Maturité de l'adoption de l'IA

Évaluez le degré de maturité de l'adoption de l'IA par votre équipe en matière de stratégie, de compétences, de flux de travail, de gouvernance et d'impact — et convenez des points à améliorer ensuite.

Courir en TeamRetro

Comprendre et faire progresser la maturité de l'adoption de l'IA par votre équipe

L'adoption de l'IA repose rarement sur les seuls outils — elle dépend de la stratégie, des compétences, de la confiance, de la gouvernance et des habitudes quotidiennes qui font de l'IA un élément fiable du fonctionnement d'une équipe. Cette évaluation cartographie la maturité de l'adoption de l'IA par votre équipe à travers neuf domaines interconnectés, du leadership et de l'outillage aux compétences, à l'intégration aux flux de travail, aux données, à la gouvernance, à la qualité des résultats, à la collaboration et à l'impact. À l'aide d'une échelle de maturité par paliers allant de Ad Hoc à Optimisé, elle offre aux équipes une vision partagée et honnête de leur situation actuelle ainsi qu'une idée claire de ce à quoi ressemble la prochaine étape vers un « mieux ». Le résultat est une conversation ancrée dans la réalité qui transforme l'enthousiasme pour l'IA en progrès délibéré, responsable et mesurable.

Dimensions

Stratégie et leadership de l'IA

Dans quelle mesure l'usage de l'IA est clairement relié aux objectifs, comment les cas d'usage sont choisis, et avec quelle implication les dirigeants soutiennent et assument une adoption responsable.

  • Alignement stratégique

    Notre usage de l'IA soutient clairement les objectifs de notre équipe, de notre service ou de notre organisation.

    1. Ad HocL'IA est utilisée parce qu'elle est disponible, et non parce qu'elle sert un objectif particulier.
    2. ÉmergentUne partie du travail avec l'IA se rattache vaguement à des objectifs plus larges ; la plupart est opportuniste.
    3. DéfiniL'usage de l'IA est lié à des objectifs d'équipe ou métier précis que l'équipe sait nommer.
    4. MaîtriséLes investissements en IA sont délibérément priorisés au regard des résultats stratégiques.
    5. OptimiséStratégie IA et stratégie d'équipe ne font qu'une ; les arbitrages sont faits en conscience.

  • Priorisation des cas d'usage

    Nous choisissons les cas d'usage de l'IA en fonction de la valeur, de la faisabilité et du risque.

    1. Ad HocLes cas d'usage sont choisis par celui qui parle le plus fort ou selon ce qui est à la mode.
    2. ÉmergentLes cas d'usage font l'objet d'une rapide évaluation intuitive avant de démarrer ; peu d'analyse structurée.
    3. DéfiniLa valeur, la faisabilité et le risque sont pris en compte avant de s'engager sur un cas d'usage de l'IA.
    4. MaîtriséUn processus de priorisation clair oriente l'investissement en IA ; les idées à faible valeur ou à haut risque sont écartées tôt.
    5. OptimiséLa sélection des cas d'usage est rigoureuse, rapide et continuellement mise à jour au fil des résultats.

  • Soutien du leadership

    Les dirigeants encouragent activement et orientent une adoption responsable de l'IA.

    1. Ad HocLes dirigeants sont silencieux ou sceptiques à l'égard de l'IA ; l'équipe est livrée à elle-même.
    2. ÉmergentLe leadership tolère l'expérimentation de l'IA ; un soutien explicite est rare.
    3. DéfiniLes dirigeants encouragent ouvertement l'usage de l'IA et donnent quelques indications sur les limites.
    4. MaîtriséLe leadership défend systématiquement une IA responsable, en montre l'exemple et lève les obstacles.
    5. OptimiséLes dirigeants sont des promoteurs crédibles de l'IA — informés, impliqués et responsables des résultats.

  • Responsabilité et appropriation

    Les responsabilités concernant les décisions, l'usage et les résultats liés à l'IA sont clairement définies.

    1. Ad HocPersonne n'assume clairement les décisions sur l'IA ; les problèmes comme les réussites n'ont pas de responsable.
    2. ÉmergentUne appropriation informelle émerge autour de cas d'usage individuels ; rien de structurel.
    3. DéfiniLa responsabilité de l'IA (décisions, usage, risque) est documentée pour les principaux cas d'usage de l'équipe.
    4. MaîtriséLes rôles et responsabilités sont clairs, à jour et respectés ; en cas de défaillance de l'IA, la voie de rétablissement est évidente.
    5. OptimiséLa responsabilité accompagne naturellement le travail avec l'IA ; les questions d'appropriation ne bloquent jamais l'équipe.

