Comment construire votre dream team IA ? (3/3)

Comment bâtir un plan de compétences IA pour mon entreprise ?

Cet article est le troisième volet d’un triptyque. La dynamique est la suivante : quel est le vrai problème de mon organisation en matière d’IA, vers où aller et comment dois-je m’y prendre ?

« Pourquoi le déficit de compétences IA ne se voit pas ? » établit le diagnostic : on forme, on recrute et on mesure sur ce qui se nomme, pas sur ce qui décide. Le déficit principal est davantage un déficit de nomenclature, le déficit de compétences n’en est qu’une conséquence. En clair, on est perdu : les produits et les noms des postes changent tous les quatre matins. Qui sait construire sur du sable ?

La grille de compétences IA (six axes, quatre profils, avec des seuils plutôt qu’un score) propose ensuite une grille de lecture, la carte détaillée à consulter au préalable. Cet article, lui, a l’ambition de la rendre opérante à travers un exercice intellectuel réalisé en chambre, mais avec un ancrage réel, qui s’appuie sur le diagnostic et la grille pour dire quoi faire, sans les exposer à nouveau.

Trois lignes de rappel pour qui arrive directement ici. Voici ma thèse : on forme au prompting parce qu’il s’enseigne en un jour, se certifie et se facture, pas parce que le « prompteur » décide de quelque chose. On recrute en annonçant un besoin de compétence en matière de RAG sept fois plus souvent que sur des compétences d’évaluation des systèmes agentiques, alors que c’est précisément l’évaluation du fonctionnement de ce qui se passe en production qui bloque le plus souvent le passage à l’échelle des projets IA. Et on pilote sur des taux d’adoption des utilisateurs, qui montent tout seuls, pendant que celle des projets mis en production, celle qui copte, ne bouge pas - peut-être parce qu’elle n’existe même pas.

Cet article ne s’adresse pas à ceux qui veulent apprendre à utiliser l’IA mais à ceux qui doivent décider, arbitrer et piloter une organisation qui l’intègre. Ce sont deux compétences différentes, et la confusion entre les deux est la première cause de réels gaspillages budgétaires. Ces lignes naissent d’ailleurs d’un demi-échec : il y a quelques semaines, j’ai animé une formation sur le rôle des décideurs face à l’IA. L’organisation se lançait dans un plan ambitieux et bien construit au regard de sa taille et son secteur. J’avais un comité de direction en face de moi, j’avais bien préparé mon sujet. Mais l’attente de ce collectif était d’abord d’apprendre à bien utiliser les outils et à toucher les promesses de gain de temps qui leur avait été promis. Mon approche, consistant dans un premier temps à parler de shadow AI et d’innovation tapaient à côté : j’ai repositionné l’intervention en séance, pour parler prompt engineering - un peu frustré, je l’avoue.

Le débat sur l’IA en entreprise est vu à travers des prismes (identification de cas d’usage, mise à disposition de ressources, gouvernance). Mais leur empilement ne fait pas une stratégie : on peut cocher les trois cases et rester sans alignement sur la stratégie d’entreprise, sans création de valeur mesurable. Un système agentique n’est pas qu’un artefact technique. C’est un système d’information qui s’insère dans un système organisationnel, comme tout système d’information. Cette série a pour ambition de tenir ensemble ce que les prismes, souvent séparés, laissent disjoint.

Ce volet est consultable indépendamment. Personne n’est censé lire ces trois en continu.

Sommaire :

1. Le socle data, le prérequis

Tous les référentiels de compétences IA supposent que les données existent, soient fiables et accessibles. Cette hypothèse tient rarement.

Sans maturité data minimale, aucun projet ambitieux n’est structurellement possible. On ne reconstruit pas un processus autour de l’IA si les données qui l’alimentent sont fragmentées, non documentées ou juridiquement inexposables. Les formations n’y changeront rien. Vous l’avez entendu cent fois de façon péremptoire : « la data, c’est le pétrole du 21ème siècle ! ». Et je vous souhaite bon courage si vous faites votre plein d’essence avec du pétrole non raffiné…

Le diagnostic en quatre questions

À poser par direction, sur chaque processus candidat à un projet IA :

Quatre questions, deux heures par direction. C’est peut-être une des actions avec le meilleur rapport signal/effort de toute cette série.

