# enbi : conseil indépendant en décisions data, IA et numériques > Cabinet de conseil indépendant. enbi instruit les décisions data, IA et numériques : coût complet, contraintes juridiques, dépendance au prestataire, verdict. Public Ghost content for AI and LLM tooling. This file includes a bounded export of public pages first, then recent public posts. Append `.md` to any post or page URL to get the content in Markdown (for example, `/example-post.md`). ## Pages ### Administrations publiques URL: https://enbi.fr/administrations-publiques/ Last updated: 2026-07-02T22:36:56.000Z Contenu porté par le gabarit page-administrations-publiques.hbs — ce contenu Ghost n'est pas rendu en production. Ancienne version archivée le 02/07/2026 dans Design/archives/. ### Blog URL: https://enbi.fr/blog/ Last updated: 2026-06-22T12:16:54.000Z _No content available._ ### À propos URL: https://enbi.fr/a-propos/ Last updated: 2026-07-02T22:36:54.000Z Contenu porté par le gabarit page-a-propos.hbs — ce contenu Ghost n'est pas rendu en production. Ancienne version archivée le 02/07/2026 dans Design/archives/. ### Mentions légales URL: https://enbi.fr/mentions-legales/ Last updated: 2026-09-07T15:20:36.000Z ## Note d'intention Cette page existe parce que la loi l'exige. Nous en avons profité pour la rendre lisible, et pour expliquer les choix qui se cachent derrière un site qu'on espère aussi discret que cohérent. #### Qui publie ce site **enbi** est une société par actions simplifiée unipersonnelle (SASU) au capital de 500 €, dont le siège social est établi au 61 rue de Lyon, 75012 Paris. ## Identité légale Dénomination enbi Forme juridique SASU — Société par actions simplifiée unipersonnelle Capital social 500 € Siège social 61 rue de Lyon, 75012 Paris Locaux 20 passage Saint-Sébastien, 75011 Paris SIREN 109 552 000 (R.C.S. Paris) Directeur de publication Alexis Bernard Contact Via les modalités décrites à la [page contact](https://enbi.fr/contact/) ## Nos choix techniques ### Environnement Le numérique représente aujourd'hui entre 3 et 4 % des émissions mondiales de gaz à effet de serre, davantage que l'aviation civile, selon les estimations de l'Union Internationale des Télécommunications. Cette empreinte double tous les quinze ans. Ce site est conçu pour être léger : peu de scripts, pas de ressources tierces inutiles, pas de vidéo en autoplay. L'hébergement est assuré par un opérateur suisse alimenté à 100 % en énergie renouvelable certifiée. Nous vérifions régulièrement notre score d'impact environnemental par une [source externe de référence](https://www.websitecarbon.com/website/enbi-fr/). ## Sobriété du site La sobriété numérique n’est pas un argument décoratif. Elle se vérifie par des mesures simples, lisibles et régulièrement actualisées. CO₂ par visite — Mesure en cours. Comparaison — Calcul en cours. Mesure fournie par Website Carbon. Hébergement assuré par un opérateur suisse alimenté à 100 % en énergie renouvelable certifiée. ### Souveraineté numérique Nous conseillons nos clients sur leur indépendance technologique. Il serait incohérent de ne pas appliquer les mêmes principes à notre propre infrastructure. Notre *stack* est exclusivement composé de logiciels libres et de fournisseurs européens. L'hébergement est assuré en Suisse, hors de toute juridiction extraterritoriale américaine : les données de ce site ne sont pas soumises au Cloud Act. La mesure d'audience repose sur un logiciel libre d'origine française, Matomo, auto-hébergé sur nos propres serveurs : vos données ne transitent nulle part. La gestion des communications est confiée à un opérateur français, certifié RGPD, dont les serveurs sont localisés en Europe. La typographie de ce site mérite une mention à part. Inter est une police de caractères dessinée par le designer suédois Rasmus Andersson et publiée en open source en 2017\. Elle a été conçue spécifiquement pour la lisibilité sur écran, couvre plus de 500 langues dont l'intégralité des langues européennes avec leurs diacritiques, et n'appartient à aucune entreprise. De même, Inria, développée par l’Institut national de recherche en sciences et technologies du numérique (Inria), est une police *open source* moderne, optimisée pour les interfaces numériques et les documents techniques. Elle incarne elle aussi les valeurs de partage et d’accessibilité que nous souhaitons promouvoir. C'est exactement le type de bien commun numérique que nous souhaitons encourager. Souveraineté numérique : notre stack Hébergement Suisse · Genève Opérateur indépendant, 100 % énergies renouvelables. Hors juridiction extraterritoriale américaine : nos échanges et vos données ne sont pas soumises au Cloud Act. Logiciel libre · Europe Infomaniak Network SA — Rue Eugène-Marziano 25, 1227 Les Acacias, Genève, Suisse Mesure d'audience France · Auto-hébergé Matomo, logiciel libre d'origine française, hébergé sur nos propres serveurs. Aucun transfert de données vers un tiers. Aucun cookie. Auto-hébergé · Zéro tiers Communications France · Serveurs EU Opérateur français, serveurs localisés en Europe, certifié conforme au RGPD. Utilisé uniquement pour répondre à vos prises de contact. Certifié RGPD · Europe Brevo SAS — 7 rue de Madrid, 75008 Paris, France Typographie France et Suède · Open source Inria, de l'Inria donc, et Inter, dessinée par Rasmus Andersson. Conçue pour la lisibilité écran, 500+ langues couvertes dont toutes les langues européennes. Bien commun numérique. SIL Open Font License pour Inter Iconographie IBM Carbon · Open source Les pictogrammes utilisés sur le site proviennent du système d’icônes IBM Carbon. Ils sont intégrés comme signes fonctionnels : repérer, orienter, clarifier — jamais décorer. Apache 2.0 · Icônes fonctionnelles ## Ce que nous faisons de vos données ### Navigation Nous mesurons l'audience de ce site pour comprendre ce qui est utile, pas pour vous profiler. Autrement dit, nous ne cherchons pas à vous identifier lors de la navigation sur ce site. Nous n'affichons pas de bandeau de cookies, parce que nous n'en avons pas besoin. Notre outil de mesure est auto-hébergé, ne dépose aucun cookie tiers, et ne communique vos données à personne. Ce qui est collecté en revanche : les pages visitées, la durée de session, la provenance, les données techniques du navigateur que vous utilisez. Votre adresse IP est tronquée avant tout stockage : il est structurellement impossible de remonter jusqu'à vous. Nous respectons automatiquement le signal *Do Not Track* de votre navigateur, si vous l'avez activé. [CNIL · RecommandationActiver le Do Not Track et maîtriser votre navigateurGuide officiel de la Commission Nationale Informatique et Libertés→](https://www.cnil.fr/fr/cookies-et-autres-traceurs/comment-se-proteger/maitriser-votre-navigateur) ### Prise de contact Si vous utilisez le [formulaire de contact](https://enbi.fr/contact/), vos données sont collectées avec votre accord explicite, confirmé par un courriel de double confirmation d'adresse. Elles sont transmises à notre opérateur de messagerie européen dans le seul but de vous répondre. Vous disposez à tout moment d'un droit d'accès, de rectification et de suppression. Les modalités vous sont communiquées dans le courriel de confirmation reçu lors de votre enregistrement. Nous ne collectons aucune donnée personnelle par simple navigation sur ce site. ## Nos contenus Les textes, analyses et cas d'usage publiés sur ce site sont la propriété exclusive d'enbi, sauf mention contraire explicite. Toute reproduction partielle ou totale est soumise à autorisation préalable écrite. Les références institutionnelles citées (organisations, conférences, formations) le sont à titre factuel, sans engagement ni cautionnement de leur part. Ce que ça signifie #### Les mentions légales, oui. Mais qu’en font les robots ? Ce site publie deux fichiers : `robots.txt` et `llms.txt`. Le second est un standard émergent qui permet aux moteurs de recherche génératifs de comprendre plus précisément nos domaines de compétence. L’objectif est d’être cité avec exactitude lorsqu’un système d’IA synthétise des résultats sur nos sujets d’expertise. Cette pratique ne leur ouvre aucun droit à réutiliser nos contenus pour entraîner leurs modèles, en cohérence avec l’évolution du droit européen en la matière. Ça, c’est le rôle du vigile : `robots.txt`. [Lire aussiÊtre trouvé par les IA sans offrir votre expertiseUn prolongement utile sur la visibilité dans les moteurs génératifs.→](https://enbi.fr/etre-trouve-par-les-ia-sans-offrir-votre-expertise) #### Limites de nos contenus Les informations publiées sur ce site sont générales et informatives. Même si elles sont intéressantes (de mon point de vue), elles ne constituent pas un conseil adapté à votre situation. Toute décision engageante mérite une analyse de votre contexte spécifique c'est précisément pour cela que nous existons. enbi ne saurait être tenu responsable des conséquences d'une décision prise sur la seule base des contenus de ce site. ### PME ETI URL: https://enbi.fr/pme-eti/ Last updated: 2026-07-02T22:36:55.000Z Contenu porté par le gabarit page-pme-eti.hbs — ce contenu Ghost n'est pas rendu en production. Ancienne version archivée le 02/07/2026 dans Design/archives/. ### Risques et conformité URL: https://enbi.fr/droit/ Last updated: 2026-07-02T07:51:34.000Z _No content available._ ### Formations URL: https://enbi.fr/formations/ Last updated: 2026-07-13T14:05:37.000Z Contenu porté par le gabarit page-formations.hbs — ce contenu Ghost n'est pas rendu. Ancienne version archivée le 04/07/2026 dans Design/archives/. ### Professionnels du droit URL: https://enbi.fr/professionnels-droit/ Last updated: 2026-07-02T07:51:37.000Z _No content available._ ### Business & Stratégie URL: https://enbi.fr/business/ Last updated: 2026-07-02T07:51:36.000Z _No content available._ ### Data & IA URL: https://enbi.fr/data/ Last updated: 2026-07-02T07:51:35.000Z _No content available._ ### Politique d'indépendance et de responsabilité URL: https://enbi.fr/politique-independance-responsabilite/ Last updated: 2026-07-13T10:46:29.000Z Contenu porté par le gabarit page-independance.hbs (via data-binding /independance/) — ce contenu Ghost n'est pas rendu. Ancienne version archivée le 04/07/2026 dans Design/archives/. ### Références URL: https://enbi.fr/references/ Last updated: 2026-07-13T14:05:37.000Z _No content available._ ### Services URL: https://enbi.fr/services/ Last updated: 2026-06-30T17:03:00.000Z _No content available._ ### Prendre contact URL: https://enbi.fr/contact/ Last updated: 2026-07-02T22:36:51.000Z Contenu porté par le gabarit page-contact.hbs — ce contenu Ghost n'est pas rendu en production. Ancienne version archivée le 02/07/2026 dans Design/archives/. ### Politique de confidentialité URL: https://enbi.fr/politique-confidentialite/ Last updated: 2026-05-30T14:20:27.000Z Cette page explique quelles données enbi traite lorsque vous naviguez sur ce site ou lorsque vous utilisez le formulaire de contact. Nous avons choisi de limiter les données collectées au strict nécessaire : comprendre l’usage du site, sécuriser les échanges et répondre aux demandes qui nous sont adressées. enbi n’envoie pas de *newsletter*, ne revend aucune donnée et ne réalise pas de profilage publicitaire. ## Responsable du traitement Le responsable du traitement est : **enbi SASU** 61 rue de Lyon 75012 Paris France Directeur de publication : **Alexis Bernard** ## Données collectées lors de la navigation Nous utilisons un outil auto-hébergé et *open source* pour étudier les comportements de navigation. Cette mesure sert à comprendre l’usage général du site : pages consultées, provenance des visites, durée de session, type de navigateur ou données techniques similaires. Nous ne cherchons pas à vous identifier lors de la navigation. L’adresse IP est tronquée avant stockage. La mesure d’audience est configurée pour ne pas déposer de cookie publicitaire, ne pas suivre les utilisateurs entre plusieurs sites et ne pas transmettre les données à un tiers à des fins commerciales. C'est pourquoi vous n'avez pas eu de bandeau vous demandant de consentir au dépôt des cookies. ## Données collectées via le formulaire de contact Lorsque vous utilisez le formulaire de contact, enbi traite forcément les informations que vous déposez : - prénom et nom ; - adresse e-mail ; - fonction et organisation ; - numéro de téléphone, si vous le renseignez ; - contenu du message ; - informations techniques nécessaires à l’envoi et à la confirmation de la demande. Après l’envoi du formulaire, vous recevez un courriel de confirmation. Ce clic permet de vérifier que l’adresse courriel indiquée vous appartient et que la demande a bien été émise par vous. Ce mécanisme ne correspond pas à une inscription à une newsletter. enbi n’envoie pas de newsletter, même si ce CMS est prévu pour. ## Finalités des traitements Les données sont utilisées pour : - répondre à votre demande ; - organiser, si nécessaire, un premier échange ; - vérifier si votre sujet relève d’un sprint de cadrage décisionnel, d’une formation, d’une intervention ou d’une mission ; - sécuriser les échanges et éviter les demandes frauduleuses ou usurpées ; - assurer le suivi administratif d’une éventuelle mission. ## Bases légales Pour les demandes de contact, la base légale est l’**intérêt légitime** d’enbi à répondre aux demandes qui lui sont adressées. Il fallait le dire, même si c'est un peu évident. Lorsque les échanges donnent lieu à une mission, certaines données peuvent ensuite être traitées pour l’exécution de mesures précontractuelles ou contractuelles, puis pour le respect des obligations légales, comptables ou administratives applicables. Par exemple, vos données peuvent être transmises à ma comptable (que je salue par la même occasion) si vous m'envoyez ou si je vous envoie une facture. ## Destinataires des données Les données transmises via le formulaire sont destinées à enbi. Elles peuvent transiter par les prestataires techniques nécessaires au fonctionnement du site, de la messagerie et du formulaire, notamment : - l’hébergeur du site ; - la solution de mesure d’audience auto-hébergée ; - l’opérateur de messagerie utilisé pour la confirmation et les échanges. Ces prestataires n’ont accès aux données que dans la mesure nécessaire à la fourniture de leurs services. Leur identité est précisée dans la page [Mentions légales](https://enbi.fr/mentions-legales/). enbi ne vend pas vos données, ne les transmet pas à des régies publicitaires et ne les utilise pas pour de la prospection automatisée. ### Startups et deeptech URL: https://enbi.fr/startups-deeptech/ Last updated: 2026-07-02T22:36:55.000Z Contenu porté par le gabarit page-startups-deeptech.hbs — ce contenu Ghost n'est pas rendu en production. Ancienne version archivée le 02/07/2026 dans Design/archives/. ### Consultant IA indépendant : décider avant d'acheter, d'intégrer ou de déployer URL: https://enbi.fr/consultant-ia-independant/ Last updated: 2026-09-09T20:45:26.000Z Avant d'acheter une solution IA, de choisir un prestataire ou de lancer un projet coûteux, enbi vous aide à clarifier la décision : faut-il avancer, renoncer ou avancer sous conditions ? enbi est un cabinet de conseil indépendant basé à Paris (12e). Nous intervenons là où la décision devient complexe, à l'intersection du droit, des données, de la technologie et de l'économie. - Un regard indépendant, en amont d'un achat, d'une intégration ou d'un déploiement. - Aucune commission sur les solutions ou prestataires recommandés. - Une lecture croisée : droit / conformité, data / IA, stratégie / économie. - Une analyse orientée décision, qui peut aboutir à un verdict : GO, AJUSTER ou STOP. - Une offre d'entrée claire : le Sprint de cadrage décisionnel. [**Réserver un sprint de cadrage — 500 € HT**](https://enbi.fr/sprint-cadrage-decisionnel/) · [Comprendre la méthode enbi](https://enbi.fr/methode/) ## Pourquoi chercher un consultant IA indépendant ? Beaucoup d'acteurs de l'IA vendent aussi un logiciel, de l'intégration, de l'automatisation, de la formation ou des missions longues. Ce n'est pas un défaut en soi. Mais cela peut créer un biais lorsque l'organisation cherche d'abord à savoir si elle doit avancer. La difficulté est souvent structurelle : vos prestataires maîtrisent mieux le sujet que vous, et leurs recommandations peuvent suivre des intérêts commerciaux qui ne sont pas explicités. Des contrats se signent parfois sans avoir identifié au préalable où se trouve le risque réel. Vous cherchez un consultant IA, mais vous ne voulez pas qu'on vous vende directement un outil, une automatisation ou une mission longue. enbi intervient comme regard indépendant pour clarifier le besoin, évaluer les options et sécuriser la décision avant engagement. Concrètement, le besoin est souvent : prendre du recul, clarifier le problème, comparer les options, distinguer le problème réel de la solution proposée, et évaluer les risques data, juridiques, économiques et opérationnels. ## Ce que fait enbi enbi est un cabinet indépendant de cadrage décisionnel en IA, data et conformité. Nous commençons par comprendre votre problème, pas par vous vendre une solution. - Clarifier le besoin. - Analyser le contexte. - Évaluer la faisabilité. - Identifier les risques. - Comparer les scénarios. - Formuler une recommandation exploitable. - Aider à décider : GO, AJUSTER ou STOP. Chaque intervention est bornée : un périmètre défini, un livrable nommé, un tarif fixé à l'avance. Sans régie, et sans équipe cachée. ## Ce qu'enbi ne fait pas - enbi ne vend pas de logiciel. - enbi n'intègre pas de solution IA. - enbi ne pousse pas un éditeur ou un prestataire. - enbi ne perçoit aucune commission, ni directement, ni indirectement, ni de manière différée. - enbi n'est pas un cabinet d'avocats et ne remplace pas une consultation juridique dédiée lorsque le sujet l'exige. - enbi ne promet pas de retour sur investissement automatique, ni de conformité ou de succès de projet garantis. Cette indépendance est utile lorsque la vraie question n'est pas encore « quel outil choisir ? », mais « faut-il vraiment avancer, et à quelles conditions ? » Si la solution la plus adaptée est gratuite, open source ou déjà disponible en interne, c'est ce que nous vous disons. Si votre problème se résout sans nous, c'est aussi ce que nous vous disons. ## Les situations où enbi peut être utile **Avant d'acheter une solution IA.