Adoption et accès aux outils

Si l'équipe peut obtenir les bons outils d'IA, si ces outils sont adaptés au travail, et avec quelle régularité ils sont utilisés.

  • Disponibilité des outils

    Les membres de l'équipe peuvent accéder aux outils d'IA dont ils ont besoin pour bien faire leur travail.

    1. Ad HocLes gens veulent des outils d'IA mais ne peuvent pas les obtenir, ou utilisent des comptes personnels en parallèle.
    2. ÉmergentQuelques outils approuvés existent ; l'accès est lent ou irrégulier.
    3. DéfiniL'équipe dispose d'un accès fiable à un ensemble raisonnable d'outils d'IA approuvés.
    4. MaîtriséL'accès aux outils est rapide, bien accompagné et adapté au travail ; le coût est géré délibérément.
    5. OptimiséL'accès est sans friction et revu régulièrement ; la palette d'outils évolue avec les besoins de l'équipe et le marché.

  • Adéquation des outils

    Nos outils d'IA correspondent aux tâches, aux flux de travail et aux besoins de notre équipe.

    1. Ad HocNous utilisons l'outil le plus facile à obtenir, sans tenir compte de son adéquation.
    2. ÉmergentLes outils conviennent pour certaines tâches mais semblent forcés pour d'autres ; les gens contournent les lacunes.
    3. DéfiniLes outils correspondent globalement au travail ; l'équipe sait pour quoi chacun est bon ou mauvais.
    4. MaîtriséLes choix d'outils sont délibérés — y compris quel modèle ou quelle fonctionnalité pour quelle tâche.
    5. OptimiséL'outillage est précisément adapté au travail ; l'équipe réévalue et change avec assurance lorsque de meilleures options apparaissent.

  • Régularité de l'adoption

    Les membres de l'équipe utilisent les outils d'IA de façon cohérente là où ils apportent de la valeur.

    1. Ad HocQuelques passionnés utilisent l'IA ; la plupart de l'équipe continue comme si elle n'existait pas.
    2. ÉmergentL'adoption est inégale ; certaines tâches bénéficient toujours de l'IA, d'autres jamais.
    3. DéfiniLa plupart des membres de l'équipe utilisent les outils d'IA lorsqu'ils aident clairement ; la couverture est large sans être universelle.
    4. MaîtriséAdoption cohérente dans toute l'équipe ; la réticence est traitée comme un problème de flux de travail, pas comme un trait de caractère.
    5. OptimiséL'usage de l'IA est bien réparti ; l'équipe partage le sens commun de là où il est payant et de là où il ne l'est pas.

  • Veille sur les outils

    Nous restons informés des nouvelles capacités de l'IA pertinentes pour notre travail.

    1. Ad HocPersonne ne suit les nouveautés ; l'équipe utilise les mêmes outils de la même manière que toujours.
    2. ÉmergentQuelques personnes suivent les évolutions à titre personnel ; les enseignements atteignent rarement l'équipe.
    3. DéfiniLes mises à jour pertinentes sont partagées de temps en temps ; l'équipe a une vision approximative du paysage.
    4. MaîtriséL'équipe surveille activement les nouvelles capacités et les évalue au regard des besoins actuels.
    5. OptimiséLa veille sur les outils est une habitude de routine ; les nouvelles capacités sont adoptées (ou rejetées) délibérément, et non par réaction.

Compétences et confiance en IA

La compréhension de l'IA par l'équipe, ses compétences en formulation d'invites et en esprit critique, et avec quelle intention elle les développe.

  • Culture de l'IA

    Nous comprenons ce que l'IA peut et ne peut pas faire.

    1. Ad HocDe grandes idées fausses sur le fonctionnement de l'IA ; l'équipe lui fait trop confiance ou la rejette.
    2. ÉmergentCompréhension de base pour certains ; les lacunes entraînent des attentes irréalistes ou des craintes injustifiées.
    3. DéfiniL'équipe dispose d'un modèle mental opérationnel des forces, limites et modes de défaillance de l'IA.
    4. MaîtriséLa culture est partagée et à jour ; les nouveaux membres sont mis à niveau délibérément.
    5. OptimiséL'équipe pense l'IA avec lucidité — ni emballement ni rejet — et ajuste son modèle mental à mesure que la technologie évolue.