“Compétence IA” ≠ “asset data”

Distinction que les dirigeants confondent le plus souvent, et qui structure deux conversations budgétaires différentes :

• La compétence IA est dans les personnes (savoir quoi demander, comment juger, comment intégrer) ;
• L’asset data est dans l’organisation (les données propriétaires, structurées et documentées que vos concurrents n’ont pas).

La « bonne » question « CODIR » sur les assets n’est pas « avons-nous assez de données ? ». Elle devrait être « quelles données nous donnent un avantage irréplicable si on les exploite avec l’IA ? »

Historique client long, données de process propriétaires, corpus métier non public, signaux terrain remontés par les commerciaux. Ce sont ces assets qui justifient d’aller au-delà des modèles généralistes, et eux seuls.

2. Les quatre compétences non-délégables du dirigeant

Un dirigeant n’a pas besoin d’être un expert de tous les aspects de l’IA. Il a à construire les conditions pour que ses équipes y accèdent en fonction de la situation de l’entreprise, et à maîtriser lui-même quatre choses que personne ne peut faire à sa place.

2.1. Lire une sortie IA de manière critique

Distinguer un résultat solide d’un résultat plausible. C’est le 4ème axe de la grille de lecture exercé personnellement.

Comment on l’acquiert : par un exercice, se faire soumettre des sorties IA sur son propre domaine d’expertise, sans indication de qualité, et devoir trancher. Une demi-journée, sur des cas réels du secteur. Le taux d’erreur initial est en général le moment pédagogique.

Complément utile : la règle des « trois modèles ». Faire tourner la même tâche sur trois modèles différents et comparer. L’exposition à des comportements divergents (style, gestion de l’ambiguïté, tendance à la complaisance, robustesse technique) calibre l’œil plus vite qu’une formation théorique. Coût : une heure et demi.

2.2. Poser les bonnes questions à ses équipes

La question pertinente n’est pas « avez-vous utilisé l’IA sur ce projet ? » mais plutôt : « quelle part de ce livrable a été validée par un jugement humain qualifié, et par qui ? ». En clair, « qui est prêt à signer le document et à assumer les erreurs s’il y en a ? ». Quand on connaît la culture du courage dans certaines organisations, c’est la question qui « gratte ».

La première question produit du déclaratif. La seconde produit de la traçabilité, et accessoirement, elle documente votre conformité (section 6).

2.3. Arbitrer les investissements avec une grille de valeur

Les six axes de la grille servent aussi à qualifier les projets :

Un dirigeant qui sait poser ce type de grille sur une demande de budget n’a plus besoin de comprendre la technique sous-jacente.

2.4. Comprendre les risques de dépendance systémique

Quatre risques à tenir en tête :

• Shadow AI, non pas comme fraude, mais comme signal
• Atrophie cognitive, les compétences non exercées s’érodent
• Conformisme statistique, les sorties convergent, la différenciation s’érode
• Responsabilité légale, elle engage le décideur, pas le prestataire.

Développés en section 6.

3. De quelles compétences s’entourer

Avertissement préalable, parce que le tableau qui suit peut se lire de travers : ces quatre profils sont des fonctions (praticien, concepteur, évaluateur, stratège), et non des intitulés de poste.

Une analyse de 889 offres portant le même titre (« AI Engineer ») publiées en janvier 2026 dans cinq grands bassins d’emploi montre que cet intitulé unique recouvre trois métiers distincts : environ 70 % de postes travaillant directement sur des systèmes à base de modèles de langage, 28,5 % construisant les plateformes et l’infrastructure que les premiers utilisent, et moins de 2 % relevant de l’apprentissage automatique classique rebaptisé.

Un candidat qui postule au même titre dans trois entreprises passera donc trois entretiens sans grand-chose de commun. Et un recruteur qui écrit « IA » sans trancher recevra les trois populations, puis choisira « au hasard » en croyant avoir été sélectif.