** Objectiver le besoin réel, comparer les options et identifier les coûts cachés avant de signer. **Avant de choisir un intégrateur ou une agence IA.** Distinguer le problème à résoudre de la prestation proposée, et cadrer ce qui est réellement nécessaire. **Avant de lancer un POC.** Vérifier que l'expérimentation répond à une vraie question de décision, et non à un effet de mode. **Avant de généraliser un cas d'usage IA.** Évaluer la réversibilité, la dépendance prestataire et la soutenabilité économique avant de passer à l'échelle. **Quand les avis internes divergent.** Apporter une lecture externe, structurée et argumentée pour trancher. **Quand les risques juridiques, data ou économiques sont mal cadrés.** Rendre visibles la conformité, la maîtrise des données et le coût réel. **Quand une technologie deeptech doit devenir une offre commercialisable.** Lire le marché, viabiliser le modèle économique et structurer l'accès au marché. **Quand une administration doit sécuriser un achat numérique ou IA.** Cadrer le besoin et la décision en amont, dans le respect des règles de la commande publique. ## Le Sprint de cadrage décisionnel Le Sprint de cadrage décisionnel est conçu pour les situations où vous avez besoin d'un regard externe rapide, structuré et indépendant avant de vous engager. - Un échange structuré de deux heures. - Une analyse du contexte et des options. - Un verdict écrit sous 48 heures ouvrées : GO, AJUSTER ou STOP. - Un prix fixe de 500 € HT. Il est utile pour décider rapidement si le sujet mérite, ou non, une mission plus approfondie. [**Demander un sprint de cadrage**](https://enbi.fr/sprint-cadrage-decisionnel/) ## Une lecture croisée : IA, droit, données, économie Les décisions IA ne sont presque jamais seulement techniques. Elles engagent plusieurs dimensions à la fois : - la qualité et la disponibilité des données ; - la conformité et les risques (AI Act, RGPD, conformité sectorielle) ; - la dépendance prestataire ; - le coût réel, au-delà du prix affiché ; - la réversibilité et les conditions de sortie ; - la pertinence métier ; - l'acceptabilité organisationnelle ; - le modèle économique ; - la capacité réelle à déployer. enbi relie ces lectures plutôt que de les traiter séparément, pour produire une décision lisible. ## Pour qui ? **PME et ETI.** Pour les organisations qui n'ont pas de DSI, de juristes internes ou de cabinet attitré, mais dont les décisions IA engagent la trajectoire, les contrats et les responsabilités. [Voir l'accompagnement PME et ETI](https://enbi.fr/pme-eti/) **Administrations publiques.** Pour cadrer un achat numérique ou IA sous contrainte budgétaire et procédurale, sans mandat de vente ni intérêt dans la solution recommandée. [Voir l'accompagnement des administrations publiques](https://enbi.fr/administrations-publiques/) **Startups et deeptech.** Pour viabiliser le modèle économique, lire le marché, structurer les financements et anticiper la charge réglementaire, sans prendre le contrôle de votre roadmap. [Voir l'accompagnement startups deeptech](https://enbi.fr/startups-deeptech/) **Professionnels du droit et dossiers complexes.** Pour une lecture data, algorithmique et économique sur un dossier qui croise droit, technologie et chiffres. ## Pourquoi enbi plutôt qu'un cabinet IA classique ? Il ne s'agit pas d'opposer les acteurs, mais de distinguer les logiques. | Situation | Cabinet IA / intégrateur / éditeur | enbi | | ----------------------------------------------------- | ------------------------------------------------- | ------------------------------------------------------ | | Besoin d'une solution à déployer | Conçoit, vend ou intègre la solution | N'intègre pas, ne vend pas de logiciel | | Besoin de choisir un outil | Oriente souvent vers son offre ou ses partenaires | Compare les options sans commission ni partenariat | | Besoin de savoir s'il faut avancer | Intérêt à lancer le projet | Peut conclure GO, AJUSTER ou STOP | | Besoin d'un regard indépendant | Lié à une chaîne de vente | Rémunéré uniquement par le client, pour l'analyse | | Besoin d'une analyse croisant droit, data et économie | Souvent centrée sur la technique | Relie droit, données et économie dans une même lecture | ## Questions fréquentes ### Qu'est-ce qu'un consultant IA indépendant ? C'est un conseil qui n'a pas d'intérêt dans la solution recommandée : il ne vend pas de logiciel, n'intègre pas et ne perçoit pas de commission. Son rôle est de clarifier le besoin et d'objectiver la décision, pas de pousser un outil. ### Pourquoi faire appel à un consultant IA avant de choisir une solution ? Parce que la première question n'est pas toujours « quel outil ? » mais « faut-il avancer, et à quelles conditions ? ». Un cadrage en amont aide à comparer les options et à identifier les risques avant de s'engager. ### enbi peut-il recommander un outil ou un prestataire ? enbi peut comparer des options et éclairer un choix, mais sans commission ni partenariat éditeur ou intégrateur. La recommandation porte sur votre intérêt, pas sur une chaîne de vente. ### enbi vend-il des solutions IA ? Non. enbi ne vend pas de logiciel et n'intègre pas de solution. Le cabinet est rémunéré pour le travail d'analyse : cadrer, comprendre, comparer, expliquer et recommander. ### Que contient le Sprint de cadrage décisionnel ? Un échange structuré de deux heures, une analyse du contexte et des options, et un verdict écrit sous 48 heures ouvrées (GO, AJUSTER ou STOP). Le prix est fixe : 500 € HT. ### Le sprint à 500 € HT remplace-t-il une mission complète ? Non. Le sprint sert à clarifier rapidement une décision et à savoir si le sujet mérite, ou non, une mission plus approfondie. ### enbi intervient-il auprès des administrations ? Oui. enbi accompagne les administrations publiques pour cadrer un achat numérique ou IA, dans le respect des règles de la commande publique et sans intérêt dans la solution recommandée. ### enbi peut-il aider une startup deeptech ? Oui. enbi aide à viabiliser le modèle économique, à lire le marché, à structurer les financements et à anticiper la charge réglementaire, sans redéfinir la roadmap produit. ## Avant d'acheter, intégrer ou déployer une solution IA, clarifiez la décision. [**Réserver un sprint de cadrage — 500 € HT**](https://enbi.fr/sprint-cadrage-decisionnel/) · [Lire la politique d'indépendance](https://enbi.fr/politique-independance-responsabilite/) --- *enbi est un cabinet de conseil indépendant qui aide à cadrer les décisions IA, data et conformité avant achat, intégration ou déploiement. enbi ne vend pas de logiciel, n'agit pas comme intégrateur et ne perçoit pas de commission sur les solutions recommandées. Son Sprint de cadrage décisionnel comprend deux heures d'échange structuré, un verdict écrit sous 48h ouvrées et un prix fixe de 500 € HT.* ### Décider URL: https://enbi.fr/decisions/ Last updated: 2026-06-22T16:57:42.000Z _No content available._ ### Indépendance URL: https://enbi.fr/independance/ Last updated: 2026-06-22T13:04:06.000Z _No content available._ ### Interventions URL: https://enbi.fr/interventions/ Last updated: 2026-06-22T16:57:43.000Z _No content available._ ## Posts ### Obtenir un second avis indépendant avant une décision engageante URL: https://enbi.fr/contre-expertise/ Last updated: 2026-09-09T20:37:31.000Z Le problème ## On vous demande de vous prononcer sur un dossier que vous n'avez pas instruit. 01 Un dossier construit pour convaincre n'est pas construit pour être contredit Le dossier qui vous est soumis a une fonction légitime : permettre au porteur du projet d'expliquer et de défendre sa proposition. Mais cette fonction crée aussi un angle mort — il n'est pas nécessairement conçu pour identifier ce qui pourrait raisonnablement conduire à modifier son périmètre, le différer, ou l'arrêter. 02 Plus l'engagement est difficile à défaire, plus le second avis a de valeur Investissement significatif, dépendance technologique, engagement contractuel durable, trajectoire difficile à inverser : dans ces situations, le coût de l'examen préalable est souvent très inférieur au coût d'une remise en cause après engagement. La contre-expertise ne corrige pas une faute. Elle introduit la contradiction qui manque structurellement avant la décision. > Quelles hypothèses doivent être vraies pour que la recommandation tienne — et qu'est-ce qui changerait la décision si elles ne le sont pas ? ## Commandée par celui qui décide C'est une caractéristique essentielle de l'intervention. La contre-expertise est commandée par la direction, le COMEX, le conseil, l'organe appelé à statuer, ou la personne qui porte la responsabilité de l'arbitrage — elle n'est pas conçue comme une validation supplémentaire demandée par l'équipe qui porte le projet. Cette séparation permet au second avis de conserver une fonction réellement contradictoire. ENBI ne cherche pas à aider le porteur à « faire passer » son dossier, à produire une validation de convenance, ni à construire les arguments nécessaires à une décision déjà arrêtée. La décision peut être confirmée. Mais elle doit pouvoir être remise en cause. ### Ce que signifie « contradictoire » La contradiction ne consiste pas à chercher des erreurs ou à opposer des personnes. Elle consiste à tester les hypothèses qui soutiennent la décision : la valeur annoncée est-elle démontrée ? les données disponibles permettent-elles réellement le résultat attendu ? le coût complet correspond-il au business case présenté ? les contraintes juridiques modifient-elles l'usage envisagé ? l'organisation peut-elle réellement exploiter le dispositif ? les alternatives ont-elles été examinées ? certaines dépendances ont-elles été sous-estimées ? Les porteurs du projet doivent pouvoir répondre aux interrogations soulevées avant que les conclusions soient arrêtées — par des entretiens, une audition, un échange sur les constats intermédiaires ou des demandes de pièces, selon le dispositif convenu. > L'examen porte sur les hypothèses, les faits et leurs conséquences — pas sur les personnes qui ont construit le dossier. Dans un vocabulaire international, cette fonction relève d'un examen indépendant par un tiers (*independent expert review*) portant sur les hypothèses, les risques et les conditions d'une décision avant engagement. Dans certains environnements de grands projets, elle peut se rapprocher de l'*independent project assurance*. enbi conserve toutefois une logique plus directement orientée vers l'arbitrage : il ne s'agit pas de produire une assurance générale sur la qualité d'un projet, ni une prestation relevant d'un référentiel d'assurance ou de certification, mais de déterminer si la recommandation proposée résiste à un examen indépendant. ## Ce que nous examinons La contre-expertise ne possède pas une checklist identique pour tous les dossiers. Nous partons de la décision à prendre et identifions ce qui peut réellement en changer l'issue, en mobilisant jusqu'à quatre dimensions — données & technologie, droit & gouvernance, économie & stratégie, organisation & contrôle. > Une dimension n'est approfondie que lorsqu'elle peut modifier la conclusion. ### 1\. La décision elle-même Avant d'examiner le dossier, nous vérifions ce qui doit réellement être décidé : investir ou non, choisir entre plusieurs trajectoires, industrialiser, conclure un engagement, poursuivre une transformation, confirmer une recommandation, différer, réduire, ou arrêter. Cette étape évite une difficulté fréquente : produire beaucoup d'analyse sur un projet sans avoir défini précisément la décision qu'elle doit éclairer. ### 2\. Les hypothèses essentielles Toute recommandation repose sur des hypothèses, explicites ou incorporées dans le business case, le calendrier, les prévisions d'usage, l'architecture, les données disponibles, les engagements fournisseurs, les ressources internes ou les bénéfices attendus. La question n'est pas « toutes les informations sont-elles certaines ? » mais : > Quelles incertitudes pourraient raisonnablement faire changer la décision ? ### 3\. Les faits et les preuves Nous distinguons autant que possible ce qui est établi, mesuré, estimé, déduit, ou ce qui relève encore d'une hypothèse. Cette distinction peut modifier fortement la lecture d'un projet : « le POC fonctionne » peut signifier une démonstration réussie sur quelques cas, un résultat mesuré sur des données représentatives, une performance reproductible, ou simplement une faisabilité technique. Ces affirmations ne justifient pas le même niveau d'engagement. ### 4\. Les alternatives Une décision ne peut pas être évaluée uniquement contre le statu quo. Nous examinons donc, lorsque c'est pertinent, une solution plus simple, un périmètre réduit, une trajectoire progressive, une autre architecture, une autre organisation, une autre solution fournisseur, une réalisation interne, un report, ou l'absence d'investissement. Une solution peut être bonne sans être la meilleure option disponible. ### 5\. Le coût complet Le business case est confronté aux ressources réellement nécessaires à la décision : investissement initial, intégration, données, exploitation, infrastructure, maintenance, contrôle humain, compétences, formation, transformation organisationnelle, dépendances, migration, coûts de sortie. Le coût complet — *total cost of ownership* (TCO) — peut modifier une décision même lorsque le prix initial reste inchangé. ### 6\. Les risques et contraintes Un risque n'est utile à la décision que s'il est relié à sa conséquence. Nous cherchons donc moins à produire une longue liste de risques qu'à déterminer ce que ce risque change dans l'option proposée. Une contrainte juridique peut exclure une donnée, imposer un contrôle, déplacer une responsabilité, modifier une architecture, augmenter un coût, réduire un usage, ou rendre une option moins attractive qu'une alternative. L'objectif est de restituer leur poids dans l'arbitrage, pas simplement