  • Compétence de formulation d'invites

    Nous donnons à l'IA des instructions, un contexte et des contraintes clairs.

    1. Ad HocLes invites sont des questions d'une ligne ; le résultat est imprévisible et souvent inutilisable.
    2. ÉmergentCertains formulent des invites efficaces ; d'autres peinent et abandonnent discrètement.
    3. DéfiniLa plupart des gens rédigent des invites utilisables ; les résultats sont généralement pertinents.
    4. MaîtriséLa formulation d'invites est considérée comme une compétence qui se pratique ; l'équipe partage une idée de ce qui est de qualité.
    5. OptimiséLa formulation d'invites est fluide ; les gens obtiennent un résultat de grande qualité dès le premier ou le deuxième essai et aident les autres à en faire autant.

  • Esprit critique

    Nous remettons en question, vérifions et affinons les résultats générés par l'IA.

    1. Ad HocLe résultat de l'IA est accepté tel quel ; erreurs et hallucinations se glissent dans les livrables.
    2. ÉmergentUn certain scepticisme, mais inconstant ; les gens repèrent les erreurs évidentes et manquent les plus subtiles.
    3. DéfiniLes résultats sont systématiquement vérifiés quant à leur exactitude et leur pertinence avant usage.
    4. MaîtriséL'évaluation critique est un réflexe ; l'équipe dispose d'heuristiques claires pour savoir quand faire confiance à l'IA et quand creuser.
    5. OptimiséL'esprit critique sur l'IA est automatique — rapide, honnête et appliqué avec le bon niveau d'effort.

  • Apprentissage et développement

    Nous investissons délibérément dans le développement de nos compétences en IA.

    1. Ad HocAucun temps ni budget explicite pour apprendre l'IA ; les gens ne progressent que par hasard.
    2. ÉmergentApprentissage autonome par quelques-uns ; ni structure ni progrès partagé.
    3. DéfiniL'équipe alloue du temps à l'apprentissage de l'IA (formation, pratique, sessions de partage de connaissances).
    4. MaîtriséLe développement des compétences est un véritable investissement avec une amélioration visible ; de nouvelles techniques sont essayées et adoptées en équipe.
    5. OptimiséLe développement continu et délibéré des compétences fait partie de l'identité de l'équipe ; chacun est visiblement plus compétent chaque trimestre.

Intégration aux flux de travail

Avec quel naturel l'IA s'intègre au travail quotidien, aux processus standard, à l'équilibre humain-IA et aux nouvelles façons de travailler.

  • Usage quotidien

    L'IA fait naturellement partie de notre travail au quotidien.

    1. Ad HocL'IA est une curiosité utilisée de temps à autre ; elle ne fait pas partie du travail normal.
    2. ÉmergentCertaines tâches font régulièrement appel à l'IA ; beaucoup d'autres qui pourraient en profiter ne le font pas.
    3. DéfiniL'IA est utilisée quotidiennement sur un éventail de tâches ; les gens y recourent sans y penser.
    4. MaîtriséL'usage quotidien est bien dosé — l'IA est utilisée là où elle apporte de la valeur et écartée là où elle n'en apporte pas.
    5. OptimiséL'IA est si naturellement intégrée au travail que l'équipe peut expliquer précisément quand et pourquoi elle ne l'utilise pas.

  • Intégration aux processus

    L'IA est intégrée à nos processus standard, et non rajoutée par-dessus.

    1. Ad HocL'IA reste en dehors de nos processus ; les gens l'utilisent à leur manière, en parallèle du flux de travail officiel.
    2. ÉmergentL'IA est occasionnellement insérée dans des processus existants sans grande refonte.
    3. DéfiniLes processus clés comportent des étapes d'IA explicites là où c'est approprié.
    4. MaîtriséLes processus sont conçus dès le départ autour de l'assistance par l'IA ; l'intégration est intentionnelle.
    5. OptimiséProcessus et IA coévoluent ; l'équipe ajuste en continu la façon dont l'IA s'inscrit dans le déroulement du travail.