Le second enseignement de cette étude concerne le prompting, et il prolonge l’article de diagnostic. Le prompt engineering apparaît toujours dans 29,1 % des offres, la compétence n’a pas disparu. Mais elle y figure comme composante d’une conception de système plus large, jamais comme spécialité autonome. Elle est passée derrière le RAG (35,9 %). La compétence a survécu à son titre en se dissolvant dans tous les autres postes, comme savoir écrire une requête SQL quand on est administrateur de base de données…

Conséquence opérationnelle pour qui rédige une fiche de poste : le brouillard des intitulés n’est pas subi par le recruteur, c’est lui qui le fabrique, ligne par ligne, avec son partenaire métier. Trois questions suffisent à le dissiper :

1. Le poste travaille-t-il sur l’IA, à côté de l’IA, ou dans de l’ancien monde repeint ? Construire le produit qui appelle un LLM n’est pas fabriquer la plateforme.
2. Fabrique-t-on le modèle ou le branche-t-on ? Le fine-tuning n’est au cœur du poste que dans 8,5 % des offres, et 95,6 % d’entre elles sont orientées production plutôt que recherche. Dans l’immense majorité des cas, le modèle est une pièce de catalogue, on construit autour, on ne l’entraîne pas.
3. Est-on devant le client ou derrière le produit ? Mêmes compétences techniques, journées très différentes. Et c’est devant le client qu’on retrouve maintenant le Forward deployed Engineer - celui qu’on recrute pour s’assurer que les déploiements des systèmes conçus soient réussis - une sorte de « Customer Success Manager » de terrain.

Quatre profils, donc. Le deuxième est celui que les organigrammes n’ont pas encore assez recruté.

Les seuils de compétence par axe et par profil vivent dans la grille de compétences IA.

Une absence à noter, il n’y a pas de profil « data steward ». La qualification des gisements de données est un axe de compétence qui contraint les quatre profils, pas un rôle supplémentaire. En faire un poste conduirait à redécrire l’organigramme : puis le DPO, puis le RSSI, puis l’architecte de données. Les fonctions data préexistantes ne relèvent pas de ce kit.

Le praticien, ne pas se tromper de cible

C’est le collaborateur « augmenté », pas l’instigateur du changement. Il utilise l’IA dans son travail quotidien, sans en porter la responsabilité de conception ni de gouvernance.

L’erreur la plus fréquente est de le former au prompting. Son axe déterminant est le jugement critique : quelqu’un qui utilise l’IA toute la journée sans savoir distinguer une sortie solide d’une sortie plausible est un risque, pas une ressource. C’est là que doit aller le budget de formation de masse, et c’est l’inverse de ce que fait le marché.

Un point de vigilance : le praticien doit pouvoir juger si son propre usage tient dans son propre travail. En-dessous, on a un copiste, le flux copier, coller, copier, coller, l’IA dans un onglet séparé. C’est le premier plateau documenté et ce n’est pas le niveau souhaité sur ce profil.

N.B. : les utilisateurs aux usages avancés n’ont pas tous la fibre pour alimenter les bataillons de Citizen Dev, ces collègues qui mettent leur savoir-faire technologique/bureautique au service de la transformation de processus. Le phénomène est riche de promesses, mais le volume d’appelés est faible.

L’évaluateur

C’est le profil que la plupart des organigrammes n’ont pas, et c’est celui qui est le porteur de compétences plus avancées.

Son travail : construire les jeux de cas, mesurer les dérives, traquer les réponses inventées, brancher tout ça dans la chaîne de production. Rien de spectaculaire, et c’est exactement pour ça que personne ne le réclame.

Sur un logiciel classique, une fonction rend le bon résultat ou ne le rend pas. Un système à base de modèle de langage est probabiliste et ne rend jamais deux fois exactement la même chose. La vérification cesse d’être binaire et devient statistique, ce qui en fait un métier à part entière.

Ce profil a une propriété que les quatre autres n’ont pas : celui qui rend le verdict et les signe. C’est une position de responsabilité autant que de compétence, et c’est ce qui la rend non externalisable. Un prestataire ne peut pas certifier son propre travail ; on ne demande pas à l’accusé de rédiger son rapport d’expertise.

Conséquence directe pour le CODIR : ce profil ne s’achète pas, il se désigne. Et le désigner suppose de lui donner un mandat, du temps protégé et une indépendance hiérarchique vis-à-vis de ceux qui construisent les systèmes qu’il évalue.