leur existence. ### 7\. La capacité réelle d'exécution Une recommandation peut être pertinente et pourtant irréaliste dans l'organisation qui doit l'exécuter. Nous examinons lorsque nécessaire les rôles, les compétences, les responsabilités, les ressources, les calendriers, le fonctionnement cible, les mécanismes de contrôle, la capacité à absorber la transformation, les autres projets qui sollicitent les mêmes équipes. Cette dimension permet notamment de distinguer une bonne idée d'une décision effectivement exécutable dans les conditions présentes. ## Ce que le croisement permet de révéler La contre-expertise prend sa valeur lorsque les dimensions modifient mutuellement leurs conclusions. - **Performance technique × droit** — le résultat le plus performant repose sur une donnée qui ne peut pas soutenir la décision envisagée. - **ROI × organisation** — le gain annoncé suppose une réduction de charge qui ne sera jamais réalisée si les processus restent inchangés. - **Prix × architecture × contrat** — l'option la moins chère crée une dépendance dont le coût de sortie modifie l'économie générale du projet. - **POC × coût complet × exploitation** — le prototype fonctionne, mais l'investissement nécessaire à sa mise en production n'est plus justifié par la valeur démontrée. - **Contrainte réglementaire × fonctionnement cible** — la règle ne condamne pas le projet, mais oblige à modifier suffisamment son organisation pour que son business case change. - **Projet × portefeuille × ressources** — la décision est rationnelle prise isolément mais devient moins prioritaire lorsqu'elle est confrontée aux autres usages possibles des mêmes ressources. Ce sont ces conséquences croisées qui permettent de passer d'un dossier convaincant à une décision réellement instruite. ## Trois conclusions possibles ### GO L'examen indépendant ne révèle pas d'élément suffisamment important pour remettre en cause la décision proposée. GO ne signifie pas « aucun risque » : il signifie que les hypothèses principales sont suffisamment étayées et que les risques identifiés restent compatibles avec la décision. La recommandation précise les conditions qu'il convient de préserver. ### AJUSTER La trajectoire reste défendable, mais pas exactement dans les conditions proposées. AJUSTER peut conduire à modifier le périmètre, revoir le calendrier, réduire l'investissement, demander une preuve supplémentaire, modifier l'architecture, renforcer une condition contractuelle, organiser un contrôle, revoir le business case, tester une hypothèse, ou séquencer autrement la décision. Le livrable précise ce qui doit changer avant engagement. ### STOP Dans les conditions examinées, les éléments disponibles ne justifient pas la décision proposée. STOP ne signifie pas nécessairement que l'idée est définitivement mauvaise : la note précise aussi ce qui rend aujourd'hui la décision insuffisamment défendable, quelles hypothèses devraient évoluer, et, lorsqu'il existe une trajectoire raisonnable, dans quelles conditions le dossier pourrait être réexaminé. Chaque verdict est donc conditionnel et explicable. La décision finale reste au commanditaire. ## Deux documents, un seul jeu de conclusions La contre-expertise produit deux niveaux de lecture. **Une note de synthèse** — typiquement de l'ordre de cinq pages — conçue pour être lisible par un COMEX, une direction générale, un conseil d'administration, une tutelle, un comité d'investissement ou un organe délibérant : elle présente la décision, les hypothèses essentielles, les constats qui peuvent en changer l'issue, les principales alternatives, la recommandation, les conditions du verdict et les points de vigilance prioritaires. Elle doit pouvoir être comprise sans lire l'intégralité du rapport. **Un rapport complet** justifie les conclusions de la note : documents examinés, sources utilisées, données disponibles, hypothèses testées, alternatives considérées, réponses apportées lors du contradictoire, risques et dépendances, conditions du verdict. Le rapport n'a pas vocation à être long pour être crédible : une analyse n'est conservée que lorsqu'elle sert une conclusion utile à la décision. Méthode Une méthode en quatre temps Cadrer la décision (qui décide, ce qui doit être décidé, l'échéance, le périmètre, les conditions d'indépendance) ; examiner les hypothèses (reconstruire le raisonnement du dossier, approfondir les dimensions pertinentes) ; organiser le contradictoire (soumettre les questions importantes aux porteurs du projet, intégrer les informations nouvelles) ; rendre la recommandation (note de synthèse, rapport justificatif, verdict GO / AJUSTER / STOP et conditions associées). Une présentation à l'instance de décision peut être prévue au cadrage. La mission s'arrête ensuite. PME-ETI Secteur public Professionnels du droit Droit Data Stratégie ## Contre-expertise Examen contradictoire complet d'un projet, d'une décision ou d'un contrat. Verdict écrit et signé, transmissible à un comité. Sur devis Le commanditaire est informé à chaque étape ; les porteurs de projet peuvent être auditionnés selon le dispositif convenu. 1. 1 Cadrer la décision : qui décide, ce qui doit être décidé, l'échéance, le périmètre, les documents disponibles, les conditions d'indépendance de la mission. 2. 2 Examiner les hypothèses : reconstruire le raisonnement du dossier et approfondir les dimensions susceptibles de modifier l'arbitrage. 3. 3 Organiser le contradictoire : soumettre les questions importantes aux porteurs du projet, intégrer les informations nouvelles à l'analyse. 4. 4 Rendre la recommandation : note de synthèse, rapport justificatif, verdict GO / AJUSTER / STOP et conditions associées. Présentation à l'instance si prévue au cadrage. Sur devis. Périmètre, calendrier et dispositif contradictoire définis au cadrage. Sans partenariat éditeurs, sans commission. ## Ce qui distingue la contre-expertise des autres interventions **Évaluation d'un projet IA** — la question est principalement : ce projet mérite-t-il l'investissement ? L'intervention est ciblée sur cette décision. Voir [l'évaluation indépendante de projet IA](https://enbi.fr/evaluation-projet-ia/). **Analyse de proposition prestataire** — la question est : quelle proposition faut-il retenir, négocier ou écarter ? Voir [l'analyse indépendante d'une proposition IA / SI](https://enbi.fr/analyse-proposition-ia-prestataire/). **Audit de contrat** — la question est : que nous engage réellement ce contrat ? Voir [l'audit de contrat IA / SI](https://enbi.fr/audit-contrat-ia-si/). **Revue de portefeuille** — la question est : quels projets doivent recevoir les ressources disponibles ? Voir [la revue de portefeuille Data / IA](https://enbi.fr/revue-portefeuille/). **Contre-expertise** — la situation est différente : le décideur souhaite mettre à l'épreuve une recommandation déjà instruite avant de l'endosser. Son périmètre peut donc traverser un projet, un investissement, une trajectoire, un fournisseur ou certaines dimensions contractuelles si elles sont nécessaires à la décision. C'est la fonction contradictoire qui définit l'intervention, pas le type d'objet examiné. ### Pour les directions générales, COMEX et conseils La contre-expertise est particulièrement adaptée lorsqu'un organe doit se prononcer sur un dossier techniquement complexe, déjà fortement instruit, soutenu par plusieurs parties prenantes, difficile à remettre en cause après décision, ou dont les conséquences dépassent la seule équipe projet. Elle fournit un document séparé du dossier initial qui permet au décideur de distinguer ce qui est démontré, ce qui reste hypothétique, ce qui est contestable, ce qui mérite une condition, et ce qui doit réellement être arbitré. ### Pour les organisations publiques Une organisation publique peut avoir besoin d'un examen indépendant pour préparer une décision, un financement ou un arbitrage. La note et le rapport sont alors conçus pour permettre la traçabilité du raisonnement et la présentation de la décision devant l'instance compétente. Cette prestation ne prétend pas se substituer aux dispositifs réglementaires spécifiques de contre-expertise ou d'évaluation lorsqu'ils sont obligatoires. Lorsqu'un régime particulier s'applique au projet, celui-ci doit être traité dans son propre cadre. ENBI intervient ici comme conseil indépendant au service de la décision du commanditaire. ### Pour les professionnels du droit Un avocat ou un juriste peut avoir besoin d'un second regard sur les dimensions qu'une analyse strictement juridique ne permet pas de trancher seule : technologie, données, économie, organisation, coût complet, alternatives, dépendances. ENBI intervient alors en appui de l'analyse juridique, jamais à sa place. Le livrable peut notamment permettre de documenter une hypothèse technique, une conséquence économique, un scénario alternatif, une dépendance, ou une incohérence entre ce qu'un projet affirme et ce que ses conditions de fonctionnement impliquent réellement. ### Ce que cette intervention n'est pas La contre-expertise n'est pas un audit de conformité général, une procédure disciplinaire, une enquête sur les personnes, une certification du projet, une mission de contrôle interne, un accompagnement destiné à renforcer artificiellement un dossier, une mission de réalisation de la solution, ni une manière plus coûteuse de réaliser une évaluation simple. Elle devient pertinente lorsqu'il existe réellement une décision engageante, une recommandation déjà construite et un besoin de contradiction indépendante. Si ces trois éléments ne sont pas réunis, une intervention plus légère est probablement préférable. ### Pourquoi l'indépendance est structurante La contre-expertise n'a de valeur que si celui qui la réalise peut raisonnablement conclure autrement que le dossier initial. ENBI ne perçoit aucune commission fournisseur, aucune rémunération liée à la solution retenue, aucun intéressement à la mise en œuvre. Et surtout : ENBI ne réalise pas ce qu'il recommande dans cette mission. La mission s'arrête à la remise des conclusions — un GO ne crée donc pas automatiquement une mission de réalisation, un STOP ne fait pas perdre à ENBI un projet d'intégration. Les conditions d'indépendance sont définies au cadrage : qui commande la mission, qui peut transmettre des informations, les éventuels conflits d'intérêts identifiés, les conditions du contradictoire, l'autonomie des conclusions, la confidentialité, et l'absence de prestation de mise en œuvre liée au verdict. Cette indépendance doit être compréhensible par ceux qui liront ensuite la note — elle ne doit pas seulement être affirmée. ### Ce que vous conservez À l'issue de la mission, le commanditaire dispose d'une synthèse immédiatement exploitable par l'instance de décision, d'un raisonnement documenté, des hypothèses critiques, des alternatives examinées, des conditions du verdict, d'une trace du contradictoire, et des éléments permettant de comprendre ultérieurement pourquoi la décision a été prise. Le véritable livrable n'est donc pas seulement un « second avis ». C'est la possibilité de répondre à la question : > Sur quoi avons-nous fondé cette décision, et qu'aurions-nous décidé si certaines hypothèses avaient été différentes ? Cette intervention s'appuie notamment sur une expérience de décisions complexes à l'intersection des données et de la technologie, du droit et de la gouvernance, de l'économie et de la stratégie, de l'organisation et du contrôle — ainsi que sur la sélection, le financement et le suivi de plus de 100 projets Data / IA à la DINUM / Etalab, et sur des fonctions de droit, de régulation, de performance et de transformation numérique. L'objectif n'est pas de mobiliser toutes ces dimensions sur chaque dossier, mais d'identifier celle qui peut faire basculer la décision et les relations qu'elle entretient avec les autres. [ Pour approfondir Politique d'indépendance et de responsabilité Absence de commission, de partenariat éditeur ou intégrateur. Rémunération uniquement par le client. Les conditions qui rendent un second avis opposable. → ](https://enbi.fr/politique-independance-responsabilite/) Clause d'indépendance contractuelle Inscrite au contrat dès le cadrage et visible en en-tête du rapport. Aucun lien commercial avec les solutions, prestataires ou porteurs examinés. Commandée par le décideur La contre-expertise est commandée par celui qui décide, pas par celui qui porte le projet. C'est ce qui la rend opposable devant un comité. enbi ne réalise pas ce qu'il recommande La mission s'arrête à la remise. Aucune prestation de mise en œuvre n'est proposée à la suite d'un verdict. Prochaine étape La décision vous revient. L'examen peut être indépendant. Décrivez la décision à prendre, qui doit la prendre, son échéance, le dossier déjà disponible et les principales parties prenantes à entendre. [Prendre contact](https://enbi.fr/contact/) ### Arbitrer un portefeuille Data / IA sur des critères explicites URL: https://enbi.fr/revue-portefeuille/ Last updated: 2026-09-09T20:36:14.000Z Le problème ## Quand tous les projets sont prioritaires, aucun arbitrage n'est vraiment défendable. 01 L'absence d'arbitrage a elle aussi un coût Sans décision explicite, les projets continuent souvent à vivre : études complémentaires, POC successifs, équipes mobilisées, budgets reconduits. Arrêter un projet peut être difficile à défendre — mais continuer à tout financer par défaut constitue aussi une décision, simplement moins visible. 02 Les dépendances entre projets ne sont visibles qu'après l'arbitrage Deux projets partagent la même donnée, la même équipe ou la même brique d'infrastructure. Arrêter l'un fragilise l'autre. Ces liens n'apparaissent dans aucun dossier pris isolément — la valeur de la revue de portefeuille vient précisément de leur mise en relation. Un portefeuille ne peut pas être arbitré en additionnant les arguments favorables de chaque dossier. Il faut répondre à une autre question : > À ressources contraintes, quelle combinaison de projets produit le plus de valeur et reste réellement exécutable ? C'est une décision relative. Un bon projet peut être moins prioritaire qu'un autre. Et plusieurs bons projets peuvent devenir collectivement irréalisables lorsqu'ils mobilisent les mêmes ressources. ## Ce que nous faisons La revue commence par reconstruire une base de comparaison commune. Chaque projet a souvent été préparé par une équipe différente, avec ses propres indicateurs, sur un horizon différent, avec une définition différente de la valeur — comparer directement les dossiers donnerait donc une précision trompeuse. Nous commençons par répondre à trois questions : quelle décision de portefeuille doit être prise ? Quelle contrainte oblige réellement à arbitrer ? Quels critères permettent de comparer les projets sans effacer leurs différences ? La grille est construite pour cette décision — elle n'est pas appliquée mécaniquement à tous les portefeuilles. Selon les projets, ENBI peut mobiliser quatre dimensions : données & technologie, économie & stratégie, droit & gouvernance, organisation & contrôle. Toutes n'ont pas nécessairement le même poids. > Seules les dimensions susceptibles de changer l'arbitrage doivent devenir discriminantes. ### 1\. Valeur et contribution stratégique Nous examinons le problème traité, les bénéficiaires, la valeur attendue, les résultats déjà démontrés, les hypothèses du business case, l'horizon de réalisation, les indicateurs permettant de vérifier les effets, le caractère indispensable ou substituable du projet. Le but n'est pas de transformer toute valeur en euros : certains projets répondent à une obligation, une nécessité opérationnelle, un enjeu de continuité, une réduction de risque, une capacité structurante pour d'autres projets. Ces valeurs doivent néanmoins être formulées explicitement pour pouvoir être comparées. ### 2\. Faisabilité et données disponibles Nous examinons selon les cas les données disponibles, leur qualité, les dépendances à des données encore inexistantes, la maturité technique, les résultats des expérimentations, l'architecture nécessaire, les intégrations, les briques communes avec