  • Équilibre humain-IA

    Nous savons quand nous appuyer sur l'IA et quand le jugement, l'expertise ou la relecture humaine sont essentiels.

    1. Ad HocLes gens font trop confiance à l'IA (et livrent ses erreurs) ou l'évitent (et passent à côté de sa valeur).
    2. ÉmergentLa frontière se définit au cas par cas ; les décisions sont incohérentes.
    3. DéfiniLa plupart des gens ont un sens raisonnable de quand le jugement humain est requis.
    4. MaîtriséL'équipe dispose de règles empiriques partagées et explicites pour le travail humain ou IA, en particulier sur les livrables à fort enjeu.
    5. OptimiséL'équilibre est une seconde nature ; l'équipe passe avec fluidité du travail humain au travail IA et en explique ouvertement les raisons.

  • Refonte du travail

    Nous repensons les tâches, les rôles et les flux de travail pour tirer parti de l'IA.

    1. Ad HocLe travail est structuré exactement comme avant l'IA ; rien n'a été repensé.
    2. ÉmergentDe petits changements au niveau des tâches surviennent de façon organique ; rien de structurel.
    3. DéfiniCertains flux de travail ont été repensés pour tirer parti de l'IA ; l'impact est visible.
    4. MaîtriséL'équipe remodèle activement le travail autour des capacités de l'IA — y compris ce que font ou ne font pas les rôles.
    5. OptimiséLa refonte du travail est continue ; l'équipe voit l'IA comme une occasion de réinventer sans cesse son fonctionnement.

Données, connaissances et contexte

Si l'équipe alimente l'IA avec des données fiables, peut atteindre les connaissances nécessaires, fournit un bon contexte et gère ses actifs avec rigueur.

  • Qualité des données

    Les informations que nous utilisons avec les outils d'IA sont fiables, exactes et à jour.

    1. Ad HocL'IA est alimentée avec ce qui est sous la main ; les résultats pâtissent d'entrées obsolètes, fausses ou incomplètes.
    2. ÉmergentLa qualité des données varie ; certains vérifient soigneusement les entrées, d'autres non.
    3. DéfiniL'équipe alimente consciemment l'IA avec des données de bonne qualité et remarque quand ce n'est pas le cas.
    4. MaîtriséLa qualité des données pour l'usage de l'IA est activement maintenue ; l'équipe peut se porter garante des sources utilisées.
    5. OptimiséLa qualité des données fait partie de la façon dont l'équipe pense le travail avec l'IA ; les problèmes sont repérés et corrigés à la source.

  • Accès aux connaissances

    Nous pouvons accéder facilement aux connaissances internes nécessaires au travail assisté par l'IA.

    1. Ad HocLes connaissances internes sont éparpillées ou inaccessibles ; l'IA ne peut les atteindre et personne ne se donne la peine de les rassembler.
    2. ÉmergentCertaines sources de connaissances sont accessibles ; les gens copient-collent manuellement les éléments pertinents.
    3. DéfiniLes connaissances approuvées sont disponibles là où l'équipe en a besoin ; les outils d'IA peuvent y être orientés.
    4. MaîtriséL'accès aux connaissances est organisé et intégré aux flux de travail de l'IA ; le contexte pertinent est disponible par défaut.
    5. OptimiséL'équipe fonctionne avec une boucle étroite entre connaissances internes et usage de l'IA ; les lacunes sont mises en évidence et comblées rapidement.

  • Apport de contexte

    Nous fournissons à l'IA le bon contexte, les bons exemples et les bonnes contraintes.

    1. Ad HocLes gens posent des questions à l'IA sans contexte ; le résultat est générique et souvent à côté.
    2. ÉmergentLe contexte est inclus quand c'est évident ; les contraintes plus subtiles sont omises.
    3. DéfiniLes invites incluent systématiquement le contexte, les exemples et les contraintes pertinents pour la tâche.
    4. MaîtriséL'apport de contexte est délibéré et habile ; les gens savent quoi inclure et quoi laisser de côté.
    5. OptimiséLa gestion du contexte est une force de l'équipe ; les résultats sont pertinents avec un minimum d'allers-retours.

  • Gestion des données

    Nous gérons la propriété, l'exactitude et l'usage approprié des données et des actifs de connaissance.

