au stade pilote ?
  Beaucoup de projets IA échouent à passer à l’échelle faute de propriétaire clair, de gouvernance, de données fiables, d’intégration technique ou de métriques business. IDC indique que 88 % des proofs of concept n’atteignent pas le déploiement à grande échelle, ce qui montre que l’expérimentation seule ne suffit pas.
• Quelle est la différence entre IA générative et IA agentique ?
  L’IA générative produit du contenu, comme du texte, des images, des résumés ou du code. L’IA agentique va plus loin : elle peut exécuter des étapes, utiliser des outils, déclencher des actions et orchestrer un workflow dans un cadre défini. Cette autonomie exige plus de contrôle, de traçabilité et de gouvernance.
• Pourquoi le Shadow AI est-il un risque pour l’entreprise ?
  Le Shadow AI correspond à l’usage d’outils IA non validés ou non supervisés, souvent avec des comptes personnels. Le risque principal concerne les données sensibles : Cyberhaven 2026 indique que près de 40 % des interactions IA impliquent des données sensibles. L’entreprise perd alors en visibilité, en sécurité et en capacité de conformité.
• Comment commencer une évaluation de maturité IA ?
  Le plus simple est de cartographier les usages existants, d’identifier les données manipulées, de vérifier qui possède chaque initiative IA, puis d’évaluer la gouvernance, l’infrastructure, les risques et les résultats mesurables. Cette première lecture permet de prioriser les actions : encadrer les usages, industrialiser les meilleurs cas et abandonner les pilotes sans valeur claire.

A propos de l’auteur

Je suis Franck Scandolera, responsable de l’agence webAnalyste et de l’organisme Formations Analytics. J’accompagne les entreprises sur le tracking avancé server-side, l’Analytics Engineering, l’automatisation No/Low Code avec n8n, l’intégration de l’IA dans les processus métier et le SEO/GEO. J’ai travaillé pour des acteurs comme Logis Hôtel, Yelloh Village, BazarChic, la Fédération Française de Football ou Texdecor. Si vous voulez cadrer vos usages IA, automatiser vos workflows ou passer de pilotes dispersés à une IA vraiment utile, contactez-moi.

Franck Scandolera

⭐ Analytics engineer, Data Analyst et Automatisation IA ⭐

• Ref clients : Logis Hôtel, Yelloh Village, BazarChic, Fédération Football Français, Texdecor…

Mon terrain de jeu :

• Data Analyst & Analytics engineering : tracking avancé (GA4, Matomo, Piano, GTM server, Tealium, Commander Act, e-commerce, CAPI, RGPD), entrepôt de données (BigQuery, Snowflake, PostgreSQL, ClickHouse), modèles (Airflow, dbt, Dataform), dashboards décisionnels (Looker, Power BI, Metabase, SQL, Python).
• Automatisation IA des taches Data, Marketing, RH, compta etc : conception de workflows intelligents robustes (n8n, App Script, scraping) connectés aux API de vos outils et LLM (OpenAI, Mistral, Claude…).
• Engineering IA pour créer des applications et agent IA sur mesure : intégration de LLM (OpenAI, Mistral…), RAG, assistants métier, génération de documents complexes, APIs, backends Node.js/Python.