Human-ready is AI-ready

Investir sans adoption

Les organisations ont les instruments. Les licences sont achetées, les pilotes tournent, les cadres de gouvernance sont écrits ou inscrits à la feuille de route. Pourtant le rendement n’arrive pas. La cause se situe rarement dans la technologie, mais dans l’écart entre ce qu’une organisation déploie et ce que ses collaborateurs en font.

Cet écart est documenté. L’AI Readiness Index de Cisco classe 13 % des organisations étudiées comme pleinement prêtes pour l’IA, une part restée stable trois années de suite auprès de plus de 8 000 répondants dans trente marchés (Cisco, 2025). L’Enterprise AI Maturity Index mesure sur une autre échelle : en 2025, moins de 1 % des répondants dépassaient 50 sur 100, avec une moyenne tombée de 44 à 35 ; en 2026, cette moyenne est remontée à 51 (ServiceNow, 2025).

Du côté de la gouvernance, le tableau est celui d’un contrôle limité. Dans une enquête auprès de 900 CEO, 96 % estiment que des collaborateurs utilisent l’IA générative sans autorisation, et 79 % s’inquiètent d’une exposition juridique liée aux agents IA (Dataiku/Harris Poll, 2026). La gouvernance est en retard sur l’usage. C’est moins un problème de contrôle qu’un problème d’information : on travaille massivement avec l’IA, simplement pas là où quelqu’un regarde.

Du côté des collaborateurs, la pression a augmenté. Le Humans at Work Barometer, auprès de plus de 6 000 salariés dans dix pays, constate que 51 % ressentent plus de pression qu’un an plus tôt et que 48 % terminent la plupart des journées mentalement épuisés (Workhuman, 2026). L’IA n’en est pas la seule cause, mais elle est le changement qui vient s’ajouter par-dessus.

La conséquence se mesure en projets abandonnés. En 2025, 42 % des entreprises ont laissé tomber la majorité de leurs initiatives IA, contre 17 % un an plus tôt (S&P Global, 2025). Gartner s’attend à ce que plus de 40 % des projets d’IA agentique soient annulés d’ici fin 2027, en raison de coûts croissants, d’une valeur métier floue ou de contrôles de risque insuffisants (Gartner, 2025).

Quatre piliers, une image complète

En pratique, la préparation à l’IA est mesurée comme une propriété technique de l’organisation. C’est une moitié de la question, et pas celle où les choses dérapent d’ordinaire. Un cadre complet comporte deux moitiés : le collaborateur est-il prêt, et l’organisation peut-elle porter la charge. La première moitié se décompose en trois axes, la seconde en sept dimensions. Quatre parties au total, chacune avec exactement une source principale.

Partie 1 · Le collaborateur

1a. Usage

Ce qu’une personne fait effectivement avec l’IA : quels outils, à quelle intensité, à quel coût. Cet axe est objectif et se trouve généralement déjà dans la télémétrie et les métadonnées existantes, sans avoir à interroger qui que ce soit. Il réagit en semaines, ce qui en fait le seul axe qui devance les deux autres.

1b. Engagement

Le rapport d’une personne à son travail et au changement : compréhension du pourquoi, confiance, autonomie perçue, disposition à s’investir. Mesurer l’engagement seul ne suffit plus dans un environnement porté par l’IA (WTW, 2026), mais sans cet axe il manque toute explication de ce que montrent les données d’usage. Il réagit en mois et doit être recueilli activement.

1c. Performance

Ce qu’une personne produit réellement. Cet axe est presque toujours omis des mesures de préparation à l’IA, alors qu’il détermine si l’usage et l’adhésion aboutissent à un résultat. Il réagit en trimestres et provient du cycle d’évaluation et de résultats propre à l’organisation.

Partie 2 · L’employeur

Qualité des données, infrastructure, gouvernance, politique et cas d’usage retenus : sept dimensions qui déterminent ensemble si l’organisation peut porter l’IA. Cette moitié n’est pas le goulet d’étranglement, mais elle est la condition préalable : là où la gouvernance manque, l’usage devient invisible plutôt qu’absent. Elle s’établit à partir d’entretiens et d’analyses documentaires, complétés par les données système que l’organisation tient déjà.

Pourquoi les quatre parties ne progressent pas en parallèle

C’est le point de départ analytique de ce cadre. Celui qui utilise le plus l’IA n’est pas nécessairement le meilleur performeur ; celui qui est le plus engagé non plus. Mesurer sur un seul axe produit donc des conclusions systématiquement fausses. La perception seule étiquette des collaborateurs critiques mais productifs comme désengagés. Les données d’usage seules n’expliquent pas pourquoi quelqu’un stagne. La performance seule ne dit rien de la durabilité du résultat. Et un bon score organisationnel ne dit rien de la dispersion en dessous.

