AI readiness
L’IA n’est pas votre plus grand risque. Ne pas y être préparé, si.
Le readiness gap, c’est l’écart entre le changement qui arrive sur votre organisation et la préparation réelle de vos équipes aujourd’hui. elli mesure cet écart, explique d’où il vient et vous aide à le combler.
En cinq secondes : cette page est pour vous si
Un déploiement d’IA réussit ou échoue avec vos équipes, pas avec la technologie
La répartition est connue. Selon BCG, 70 % de la valeur d’une initiative d’IA se trouve dans les personnes et les processus, 20 % dans la technologie et les données, et 10 % dans les algorithmes eux-mêmes (BCG, Where’s the Value in AI?, 2024).
Pourtant, les mesures de readiness portent presque toujours sur l’infrastructure, la qualité des données et les intégrations : les 20 %. Les 70 % ne sont pas mesurés, et c’est justement là que cela dérape.
Le résultat se lit dans les chiffres. Et la technologie en était rarement la cause.
des entreprises ont abandonné la majorité de leurs initiatives d’IA en 2025
S&P Global, 2025
un an plus tôt
S&P Global, 2025
des projets d’IA agentique seront abandonnés d’ici fin 2027, selon Gartner
Gartner, 2025
Dans votre organisation, l’IA est plus utilisée que vous ne le pensez
Les dirigeants estiment que 4 % de leurs collaborateurs utilisent l’IA générative pour au moins 30 % de leur travail quotidien. Les collaborateurs eux-mêmes déclarent 13 %, plus de trois fois plus (McKinsey, Superagency in the Workplace, 2025).
Cet écart coupe des deux côtés. Si vos équipes sont plus avancées que vous ne le pensiez, vous ratez l’occasion de généraliser leur façon de travailler. Si elles décrochent en silence, vous bâtissez votre déploiement sur une adhésion qui n’existe pas.
C’est logique : presque personne ne dit à son manager qu’il craint d’être remplacé. Pendant ce temps, 96 % des CEO constatent un usage de l’IA en dehors des canaux approuvés, et 79 % s’inquiètent des risques juridiques (Dataiku & The Harris Poll, 2026). On travaille beaucoup avec l’IA, simplement pas là où quelqu’un regarde.
des CEO constatent un usage de l’IA hors des canaux approuvés
s’inquiètent de leur exposition juridique
Dataiku & The Harris Poll, 2026
L’AI readiness, ce sont deux questions : votre organisation est-elle prête, et vos équipes le sont-elles aussi ?
La plupart des mesures ne répondent qu’à la première : infrastructure, données, gouvernance. Mais cela déraille presque toujours sur la seconde.
Question 1 : vos équipes sont-elles prêtes ?
Trois axes, et ils mesurent la même histoire à trois moments différents.
Usage : ce que quelqu’un fait réellement avec l’IA : quels outils, à quelle fréquence, à quel coût. Du comportement, pas une opinion. Bouge en semaines.
Engagement et vécu : le rapport de la personne au travail et au changement : comprendre le pourquoi, la confiance, le sentiment d’autonomie. Bouge en mois, et doit être recueilli activement.
Performance : ce que quelqu’un réalise effectivement. Bouge en trimestres, et est presque toujours oubliée, alors que c’est elle qui détermine si l’usage et l’implication produisent quelque chose.
Question 2 : votre organisation peut-elle le porter ?
Sept dimensions déterminent si l’IA peut prendre dans votre organisation : de la stratégie et des données à la gouvernance, aux talents et à la culture. Établies via des entretiens et une analyse documentaire, complétées par les données système que vous avez déjà.
Rarement le goulot d’étranglement, toujours la condition préalable : sans gouvernance, l’usage devient invisible plutôt qu’absent.
Pourquoi mesurer ensemble l’usage, l’engagement et la performance
Les trois axes n’avancent pas au même rythme, et c’est bien là le point. Ceux qui utilisent le plus l’IA ne sont pas nécessairement les plus performants. Si vous ne mesurez que l’usage, vous étiquetez comme décrocheurs des collaborateurs critiques mais productifs. Si vous ne mesurez que le vécu, vous ne savez pas pourquoi quelqu’un stagne. Si vous ne mesurez que la performance, vous ne savez pas à quel point ce résultat est durable.
Et un seul score organisationnel élevé ne dit rien de ce qu’il recouvre. Un 68 sur 100, solide en talents et faible en gouvernance, est utile pour la direction mais inutilisable comme base d’intervention.
L’usage est le seul axe qui devance les deux autres. Il est mesurable en continu et change en semaines. C’est donc le seul signal qui bouge avant que la perte ne soit survenue, et donc le seul qui permet d’intervenir à temps.
Vous préférez l’histoire complète ?
Le livre blanc Human-ready is AI-ready développe entièrement la méthode derrière cette page.
Un score moyen ne dit rien : regardez par équipe et par profil
Un score de readiness est une moyenne, et une moyenne décrit une réalité que personne ne vit ainsi. Sous une moyenne de 68, l’IT peut être à 95 et la finance à 55 ; c’est cet écart qui détermine où une intervention est rentable et où elle est du gaspillage.