d'autres projets, les incertitudes techniques encore ouvertes. Un projet très attractif peut être moins prioritaire si sa valeur dépend encore de plusieurs hypothèses non démontrées ; à l'inverse, un projet moins spectaculaire peut devenir prioritaire parce qu'il est immédiatement exécutable et crée une capacité réutilisable ailleurs. ### 3\. Coût complet et ressources réellement mobilisées Le budget affiché ne suffit pas : nous examinons le développement, les licences, l'infrastructure, les données, les intégrations, la maintenance, la supervision, le contrôle humain, les compétences internes, la conduite du changement, les coûts de migration, les conditions de sortie. Mais surtout, nous regardons les ressources partagées. Trois projets peuvent être financièrement soutenables et pourtant impossibles à conduire simultanément s'ils nécessitent la même équipe de trois personnes pendant six mois. La contrainte déterminante n'est donc pas nécessairement budgétaire — elle peut être humaine, technique, Data, organisationnelle, réglementaire ou calendaire. ### 4\. Risques, dépendances et réversibilité Certains projets créent des engagements qui dépassent leur propre périmètre. Nous examinons notamment les dépendances fournisseur, les architectures propriétaires, les données communes, les responsabilités, les contraintes réglementaires, les conditions de réversibilité, les investissements difficiles à récupérer, les décisions futures que le projet rend plus faciles ou plus difficiles. Un projet peut ainsi avoir une valeur élevée tout en réduisant fortement les options disponibles pour la suite — cette conséquence doit être visible au moment de l'arbitrage. ### 5\. Capacité réelle d'exécution Un portefeuille peut être parfaitement financé sur le papier et impossible à exécuter. Nous regardons notamment les équipes disponibles, les compétences critiques, les rôles communs à plusieurs projets, les changements de processus, les populations concernées, les capacités de pilotage, les calendriers, les transformations simultanées déjà engagées. Par exemple : **valeur élevée × capacité d'exécution insuffisante** → le projet mérite peut-être d'être financé, mais pas maintenant. Le verdict devient alors un problème de séquencement plutôt qu'un jugement sur la qualité du projet. ## Ce que le croisement permet de révéler Une revue de portefeuille est utile précisément lorsque les critères interagissent. - **Valeur × ressources partagées** — deux projets sont attractifs individuellement mais impossibles à conduire simultanément. - **Projet A × donnée commune × projet B** — arrêter A supprimerait une capacité nécessaire à B. - **Coût × architecture commune** — financer un premier projet réduit fortement le coût marginal des suivants. - **Risque × calendrier** — un projet moins rentable devient prioritaire parce qu'une échéance réglementaire rend son report impossible. - **Performance × organisation** — un projet techniquement convaincant arrive au mauvais moment parce que l'organisation ne peut pas absorber une nouvelle transformation. - **Projets A et B × recouvrement fonctionnel** — deux initiatives répondent partiellement au même besoin et gagneraient à être fusionnées. - **Budget consommé × valeur restante** — l'investissement déjà réalisé ne suffit pas à justifier la poursuite si les bénéfices futurs ne compensent plus les ressources encore nécessaires. Le portefeuille permet donc de faire apparaître des conséquences qu'aucun dossier projet ne peut montrer seul. ### Une grille commune, mais pas un classement automatique La grille sert à rendre les hypothèses comparables et les décisions traçables. Elle ne doit pas devenir une machine à décider : un projet réglementaire et un projet de productivité ne créent pas la même valeur, un projet mature et une expérimentation ne supportent pas le même niveau d'incertitude, une dépendance acceptable pour une fonction périphérique peut être problématique pour une fonction critique. Les critères servent donc à structurer l'arbitrage, pas à le remplacer. Le décideur conserve la décision. ### La carte des dépendances La revue produit également une représentation des relations entre les projets, permettant d'identifier les dépendances techniques (infrastructure, API, architecture, environnement de production), les dépendances Data (sources communes, référentiels, qualité de données, flux ou travaux de préparation), les dépendances humaines (équipes rares, compétences spécialisées, fonctions de pilotage ou de contrôle), les dépendances organisationnelles (processus communs, populations concernées, transformations simultanées) et les recouvrements (deux projets produisant des fonctions similaires ou résolvant une partie du même problème). Cette carte permet de raisonner non plus seulement projet par projet, mais sur la cohérence du système que leur combinaison produit. ## Les quatre recommandations possibles ### FINANCER Le projet mérite les ressources demandées dans le portefeuille considéré. La recommandation précise notamment pourquoi il est prioritaire, les hypothèses essentielles, les dépendances à préserver et les conditions de suivi. ### RECALIBRER Le projet présente une valeur suffisante mais son périmètre, son calendrier ou ses hypothèses doivent être modifiés : réduire le périmètre, séquencer différemment, poursuivre une expérimentation, réduire le coût, mutualiser une brique, attendre une donnée, revoir un objectif, ou modifier ses conditions de réussite. ### FUSIONNER Deux ou plusieurs projets présentent suffisamment de besoins communs, de briques communes, de données partagées, de fonctions redondantes ou de ressources communes pour qu'une approche consolidée crée davantage de valeur ou réduise la charge globale. ### ARRÊTER La poursuite du projet ne justifie plus les ressources qu'elle consommerait dans le portefeuille. La recommandation doit préciser pourquoi, et lorsque l'arrêt crée lui-même des conséquences, elle doit identifier les conditions d'un arrêt propre : données à conserver, composants réutilisables, engagements à clôturer, équipes à réaffecter, dépendances avec d'autres projets à traiter. Arrêter proprement fait partie de l'arbitrage. ### Une recommandation par projet, mais une seule décision de portefeuille Chaque projet reçoit une recommandation, mais la mission ne consiste pas à conduire dix évaluations indépendantes : la décision finale porte sur la combinaison des projets. Autrement dit, un projet peut recevoir une recommandation différente selon le portefeuille dans lequel il se trouve — un projet pertinent dans l'absolu peut être reporté parce qu'un autre crée davantage de valeur avec la même ressource. C'est ce qui distingue la revue de portefeuille — *project portfolio review / portfolio prioritization* — d'une succession d'audits projet. ## Ce que vous recevez Selon le périmètre convenu : - une grille d'arbitrage commune, documentée ; - la justification des critères retenus ; - une fiche comparable pour chaque projet ; - une recommandation FINANCER / RECALIBRER / FUSIONNER / ARRÊTER ; - les conditions associées à chaque recommandation ; - une carte des dépendances transverses ; - les éventuels recouvrements ou possibilités de mutualisation ; - les conditions de réussite des projets retenus ; - les points de contrôle à organiser ; - les signaux pouvant justifier une réévaluation ultérieure. La grille reste à l'organisation. Elle peut être réutilisée et adaptée pour les arbitrages suivants. ### Les points de contrôle après l'arbitrage Une décision de financement n'est pas irréversible. Pour les projets financés ou recalibrés, la revue peut définir des conditions à vérifier à échéance : valeur réellement constatée, évolution du coût complet, disponibilité des données, atteinte des critères de performance, charge organisationnelle, réalisation d'une dépendance identifiée, évolution du risque, respect des conditions fixées lors de l'arbitrage. L'objectif n'est pas de créer un reporting supplémentaire, mais de savoir dans quelles circonstances la décision mérite d'être réexaminée. ### Ce que cette revue n'est pas La revue de portefeuille n'est pas un audit approfondi de chacun des projets, une simple notation multicritère, une revue budgétaire isolée, un classement automatique produit par un score, une PMO externalisée, ni une mission de réalisation des projets retenus. Si la question porte sur un seul projet, voir [l'évaluation indépendante de projet IA](https://enbi.fr/evaluation-projet-ia/). La revue de portefeuille suppose plusieurs projets, une ressource contrainte et une véritable décision d'arbitrage. ### Pour les organisations publiques Dans une administration, l'arbitrage doit souvent pouvoir être expliqué à une direction générale, une tutelle, un contrôleur budgétaire ou un organe délibérant. La méthode vise donc à produire une décision explicite, documentée, traçable, et dissociable de la seule capacité de chaque porteur à défendre son projet. ENBI ne se substitue pas au décideur public : il fournit les éléments permettant de comprendre et défendre l'arbitrage. ### Pour une direction générale ou un COMEX La revue est particulièrement pertinente lorsque la difficulté n'est plus de trouver des idées mais de choisir entre elles : plusieurs projets IA demandent un financement en même temps, la DSI ne peut absorber toutes les transformations prévues, différents métiers portent des business cases difficiles à comparer, des POC se sont accumulés sans décision de passage à l'échelle, plusieurs projets semblent redondants, ou la direction souhaite documenter pourquoi certains projets seront arrêtés. L'objectif est de transformer une liste de projets en choix explicites de ressources. Périmètre Une décision de portefeuille, pas un audit projet par projet Si votre besoin porte sur un seul projet, l'évaluation de projet IA avant investissement est l'intervention adaptée. La revue de portefeuille suppose plusieurs projets en concurrence pour les mêmes ressources et une contrainte d'arbitrage explicite. ### Pourquoi une revue indépendante ? ENBI ne développe aucun des projets examinés et ne perçoit aucune commission d'un éditeur, intégrateur ou fournisseur. ENBI n'a donc pas intérêt à augmenter le nombre de projets financés, recommander une technologie particulière, prolonger artificiellement un projet, ou éviter un arrêt. La mission s'arrête à la remise de l'arbitrage convenu. Cette indépendance permet notamment qu'ARRÊTER reste une recommandation aussi légitime que FINANCER. ### L'organisation conserve la méthode L'un des livrables les plus importants n'est pas le classement final : c'est la grille qui permet de le produire. Les critères, définitions et hypothèses sont documentés afin que l'organisation puisse comprendre l'arbitrage, le contester si nécessaire, le mettre à jour, et réutiliser la méthode lors d'un prochain cycle. L'objectif n'est pas de rendre l'organisation dépendante d'ENBI pour ses arbitrages futurs. PME-ETI Secteur public Data Stratégie Droit ## Revue de portefeuille Data / IA Un portefeuille priorisé, des critères réutilisables et une recommandation par projet, documentés pour être défendus. Sur devis La mission implique les porteurs de projet pour recueillir les informations, mais les recommandations sont produites indépendamment. 1. 1 Cadrage du portefeuille : quels projets, quels critères comptent pour l'organisation, quelle contrainte de ressources. Définition de la grille d'analyse commune. 2. 2 Collecte et examen : entretiens avec les porteurs, lecture des documents, remplissage de la grille pour chaque projet, identification des dépendances transverses. 3. 3 Analyse comparative : classement sur la grille commune, projets à fusionner, recouvrements et dépendances critiques. Point intermédiaire avant recommandations. 4. 4 Remise : grille, recommandations par projet, carte des dépendances et indicateurs de suivi. La mission s'arrête à la remise. Sur devis. Périmètre et calendrier définis au cadrage, selon le nombre de projets et la profondeur d'examen. Sans partenariat éditeurs, sans commission. [ Pour approfondir Objectiver le ROI d'un projet numérique Pour construire un cadre d'évaluation documenté et expliciter les hypothèses de valeur d'un projet. → ](https://enbi.fr/roi-numerique/) [ Pour approfondir Évaluation indépendante de projet IA Lorsque la décision porte sur un projet unique avant engagement. → ](https://enbi.fr/evaluation-projet-ia/) Sans conflit d'intérêt Aucun partenariat avec les prestataires engagés sur les projets examinés. enbi ne réalise aucun des projets qu'il recommande de financer. La grille vous reste Les critères d'arbitrage sont documentés pour être réutilisés par l'organisation dans ses arbitrages suivants, sans nous. Un seul interlocuteur La même personne conduit les entretiens, remplit la grille et rend les recommandations. Ce que vous partagez ne circule pas. Prochaine étape Décrivez le portefeuille, pas la liste des projets. Le nombre de projets, la décision à prendre, la principale contrainte de ressources et l'échéance de l'arbitrage. Le périmètre et le prix sont définis au cadrage. [Prendre contact](https://enbi.fr/contact/) ### Le JORF comme base de données RH publique : une source omniprésente mais invisible URL: https://enbi.fr/le-jorf-comme-base-de-donnees-rh-publique-une-source-omnipresente-mais-invisible/ Last updated: 2026-08-28T21:53:36.000Z Une direction des ressources humaines dans une administration de l'État qui souhaite objectiver l'attractivité de ses postes dispose rarement de mieux que des taux de vacance, les listes complémentaires et le nombre de candidats. La donnée qui trancherait existe pourtant. Elle est publiée chaque matin, depuis des décennies, au Journal officiel : chaque acte de nomination est un événement de carrière daté, nominatif et public. Mis bout à bout, ces actes forment une base de données de trajectoires professionnelles couvrant l'ensemble de la haute fonction publique. Encore faut-il la structurer pour l'exploiter. Cet article documente une réutilisation complète de cette source : la structuration des actes bruts en base exploitable via JORFSearch, deux analyses qui en sont tirées, à savoir l'attractivité des juridictions judiciaires et la féminisation du corps des ambassadeurs, et la question qu'il faut poser avant toute exploitation de ce type : ce que le droit permet de faire de données publiques qui restent des données personnelles. ## Une base de données qui se publie toute seule Le Journal officiel ressemble à une salle d'archives dont la porte serait grande ouverte. Les pièces sont là : nominations, promotions, mutations, détachements. Mais sous forme d'actes rédigés, pensés pour être lus un par un, sans penser que des algorithmes permettent de les transformer. Un acte de nomination dit qui, quoi, où et quand. Il ne dit pas, seul, si le poste attire, si le corps se renouvelle, si une juridiction retient ses profils expérimentés. Pour cela, il faut transformer des dizaines de milliers d'actes en table : une ligne par événement, une colonne par attribut. C'est ce que fait [JORFSearch](https://www.steinertriples.ch/ncohen/data/nominations%5FJORF/), une interface développée par Nathann Cohen, chercheur au CNRS, qui extrait par traitement automatique du langage les informations structurées des actes publiés au Journal officiel et les rend interrogeables. La source amont est ouverte : la DILA publie les données du JORF en licence ouverte. JORFSearch en fait une base de carrières. En clair Chaque nomination publiée au Journal officiel est un événement de carrière horodaté. Structurés en base, ces événements permettent de reconstituer des trajectoires et d'objectiver des questions RH que l'administration tranche aujourd'hui à l'intuition. J'ai construit mes premières analyses sur cette base en 2018\. Le travail réel ne se situe pas dans l'extraction (JORFSearch l'avait déjà fait) mais dans le retraitement : homonymies à lever, intitulés de postes à harmoniser, cas limites à arbitrer et à documenter. Une base de données n'est pas une conclusion. C'est une pile de pièces qui exige encore une instruction. ## Ce que les