L’anxiété liée à l’IA est le facteur qui relie les axes. Ce n’est pas une peur générale de la technologie mais une réponse psychologique complexe à un changement rapide et systémique (HRD America, 2026). Une enquête auprès de plus de 1 500 salariés à temps plein dans cinq pays, début 2026, a constaté que 24 % rapportaient une dégradation de leur santé mentale due à la surcharge d’information et 23 % un sentiment réduit de contrôle sur leur propre avenir (Spring Health, 2026).

De la moyenne au segment

Un score de préparation est une moyenne, et une moyenne décrit une réalité que personne dans l’organisation ne vit ainsi. Un score de 68 sur 100, solide sur les talents et faible sur la gouvernance, constitue une information de pilotage utile au niveau de la direction et reste en même temps inadapté comme base d’intervention.

La première couche de segmentation est organisationnelle. Sous une moyenne de 68, l’IT peut être à 95 et la Finance à 55. Cette différence détermine où une intervention a de l’effet et où elle est du gaspillage. Les équipes sont pourtant rarement homogènes, de sorte que cette couche continue elle aussi de produire des moyennes.

La deuxième couche est individuelle et croise les dimensions entre elles. La matrice ci-dessous oppose l’engagement à la performance et produit neuf segments, chacun avec sa propre logique d’intervention.

Le plus grand groupe se situe au milieu. Le moteur, 24 collaborateurs soit 19 %, obtient des scores moyens sur les deux axes et forme la couche porteuse de l’organisation. Ce groupe demande de l’entretien, pas une intervention, et se voit systématiquement sauté dans les programmes d’adoption au profit des extrêmes.

Le risque de rétention se situe à droite de la matrice. Performeur à risque de départ (12 collaborateurs) et Risque de départ critique (9) performent au plus haut niveau tandis que leur engagement s’effondre. Ce n’est pas un risque de rotation ordinaire : la perte touche directement la capacité productive, et le coût de remplacement d’un performeur de haut niveau dépasse largement celui d’un entretien mené à temps.

En haut à gauche se trouve le profil inverse. Potentiel caché (4 collaborateurs) est fortement engagé mais pas encore performant ; Volontaires en difficulté (6) veulent bien mais restent bloqués. C’est ici que la marge est la plus grande, et l’instrument est la montée en compétences et le coaching, pas la motivation.

L’usage comme indicateur avancé

La matrice de la figure 1 montre deux des trois dimensions. Si l’on ajoute l’usage comme troisième axe, la matrice reste la même mais gagne en profondeur : les mêmes neuf segments existent en trois couches, d’un usage faible à un usage élevé de l’IA. Un collaborateur n’occupe plus une case mais une coordonnée.

Pourquoi cet axe rapporte le plus

Les trois axes mesurent la même histoire à des moments différents, et c’est la raison de fond d’ajouter le troisième. La performance enregistre ce qui a déjà eu lieu et bouge en trimestres. L’engagement enregistre le rapport actuel au travail et bouge en mois, à une fréquence liée aux moments d’enquête. L’usage est un comportement, mesurable en continu à partir de la télémétrie existante, et il change en semaines. C’est le seul axe du cadre qui devance les deux autres, et donc le seul qui rende l’intervention possible avant que la perte ne soit survenue.

Huit profils qui n’apparaissent qu’avec le troisième axe

Chacun des profils ci-dessous se cache dans la figure 1 à l’intérieur d’une case existante, aux côtés de personnes qui appellent une approche opposée. L’axe de l’usage les sépare. Toutes les combinaisons des trois axes ne sont pas également parlantes : les huit ci-dessous sont les profils qui se dessinent le plus nettement en pratique et qui pèsent le plus sur une intervention.

De la résolution au choix

Chaque dimension supplémentaire augmente la résolution, et avec elle le nombre de segments qu’une organisation ne peut pas tous servir à la fois. La question suivante devient stratégique plutôt qu’analytique. Les organisations choisissent d’ordinaire l’une de trois routes. Les trois sont défendables. Aucune des trois n’est exécutable sans segmentation.

Du symptôme à la cause

Un segment localise un problème ; il ne l’explique pas. Deux collaborateurs peuvent aboutir dans la même case pour des raisons opposées, et cette cause ne se trouve pas dans les indicateurs eux-mêmes. L’usage, l’engagement et la performance disent ce qui bouge. Pour savoir pourquoi, il faut corréler ce mouvement avec les leviers qui le sous-tendent.

Les modèles classiques d’engagement font exactement cela. Le modèle Job Demands-Resources corrèle les caractéristiques du poste — charge de travail, autonomie, soutien social, ressources — avec des résultats comme l’engagement au travail et l’épuisement. La théorie de l’autodétermination corrèle le degré de satisfaction de l’autonomie, du sentiment de compétence et de l’appartenance avec la motivation et le bien-être. Aucun des deux ne mesure un score en soi ; tous deux expliquent un score en le reliant à ce qui se trouve en dessous.