    1. Ad HocLa propriété des données est floue ; l'IA consomme et produit de l'information sans que personne en assure le suivi.
    2. ÉmergentUne gestion informelle pour les données les plus sensibles ; les actifs plus larges ne sont pas gérés.
    3. DéfiniLes données et connaissances importantes ont des responsables désignés ; l'usage de l'IA respecte ces limites.
    4. MaîtriséLa gestion est active — les actifs sont tenus à jour, l'usage de l'IA est journalisé là où c'est important, et l'équipe peut défendre ses pratiques.
    5. OptimiséLa gestion est intégrée à la façon de travailler de l'équipe ; l'IA renforce plutôt qu'elle n'érode la base de connaissances de l'équipe.

Gouvernance, risque et conformité

La connaissance des politiques d'IA, la protection de la confidentialité, l'attention aux biais et à l'équité, et l'auditabilité de l'usage de l'IA.

  • Connaissance des politiques

    Nous comprenons les politiques, les limites et les approbations de l'organisation en matière d'IA.

    1. Ad HocLes gens ignorent la politique d'IA de l'organisation ; chacun improvise.
    2. ÉmergentUne politique existe mais est mal connue ; la plupart des gens ne savent pas où sont les limites.
    3. DéfiniLes membres de l'équipe peuvent décrire les bases de la politique d'IA et s'y conformer sur l'essentiel.
    4. MaîtriséLa politique est visible, comprise et renforcée dans les flux de travail habituels.
    5. OptimiséL'équipe considère la politique comme un actif partagé — donnant un retour à ceux qui la maintiennent lorsque réalité et politique s'écartent.

  • Vie privée et confidentialité

    Nous évitons de saisir des informations sensibles, personnelles ou restreintes dans les outils d'IA.

    1. Ad HocLes gens collent n'importe quoi dans les outils d'IA, y compris des données confidentielles ou personnelles.
    2. ÉmergentLa plupart évitent les erreurs évidentes ; des expositions plus subtiles (brouillons contenant des données personnelles, noms de clients) se produisent encore.
    3. DéfiniDes pratiques claires sont en place et globalement suivies ; les erreurs sont rares et donnent lieu à des enseignements.
    4. MaîtriséLes contrôles de confidentialité font partie du flux de travail normal (caviardage, outils approuvés, règles claires) et l'équipe les utilise par défaut.
    5. OptimiséLa confidentialité est protégée de façon structurelle, et pas seulement rappelée ; l'équipe peut décrire en confiance comment les données confidentielles sont tenues hors des outils d'IA.

  • Biais et équité

    Nous tenons compte des biais, de l'équité et des préjudices potentiels dans les résultats assistés par l'IA.

    1. Ad HocPersonne ne se demande si le résultat de l'IA est biaisé, excluant ou préjudiciable ; ce qui sort est utilisé.
    2. ÉmergentUne prise de conscience existe ; des vérifications précises n'ont lieu que lorsqu'un problème devient évident.
    3. DéfiniL'équipe tient systématiquement compte des biais et de l'équité dans les résultats importants assistés par l'IA.
    4. MaîtriséLes biais et l'équité sont des points de contrôle explicites dans les flux de travail concernés ; l'équipe peut décrire ce qu'elle recherche.
    5. OptimiséL'équipe a intériorisé la revue d'équité ; les préjudices potentiels sont repérés et traités tôt, comme une évidence.

  • Auditabilité

    Nous documentons quand, comment et pourquoi l'IA est utilisée pour les travaux importants.

    1. Ad HocL'usage de l'IA est invisible ; personne ne pourrait retracer comment un travail a été produit.
    2. ÉmergentQuelques notes informelles ; rien d'assez fiable pour un audit.
    3. DéfiniL'usage de l'IA est documenté pour les livrables significatifs ; l'équipe peut généralement indiquer comment un travail a été produit.
    4. MaîtriséL'auditabilité est intégrée aux flux de travail pour les travaux importants ; les enregistrements sont complets et retrouvables.
    5. OptimiséL'équipe peut expliquer — rapidement, précisément et en confiance — comment l'IA a contribué à tout travail significatif.

Qualité des résultats et relecture humaine

Avec quelle rigueur l'équipe vérifie l'exactitude, fait respecter les standards de qualité, applique une supervision humaine et tire des leçons des erreurs de l'IA.