Son mandat n’est pas fixe : la méthode qui suffit à vérifier deux agents en production ne suffit plus à en vérifier deux cents. Ce n’est pas affaire de volonté ni d’effectif, c’est la nature de la vérification qui change de palier avec l’échelle. Au début, un examen individuel de chaque sortie ; au-delà d’un certain volume, une chaîne de tests que les systèmes doivent eux-mêmes passer avant d’arriver sur le bureau de l’Évaluateur, sans quoi son temps de revue explose plus vite que ce qu’il peut absorber, et l’organisation cesse d’apprendre à vérifier pour se contenter d’espérer des gains de productivité future. Le nombre d’agents ou de systèmes que ce profil peut couvrir seul dépend directement du niveau de cette chaîne de vérification, pas d’un ratio universel (en tout cas au regard du niveau de maturité du métier). Il se calibre sur le volume d’usage réel de l’organisation, pas sur une norme du secteur.

Le concepteur, pourquoi l’externalisation ne suffit pas

Il bâtit les systèmes, mais son métier ne s’arrête pas à la construction : un agent conçu sans égard pour l’endroit où il se branche fait partie des ~90 % des projets qui meurent. Concevoir inclut de concevoir l’insertion.

D’où une conséquence de recrutement contre-intuitive. On externalise volontiers la compétence technique, elle est rare, elle se loue. Mais la moitié du métier consiste à faire bouger des processus, devant des gens et dans une organisation qu’un prestataire ne connaît pas. Cette part-là suppose une légitimité interne que l’externalisation ne procure pas.

La formule qui fonctionne : recruter ou louer la technique, et l’apparier systématiquement à un sponsor métier qui porte l’insertion (y compris en étayant la fonction « architecture d’entreprise ») ou former quelqu’un de la maison, ce qui est plus lent mais plus sûr.

N.B. : il y aurait beaucoup à dire sur l’architecture d’entreprise - hors intelligence artificielle. Les grandes groupes peuvent en externaliser une partie (les cabinets de conseil sont de bons renforts) et pour les PME-ETI, elles n’ont souvent pas la taille critique pour avoir un poste dédié et la mission est dissoute dans différentes fonctions (maîtrise d’ouvrage générale, direction des études…).

Ce que le marché du recrutement dit déjà

Plus de la moitié des grandes entreprises prévoient d’accorder plus d’importance aux compétences en IA pour leurs futurs recrutements de cadres. Et deux entreprises sur dix y attachent déjà de l’importance dans leur sélection.

Pour une DRH, ce n’est pas seulement une ligne de dépense. C’est une position sur un marché de recrutement en train de se resserrer.

Le piège : former sans revaloriser

Plusieurs publications ont mesuré cette prime à l’embauche à des dates différentes, avec une même tendance : elle grimpe (25 % à 56 %, 57 %, puis 62 % en 2026 selon le PwC Global AI Jobs Barometer). Ce n’est pas un contraste entre deux méthodologies opposées, c’est la même métrique qui monte.

La traduction est le mécanisme le plus actionnable de toute cette section : la prime va à celui qui arrive, pas à celui qui est déjà là. Elle se déclenche à la signature, pas à la maîtrise (« Un classique », pour les métiers sous tension).

La prime va à celui qui arrive, pas à celui qui est déjà là.

Une organisation peut donc porter ses équipes à l’état de l’art et ne jamais leur verser la contrepartie que le marché, lui, verse à l’embauche. Elle finance alors tous les mois la meilleure raison qu’elles ont de partir, et le jour où elles partent, elle les remplace au prix du marché, c’est-à-dire au prix exact de la prime qu’elle refusait de verser. C’est une politique d’entreprise possible et c’est un risque de sélection adverse.

Ce point transforme le plan d’action : en interne, il ne s’agit pas que d’une décision de formation, c’est une décision conjointe de formation et de politique salariale. Les deux se prennent ensemble ou ne se prennent pas.

Une mesure toute bête du degré de maturité d’une organisation : l’existence d’un étalon de 100 questions qu’on pose suite au déploiement d’un RAG pour en assurer la pertinence. Les modifications de score entre deux livraisons sont-elles dues à l’évolution des modèles de l’éditeur, à une modification de la documentation en entrée ou au changement de l’outillage lui-même. Le niveau de confiance de l’évaluateur dans la réponse qu’il vous donne en dit long sur la maturité de l’organisation - même si la pratique se répand.