L’approche elli prolonge cette logique dans le domaine de l’IA. L’usage, l’engagement et la performance sont les indicateurs ; à côté d’eux se trouve un ensemble de leviers clés, de caractéristiques et de vécu du poste propres à l’adoption de l’IA : utilité perçue, autonomie sur l’outil, confiance dans la politique, charge de travail, soutien du management, sécurité psychologique pour expérimenter. En corrélant les indicateurs et les leviers, on voit lequel explique le mieux un score dans un segment donné, exactement comme JD-R et la théorie de l’autodétermination le font pour les mesures d’engagement classiques.

C’est cette distinction qui détermine l’intervention. Un score d’usage faible fortement corrélé à la confiance dans la politique appelle de la communication. Le même score, corrélé à l’autonomie perçue, appelle un autre type d’outil ou un autre rôle. L’indicateur désigne l’endroit ; la corrélation avec les leviers désigne la cause.

Du côté de la communication, une revue systématique confirme le mécanisme : lorsque les collaborateurs comprennent pourquoi le changement a lieu et comment ils s’inscrivent dans l’avenir, le bien-être s’améliore et l’engagement augmente (Frontiers in Psychology, 2026). Une communication claire et cohérente réduit l’espace dans lequel l’incertitude prospère — un levier lui-même intégré à la corrélation.

Concrètement, cela signifie que la mesure des indicateurs est un point de départ et non un point d’arrivée. Les segments découlent de l’usage, de l’engagement et de la performance ; la cause découle de la corrélation avec les leviers, complétée par des réponses ouvertes, des entretiens et du contexte. C’est seulement alors qu’une intervention est plus qu’un pari.

Méthodologie en quatre à six semaines

Le modèle elli, fondé sur le modèle ADKAR (Awareness, Desire, Knowledge, Ability, Reinforcement), offre un classement utile des causes qui ressortent de la mesure. Qui ne sait pas pourquoi l’IA est introduite n’a pas un problème de formation mais de communication. Qui veut mais ne peut pas n’a pas un problème de motivation mais de compétence. Qui peut mais ne fait pas se heurte à la charge de travail, à la priorisation ou à un renforcement absent.

Le cadre devient opérationnel via trois sources de données qui se contrôlent mutuellement, suivies d’analyse, de restitution et de suivi.

• Enquête. Un questionnaire cartographie la maturité, l’adoption et la perception sur sept dimensions, ventilées par équipe. Les questions ouvertes livrent l’information sur les causes que les items fermés ne permettent pas de déduire.
• Télémétrie. Les données d’usage et de consommation proviennent de métadonnées déjà disponibles, exposées via OpenTelemetry. Elles montrent l’usage réel, la dépense par équipe et les anti-patterns, avec une estimation de coût par pattern.
• Entretiens et analyse documentaire. La politique, la gouvernance et le contexte sont établis à partir des documents existants et complétés par des entretiens sur des postes clés. Cette source corrige l’enquête là où la perception et le cadre formel divergent.
• Analyse et scoring. Chaque dimension reçoit un score de 0 à 100, pondéré selon la priorité, accompagné d’un profil dimensionnel montrant les points forts et faibles. Cinq niveaux de maturité traduisent le score composite en une position lisible : en attente, en exploration, en adoption, en montée en charge ou ancré.
• Durée. Semaine 1 état des lieux, semaines 2 et 3 l’enquête, semaine 4 l’analyse, semaines 5 et 6 une restitution prête pour la direction avec des recommandations par thème, chacune avec un responsable et un résultat visé.
• Confidentialité et conformité. La restitution est exclusivement agrégée, avec un minimum de cinq répondants par groupe, conforme au RGPD et au règlement sur l’IA. Ce choix n’est pas seulement juridique : une mesure qui érode la confiance aggrave précisément le problème qu’elle veut résoudre.
• Suivi. La préparation n’est pas un instantané. Des mesures pulse et d’impact à intervalles fixes montrent si une intervention met réellement en mouvement le segment visé, ou si elle ne fait que relever la moyenne.

La préparation commence par la vue

L’obstacle à l’adoption de l’IA est rarement technique. Il se situe dans l’écart entre ce qu’une organisation déploie et ce que ses collaborateurs peuvent, veulent et sont autorisés à en faire — et c’est précisément cet écart qui reste hors champ dans la plupart des mesures de préparation.

Trois dimensions réunies livrent les segments sur lesquels on peut agir. La segmentation met au jour les risques de rétention et les marges de progression qu’une moyenne dissimule. Le troisième axe, l’usage, détermine ensuite combien de temps il reste pour y faire quelque chose. Et l’analyse des causes détermine si une intervention doit porter sur la communication, la compétence ou le renforcement.

Pour la plupart des organisations, l’IA n’est pas le plus grand risque. Ne pas y être préparé, si. Et la préparation ne commence pas par la technologie, mais par la vue de là où en sont les personnes.

elli réunit les trois axes en un seul parcours, de la mesure aux segments jusqu’à l’intervention.

Bibliographie