carrières des magistrats révèlent des juridictions Premier cas : l'ordre judiciaire. Les nominations de magistrats étant nominatives et publiées, on peut calculer, pour chaque fonction dans chaque juridiction, l'ancienneté des personnes qui y sont nommées, c'est-à-dire le temps écoulé depuis leur première apparition au Journal officiel, avec la prudence qu'impose cette convention (voir la FAQ en fin d'article). Sur la période 1990–2023, cet indicateur objective une réalité que tout le monde pressent et que personne ne chiffre : les juridictions ne sont pas également attractives. ![Carte de France de l'ancienneté des magistrats par fonction, juridiction et ville de nomination, données 1990-2023]({IMAGE_MAGISTRATS}) Ancienneté à la nomination des magistrats de l'ordre judiciaire, 1990–2023\. Données : DILA via JORFSearch (Nathann Cohen). Analyse : Alexis Bernard. [Version interactive](https://public.tableau.com/views/Anciennetdesmagistratsparfonctiondenomination/magistrats). Sur 1 630 couples fonction–juridiction couvrant 452 villes, la base dessine d'abord un cursus honorum chiffré : un substitut du procureur est nommé avec 0,9 an d'ancienneté médiane, un juge avec 1,6, un vice-président avec 7,5, un procureur avec 7,7, un président de chambre avec 10,5\. Rien de surprenant : ce sont des déroulés de carrière assez classiques pour des magistrats de l'ordre judiciare. L'information décidable apparaît quand on croise ces chiffres avec la géographie. En comparant les grandes métropoles et les juridictions du littoral atlantique et méditerranéen au reste du territoire, l'écart est net sur les nominations d'entrée : un poste de juge s'y obtient avec 2,75 ans d'ancienneté médiane, contre 1,52 ailleurs ; un poste de substitut avec 1,84 an, contre 0,72, soit plus du double dans les deux cas. Même tendance pour les procureurs : 9,1 ans contre 7,3\. Autrement dit, les juridictions attractives se méritent : à fonction égale, il faut avoir davantage attendu pour y être nommé, quand les petites juridictions loin des cotes accueillent les tout débuts de carrière, puis semblent peiner à retenir. L'honnêteté oblige à dire où l'écart s'arrête : il est faible pour les vice-présidents (7,9 contre 7,3). L'attractivité différentielle joue surtout à l'entrée dans le corps et au parquet, pas uniformément sur toutes les fonctions. C'est exactement le genre de nuance qu'un chiffre unique aurait écrasée, et qu'une politique d'attractivité pourrait cibler. Pour un gestionnaire de corps, ce n'est pas une curiosité statistique. C'est la matérialisation chiffrée d'un sujet de gestion prévisionnelle : quelles juridictions fonctionnent structurellement comme des postes de passage, où les fonctions ne sont jamais pourvues par des profils confirmés, et où une politique d'attractivité (indemnitaire, immobilière, de déroulement de carrière) aurait un effet mesurable. Le débat existe depuis longtemps. La donnée qui permet de l'objectiver aussi. ## Contre-vérification sur un autre corps : la diplomatie La méthode n'est pas propre aux magistrats. Appliquée aux nominations d'ambassadeurs depuis 1998, la même base permet de suivre la féminisation du réseau diplomatique : en octobre 2019, 59 postes étaient occupés par des femmes, soit 26 % du total, avec une progression nette à partir de 2008. L'intérêt de ce second cas est méthodologique. Le premier réflexe devant ces 26 % serait de conclure à une politique d'exclusion des postes prestigieux. Le croisement de la féminisation avec la séniorité moyenne exigée par chaque poste raconte autre chose : les postes les plus masculins sont d'abord les postes à forte séniorité, et les viviers dont sont issus les ambassadeurs de la fin des années 2010 (les promotions de l'ENA jusqu'à la fin des années 1980) comptaient environ un quart de femmes. Et la féminisation élevée des postes à moindre séniorité dessine le corps diplomatique de demain. ![Infographie sur la part des ambassadrices de France et la séniorité des postes diplomatiques, données 1998-2019]({IMAGE_DIPLOMATIE}) Féminisation et séniorité des postes d'ambassadeur, 1998–2019\. Données : DILA · Nathann Cohen (JORFSearch). Analyse : Alexis Bernard. [Version interactive](https://public.tableau.com/app/profile/alexis.bernard/viz/AmbassadricesdeFrance/Diplomatie). Distinguer un effet de structure d'un biais de décision, c'est précisément ce qu'on attend d'une analyse avant qu'elle ne fonde une politique. Une donnée facile à compter, à savoir le pourcentage de femmes, aurait conduit à une conclusion fausse. Le chiffre ne vaut que par ce qu'il prétend démontrer. ## Publique ne veut pas dire libre : la lecture juridique Reste la question que ce type de réutilisation devrait toujours poser en premier, et qu'elle pose en général en dernier : que permet le droit ? Les données du Journal officiel sont librement réutilisables, et leur publication nominative est parfaitement légale : le principe d'anonymisation posé par le code des relations entre le public et l'administration connaît des exceptions, et les actes relatifs à l'organisation de l'administration et aux carrières publiques (nominations, tableaux d'avancement, listes d'aptitude) en font partie. La publication au Journal officiel est d'ailleurs elle-même prévue par les textes. Ce premier étage du raisonnement est celui que l'on cite pour conclure, un peu vite, que tout est permis. Le second étage est moins connu : l'article L. 322-2 du même code subordonne la réutilisation des informations publiques comportant des données personnelles au respect du RGPD. Celui qui constitue une base à partir de ces actes devient responsable d'un traitement, avec ce que cela emporte : finalité déterminée, droit d'opposition des personnes, proportionnalité. L'exception d'anonymisation vaut pour l'État qui publie ; elle ne dispense pas le tiers qui retraite. La frontière pratique passe entre l'analyse et le fichage : étudier en agrégat l'attractivité des juridictions ou la démographie d'un corps relève d'une finalité statistique défendable ; reconstituer et exposer la fiche de carrière d'un individu nommément désigné est un traitement d'une autre nature — et certaines catégories d'actes sont d'ailleurs volontairement soustraites à l'indexation en ligne. Le cadre Deux étages à ne pas confondre : l'État peut publier nominativement les actes de nomination (les exceptions au principe d'anonymisation le prévoient). Mais le tiers qui en fait une base de données devient responsable d'un traitement soumis au RGPD (art. L. 322-2 du CRPA). Une réutilisation sérieuse instruit les deux étages avant d'écrire la première ligne de code. ## Ce que cela change pour une décision Ce que montre cette réutilisation dépasse le cas du Journal officiel. La plupart des organisations sont assises sur des données d'exhaust administratif (actes, registres, historiques de gestion) produites pour une finalité de publicité ou de traçabilité, jamais exploitées pour éclairer les décisions qu'elles documentent pourtant. La question n'est pas de collecter davantage. Elle est de savoir ce que les pièces déjà versées au dossier permettent d'établir, et ce que le droit autorise à en faire. Si votre organisation débat de l'attractivité de ses postes, du renouvellement de ses effectifs ou de l'équité de ses nominations sur la base d'impressions, la donnée qui objectiverait le débat existe peut-être déjà : publiée, publique, et encore illisible. [Voir ce que cette analyse change pour une décision →](https://enbi.fr/interventions/sprint-cadrage/) ## Questions fréquentes ### Peut-on librement réutiliser les données nominatives du Journal officiel ? Leur publication nominative est légale (les actes relatifs aux carrières publiques échappent au principe d'anonymisation) et leur réutilisation est ouverte. Mais l'article L. 322-2 du CRPA subordonne la réutilisation d'informations publiques comportant des données personnelles au RGPD : le réutilisateur devient responsable de traitement. Une analyse statistique agrégée est défendable ; l'exposition de trajectoires individuelles doit être instruite juridiquement avant tout traitement. ### Qu'est-ce que JORFSearch ? Une interface développée par Nathann Cohen, chercheur au CNRS, qui structure par traitement automatique du langage les actes publiés au Journal officiel, dont les nominations, et les rend interrogeables comme une base de données. La source amont est la DILA, en licence ouverte. ### Que mesure l'« ancienneté à la nomination » ? Le temps écoulé entre la première apparition d'une personne au Journal officiel numérisé et sa nomination dans la fonction étudiée. C'est une approximation prudente de l'expérience, avec une limite assumée : toute première apparition est traitée comme un début de carrière, alors qu'elle peut masquer une carrière antérieure invisible dans la source. L'indicateur sous-estime donc l'ancienneté réelle de certains profils ; les retraitements et exclusions sont documentés dans les notes méthodologiques des visualisations. ### Pourquoi un tableau de bord juridique ne commence-t-il pas par un outil ? URL: https://enbi.fr/pourquoi-un-tableau-de-bord-juridique-ne-commence-t-il-pas-par-un-outil/ Last updated: 2026-08-28T21:52:57.000Z ## Piloter une direction juridique par la donnée : pourquoi l’outil n’est que secondaire Un tableau de bord juridique utile ne commence donc ni par Power BI, ni par Excel, ni par une IA, ni par une GED. Il commence par une question toute simple : qu’est-ce que l’on cherche à démontrer ? Cet article développe la [version courte publiée sur Village de la Justice](https://www.village-justice.com/articles/piloter-service-juridique-par-donnee-pourquoi-outil-est-que-seocndaire,57950.html). ## Revenir à la donnée, à l’heure de l’IA À l’heure où tout le monde parle d’intelligence artificielle, revenir à la donnée peut sembler presque démodé. Ce n’est peut-être pas le meilleur timing marketing. Et pourtant, la donnée reste le carburant indispensable de toutes les décisions automatisées, y compris celles que l’on attribue un peu rapidement aux fameuses intelligences artificielles. Une IA ne raisonne pas dans le vide. Elle traite des informations. Elle les classe, les rapproche, les reformule, les pondère ou les restitue. Mais si ces informations sont mal qualifiées, mal structurées ou mal contextualisées, l’IA ne fait que produire plus vite une conclusion fragile. C’est l’un des malentendus actuels autour de la transformation numérique des directions juridiques : on croit parfois qu’un outil sophistiqué peut compenser l’absence de raisonnement préalable. Il ne le peut pas. Il peut rendre l’erreur plus rapide, plus jolie, plus graphique, parfois même plus convaincante. Mais il ne la rend pas plus juste. À retenir Ce n'est pas parce que la donnée juridique résulte d'un calcul qu'elle représente une vérité autonome. C'est un élément matériel à qualifier, contextualiser et à mobiliser dans un raisonnement. ## Un juriste qualifie, une machine identifie Oui, bien évidemment. Et pour ce qui nous concerne, un point en particulier nous intéresse. Lorsqu’un juriste parcourt un document, il ne se contente pas de reconnaître des mots. Il extrait des informations, repère des incohérences, vérifie des délais, rattache une clause à un contexte, anticipe une contradiction possible et reconstruit une analyse selon l’objectif poursuivi. Il ne se contente pas de lire, mais il qualifie. Ces opérations paraissent évidentes parce qu’elles sont devenues professionnelles. Mais elles sont le produit d’un apprentissage, d’une culture et d’une capacité permanente à interpréter. Quelques années de faculté de droit, d’IEP ou de pratique contentieuse devraient nous le rappeler assez régulièrement. Une machine, pour sa part, ne peut traiter que ce qu’elle identifie, sous une forme qui lui est accessible, selon des règles qui lui ont été communiquées. Elle peut être très rapide, très utile, et traiter des volumes que personne n’a envie de lire à la main. Mais elle ne sait pas spontanément pourquoi une information est juridiquement intéressante. En clair Une machine traite des informations identifiables. Un juriste qualifie une situation. C’est cette différence qui impose de concevoir le pilotage juridique à partir du besoin métier, et non à partir de l’outil. ## Une GED est une salle d’archives, pas une argumentation Parce qu’une GED est une salle d’archives. Pas une argumentation. Centraliser les contrats, les notes, les consultations, les courriers, les factures ou les dossiers contentieux dans un même espace documentaire est utile. C’est même souvent nécessaire. Mais ce n’est pas encore du pilotage. Une salle d’archives parfaitement rangée ne dit pas au décideur ce qu’il doit conclure. Elle ne lui dit pas quelles pièces sont pertinentes, lesquelles sont secondaires, lesquelles sont hors sujet ou lesquelles doivent être rapprochées pour construire une démonstration. Elle donne accès aux pièces. Encore faut-il savoir quelle thèse on défend. C’est exactement la même chose pour une direction juridique. Disposer immédiatement de tous les documents liés aux dossiers en cours ou passés ne permet pas automatiquement d’en extraire les informations utiles à une prise de décision contextualisée. ## Commencer par la problématique, pas par les données Parce que les données disponibles ne déterminent pas la question à résoudre. C’est un raisonnement que les juristes connaissent très bien. Dans un dossier, on ne commence pas par compter les pièces pour décider de la thèse. On commence par identifier ce que l’on cherche à démontrer. Ensuite seulement, on sélectionne les éléments utiles, on les hiérarchise et on construit une argumentation. Personne ne se satisferait, dans un contentieux, du simple décompte du nombre de pages du dossier. Ce chiffre peut donner un indice sur le volume de travail. Mais il ne dit rien, à lui seul, de la solidité des moyens, de la qualité des pièces ou des chances d’obtenir gain de cause. Et pourtant, dans les projets data, on fait parfois exactement cela. On regarde ce qui est disponible. On compte ce qui est facile à compter. On affiche ce qui est simple à visualiser. Puis on espère que cela dira quelque chose d’intéressant. Parfois, cela fonctionne. Souvent, cela produit seulement un graphique propre sur un sujet mal posé. Par conséquent, la problématique de pilotage est extérieure aux données disponibles. Les données ne deviennent utiles que lorsqu’elles permettent de répondre à une question clairement formulée. ## Qu’est-ce qu’un bon KPI juridique ? Un bon KPI juridique n’est pas une donnée brute. C’est un argument. Cette formule peut sembler étrange, mais elle est probablement l’une des plus utiles pour comprendre le pilotage par la donnée. Un KPI ne vaut pas parce qu’il existe. Il ne vaut pas parce qu’il est mesurable. Il ne vaut pas parce qu’il est affiché dans un tableau de bord. Il vaut parce qu’il soutient une interprétation utile. Le nombre de dossiers, leur durée moyenne, le montant des prestations externes ou le volume de contrats revus ne constituent pas, à eux seuls, une démonstration. Ces chiffres deviennent intéressants lorsqu’ils répondent à une question précise : Faut-il recruter ? Faut-il externaliser ? Faut-il revoir un processus ? Faut-il standardiser certaines demandes ? Faut-il mieux répartir la charge ? Faut-il former les opérationnels ? Faut-il renégocier les honoraires externes ? Sans cette question, le KPI est seulement une donnée qui a trouvé une place dans un graphique. *Un KPI juridique est une information construite à partir de données qualifiées pour éclairer une décision relative à l’activité, aux risques, aux ressources ou à la performance d’une direction juridique.