5. Le plan d’action en six blocs

Vous partagez les contats ? Vous souhaitez impulser la dynamique dans votre organisation ? Munissez-vous de votre bâton de pellerin, de votre bloc-notes et préparez-vous à aller taper à la porte de nombreux collègues.

Bloc 0 (Audit data stratégique) · 2 h · DSI + DG + directions métier

Trois questions préalables à toute décision de formation :

1. Quelles données différenciantes possédons-nous que nos concurrents n’ont pas, et sont-elles exploitables ?
2. Quel est le niveau de maturité data par direction ? C’est le plancher réel du plan.
3. Quels périmètres ne peuvent pas être exposés à un modèle externe ?

Livrable : plancher de faisabilité par direction. Conditionne tous les blocs suivants.

Bloc 1 (Diagnostic) · J+15 · CODIR + DRH

• Cartographie des compétences par direction sur les six axes, repondérés pour le secteur d’activité
• Croisement avec le plancher data du bloc précédent

Livrable : carte de chaleur compétences × directions, et liste des trois processus prioritaires à reconstruire.

Ce que le DRH ou le manager en fait dès lundi : la carte de chaleur ne se range pas dans un tiroir. Deux actions concrètes :

1. Identifier les ressources existantes dans l’organisation et contribuer, avec les managers, à les positionner sur la grille.

2. Identifier les besoins de chaque équipe sur la base de cette grille commune, pour composer des équipes ou consolider des compétences déjà là plutôt que d’empiler des formations génériques.

Le besoin est rarement un ETP entier par équipe ou par direction, ce qui écarte d’emblée le réflexe « on recrute un profil dédié » : une PME ou une ETI a plus souvent intérêt à monter une communauté de pratique transverse et à accompagner des profils existants qu’à recruter un poste à temps plein sur un besoin fractionné.

Bloc 2 (Compétences dirigeantes) · M+1 · demi-journée · CODIR

Travail sur les quatre compétences non-délégables de la section 4. Format pratique, sur sorties IA réelles du secteur. Pas de slides (sauf si ces slides sont des artefacts d’IA à évaluer ;-)).

Livrable : chaque membre du COMEX sait lire une sortie IA de manière critique et poser la question de validation à ses équipes.

Bloc 3 (Reconstruction de trois processus pilotes) · M+1 → M+4

C’est un programme de transformation : un à trois processus reconstruits avec les équipes terrain.

Critères de sélection, dans cet ordre :

1. Données disponibles et exploitables (bloc 0)
2. Impact métier élevé
3. Sponsor métier identifié et disponible.

Le premier critère est éliminatoire. C’est ce qui distingue ce bloc des pilotes qui n’aboutissent pas.

Livrable : un à trois processus en production, et l’apprentissage tacite qui va avec, c’est le seul dispositif du plan qui permet de s’assurer qu’on se rapproche de l’état de l’art.

Bloc 4 (Gouvernance et conformité) · M+2 · 1 h 30 · COMEX

Bloc 5 (Préparation décembre 2027) · à cadrer en M+3

Recensement des systèmes potentiellement classés haut risque annexe III au sens de l’IA Act, RH en premier lieu. Seize mois, ce n’est pas tant que ça.

Bloc 6 (Inventaire et certification du parc existant) · à cadrer en M+3

Ce bloc ne concerne que les organisations qui ont déjà déployé des systèmes s’appuyant de l’IA en production. Pour elles, il est plus urgent que le bloc 5.

Projetez-vous à trois ans dans une entreprise ordinaire, pas un laboratoire de la Silicon Valley, une société de votre secteur avec ses bureaux et ses réunions du lundi. Une quarantaine de systèmes automatisés en production : ils lisent des contrats, répondent à des clients, préparent des décisions - chacun construit par un prestataire différent, à dix-huit mois d’écart, sur des modèles qui ont changé de version trois fois depuis.

Une question coûte alors très cher, et personne n’y a répondu : lequel de ces quarante systèmes fonctionne encore ? C’est une approche de type pre-mortem.

Si personne ne sait, c’est parce que la réponse demande un travail dont personne n’a le mandat. Le prestataire dira que ça marche, il est payé pour ça. La DSI dira que ça tourne, ce qui n’est pas la même chose. L’équipe métier aura arrêté de s’en servir six mois plus tôt sans prévenir…

Livrable : inventaire du parc, avec pour chaque système un propriétaire nommé, une date de dernière vérification et un verdict signé par le responsable du processus.