  • Vérification de l'exactitude

    Nous vérifions les informations générées par l'IA avant de les utiliser.

    1. Ad HocLe résultat de l'IA est utilisé sans vérification ; des faits hallucinés se retrouvent dans les livrables.
    2. ÉmergentUne certaine vérification de l'exactitude, mais inconstante ; des erreurs subtiles passent.
    3. DéfiniLes affirmations importantes sont systématiquement vérifiées par rapport à des sources fiables avant usage.
    4. MaîtriséLa vérification de l'exactitude fait partie de la pratique normale ; l'équipe a des standards clairs sur ce qui nécessite une vérification et ce qui n'en nécessite pas.
    5. OptimiséL'exactitude n'est pas négociable ; l'équipe dispose de vérifications rapides et efficaces, ajustées là où l'IA est le plus susceptible de se tromper.

  • Standards de qualité

    Les résultats assistés par l'IA respectent nos standards de clarté, d'exactitude et de professionnalisme.

    1. Ad HocLes résultats assistés par l'IA sont de qualité inégale ; l'équipe ne sait pas décrire ce qui est de qualité.
    2. ÉmergentCertains résultats sont soignés ; d'autres sont manifestement bruts et livrés quand même.
    3. DéfiniLe travail assisté par l'IA atteint généralement le seuil de qualité de l'équipe avec un effort raisonnable.
    4. MaîtriséLa qualité est constante et bien comprise ; l'équipe a un seuil clair et l'atteint délibérément.
    5. OptimiséLe résultat assisté par l'IA atteint systématiquement le seuil de qualité de l'équipe ; le ton et le soin sont reconnaissables comme ceux de l'équipe.

  • Supervision humaine

    Nous savons clairement quand une relecture ou une approbation humaine est requise.

    1. Ad HocQu'un travail soit relu par un humain dépend du hasard ou des habitudes individuelles.
    2. ÉmergentLes livrables à fort enjeu sont généralement relus ; la frontière est floue.
    3. DéfiniDes règles claires existent sur ce qui doit être relu par un humain avant usage ; les gens les suivent globalement.
    4. MaîtriséLa supervision est fiable, bien ciblée et proportionnée au risque ; l'équipe ne relit ni trop ni trop peu.
    5. OptimiséLa supervision est calibrée en continu ; l'équipe peut défendre ses choix sur les points où l'humain intervient dans la boucle.

  • Apprentissage des erreurs

    Nous apprenons des erreurs, hallucinations et résultats médiocres de l'IA.

    1. Ad HocLes erreurs de l'IA sont corrigées puis oubliées ; rien ne change.
    2. ÉmergentQuelques anecdotes sont partagées ; les schémas ne sont pas suivis.
    3. DéfiniL'équipe remarque les schémas d'erreurs récurrents de l'IA et ajuste là où porter l'effort.
    4. MaîtriséLes schémas d'erreurs alimentent les invites, les processus et l'orientation de la relecture ; les erreurs se répètent rarement.
    5. OptimiséL'apprentissage des erreurs est une boucle étroite — les schémas deviennent vite des préventions, et l'équipe s'améliore visiblement pour les éviter au fil du temps.

Collaboration et partage des connaissances

Si l'équipe partage ses pratiques, expérimente en toute sécurité, apprend entre équipes et construit des actifs d'IA réutilisables.

  • Pratiques partagées

    Nous partageons les invites, exemples, flux de travail et enseignements utiles.

    1. Ad HocChacun résout seul les mêmes problèmes d'invites ; rien n'est capitalisé.
    2. ÉmergentQuelques exemples utiles sont partagés dans la messagerie puis perdus.
    3. DéfiniUn espace partagé recueille les invites et les pratiques ; les gens y contribuent et le consultent.
    4. MaîtriséLes pratiques partagées sont organisées, à jour et traitées comme un véritable atout de productivité.
    5. OptimiséLa pratique partagée est un effet d'entraînement — ce qu'une personne découvre, toute l'équipe l'utilise dès le lendemain.

  • Culture de l'expérimentation

    Les membres de l'équipe se sentent en sécurité et encouragés à expérimenter l'IA de façon responsable.

