Il existe une version rapide du diagnostic IA, très répandue : on vous montre une démo de ChatGPT ou d'un outil équivalent, on liste ses fonctionnalités, et on vous dit que ça va vous faire gagner du temps. C'est une présentation produit, pas un diagnostic.
Un vrai diagnostic part dans l'autre sens. On ne commence pas par la technologie. On commence par votre activité, telle qu'elle fonctionne réellement — pas telle qu'elle est décrite dans l'organigramme.
La question qu'on pose en premier n'est jamais « quel outil IA voulez-vous essayer ». C'est plutôt : où perdez-vous du temps, sur des tâches qui reviennent, sans que ce temps produise une vraie valeur ajoutée ?
Cette question paraît simple. Elle ne l'est pas toujours à répondre depuis l'intérieur de l'entreprise. La personne qui passe deux heures par semaine à chercher une information dans des dossiers mal classés a souvent fini par considérer ça comme normal — ça fait partie du travail, on n'y pense même plus comme un problème à résoudre. C'est justement ce type de tâche, devenue invisible à force d'habitude, qu'un diagnostic doit faire remonter.
Concrètement, voici le type de questions qu'on pose lors d'un diagnostic IA, et pourquoi chacune compte.
Où l'entreprise perd-elle du temps ? Pas en théorie — en pratique, semaine après semaine. La réponse vient rarement de la direction seule ; elle vient surtout des équipes qui font le travail au quotidien.
Quelles tâches sont répétitives, et lesquelles nécessitent un vrai jugement métier ? Une tâche répétitive n'est pas automatiquement une tâche automatisable par l'IA. La distinction entre « ça se répète » et « ça peut être assisté par une IA sans risque » est précisément le travail du diagnostic.
Quels outils sont déjà utilisés, et par qui ? Dans beaucoup d'entreprises, un collaborateur a déjà testé un outil IA de son côté, parfois sur des documents sensibles, sans que personne d'autre ne le sache. Cartographier l'existant évite de recommander quelque chose qui tourne déjà, mal encadré, dans un coin de l'entreprise.
Quelles données sont manipulées, et lesquelles demandent une attention particulière ? Une entreprise qui traite des données clients, des dossiers juridiques ou des informations RH n'a pas les mêmes marges de manœuvre qu'une entreprise qui produit uniquement du contenu marketing public. Cette question conditionne directement le type de solution qu'on peut envisager ensuite.
Quelles compétences manquent aux équipes ? Un cas d'usage identifié comme pertinent mais que personne ne saura utiliser correctement au quotidien n'est pas encore une solution. C'est un besoin de formation déguisé en besoin d'outil.
Un diagnostic sérieux couvre plusieurs terrains, pas un seul :
Le travail documentaire — recherche, classement, synthèse, extraction d'information, rédaction. C'est souvent le terrain le plus riche en cas d'usage, parce que la plupart des entreprises manipulent plus de documents qu'elles n'en ont conscience.
La communication interne et externe — rédaction de comptes rendus, d'emails, de synthèses. Des tâches rarement complexes individuellement, mais qui, cumulées sur une semaine, représentent un temps considérable.
Les données — tout ce qui touche à l'analyse, la classification ou l'extraction d'informations à partir de bases existantes.
La connaissance interne — la possibilité, ou non, de transformer une documentation dispersée (procédures, notes, historiques) en une base exploitable, consultable facilement par les équipes.
Un diagnostic qui se termine par une liste de vingt cas d'usage possibles n'a rendu service à personne. L'entreprise n'a pas besoin de savoir tout ce que l'IA pourrait théoriquement faire pour elle — elle a besoin de savoir par quoi commencer.
C'est pour ça que chaque cas d'usage identifié doit être évalué selon plusieurs critères croisés : la valeur qu'il apporte réellement, la fréquence à laquelle la tâche revient, le temps qu'elle mobilise aujourd'hui, la faisabilité technique, le niveau de risque en cas d'erreur, et — souvent sous-estimé — la probabilité que les équipes adoptent réellement la solution une fois mise en place. Un outil techniquement parfait mais que personne n'utilise au bout de trois semaines n'a aucune valeur.
Le principe qui guide tout le processus reste simple à formuler, plus difficile à appliquer avec rigueur : ne pas chercher où mettre de l'IA, mais chercher où l'IA a réellement du sens.
Un diagnostic doit déboucher sur quelque chose d'utilisable, pas sur un simple constat que « l'IA pourrait être intéressante » — ce que tout le monde sait déjà en 2026. Concrètement, ça prend la forme d'une cartographie des processus concernés, d'une liste de cas d'usage classés par priorité, et d'une feuille de route qui indique dans quel ordre agir.
Cette dernière possibilité fait partie intégrante d'un diagnostic honnête. Il arrive qu'une entreprise vienne chercher une solution IA et reparte avec la conclusion qu'un seul de ses processus mérite d'être touché dans l'immédiat, et que le reste peut attendre. Ce n'est pas un échec du diagnostic. C'est précisément à quoi il sert : éviter d'investir du temps et de l'argent dans des cas d'usage qui n'en valaient pas la peine.
Envie de savoir où l'IA aurait vraiment du sens dans votre activité ? Le diagnostic part de vos processus, pas d'un catalogue d'outils.
Faire le point sur mon activité →