* Un KPI n’est par conséquent pas une décoration statistique, mais bien un argument. Et comme tout argument, il peut être exact, élégant, bien présenté, mais aussi parfaitement inutile s’il ne répond pas à la bonne question. ## Un tableau de bord ressemble à un mémoire, pas à un inventaire Parce qu’un tableau de bord utile ne devrait pas être un inventaire. Il devrait être une démonstration. Dans un mémoire, la problématique détermine la thèse. La thèse organise l’argumentation. Les arguments s’appuient sur des pièces. Les pièces n’ont de portée qu’en contexte. Le pilotage par la donnée devrait suivre la même logique. La problématique de pilotage détermine les indicateurs. Les indicateurs jouent le rôle d’arguments. Les données sources jouent le rôle de pièces. La visualisation organise la démonstration. C’est pourquoi un tableau de bord ne doit pas exposer toutes les données disponibles. Il doit sélectionner et organiser celles qui sont utiles à la résolution d’une question donnée. À défaut, il devient une armoire ouverte. On voit tout. On ne comprend pas forcément mieux. À retenir Un tableau de bord juridique efficace ressemble davantage à un mémoire qu’à un inventaire statistique : il sélectionne, hiérarchise et contextualise les informations utiles à une décision. ## Le même tableau de bord doit-il servir tout le monde ? Non. Une direction générale, un directeur juridique et un responsable d’équipe n’ont pas besoin du même niveau de détail. Le même socle de données peut alimenter plusieurs restitutions, mais ces restitutions ne doivent pas raconter exactement la même chose. On pourrait comparer cela au travail d’un assistant de justice chargé d’examiner un dossier volumineux. Son utilité ne consiste pas à transmettre l’intégralité des documents au magistrat. Elle consiste à extraire les éléments essentiels, les hiérarchiser et produire une restitution directement mobilisable. Un tableau de bord devrait faire la même chose. Il ne doit pas prouver qu’il sait tout afficher. Il doit montrer qu’il sait quoi taire. Un bon tableau de bord juridique est, par conséquent, adapté à son destinataire. Il ne restitue pas le même niveau d’information à une direction générale, une direction juridique ou une équipe opérationnelle. ## Comment construire un tableau de bord juridique utile ? La méthode est assez classique pour un juriste. Il faut d’abord poser une question. Puis qualifier les faits. Puis sélectionner les éléments pertinents. Puis construire une argumentation. Puis en apprécier les limites. Appliqué au pilotage juridique, cela donne une méthode en cinq étapes. ### 1\. Identifier la décision à éclairer La première question n’est pas : “quelles données avons-nous ?” La première question est : “quelle décision voulons-nous prendre ?” Par exemple : - faut-il recruter ? - faut-il externaliser ? - faut-il automatiser certaines demandes ? - faut-il revoir le processus contractuel ? - faut-il mieux répartir les dossiers ? - faut-il réduire les coûts de conseils externes ? - faut-il objectiver la charge réelle de l’équipe ? - faut-il valoriser la contribution de la direction juridique ? Chaque question appelle des informations différentes. ### 2\. Identifier les informations nécessaires Une fois la question posée, il faut déterminer les informations utiles pour y répondre. Pour objectiver un besoin de recrutement, le seul nombre de dossiers ne suffit pas. Il faudra peut-être croiser la nature des demandes, leur complexité, leur urgence, les expertises mobilisées, les délais, les interruptions, les contributions multiples et les tâches répétitives. Un dossier n’est pas une unité de mesure parfaitement stable. Un dossier peut être une formalité. Un autre peut être une guerre de tranchées. Les compter tous les deux comme “un dossier” peut être exact et pourtant peu éclairant. ### 3\. Vérifier où se trouvent les données Les informations nécessaires existent-elles déjà ? Sont-elles dans une GED ? Dans un outil de gestion de dossiers ? Dans des fichiers Excel ? Dans des emails ? Dans des factures ? Dans des contrats ? Dans des comptes rendus ? Dans la tête des juristes ? Une information peut être disponible sans être exploitable. Elle peut être enfouie dans un document, formulée différemment selon les équipes, répartie entre plusieurs outils ou rangée dans une catégorie qui ne correspond pas exactement à la question posée. ### 4\. Apprécier la fiabilité des données Une donnée renseignée n’est pas nécessairement une donnée fiable. Un champ obligatoire sera probablement rempli. Cela ne veut pas dire qu’il sera bien rempli. Un utilisateur peut ne pas comprendre la catégorie proposée. Il peut hésiter entre plusieurs qualifications. Il peut choisir celle qui lui semble la moins inexacte. Il peut aussi reprendre celle qu’il utilise habituellement, parce qu’il a autre chose à faire que de se demander si “contrat stratégique” veut dire la même chose pour la direction juridique, la direction commerciale et la DSI. La qualité d’un tableau de bord dépend donc aussi de la qualité des catégories. Autrement dit : avant de faire parler la donnée, il faut vérifier qu’elle ne parle pas une langue approximative. ### 5\. Choisir l’outil adapté Ce n’est qu’à ce stade que la technique devient utile. Si les données sont déjà structurées, un tableur ou un outil de BI peut suffire. Si les informations sont enfouies dans des documents, il faudra peut-être recourir à du traitement automatique du langage, de l’extraction documentaire ou des méthodes de classification. Si les catégories sont instables, il faudra d’abord travailler sur le modèle métier. L’outil ne vient donc pas au début du raisonnement. Il vient répondre à un écart entre l’information recherchée et la forme sous laquelle elle existe. ## À quoi sert l’IA dans un projet de pilotage juridique ? L’intelligence artificielle peut être très utile pour transformer une masse documentaire en informations exploitables. Elle peut aider à identifier des clauses, extraire des dates, reconnaître des montants, classer des documents, rapprocher des formulations ou produire des synthèses préparatoires. Mais elle ne doit pas être confondue avec le raisonnement de pilotage. On peut se représenter l’IA comme un stagiaire à qui l’on confierait une pile de dossiers et un tableur à compléter. S’il sait ce qu’il doit chercher, où regarder, comment qualifier les informations et quoi faire lorsqu’un cas est ambigu, il peut rendre un travail utile. Si on lui donne simplement une pile de documents en lui disant “fais-moi de la data”, le résultat risque d’être moins convaincant. C’est exactement pareil pour une machine. Elle peut automatiser une partie du travail. Elle ne peut pas compenser l’absence de consigne claire. En somme, selon enbi, l’IA est utile dans le pilotage juridique lorsqu’elle sert une problématique déjà définie. Elle peut extraire, structurer ou rapprocher des informations, mais elle ne doit pas décider seule de ce qu’il faut mesurer. ## Un calcul juste peut produire un enseignement faux C’est probablement le point le plus dangereux. Un calcul peut être parfaitement exact tout en produisant une conclusion fausse. Le logiciel applique correctement la formule. Le graphique est propre. Le tableau est dynamique. Les couleurs sont rassurantes. Tout semble sérieux. Et pourtant, l’enseignement peut être trompeur. Pourquoi ? Parce que la machine calcule ce qu’on lui donne. Elle ne vérifie pas toujours si ce qu’on lui donne représente correctement la réalité que l’on prétend mesurer. Le problème peut venir de deux endroits : la mauvaise modélisation de l’activité juridique et les adaptations tactiques des utilisateurs. ### Premier risque : mal qualifier l’activité juridique Une base de données ne reflète jamais parfaitement la réalité. Elle en propose une représentation. C’est ici que la différence entre réalité et vérité devient utile, sans qu’il soit nécessaire de se transformer en candidat au baccalauréat de philosophie. Il existe une activité juridique réelle : des échanges, des arbitrages, des hésitations, des urgences, des recherches, des renoncements, des stratégies et des contraintes. Puis il existe une manière de décrire cette activité dans une base : type de dossier, responsable, contributeurs, date d’ouverture, date de clôture, niveau de risque, service demandeur, coût externe, statut. La seconde ne capture jamais parfaitement la première. Elle la décrit, selon un *core model*. Si le modèle est pauvre, les conclusions seront pauvres. Si les catégories sont mal construites, les indicateurs seront fragiles. Si l’activité juridique est réduite à des cases trop simples, on obtiendra peut-être des chiffres très nets sur une réalité très mal décrite. Prenons une image de cuisine. Un restaurateur doit composer une carte. Il commande des ingrédients, anticipe les besoins de ses clients et organise sa production. Des tomates très mûres peuvent être impropres à une salade, mais parfaites pour un coulis. La donnée fonctionne de la même manière. Sa qualité ne s’apprécie pas abstraitement. Elle dépend de ce que l’on veut en faire. Une donnée peut être inutilisable pour un usage et très pertinente pour un autre. Tout dépend du plat que l’on veut servir. À retenir Une base de données n’est pas un miroir neutre de l’activité juridique. C’est une représentation construite. Si le modèle est mauvais, le tableau de bord rendra l’erreur plus visible, pas plus juste. ### Deuxième risque : les utilisateurs s’adaptent à ce que l’on mesure Le second risque tient aux comportements humains. Et ce serait trop simple de croire qu’un champ obligatoire ou une collecte automatisée suffit à produire une donnée fiable. Une information renseignée dans un système est aussi une déclaration. Elle est produite par une personne qui interprète la question, mesure l’effort nécessaire pour répondre et anticipe l’usage qui pourra être fait de sa réponse. Si la saisie est chronophage et ne lui apporte aucun bénéfice perceptible, l’utilisateur cherchera naturellement à réduire le temps qu’il y consacre. S’il pense que la donnée servira à l’évaluer, il adaptera probablement sa manière de répondre. Prenons l’exemple des feuilles de temps. Demander à chaque juriste d’indiquer le temps passé sur un dossier peut sembler raisonnable. Mais cette information ne sera pas produite dans le vide. Un juriste peut craindre qu’un temps important soit interprété comme un manque d’efficacité. Un autre peut craindre qu’un temps réduit conduise à sous-estimer la difficulté du dossier ou les besoins de son équipe. La donnée produite risque alors de décrire autant la stratégie de protection de son auteur que le travail réellement accompli. L’automatisation ne supprime pas ce problème. Elle en change seulement la forme. Par exemple, le temps pendant lequel un document Word reste ouvert est une trace objectivement mesurable. Mais ce temps ne correspond pas nécessairement au temps de raisonnement juridique. Le juriste peut avoir laissé le document ouvert pendant une réunion, une recherche, un appel ou une interruption. Il peut aussi adapter son comportement s’il sait que cette trace est utilisée, même tacitement, pour mesurer son activité. La donnée est exacte au regard de ce que la machine mesure. Elle peut être fausse au regard de ce que l’organisation veut conclure. **Selon enbi, une donnée peut être techniquement exacte mais interprétativement fausse si elle mesure une trace qui ne correspond pas réellement à l’activité que l’on cherche à piloter.** --- ## La donnée juridique est aussi un fait organisationnel Parce qu’une donnée n’apparaît pas toute seule dans une base. Elle est produite dans un contexte. Quelqu’un supporte l’effort de saisie. Quelqu’un définit les catégories. Quelqu’un bénéficie du tableau de bord. Quelqu’un subit éventuellement les conséquences de l’indicateur. Si l’effort est supporté par les juristes tandis que le bénéfice demeure réservé à la direction, la saisie devient une obligation administrative supplémentaire. Elle peut être perçue comme extérieure à l’activité juridique, voire dirigée contre celui qui la réalise. À l’inverse, lorsque les informations produites permettent aussi aux équipes de mieux comprendre leur activité, de valoriser leurs contributions, d’éviter des tâches répétitives ou d’objectiver une surcharge, leur fiabilité devient un intérêt partagé. La production de données n’est donc pas seulement une affaire de consignes, de formation ou de paramétrage logiciel. C’est une affaire de gouvernance. Et parfois même de confiance. Selon enbi, la fiabilité d’une donnée métier dépend aussi de l’alignement entre ceux qui produisent l’information, ceux qui l’exploitent et ceux qui supportent les conséquences de son interprétation. ## Comment éviter un mauvais projet data juridique ? Il faut résister à la tentation de commencer par l’interface. Un beau tableau de bord peut masquer un mauvais raisonnement. Un outil puissant peut industrialiser une mauvaise qualification. Une IA impressionnante peut automatiser une confusion. La méthode doit rester juridique dans son principe. Il faut poser une question, qualifier les faits, sélectionner les éléments pertinents, construire une argumentation et apprécier les limites de la démonstration. Le numérique ne supprime pas ce raisonnement, il le rend plus nécessaire : plus les outils sont puissants, plus il faut être précis sur ce que l’on cherche à démontrer, sous peine de confondre la qualité de la restitution avec la qualité de l’analyse. **Selon enbi, pour éviter un mauvais projet data dans le monde du droit, il faut commencer par la décision à éclairer, puis définir les données nécessaires, leur mode de qualification, leurs limites d’interprétation et seulement ensuite choisir l’outil.** ## La méthode, en dix étapes La méthode tient en une séquence simple : 1. déterminer la décision à éclairer ; 2. formuler la problématique de pilotage ; 3. identifier les informations nécessaires ; 4. vérifier où ces informations existent ; 5. apprécier leur fiabilité ; 6. les structurer si nécessaire ; 7. construire les indicateurs ; 8. adapter la restitution au destinataire ; 9. expliciter les limites de l’interprétation ; 10. réviser le modèle lorsque l’activité évolue. Cette méthode n’est pas révolutionnaire. Elle ressemble même beaucoup au raisonnement juridique classique : poser une question, qualifier les faits, sélectionner les éléments pertinents, construire une argumentation et discuter ses limites. La nouveauté ne réside donc pas dans le raisonnement. Elle réside dans son application à des outils numériques qui donnent parfois l’impression que la réponse pourrait être produite sans lui. C’est précisément cette illusion qu’il faut éviter. --- ## FAQ — Pilotage juridique par la donnée ### Qu’est-ce que le pilotage juridique par la donnée ? Le pilotage juridique par la donnée consiste à utiliser des informations qualifiées sur l’activité juridique pour éclairer des décisions relatives aux ressources, aux risques, aux coûts, aux délais, à la charge de travail ou à la performance d’une direction juridique. ### Pourquoi l’outil est-il secondaire dans un projet data juridique ? L’outil est secondaire parce qu’il ne définit pas la problématique de pilotage. Il sert à extraire, structurer, calculer ou restituer des informations, mais il ne décide pas seul de ce qu’il faut mesurer ni de ce que l’on cherche à démontrer. ### Quelle est la première étape pour construire un tableau de bord juridique ? La première étape consiste à formuler la décision à éclairer. Avant de choisir les données ou l’outil, il faut savoir si le tableau de bord doit aider à recruter, externaliser, prioriser, réduire les coûts, améliorer un processus ou valoriser l’activité juridique. ### Quelle est la différence entre une donnée juridique et un KPI juridique ? Une donnée juridique est une information brute ou structurée. Un KPI juridique est une information construite à partir de données qualifiées pour soutenir une interprétation et éclairer une décision. ### Pourquoi une donnée exacte peut-elle produire une conclusion fausse ? Une donnée peut être exacte au regard de ce qui est mesuré, mais fausse au regard de ce que l’on veut conclure. Par exemple, le temps d’ouverture d’un document est mesurable, mais il ne correspond pas nécessairement au temps réel de raisonnement juridique. ### L’intelligence artificielle peut-elle piloter une direction juridique ? L’intelligence artificielle peut aider à extraire, classer, rapprocher ou synthétiser des informations. Mais elle ne remplace pas la définition de la problématique, la qualification juridique et l’interprétation métier des résultats. ### Comment fiabiliser les données d’une direction juridique ? Pour fiabiliser les données d’une direction juridique, il faut clarifier les catégories, limiter les saisies inutiles, expliquer la finalité des informations demandées, restituer une valeur aux équipes qui produisent la donnée et expliciter les limites d’interprétation. ### Pourquoi comparer un tableau de bord juridique à un mémoire ? Parce qu’un tableau de bord juridique ne doit pas être un simple inventaire de chiffres. Comme un mémoire, il doit partir d’une problématique, organiser des arguments, mobiliser des pièces et produire une démonstration adaptée à son destinataire. --- ## Pour aller plus loin Cet article reprend et développe une réflexion publiée en version courte sur Village de la Justice : [Piloter un service juridique par la donnée : pourquoi l’outil n’est que secondaire](https://www.village-justice.com/articles/piloter-service-juridique-par-donnee-pourquoi-outil-est-que-seocndaire,57950.html) Chez enbi, nous aidons les directions juridiques à concevoir des systèmes de pilotage utiles, compréhensibles et défendables : des tableaux de bord qui ne se contentent pas d’afficher des chiffres, mais qui soutiennent un raisonnement. [Décrire votre contexte de pilotage juridique →](https://enbi.fr/contact/) ### Le POC fonctionne. L'industrialiser est une autre décision URL: https://enbi.fr/revue-independante-avant-passage-a-lechelle-dun-poc-ia/ Last updated: 2026-08-28T16:44:47.000Z Le problème ## Un prototype qui fonctionne ne démontre pas encore qu’une solution peut passer à l’échelle. 