Comprendre pourquoi l'adoption ne suffit pas — et comment transformer l'IA générative en capacité durable de delivery.
D'un constat qui dérange à un plan d'action — l'arc complet en une page.
Tout le monde l'utilise. Personne ne mesure ce qu'elle produit.
Le constat qui dérangeLe bon diagnostic n'est pas « quel outil » mais « quel système ».
Le pivot intellectuelTrois quick wins. Trois paris. Et ce qu'il faut savoir refuser.
La priorisationMéthode, roadmap, métriques, paved road. La transformation pilotée.
De l'intention à la machineTrois étapes concrètes pour démarrer ensemble — dès lundi.
Le passage à l'acteL'IA Gen est partout. Et pourtant, presque rien ne se transforme vraiment. Avant de parler d'outils, regardons ce que le terrain nous dit — sans complaisance.
Trois chiffres, trois sources indépendantes — et le défi qui attend toute direction technique.
des professionnels tech utilisent déjà l'IA au travail. L'adoption est massive et acquise — l'IA est entrée dans le quotidien des équipes, mais pas encore dans leurs processus.
MIT — State of AI in Business 2025
des POCs ne passent jamais en production. Branchés à la main, sans gouvernance ni plateforme : le blocage n'est pas l'IA, c'est le système qui doit l'accueillir.
DORA 2025
de stabilité du delivery pour les équipes qui adoptent l'IA. Le signal qui dérange : sans discipline d'ingénierie, l'IA déstabilise autant qu'elle accélère.
DORA 2025
Elle accélère la valeur d'un système sain — et détruit un système fragile. La bonne question n'est pas « quel LLM choisir ». C'est : « notre système est-il prêt à digérer la vélocité IA ? »
Ce que nous observons en diagnostic, quel que soit le secteur — quand l'IA est déployée sans cadre.
L'IA génère du code plus vite qu'un humain ne le relit. Sans discipline « small batches » et CI/CD, la vélocité apparente devient instabilité du SI.
« On a doublé les PR. On a doublé la dette. »
Licences distribuées massivement, gains individuels réels. Mais le Time-to-Market global ne bouge pas, faute de baseline.
« On dépense, on ne sait pas si ça produit. »
Aucune politique unifiée sur ce qu'on peut envoyer à un LLM externe. Le RSSI n'a aucune visibilité — un risque pénal, pas seulement opérationnel.
« Pas d'AI Charter, pas de scale. »
Code source, règles métier, données client envoyés sur des outils personnels non sécurisés. Quand le RSSI bloque sans alternative, les contournements se multiplient.
« Bloquer ne suffit pas. Il faut cadrer. »
Le paradoxe que personne n'anticipe — et qui décide du succès ou de l'échec d'une adoption IA. La « verification tax » : l'effort ne disparaît pas, il se déplace.
Sans cadre méthodologique, l'IA accélère la production d'une dette technique invisible. La réponse n'est pas d'en faire moins — c'est d'industrialiser la vérification.
Tant qu'on se demande quel LLM acheter, on se trompe de problème. La vraie question est ailleurs — et elle ne parle pas de modèle. Elle parle de système.
Le glissement qui change tout — du choix d'outil au design du système. Cette bascule change le périmètre, le sponsor, le budget, la définition du succès.
« Quel LLM faut-il choisir ? »
→ La mauvaise question.
« Notre système est-il prêt à digérer la vélocité de l'IA ? »
→ Le bon diagnostic.
Chaque pilier est noté en entretien terrain. Pondéré, il donne une lecture objective de ce qui amplifie — ou freine — la valeur de l'IA.
Stratégie IA explicite, cadre d'usage clair, sponsorship exécutif, ownership IT / métier / juridique / RSSI.
Accessibilité, qualité, fraîcheur, gouvernance. Capacité à brancher les bonnes données sur un RAG métier.
Adoption réelle des cas d'usage, cadrage par problème utilisateur, mesure de la valeur, montée en compétences.
Versioning code & prompts, petits lots, rollback, CI/CD intégrant l'IA — la discipline qui transforme vitesse en qualité.
Socle plateforme homogène, sortie des POCs, self-service, scalabilité multi-équipes — la condition du passage à l'échelle.
L'échelle ne sert pas à juger. Elle sert à définir le bon prochain pas — sans demander à un L2 de scaler comme un L4.
Profil typique à l'entrée d'un grand compte sur l'AI Readiness Scorecard. La marge de progression n'est pas un défaut — c'est l'opportunité.
On ne peut pas tout faire en même temps — et on ne doit pas. Les quick wins financent les paris stratégiques, et savoir dire non protège le budget des illusions séduisantes.
Un outil simple pour cadrer les ateliers client — et protéger le sponsor contre la hype.
Créer la traction et financer la suite.
Préparer, sponsoriser, cadrer.
Utiles pour apprendre, pas pour vendre.
Écarter à court terme.
Haut impact, forte faisabilité, livrables en moins de 45 jours. Ces cas prouvent la valeur et financent les paris stratégiques.
Le problème résolu
Les PR s'accumulent, les reviewers sont submergés, la qualité du code généré par IA se dégrade faute de revue.
La solution ASI
LLM intégré au pipeline CI/CD : détection d'anti-patterns, vérification des conventions, alertes sécurité à chaque PR.
Le problème résolu
Legacy Java, COBOL, .NET quasi non documenté. L'onboarding d'un nouveau dev prend des mois.
La solution ASI
Pipeline de génération automatique de README, ADR et commentaires à partir du code existant — en local ou cloud souverain.
Le problème résolu
Copilot ou Cursor utilisés sans garde-fou. Du contexte propriétaire envoyé à des serveurs externes sans contrôle.
