Qu'est-ce qu'un indice de maîtrise de l'IA ?

La plupart des entreprises savent au centime près combien de licences Copilot ou ChatGPT Enterprise elles ont achetées. Presque aucune ne sait combien de ces licences sont entre les mains de quelqu'un qui sait vraiment s'en servir. Ce n'est pas un simple indicateur qu'on a oublié de suivre. C'est la raison pour laquelle BCG a trouvé que seulement 4 % des entreprises ont développé les capacités IA nécessaires pour en tirer une valeur réelle et durable, alors que 98 % d'entre elles expérimentent déjà avec la technologie.

Ce qui manque, c'est la mesure. On ne pilote pas ce qu'on ne mesure pas, et "qui a utilisé l'outil cette semaine" n'est pas la même question que "qui sait réellement s'en servir". C'est exactement la question à laquelle un indice de maîtrise de l'IA cherche à répondre. Et c'est aussi le problème que Raison essaie de résoudre : combler l'écart entre avoir accès à l'IA et savoir s'en servir, pour chaque employé, pas seulement pour la poignée de personnes qui auraient fini par comprendre seules.

Un indice de maîtrise de l'IA, c'est un score qui mesure si une personne, une équipe ou toute une organisation sait réellement utiliser l'IA, pas seulement si elle y a accès. Un tableau de bord d'usage répond à "cette personne a-t-elle ouvert l'outil". Un indice de maîtrise répond à "peut-elle s'en servir pour produire un travail fiable et utile". Ce n'est pas la même question, et la nuance change tout.

Cette distinction commence à être prise au sérieux. Le CFTE AI Proficiency Framework, un référentiel public publié en 2026, sépare clairement la maîtrise durable de l'IA de la simple aisance passagère avec un outil. Il évalue les gens sur trois axes : connaissances, compétences et comportements. Ce troisième axe, le comportement, c'est justement celui que la plupart des entreprises négligent quand elles confondent adoption et maîtrise.

Pourquoi les métriques d'usage ne racontent pas grand-chose

Taux d'activation des licences, fréquence de connexion, volume de prompts : ce sont les chiffres les plus faciles à extraire depuis n'importe quelle console d'administration d'un éditeur d'IA. Ce sont aussi les moins utiles, pour plusieurs raisons :

Elles ne font pas la différence entre du bon et du mauvais usage. Quelqu'un qui colle des données confidentielles d'un client dans un chatbot public et quelqu'un qui rédige un prompt précis, bien cadré, avec une sortie vérifiée : les deux apparaissent exactement pareil dans un rapport d'usage. Une connexion, une requête.
Elles atteignent rapidement leurs limites. Après quelques connexions, la métrique arrête de bouger, alors que la vraie compétence continue d'évoluer (ou de stagner) pendant des mois.
Elles ne disent rien du jugement. L'étude HiBob AI Skills 2026, menée auprès de 1 200 décideurs, montre que ce que les dirigeants valorisent le plus, ce ne sont pas des astuces techniques : ce sont la vérification systématique des sorties IA et la documentation des décisions prises avec son aide. Deux comportements cités chacun par 52 % des répondants. Aucun des deux ne remonte dans un compteur de connexions.
Elles cachent les écarts réels. Une équipe avec trois power users et douze personnes qui touchent à peine l'outil peut afficher le même taux d'usage moyen qu'une équipe où les quinze utilisent l'IA correctement tous les jours.

C'est exactement pour ça que la FAQ de Raison est claire là-dessus : la plupart des outils ne disent que qui s'est connecté, pas qui a vraiment développé une compétence.

Les briques d'un indice de maîtrise de l'IA

Pas besoin d'inventer une nouvelle métrique RH depuis zéro. Plusieurs référentiels publiés ces deux dernières années, chez CFTE, HiBob et dans l'AI Skills Framework du gouvernement britannique, arrivent tous à la même architecture de base. Voici comment l'adapter.