    1. Ad HocL'expérimentation est mal vue ou discrètement découragée ; les gens n'essaient pas de nouvelles choses.
    2. ÉmergentQuelques personnes expérimentent ; la plupart s'en tiennent à ce qu'elles connaissent.
    3. DéfiniL'expérimentation est bienvenue ; les gens essaient de nouveaux outils et approches sans avoir besoin d'autorisation pour les travaux à faible risque.
    4. MaîtriséL'expérimentation est structurée — limites claires, temps pour apprendre, attente que certains essais n'aboutissent pas.
    5. OptimiséL'équipe a une véritable culture de l'expérimentation responsable ; les paris ratés sont valorisés comme des apprentissages.

  • Apprentissage inter-équipes

    Nous apprenons des autres équipes, services et exemples externes d'adoption de l'IA.

    1. Ad HocNous ignorons ce que font les autres équipes avec l'IA, et nous ne cherchons pas à le savoir.
    2. ÉmergentÉchange informel occasionnel ; les enseignements parviennent rarement à notre pratique.
    3. DéfiniIntérêt actif pour ce que font les autres équipes ; les leçons pertinentes sont reprises.
    4. MaîtriséApprentissage inter-équipes régulier — forums, comptes rendus partagés ou guildes — qui façonne réellement notre pratique.
    5. OptimiséL'apprentissage circule dans les deux sens ; l'équipe contribue de façon significative à la maturité de l'IA à l'échelle de l'organisation.

  • Actifs réutilisables

    Nous construisons des modèles d'IA, bibliothèques d'invites, listes de contrôle et guides réutilisables.

    1. Ad HocAucun actif réutilisable ; chaque tâche repart de zéro.
    2. ÉmergentQuelques modèles existent à des endroits dispersés ; l'usage est inégal.
    3. DéfiniUn ensemble opérationnel de modèles, listes de contrôle ou guides couvre les tâches d'IA courantes.
    4. MaîtriséLes actifs réutilisables sont maintenus et fiables ; l'équipe y recourt par défaut.
    5. OptimiséLes actifs réutilisables sont un véritable multiplicateur de productivité ; ils évoluent avec la pratique de l'équipe et deviennent rarement obsolètes.

Mesure de l'impact et amélioration

Si l'équipe mesure l'effet de l'IA sur la productivité, la qualité et la valeur métier — et utilise ses enseignements pour s'améliorer.

  • Impact sur la productivité

    Nous évaluons si l'IA fait gagner du temps ou augmente la capacité de l'équipe.

    1. Ad HocPersonne ne sait si l'IA fait gagner du temps ; nous le supposons et passons à autre chose.
    2. ÉmergentSentiment anecdotique de gains de productivité ; aucun signal partagé.
    3. DéfiniDes indicateurs de productivité sont suivis parallèlement à l'adoption de l'IA ; l'équipe a une vision approximative de l'effet.
    4. MaîtriséL'impact sur la productivité est suivi délibérément ; l'équipe peut décrire l'effet de l'IA avec des preuves.
    5. OptimiséLe suivi de la productivité est honnête sur les gains et les pertes ; l'équipe ajuste son usage de l'IA selon ce que montrent les données.

  • Impact sur la qualité

    Nous évaluons si l'IA améliore la qualité, la cohérence et l'utilité de notre travail.

    1. Ad HocNous ne savons pas si l'IA aide ou nuit à la qualité ; nous ne regardons pas.
    2. ÉmergentLes effets sur la qualité sont remarqués de façon anecdotique ; aucune vision partagée.
    3. DéfiniDes indicateurs de qualité sont suivis dans le contexte de l'usage de l'IA ; l'équipe a une vision opérationnelle.
    4. MaîtriséL'impact sur la qualité fait partie de la façon dont l'équipe pense l'IA ; les effets positifs et négatifs sont visibles et pris en compte.
    5. OptimiséLa qualité est un angle de premier plan sur l'usage de l'IA ; l'équipe a modifié ses pratiques selon ses constats.

  • Valeur métier

    Nous relions l'usage de l'IA à des résultats mesurables tels que la valeur client, les économies ou la rapidité.