La solution ASI
Configuration sécurisée (plans entreprise, zero data retention), DLP en sortie, contexte interne via RAG local, charter validée.
Fort impact métier — mais nécessitent un socle data mature et une démarche complète. Ne pas démarrer ici à froid.
Le problème résolu
10 000+ pages de procédures, conventions, doctrine impossibles à maintenir. Les conseillers se trompent ou appellent l'expert.
La solution ASI
Architecture RAG sur le corpus complet. Interrogation en langage naturel, réponse sourcée en 3 secondes. Mistral / Claude au choix, Azure UE.
Le problème résolu
Support N1/N2 submergé. Routage manuel des incidents : 10 à 15 minutes par ticket, démultiplié à chaque pic.
La solution ASI
Analyse sémantique des logs & tickets, classification automatique, suggestion de résolution, routage en moins de 30 secondes.
Le problème résolu
Gestionnaires qui passent 30% de leur temps à interpréter les règles métier dans des systèmes legacy hétérogènes.
La solution ASI
Agent IA connecté au core métier via MCP. Interprétation des règles applicables. Human-in-the-loop systématique pour la validation finale.
Une méthode en trois phases, une roadmap 90 jours, un pilotage par la valeur — et le quotidien des développeurs qui change vraiment. C'est ici que la stratégie devient opérationnelle.
Acculturer pour aligner. Diagnostiquer pour cadrer. Activer pour démontrer la valeur.
Créer un langage commun, aligner le leadership, poser les premières fondations de gouvernance.
Auditer objectivement le système et construire le blueprint d'architecture IA, avec un business case chiffré.
Déployer la stratégie, certifier les équipes, livrer les premiers cas d'usage en production. Transférer l'autonomie.
L'atelier d'acculturation est notre point d'entrée systématique. Chaque slot produit un livrable — pas un PowerPoint, mais une décision signée.
Ouverture & cadrage
Sécurité psychologique, objectifs partagés, règles du jeu.GenAI : réalités vs mythes
Masterclass interactive, démonstrations live sur cas terrain.Pain Points Map
Chaque participant cartographie ses frictions réelles.Vision Canvas
Ambition à 18 mois : périmètre, valeur ciblée, lignes rouges.Matrice Use Cases
Scoring impact / faisabilité / risque. Sélection des 5 prioritaires.AI Charter Canvas
Usages autorisés / interdits, règles data, gouvernance v1.Roadmap 90 jours
Owners, jalons, dépendances. Un plan d'action signable en l'état.Validation sponsor · Go / No-Go
Présentation et arbitrage. Décision contractuelle de Phase 2.On audite le système qui produit (ou freine) la valeur. Interviews terrain, scoring AI Readiness sur 5 piliers, blueprint d'architecture cible.
6 à 12 mois d'enablement. Quatre workstreams synchronisés, sprints bimensuels, transfert progressif d'autonomie aux équipes.
Tout le savoir produit consolidé dans un seul document, structuré, signé, opposable — lisible en 30 minutes par un sponsor, en 3 heures par une équipe projet.
Cadre stratégique & AI Charter — ambition 18 mois, lignes rouges réglementaires, gouvernance & ownership, top 5 use cases scorés.
AI Readiness Scorecard & radar DORA — scoring 5 piliers, observations terrain (15 interviews), cartographie des risques.
Blueprint Paved Road IA — IDE → CI/CD → Production, briques LLMOps, RAG & Data Layer, multi-LLM & souveraineté.
Business case & ROI modélisé — baseline DORA mesurée, gains cibles par use case, scénarios bas / médian / haut.
Roadmap 18 mois & jalons Go/No-Go — plan 90 jours détaillé, 4 workstreams cadencés, plan de change & certification.
Tableau de bord & cadence de revue — DORA Metrics, KPIs IA Gen, comitologie, rituel de revue trimestrielle.
Applicable dès la fin de la Phase 1. Owner, jalon, livrable à chaque étape.
Pas de transformation sans mesure. Deux étages indispensables : la performance de delivery, et la qualité de l'adoption IA.
Deployment frequencyFréquence de mise en production — la cadence à laquelle on apprend.
Lead time for changesDélai entre un commit et sa mise en production.
Change failure ratePart des changements qui provoquent un incident en prod.
Time to restore serviceTemps moyen de rétablissement après incident.
Taux d'adoption par cas d'usage% de devs / utilisateurs actifs sur les outils déployés.
Cycle time sur périmètre IAPR, revue, documentation — sur les périmètres pilotes.
Qualité & défauts de régressionSuivi du code généré jusqu'à 30 jours post-merge.
Satisfaction & confiance devMesure régulière de l'effort de vérification perçu.
L'adoption de l'IA s'accompagne toujours d'un creux de 6 à 12 mois. Sans mesure DORA, il est lu comme un échec — et l'effort est abandonné juste avant la bascule.
Calibration des pratiques, instructions partagées, vérification déterministe à mettre en place.
AI Gateway, vector stores, MLOps : un investissement initial avant l'effet de levier.
Les équipes apprennent. Un coût de scolarité anticipé, pas un signal d'échec.
Le suivi DORA en continu transforme ce creux attendu en investissement piloté — et évite de l'interpréter comme un échec.
Le chemin sécurisé et standardisé pour mettre en production du code IA sans risque — de l'IDE à la prod.
Règle d'or — jamais plus de 48 heures entre un commit et sa revue. L'IA produit du code plus vite que l'humain ne le relit. Sans « small batches », la vélocité apparente devient une dette technique garantie.
Trois étapes pour démarrer ensemble — et passer de l'expérimentation à une capacité durable.
Baseline DORA, cartographie des risques, top use cases, feuille de route.
Priorités, gouvernance, trajectoire et critères de succès.
Expérimentation instrumentée, mesure d'impact, décision de scale.
ASI