Un diagnostic IA ne consiste pas à compter les outils disponibles. Il sert à comprendre où une décision, un flux ou une connaissance métier pourrait réellement progresser — et ce qu’il faudrait sécuriser avant d’y introduire de l’IA.
01
Pourquoi commencer par le contexte métier
Le même modèle peut produire une aide utile dans un service et une dépendance dangereuse dans un autre. Le diagnostic relie le potentiel technique à une décision précise, à un processus observable et à une responsabilité clairement attribuée.
- La décision que l’on cherche à améliorer
- Le coût actuel du problème ou du délai
- Les données réellement disponibles au moment de décider
02
Ce qu’un diagnostic doit rendre visible
Une analyse utile fait émerger un petit nombre de périmètres testables. Elle distingue les gains plausibles des effets de mode et donne des critères pour mesurer, différer ou arrêter une expérimentation.
- Un cas d’usage prioritaire et son indicateur de succès
- Les risques de qualité, de confidentialité et d’adoption
- Les conditions de passage à l’expérimentation
03
Le livrable attendu
À la fin du cadrage, les équipes doivent savoir quoi tester, avec quelles données, auprès de quels utilisateurs et selon quelle preuve. Le diagnostic transforme une ambition générale en décision partageable.
Le point de départ
Avant l’outil, clarifier la décision.
Le diagnostic Eudaimonia identifie le premier périmètre à mesurer, les risques à éviter et les fondations à réunir.
Délimiter mon premier périmètre en 90 min