    1. Ad HocL'usage de l'IA est justifié par l'enthousiasme ; personne ne sait nommer le résultat métier qu'elle produit.
    2. ÉmergentUn lien vague avec les résultats ; surtout raconté sous forme d'histoires, non mesuré.
    3. DéfiniDes cas d'usage de l'IA précis sont reliés à des résultats précis ; l'équipe peut décrire la chaîne de valeur.
    4. MaîtriséLa valeur métier est suivie pour les principaux investissements en IA ; les arbitrages (coût/bénéfice) sont explicites.
    5. OptimiséL'attribution de la valeur est rigoureuse et systématique ; les investissements en IA sont maintenus ou abandonnés selon les résultats démontrés.

  • Amélioration continue

    Nous utilisons les retours, les résultats et les enseignements pour améliorer notre usage de l'IA.

    1. Ad HocNotre façon d'utiliser l'IA ne change pas ; nous fonctionnons sur nos premiers réflexes.
    2. ÉmergentAjustements occasionnels fondés sur une frustration individuelle ou des incitations externes.
    3. DéfiniL'équipe révise régulièrement ses pratiques d'IA ; les changements perdurent lorsqu'ils font leurs preuves.
    4. MaîtriséL'amélioration est une véritable boucle — mesurer, ajuster, mesurer à nouveau — et l'équipe peut désigner les changements qu'elle a opérés.
    5. OptimiséL'amélioration continue des pratiques d'IA fait partie du fonctionnement de l'équipe ; rien dans notre usage de l'IA n'est figé.

Quand utiliser ce bilan de santé ?

  • Lorsque votre équipe commence à adopter des outils d'IA et souhaite une base commune sur sa situation actuelle.
  • Lorsque l'usage de l'IA paraît inégal ou improvisé et que vous voulez convenir de ce qui est « bien ».
  • Lors des revues trimestrielles ou de planification, pour suivre la maturité de l'adoption de l'IA dans le temps.
  • Lorsque les dirigeants veulent une conversation structurée et honnête sur une adoption responsable de l'IA plutôt que sur l'effet de mode.
  • Avant d'investir dans de nouveaux outils, formations ou dispositifs de gouvernance en IA, pour cibler l'effort là où il compte le plus.

Trucs et astuces

  • Faites d'abord noter chacun de façon indépendante, puis comparez — les écarts de notes sur une dimension sont les conversations les plus utiles.
  • Ne visez pas « Optimisé » partout ; choisissez quelques dimensions où monter d'un palier créerait le plus de valeur.
  • Soyez attentif aux écarts entre l'adoption (compétences, outils, usage quotidien) et les garde-fous (gouvernance, confidentialité, supervision) — ils devraient progresser ensemble.
  • Refaites le bilan chaque trimestre pour rendre visibles les progrès de maturité IA et garder une amélioration délibérée.
  • Servez-vous des dimensions les moins bien notées de chaque groupe pour amorcer des actions concrètes et assumées plutôt que des intentions vagues.

Questions fréquemment posées

Que mesure cette évaluation de la maturité de l'adoption de l'IA ?
Elle mesure le degré de maturité avec lequel votre équipe adopte et utilise l'IA dans neuf domaines : stratégie et leadership, adoption et accès aux outils, compétences et confiance, intégration aux flux de travail, données et contexte, gouvernance et risque, qualité des résultats et relecture humaine, collaboration et partage des connaissances, et mesure de l'impact.
Comment fonctionne l'échelle de maturité ?
Chaque dimension est notée sur une échelle par paliers à cinq niveaux — Ad Hoc, Émergent, Défini, Maîtrisé et Optimisé — afin que les équipes puissent voir leur niveau actuel et ce à quoi ressemble l'étape suivante vers un usage de l'IA plus délibéré et responsable.
Qui devrait y participer ?
Toute personne de l'équipe qui utilise l'IA ou en est affectée dans son travail, idéalement aux côtés du responsable d'équipe. Une contribution transversale donne une image plus honnête que les seules estimations du management.
À quelle fréquence devrions-nous le réaliser ?
Une fréquence trimestrielle convient bien à la plupart des équipes. Le refaire régulièrement transforme la maturité de l'adoption de l'IA en une tendance que vous pouvez suivre et exploiter, plutôt qu'en un instantané ponctuel.
S'agit-il d'adopter davantage d'IA partout ?
Non. Une maturité plus élevée signifie utiliser l'IA de façon délibérée et responsable — savoir où elle apporte de la valeur, où le jugement humain est essentiel et comment gérer le risque — et non maximiser l'usage de l'IA pour lui-même.