1. Des domaines de compétence, pas une checklist d'outils

Découpez "la compétence IA" en quelques domaines distincts plutôt qu'un seul score flou. CFTE utilise dix domaines évalués sur trois niveaux d'autonomie. Le GOV.UK sépare technique, éthique/responsabilité, et non-technique, en les reliant au niveau de carrière. Pas besoin de dix catégories dès le premier jour, mais une seule ne suffit pas. Au minimum, distinguez :

L'usage pratique : la personne peut-elle sortir un résultat fiable et utile de l'IA sur une vraie tâche de son métier
Le discernement : sait-elle quand faire confiance à une sortie, quand la vérifier, et quand ne pas utiliser l'IA du tout
La conscience de la gouvernance : sait-elle quelles données elle peut, ou ne peut pas, mettre dans quel outil

2. Des grilles basées sur le comportement, pas sur l'auto-évaluation

"À quel point êtes-vous à l'aise avec l'IA, de 1 à 5 ?" ne produit que du bruit, parce que la confiance et la compétence sont deux choses différentes. Le référentiel de HiBob définit à la place 29 comportements observables sur sept compétences : un manager évalue ce que quelqu'un a réellement fait sur une tâche concrète, pas ce qu'il en pense. Les comportements doivent être précis au point que deux évaluateurs différents notent le même travail de la même façon : a-t-elle vérifié la sortie, a-t-elle itéré sur son prompt, a-t-elle repéré une erreur du modèle.

3. Trois niveaux de score : individu, équipe, organisation

Un indice n'a de valeur que s'il se consolide. Notez chaque employé, agrégez les scores par équipe pour avoir une référence, puis combinez les équipes pour avoir un indice global. Avec cette structure, un responsable RH ou L&D répond à trois questions avec un seul système : qui a besoin de coaching, quelle équipe est la plus en retard, et si le niveau global progresse trimestre après trimestre.

4. Ancré dans le travail réel, pas dans un quiz ponctuel

Un quiz passé une fois pendant l'onboarding mesure ce que quelqu'un a retenu ce jour-là, pas ce qu'il fait à son poste six mois plus tard. Les outils et les bonnes pratiques changent presque tous les trimestres. Un indice de maîtrise doit donc être un signal continu, nourri par des micro-vérifications intégrées au travail, pas un certificat qui devient obsolète dès qu'un nouveau modèle sort.

5. Relié à ce qui marche vraiment, pas juste à ce qui est testé

Une grille, à elle seule, ne montre que les lacunes. Associez-la à un moyen de repérer ce que vos meilleurs utilisateurs font déjà bien, pour que l'indice ne soit pas qu'un tableau de pilotage, mais un vrai levier pour combler ce qu'il détecte.

Ce qu'un indice de maîtrise devrait vraiment mesurer

En croisant ces référentiels, un bon indice suit quatre choses par employé, consolidées par équipe et par organisation :

La fréquence et la profondeur d'usage, dans les outils utilisés au quotidien, pas dans un environnement de formation à part
La qualité du résultat produit : est-ce que le travail fait avec l'IA tient la route après vérification
Le jugement et l'esprit critique : la personne sait-elle quand contourner ou revérifier le modèle
La contribution à l'organisation : est-ce que ses bons prompts et cas d'usage sont capturés et réutilisés, ou restent entre les mains d'une seule personne

Ce dernier point compte plus qu'il n'y paraît. L'AI Skills Adoption Pathway du GOV.UK relie explicitement la maturité d'adoption de l'organisation aux besoins de compétences individuels. Un indice de maîtrise n'est donc jamais figé : ce qui compte comme "avancé" au premier mois d'un déploiement devient basique au douzième mois. La grille doit évoluer avec l'organisation.

Comment Raison construit un indice de maîtrise par employé et par équipe

C'est exactement l'écart que Raison a été construit pour combler. Plutôt que de compter des activations de licences, Raison donne à chaque employé et à chaque équipe un indice de maîtrise, basé sur trois briques :

Socrates délivre des micro-formations et des tests de connaissances directement dans Teams ou Slack. L'indice se nourrit de vérifications continues, intégrées au travail, pas d'un test unique qui devient périmé au bout d'une semaine.
L'AI Forum centralise les meilleurs prompts et cas d'usage que vos employés créent déjà. L'indice capture non seulement la compétence individuelle, mais aussi si les bonnes pratiques se diffusent dans l'équipe, ou si elles restent chez une seule personne.
Guidelines & Governance donne aux équipes L&D et IT un cadre pour déployer en sécurité ce qui fonctionne. C'est aussi de là que vient la dimension discernement et gouvernance de l'indice, pas seulement le volume d'usage.

Résultat : les dirigeants savent enfin faire la différence entre les collaborateurs qui disposent d'une licence et ceux qui maîtrisent réellement l'IA.

Envie de voir à quoi ça ressemble pour votre organisation ? Réservez une démo corporate et on vous montre comment ça se construit à partir de l'usage réel de votre équipe, pas d'un quiz ponctuel.

Sources référencées : BCG, "Where's the Value in AI?" (2024), CFTE AI Proficiency Framework (2026), HiBob AI Skills 2026 Report, HiBob AI Skills Assessment Tool, GOV.UK AI Skills Tools Package