Croisez l’engagement et la performance et vous obtenez neuf segments, chacun avec sa propre approche. Ajoutez l’usage comme troisième axe et ces mêmes segments existent en trois couches : un collaborateur n’est pas dans une case, il est sur une coordonnée. C’est ainsi que vous distinguez des profils qui se ressemblent à plat, mais qui demandent l’inverse.
Deux exemples de ce que cela donne.
Le décrocheur silencieux
Sa performance tient encore le niveau et son engagement n’a rien d’alarmant, mais son usage baisse depuis des semaines. Le signal fiable le plus précoce d’un décrochage mental.
L’utilisateur de l’ombre
Dit utiliser beaucoup l’IA alors que l’usage mesuré est faible. Cet écart est lui-même le signal : ce groupe prouve qu’il y a une demande, pas une réticence.
Un même score faible appelle donc une autre conversation. Sans ce détail, tout le monde reçoit la même formation.
Un segment montre où cela bloque, les drivers expliquent pourquoi
Un segment montre où cela bloque, pas pourquoi. Deux collaborateurs peuvent se retrouver dans la même case pour des raisons opposées, et cette raison n’est pas dans le KPI lui-même.
C’est pourquoi nous corrélons les KPI avec les drivers qui les sous-tendent : utilité perçue, autonomie sur l’outil, confiance dans la politique, charge de travail, soutien du management et sécurité psychologique. La même logique que les modèles d’engagement classiques (Job Demands-Resources, Self-Determination Theory), transposée à l’IA.
Cette distinction détermine l’intervention : le KPI désigne l’endroit, la corrélation la cause.
Score d’usage faible × confiance dans la politique
= un problème de communication
Ce même score × autonomie perçue
= un autre type d’outil ou un autre rôle
De l’insight à l’adoption : chaque équipe bloque sur un seul point
Mesurer n’est pas encore adopter. C’est pourquoi nous utilisons ADKAR comme colonne vertébrale : cinq phases, chacune avec son propre signal d’échec.
Cela se fait par vagues de 90 jours : mesure de départ par équipe, le pourquoi et les règles du jeu, des labs par rôle, de la pratique avec du soutien, du renforcement, puis une nouvelle mesure. Le point de blocage a alors bougé, et la vague suivante démarre là. Pas un projet avec une date de fin, mais un rythme.
Comment se déroule un parcours
C’est ce dernier bout qui distingue cette démarche d’un assessment. La plupart des exercices de readiness s’arrêtent au rapport. Nous restons jusqu’à ce que le comportement change.
Ce que vous recevez
-
Un score avec un niveau de maturité, de l’attentisme à l’ancrage, plus un profil par dimension pour voir quelle dimension freine.
-
La readiness par équipe, parce qu’une seule moyenne oriente mal.
-
Des segments et des profils avec, par groupe, l’approche recommandée.
-
L’analyse des causes : quel driver explique le plus fortement le score, dans quel segment.
-
Un plan d’adoption par vagues, avec pour chaque recommandation un domaine d’intervention, un responsable et un résultat visé.
-
Une nouvelle mesure à intervalles fixes, pour savoir si cela a fonctionné.
Le reporting est toujours agrégé, jamais sur un groupe de moins de cinq personnes, conforme au RGPD et à l’AI Act. Ce choix n’est pas seulement juridique : une mesure qui érode la confiance aggrave précisément le problème qu’elle veut résoudre.
Pourquoi elli
Nous mesurons la moitié que les autres laissent de côté.
Le modèle organisationnel suit le standard courant : sept dimensions, scoring pondéré, cinq niveaux de maturité. À cela s’ajoute un profil par collaborateur sur trois axes. Cette seconde moitié, les mesures de readiness ne la font généralement pas.
Nous ne nous arrêtons pas au rapport.
Mesurer, analyser, conseiller, accompagner, mettre en œuvre, puis mesurer à nouveau. L’accompagnement n’est pas une option ajoutée après coup : c’est là que naît le résultat.
En continu plutôt qu’une seule fois.
La readiness s’effrite dès qu’un déploiement atteint des équipes que vous n’avez jamais mesurées. Le vécu bouge en mois, l’usage en semaines. Une mesure par an arrive toujours trop tard.
Construit dans l’UE.
Un reporting agrégé, avec un seuil de confidentialité non négociable.
Commencez par une mesure de départ gratuite
La première mesure est gratuite : une enquête auprès de vos collaborateurs et une restitution qui montre où vous en êtes aujourd’hui et quelle dimension vous freine. C’est aussi la mesure de départ à laquelle vous comparerez tout ce qui suit.
À partir de 25 collaborateurs. Vous envoyez l’enquête vous-même à votre équipe ; nous faisons le reste.
Demandez votre AI-readiness check gratuit
Laissez vos coordonnées et nous vous contactons pour planifier la mesure de départ.
Merci, nous avons bien reçu votre demande.
Nous vous contactons prochainement pour planifier votre mesure de départ. En attendant, vous pouvez déjà parcourir le livre blanc.