01 Le passage en production change la nature du projet Les volumes augmentent, les données évoluent, les erreurs doivent être supervisées et les responsabilités précisées. L’intégration au système d’information, la sécurité, la maintenance et le contrôle humain deviennent alors des conditions permanentes d’exploitation. 02 L’investissement déjà réalisé peut fausser la décision Après plusieurs semaines d’expérimentation, il devient difficile de remettre en cause le projet. Pourtant, le coût du POC ne justifie pas à lui seul l’industrialisation. La décision doit reposer sur la valeur réellement démontrée et sur les conditions du passage à l’échelle. ## Ce que l'on vous propose Nous réalisons une revue indépendante des résultats du POC et des conditions nécessaires à son passage en production. L’analyse distingue ce qui a réellement été démontré de ce qui reste encore à vérifier : robustesse des résultats, représentativité des données, coûts d’exploitation, intégration technique, responsabilités, contrôle humain et dépendances futures. Ce n’est pas un nouvel audit général de l’intelligence artificielle. Ce n’est pas non plus une revue d’architecture ou un test de cybersécurité approfondi. C’est une analyse de décision, réalisée avant que le prototype ne devienne un engagement technique, financier et organisationnel plus difficile à arrêter. ## Pour les entreprises et les administrations Vous avez expérimenté une solution avec une équipe interne, un éditeur, une ESN ou un intégrateur. Le prototype produit des résultats encourageants, mais vous devez encore déterminer s’ils justifient une mise en production. enbi vérifie notamment si les conditions du test sont représentatives de l’usage futur, si les données pourront être maintenues dans la durée et si les coûts annoncés intègrent réellement l’exploitation, la supervision et les évolutions de la solution. La revue peut également préparer une décision devant un COMEX, une direction financière, une tutelle, un comité d’investissement ou une instance de gouvernance. ## Pour les directions Data, IA et innovation Le POC a permis de tester une hypothèse technique ou métier. Vous devez désormais distinguer les résultats reproductibles des effets liés au périmètre limité de l’expérimentation. enbi intervient en appui de vos équipes pour identifier les hypothèses encore ouvertes, les vérifications complémentaires et les conditions minimales d’une industrialisation maîtrisée. L’objectif n’est pas de remettre en cause le travail réalisé, mais de rendre explicite ce qui sépare encore le prototype d’un service exploitable. Passage à l’échelle Un POC démontre une possibilité, pas nécessairement une capacité d’exploitation Le passage en production introduit de nouvelles contraintes : volumes réels, diversité des utilisateurs, actualisation des données, sécurité, supervision, maintenance, contrôle des erreurs et continuité du service. La décision d’industrialiser doit donc porter sur l’ensemble du système, et pas seulement sur la performance observée pendant l’expérimentation. PME-ETI Secteur public Directions Data et IA IA Data Stratégie ## Revue indépendante avant passage à l’échelle d’un POC IA Une analyse des résultats du prototype, des écarts avec la production et des conditions réelles d’industrialisation. Sur devis Nous distinguons ce que le POC a réellement démontré des hypothèses qui restent à valider, puis évaluons les coûts, les risques et les dépendances du passage en production. 1. 1 Revue de la valeur démontrée : problème traité, utilisateurs concernés, résultats mesurés, critères de réussite et limites du test. 2. 2 Analyse des conditions du passage à l’échelle : données, architecture, intégration, volumes, sécurité, supervision, contrôle humain et exploitation. 3. 3 Verdict INDUSTRIALISER, RECALIBRER ou ARRÊTER, accompagné des vérifications, conditions et négociations encore nécessaires. Sur devis. Sans conflit d'intérêt avec le prestataire ou la solution évaluée. Verdict écrit INDUSTRIALISER / RECALIBRER / ARRÊTER — confidentiel, sous 5 jours ouvrés après réception des éléments nécessaires. ## Ce que nous examinons Valeur démontrée ### Le POC répond-il réellement au problème ? Nous examinons la situation initiale, les utilisateurs concernés, l’amélioration observée, les critères de réussite et les limites du périmètre testé. Robustesse ### Les résultats sont-ils reproductibles ? Nous analysons la représentativité des données, les cas non couverts, la fréquence des erreurs et la dépendance des résultats aux conditions particulières du prototype. Production ### La solution peut-elle être exploitée dans la durée ? Architecture cible, intégration au système d’information, volumes, sécurité, supervision, continuité et performances en production. Coût total ### Que coûtera réellement l’industrialisation ? Développement complémentaire, infrastructure, consommation des modèles, maintenance, contrôle humain, formation, conduite du changement et sortie du dispositif. Responsabilités ### Qui répondra du fonctionnement du système ? Répartition entre client et prestataire, propriété des livrables, gestion des erreurs, validation humaine, documentation et responsabilités opérationnelles. Dépendances ### Quelles marges de manœuvre restera-t-il ? Dépendance à un fournisseur, un modèle, une API ou une infrastructure, portabilité des données, transférabilité et conditions de réversibilité. Décision Trois conclusions possibles **INDUSTRIALISER** lorsque la valeur est suffisamment démontrée et les conditions de production maîtrisables. **RECALIBRER** lorsque le potentiel existe, mais que certaines hypothèses, données ou conditions d’exploitation doivent encore être revues. **ARRÊTER** lorsque les bénéfices démontrés ne justifient pas les coûts, les risques ou les dépendances du passage à l’échelle. ## Ce que la revue ne remplace pas Selon la nature du projet, la décision peut nécessiter des expertises complémentaires : - audit de cybersécurité ou test d’intrusion ; - revue détaillée de l’architecture ; - tests de charge et de performance ; - validation juridique formelle ; - audit réglementaire spécialisé ; - développement ou exploitation de la solution. Ces expertises peuvent être recommandées lorsque leur résultat est nécessaire à la décision. enbi ne se substitue pas aux professionnels chargés de les réaliser. Expérience +100 projets Data/IA financés et suivis — DINUM / Etalab, 2024-2026 55M€ d'économies annuelles sur le budget de l'État — fonds DINUM de 10 M€ 12 ans d'expérience à l'intersection du droit, de l'économie et de la Data Services du Premier ministre · Autorité de régulation · Crèches Babilou · Caisse des dépôts · Start-ups françaises et japonaises Positionnement Une revue indépendante de la décision d’industrialiser enbi ne développe pas la solution évaluée et n’est pas rémunéré sur son passage en production. La revue peut donc recommander une industrialisation, une réduction du périmètre, une nouvelle expérimentation ou l’arrêt du projet. [ En amont Évaluation de projet IA avant investissement Pour déterminer si le projet mérite d’être lancé avant la réalisation d’un prototype ou l’engagement d’un budget. → ](https://enbi.fr/evaluation-projet-ia/) [ Après la revue Choisir un prestataire IA : analyse indépendante de sa proposition Pour comparer les offres d’industrialisation, leur périmètre, leur coût total et les dépendances qu’elles créent. → ](https://enbi.fr/analyse-proposition-ia-prestataire/) [ Avant signature Audit de contrat IA / SI Pour analyser les responsabilités, les engagements, les droits sur les données et les conditions de sortie avant contractualisation. → ](https://enbi.fr/audit-contrat-ia-si/) Sans intérêt dans l’industrialisation enbi ne développe pas la solution évaluée et ne perçoit aucune commission liée à son passage en production. Sans dépassement Périmètre et prix convenus avant engagement. Pas de régie, pas de surprise. Un seul interlocuteur La même personne examine les résultats du POC, les données, les coûts et les conditions de l’engagement. Prochaine étape Votre POC fonctionne ? Vérifions s’il doit passer à l’échelle. Un premier échange de 15 minutes pour comprendre les résultats obtenus et la décision que vous devez prendre. [Prendre contact](https://enbi.fr/contact/) ### Comment comparer deux devis de prestations IA ? URL: https://enbi.fr/comment-comparer-deux-devis-de-prestations-ia/ Last updated: 2026-08-28T16:43:34.000Z Vous avez reçu deux propositions pour automatiser un processus, exploiter vos données ou assister vos équipes. La première propose, par exemple, un agent conversationnel. La seconde prévoit un développement spécifique. Les technologies, les périmètres et les prix diffèrent — et rien ne garantit qu'elles répondent au même besoin. La blockchain et les ETF aussi devaient révolutionner l'économie et la société. Ils sont restés des outils. Je pratique l'IA depuis plus de dix ans, quand ça s'appelait encore le machine learning. C'est un outil, si performant soit-il. En clair On n’achète pas de l’IA pour acheter de l’IA, mais pour répondre à un problème. Les solutions qui vous sont proposées sont probablement très abouties techniquement. Elles peuvent produire une démonstration convaincante et mobiliser des technologies réellement performantes. Et elles le sont. Mais si elles ne répondent pas à votre besoin, vous aurez surtout investi dans une réponse à une question que vous ne vous posiez pas. Comparer deux propositions IA n’a donc de sens qu’après avoir clarifié le besoin, envisagé les solutions avec et sans intelligence artificielle, puis reconstruit un périmètre commun de comparaison. ## S’assurer que le besoin justifie un investissement dans l’IA L’étude du besoin ne doit jamais être formulée à partir de la technologie proposée. Autrement dit, le besoin ne devrait pas être exprimé ainsi : Autrement dit - **Déployer un agent IA pour la direction juridique.** - **Réduire le temps nécessaire pour retrouver une information fiable dans les dossiers antérieurs ou la jurisprudence.** Il pourrait plutôt être formulé de la manière suivante : Réduire le temps nécessaire pour retrouver une information fiable dans les dossiers antérieurs ou la jurisprudence. Cette seconde formulation ne présume pas encore de la solution. Elle permet d’envisager plusieurs réponses : améliorer le classement documentaire, revoir les règles d’indexation, enrichir un moteur de recherche, automatiser certaines extractions ou, lorsque cela est pertinent, déployer un outil reposant sur de l’intelligence artificielle. À lire également : Expérimentation de l'IA dans le système judiciaire. Cette distinction paraît simple. Elle est pourtant essentielle. Lorsqu’une organisation formule directement son besoin à partir d’une technologie, elle demande aux prestataires de proposer différentes manières de mettre en œuvre une solution déjà choisie. Elle ne leur demande plus de résoudre le problème. Les premières questions devraient donc porter sur l’activité elle-même : Les premières questions à poser Quelle difficulté concrète cherche-t-on à résoudre ? Qui la rencontre, et à quelle fréquence ? Quel résultat serait réellement utile, et comment le mesurer ? Une solution plus simple pourrait-elle produire le même résultat ? Pour enbi, l'objectif n'est pas d'écarter l’intelligence artificielle par principe, mais de vérifier sa valeur ajoutée par rapport aux autres options, afin d'éviter que l'organisation ne s'engage dans des engagements techniques, organisationnels et contractuels qui la dépassent pour répondre à un effet de mode. À lire également ### Pourquoi l’IA n’est pas la réponse à vos problématiques business. [Lire cet article →](https://enbi.fr/pourquoi-lia-nest-pas-la-reponse-a-vos-problematiques-business/) ## Décliner le besoin selon une méthode commune Une fois le problème clarifié, l’analyse peut être organisée autour de trois questions successives. Une fois le problème clarifié 1. 1Quelle est la problématique et quelle décision doit être éclairée ? 2. 2De quelles informations avons-nous besoin ? 3. 3Quel traitement technique est réellement nécessaire ? ### Quelle est la problématique et quelle décision doit être éclairée ? Il faut d’abord préciser la situation actuelle, le résultat recherché, les utilisateurs concernés et les décisions ou actions que la solution est supposée faciliter. Cette étape doit également permettre de définir les critères qui serviront à juger la réussite du projet. Une promesse générale de gain de productivité ne suffit pas. Il faut déterminer ce que l’on cherche concrètement à réduire, augmenter ou améliorer : un délai de traitement, un taux d’erreur, un volume d’opérations manuelles, une capacité de recherche ou la qualité d’une décision. La technologie ne produit pas elle-même cette définition. Elle ne peut intervenir qu’une fois l’objectif qualifié. ### De quelles informations avons-nous besoin ? Il faut ensuite déterminer où se trouvent les données nécessaires, qui les produit, sous quelle forme elles existent, et si elles sont fiables, homogènes, actualisées et suffisamment contextualisées. Une information peut être disponible sans être immédiatement exploitable. Elle peut être enfouie dans un document, formulée différemment selon les équipes ou répartie entre plusieurs systèmes. À l’inverse, une donnée parfaitement structurée peut être très facile à mesurer tout en étant sans rapport avec la question posée. Attention à ce point L’existence de données ne permet donc pas, à elle seule, de conclure qu’un projet d’intelligence artificielle est possible ou pertinent. ### Quel traitement technique est réellement nécessaire ? Le besoin technique dépend de l’écart entre l’information recherchée et la forme sous laquelle elle est actuellement disponible. Selon les situations, il peut suffire de : réorganiser les données existantes modifier un processus améliorer un outil déjà déployé automatiser une règle déterministe utiliser des techniques de traitement automatique du langage recourir à un modèle d’intelligence artificielle Une information déjà structurée et associée à des règles stables ne nécessite pas nécessairement un modèle génératif. Une automatisation classique pourra parfois produire un résultat moins coûteux, plus prévisible et plus facilement contrôlable. À l’inverse, l’intelligence artificielle peut être justifiée lorsqu’il est nécessaire de traiter des formulations variables, d’extraire des informations dispersées dans des textes ou de