Où se déplace la rareté : ce n’est pas dans la capacité de construction de nouveaux systèmes, qui devient la partie facile. La rareté se déplace dans la capacité à certifier que ceux qui existent marchent encore.

Construire de nouveaux systèmes IA devient la partie facile. La rareté se déplace vers la capacité à certifier que ceux qui existent marchent encore.

Séquençage

Règle de suivi : à trois mois, si la position n’a pas progressé d’au moins deux points sur la grille, c’est la méthode qui est défaillante, pas l’outil. Le signal de sortie doit être posé dès le départ.

Sources et données de référence

Réglementaire

• Règlement (UE) 2026/1744 ↗, Digital Omnibus sur l’IA. Vote du Parlement 16 juin 2026, approbation du Conseil 29 juin, publication au JOUE 24 juillet, entrée en vigueur 27 juillet 2026
• Règlement (UE) 2024/1689 ↗, AI Act. Article 4 applicable depuis le 2 février 2025 ; article 50 et pouvoirs de sanction depuis le 2 août 2026
• Report annexe III : 2 décembre 2027. Report annexe I : 2 août 2028

France, cadres

• APEC, « Les cadres et l’IA » ↗, 21 mai 2026 : 50 % des cadres utilisent l’IA au moins une fois par semaine (+15 pts) ; 62 % chez les jeunes, 55 % chez les managers ; 29 % formés (vs 24 % en 2025), majoritairement en généraliste ; 27 % des grandes entreprises ont une charte (vs 17 %) ; 37 % ont déployé des formations (vs 20 %) ; 53 % prévoient de valoriser davantage les compétences IA au recrutement de cadres

Marché, production

• 31 % des entreprises ont au moins un agent en production (S&P Global Market Intelligence ↗ / McKinsey), 47 % banque-assurance, 18 % santé, 14 % public
• 88 % des pilotes d’agents n’atteignent pas la production (Forrester / Anaconda 2026, source primaire non retrouvée, voir réserve ci-dessous). Blocages : évaluation 64 %, gouvernance 57 %, fiabilité 51 %
• 12 % des CEO déclarent à la fois gain de CA et réduction de coûts (PwC 2026 Global CEO Survey ↗, 4 454 dirigeants)

Marché de l’emploi IA

• Alexey Grigorev et Valeriia Kuka, « What Is an AI Engineer ? 2026 Role, Skills and Responsibilities Based on 1,000+ Job Descriptions » ↗, AI Shipping Labs, 4 mars 2026, corpus de 889 offres uniques collectées en janvier 2026 sur Built In à Berlin, Amsterdam, Londres, Los Angeles et New York, classifiées par pipeline LLM. Répartition : AI-First ~70 %, AI-Support 28,5 %, ML classique < 2 %. Orientation production 95,6 %. Compétences : RAG 35,9 %, prompt engineering 29,1 %, intégration LLM 25,4 %, agents 14,4 %, fine-tuning 8,5 %, évaluation 4,5 %. Cas d’usage « qualité et sûreté de l’IA » : 3,1 %

Référentiels et analyses secondaires

• « Le vrai obstacle à votre progression en IA, ce n’est pas la technique » ↗, chaîne IA et Stratégie | Le SamourAI, 10 avril 2026
• « Les offres en IA explosent. Alors pourquoi est-ce si difficile d’en décrocher une ? » ↗, chaîne ZC Chain, 2026, analyse du marché de l’emploi IA côté candidat

Réserve méthodologique : cette dernière source inverse le résultat principal de l’étude AI Shipping Labs. Elle avance que 1,4 % des offres « AI Engineer » correspondent à ce que le titre laisse imaginer, là où l’étude établit qu’environ 70 % portent effectivement sur des systèmes à base de modèles de langage, le seuil de 2 % concernant la catégorie inverse, l’apprentissage automatique classique rebaptisé. Elle décrit également une lecture manuelle des offres là où l’étude documente un pipeline LLM. Les chiffres retenus ici sont ceux de la source primaire.

Appuis théoriques

• Richard Sennett, Ce que sait la main (2008) ↗, savoir incorporé, atrophie
• Michel Crozier et Erhard Friedberg, L’acteur et le système (1977) ↗, zones d’incertitude, shadow AI