rapprocher des contenus difficilement qualifiables par des règles prédéfinies. Ce n’est qu’à ce stade que les propositions techniques peuvent utilement être évaluées. ## Vérifier que les prestataires répondent au même problème Tout le monde fait de l’IA aujourd’hui. Ou tout le monde s'en prévaut. Il s’agit pourtant d’un périmètre technologique extrêmement large, qui va des modèles prédictifs aux agents susceptibles d’agir dans le système d’information au nom de l’utilisateur, et sous la responsabilité de son organisation. Le terme peut également être employé comme une qualification commerciale pour désigner des fonctionnalités qui reposent surtout sur des règles automatisées ou des traitements statistiques plus classiques. Deux propositions utilisant le mot « IA » peuvent par conséquent couvrir des réalités très différentes : Des réalités très différentes un prototype destiné à tester une hypothèse l’intégration d’un outil existant un agent connecté au système d’information un développement spécifique une plateforme complète une prestation de conseil accompagnée d’une solution technique Il faut donc reconstruire un périmètre indépendant des présentations commerciales. Pour chaque offre, il convient notamment de déterminer : - quel besoin est effectivement traité ; - quels usages sont couverts ; - quels utilisateurs sont concernés ; - quels scénarios sont exclus ; - quelles tâches restent manuelles ; - quelles responsabilités demeurent à la charge du client. Une proposition moins chère peut, par exemple, laisser au client la préparation des données, l’intégration technique ou la supervision des résultats. Son prix n’est pas nécessairement inférieur : une partie de son coût a simplement été déplacée vers l’organisation. ## Reconstituer un périmètre commun de comparaison Une fois les propositions ramenées au problème initial, elles doivent être examinées selon les mêmes catégories. C'est cette reconstitution — pas le prix affiché — qui constitue le cœur de la comparaison. Les fonctionnalités et les usages ### Les fonctionnalités et les usages Il faut comparer les cas d’usage couverts, les utilisateurs concernés, les volumes prévus, les langues prises en charge, les interfaces et le niveau de personnalisation. Il faut également vérifier ce que la solution ne fera pas. Les exclusions sont parfois aussi importantes que les fonctionnalités mises en avant. Les données ### Les données La comparaison doit préciser les sources utilisées, le niveau de qualité attendu, les opérations de nettoyage ou d’annotation, les besoins de migration, les durées de conservation et les droits d’utilisation. La question n’est pas uniquement de savoir si les données existent, mais si elles peuvent être utilisées dans le contexte et avec le niveau de fiabilité attendus. L’intégration technique ### L’intégration technique Il faut identifier les connexions nécessaires avec les outils existants, les modalités d’authentification, les exigences de sécurité, le choix de l’hébergement, les phases de test et les conditions de mise en production. Une démonstration réalisée sur un environnement isolé ne permet pas de présumer de la complexité de l’intégration dans le système d’information réel. L’exploitation ### L’exploitation La maintenance, la supervision, la correction des erreurs, les mises à jour, le support et le suivi des performances doivent également être comparés. Une solution ne cesse pas de produire des coûts ou des risques au moment de sa mise en production. Elle doit ensuite être exploitée, contrôlée et adaptée. L’organisation ### L’organisation Enfin, le projet peut nécessiter de la formation, une documentation, un contrôle humain, une gouvernance spécifique et un transfert de compétences. Ces éléments sont parfois présentés comme périphériques. Ils conditionnent pourtant l’adoption de la solution et la capacité de l’organisation à ne pas dépendre entièrement du prestataire. ## Comparer le coût total et les hypothèses de réussite Le prix affiché ne suffira pas à vous éclairer. Il faut également intégrer : le cadrage complémentaire la préparation des données les licences l’intégration les appels API l’hébergement la maintenance le contrôle humain la formation la conduite du changement la migration la sortie du contrat L’analyse doit aussi rendre visibles les hypothèses sur lesquelles chaque offre repose. Le prestataire peut, par exemple, supposer que les données sont déjà disponibles et propres, que les équipes internes pourront être rapidement mobilisées, que les volumes resteront stables ou que la performance observée pendant le prototype sera conservée en production. Ces hypothèses ne sont pas nécessairement irréalistes. Elles doivent simplement être explicitées et confrontées à la situation réelle de l’organisation. Une question permet souvent de faire apparaître ces conditions Que doit-il être vrai, dans notre organisation, pour que votre prix, votre calendrier et les performances annoncées restent valables ? Une intelligence artificielle, même très sophistiquée, ne répondra pas correctement à vos besoins si elle s’alimente à partir d’une base de données incohérente, obsolète ou mal gouvernée depuis plusieurs années. Elle pourra produire un résultat techniquement élaboré, sans que celui-ci soit suffisamment fiable pour être utilisé dans une décision. ## Comparer les engagements et les dépendances Une promesse commerciale doit également conduire à s’interroger sur les incidences en cascade que le déploiement de la technologie aura sur l’organisation et les pratiques de travail. Il faut notamment examiner : Il faut notamment examiner les critères de recette les résultats réellement mesurés les délais la répartition des responsabilités les niveaux de service la propriété des livrables la portabilité des données la documentation les conditions de réversibilité Une démonstration montre ce que la solution est capable de produire dans un contexte déterminé. Elle ne décrit pas nécessairement ce que le prestataire s’engage à fournir, ni ce qui se produira lorsque les données, les volumes et les utilisateurs réels seront intégrés au dispositif. La bonne proposition n’est donc pas nécessairement celle qui promet le plus. De mon expérience, les outils qui prétendent tout faire en même temps sont souvent les moins adaptés à un besoin précis. Leur déploiement oblige l’organisation à s’aligner sur l’ensemble des fonctionnalités, des catégories et des processus embarqués dans le logiciel. À l’inverse, des briques plus autonomes peuvent parfois répondre plus précisément au problème, tout en réduisant la dépendance au fournisseur. La richesse fonctionnelle n’est donc pas une valeur en soi. Elle ne le devient que lorsque les fonctions proposées sont réellement nécessaires. ## Produire une décision : retenir, négocier ou écarter Une fois les offres replacées sur une base commune, trois décisions deviennent possibles. Retenir ### Retenir La proposition répond au besoin, ses hypothèses sont réalistes, ses engagements sont suffisamment précis et son coût total est acceptable. Négocier ### Négocier La solution paraît pertinente, mais son périmètre, son prix, ses responsabilités, ses engagements ou ses conditions de sortie doivent être ajustés. La négociation peut également conduire à réduire le projet, à limiter le pilote ou à demander des preuves supplémentaires avant un déploiement plus large. Écarter ### Écarter L’offre répond mal au besoin, repose sur des hypothèses incompatibles avec la situation de l’organisation ou crée une dépendance disproportionnée au regard de la valeur attendue. Écarter une proposition techniquement aboutie ne signifie pas que la technologie est mauvaise. Cela signifie qu’elle ne constitue pas, dans ce contexte, une réponse suffisamment adaptée. ## Conclusion Comparer deux propositions IA ne commence pas par un tableau de prix. Il faut d’abord vérifier que le problème appelle réellement une réponse reposant sur l’intelligence artificielle. Il faut ensuite définir la décision à éclairer, identifier les informations nécessaires et déterminer le niveau de traitement technique approprié. Comparer deux propositions IA 1. 1vérifier que le problème appelle réellement une réponse reposant sur l’intelligence artificielle 2. 2définir la décision à éclairer 3. 3identifier les informations nécessaires 4. 4déterminer le niveau de traitement technique approprié 5. 5comparer leur coût total, leurs engagements, leurs hypothèses et les dépendances qu’elles créent Les offres peuvent alors être replacées sur un périmètre commun, afin de comparer leur coût total, leurs engagements, leurs hypothèses et les dépendances qu’elles créent. Ce n’est qu’après ce travail qu’une proposition peut être retenue, négociée ou écartée. Autrement, le risque est de comparer très précisément les prix de plusieurs réponses, sans avoir préalablement vérifié que l’une d’entre elles répondait à la bonne question. --- **Vous devez comparer plusieurs propositions IA ou SI ?** [Voir l’analyse indépendante d’une proposition →](https://enbi.fr/analyse-proposition-ia-prestataire/) ### Choisir un prestataire IA : analyser ce que sa proposition engage réellement URL: https://enbi.fr/analyse-proposition-ia-prestataire/ Last updated: 2026-09-09T20:20:14.000Z Le problème ## Deux propositions IA peuvent sembler comparables sans engager la même solution, le même coût ni les mêmes risques. 01 Le prix affiché ne correspond pas au coût réel du projet Licence, intégration, préparation des données, appels API, contrôle humain, maintenance, formation et migration : deux devis proches peuvent produire des coûts totaux très différents. Une offre moins chère à l'entrée peut devenir la plus coûteuse dès que les volumes augmentent ou que vous souhaitez changer de fournisseur. 02 Une démonstration convaincante ne garantit pas un projet viable Une preuve de concept peut fonctionner sans que la solution soit industrialisable dans votre organisation. Les données disponibles, les processus internes, le niveau de contrôle attendu et la répartition des responsabilités déterminent la réussite réelle du projet. ## Ce que nous analysons ENBI intervient côté acheteur pour analyser une proposition ou remettre plusieurs offres sur une base comparable. L'intervention relève de l'évaluation de fournisseurs (*AI vendor evaluation*), en amont de la décision de choix (*vendor selection*), qui reste celle de l'acheteur. Il ne s'agit donc pas de produire un simple classement : l'objectif est de comprendre ce que chaque choix implique réellement pour l'organisation. Selon les offres, nous mobilisons les dimensions susceptibles de modifier la décision — données & technologie, économie & stratégie, droit & gouvernance, organisation & contrôle — sans les examiner mécaniquement. > La comparaison porte sur les dimensions qui rendent les propositions réellement différentes. ### 1\. Reconstruire un périmètre commun Avant de comparer les prix, il faut comparer ce qui est réellement fourni : le besoin effectivement couvert, les utilisateurs concernés, les fonctionnalités incluses et exclues, les données nécessaires, leur préparation et leur migration, les intégrations, les éventuels développements spécifiques, le calendrier, les critères de recette, les livrables, les responsabilités respectives, les conditions de support et d'exploitation. Cette reconstruction peut faire apparaître que deux propositions supposées concurrentes ne répondent pas exactement à la même question. Dans ce cas, le premier résultat de l'analyse est précisément de rendre la comparaison possible. ### 2\. Examiner la faisabilité dans votre contexte Une démonstration réussie ne suffit pas : une solution peut fonctionner dans l'environnement du fournisseur sans être directement transposable dans votre organisation. Nous examinons les hypothèses techniques de la proposition, la compatibilité avec le système d'information, les données réellement disponibles, les volumes, les dépendances à des modèles, API ou infrastructures tierces, les performances promises et leurs conditions, la sécurité et la continuité, les besoins de supervision, les conditions réelles d'exploitation. La richesse fonctionnelle n'est pas une valeur en soi. Elle ne devient utile que lorsque les fonctions proposées répondent à un besoin réel et peuvent être exploitées dans votre environnement. ### 3\. Reconstituer le coût complet Le prix annoncé peut représenter une petite partie de ce que le choix engage. Nous reconstituons, lorsque c'est pertinent, le coût d'entrée (licence, paramétrage, développement, intégration, reprise des données), le coût d'exploitation (infrastructure, API, modèles, maintenance, support, supervision, contrôle humain, formation), le coût d'évolution (nouvelles fonctionnalités, changements de volume, interfaces supplémentaires, adaptations réglementaires ou organisationnelles) et le coût de sortie (récupération des données, migration, transfert de connaissances, reconstruction d'intégrations, assistance du fournisseur sortant, interruption éventuelle du service). Deux offres peuvent alors changer complètement de position une fois comparées sur leur cycle de vie plutôt que sur leur coût initial. ### 4\. Identifier les dépendances créées Choisir un prestataire, c'est aussi choisir les marges de manœuvre que l'on conservera. Certaines dépendances sont normales ; le problème commence lorsqu'elles restent implicites au moment de la décision — dépendance au fournisseur, à une technologie propriétaire, à un modèle particulier, à une API, à un format de données, à des intégrations spécifiques, à des compétences difficiles à transférer, ou à un processus organisationnel imposé par la solution. C'est notamment ce que recouvre la notion de *vendor lock-in* lorsqu'un changement de fournisseur devient techniquement ou économiquement prohibitif. La dépendance n'est toutefois pas synonyme d'absence de réversibilité. > Si vous devez changer de solution dans deux ou trois ans, que faudra-t-il réellement transférer, reconstruire ou renégocier ? ### 5\. Examiner les responsabilités et le fonctionnement réel Une proposition technologique ne décrit pas seulement un outil : elle répartit aussi du travail et des responsabilités. Selon le projet, nous examinons qui prépare et maintient les données, qui valide les résultats, qui contrôle les erreurs, qui intervient en cas d'incident, qui documente le système, quelles compétences doivent rester chez vous, ce qui dépend du fournisseur, ce qui devra être organisé en interne. Une solution techniquement pertinente peut devenir une mauvaise option si son fonctionnement suppose des ressources ou des processus que l'organisation ne peut pas durablement mobiliser. ## Ce que le croisement permet de révéler La valeur de l'analyse apparaît lorsque les dimensions cessent d'être examinées séparément. - **Prix × architecture × volumes** — l'offre la moins chère sur le devis devient la plus coûteuse lorsque l'usage augmente. - **Fonctionnalités × organisation** — la solution la plus complète impose aussi le plus de changements de processus et de charge interne. - **Architecture × dépendance × sortie** — une intégration très efficace aujourd'hui rend un changement de fournisseur particulièrement coûteux demain. - **Engagement fournisseur × besoin réel** — une fonction impressionnante dans la démonstration ne correspond à aucun usage suffisamment important pour justifier son coût. - **Données × responsabilités** — la performance promise repose en réalité sur un travail de préparation ou de contrôle qui reste intégralement à la charge du client. C'est ce type de conséquence qui permet de comparer les offres sur leur valeur réelle plutôt que sur leur présentation commerciale. ## Le verdict L'analyse aboutit à trois conclusions possibles. ### RETENIR La proposition répond au besoin. Ses hypothèses sont suffisamment crédibles, son coût complet est acceptable et les dépendances créées restent compatibles avec les marges de manœuvre recherchées. Le verdict précise les conditions à préserver lors de la contractualisation. ### NÉGOCIER La solution paraît pertinente, mais certains éléments doivent être ajustés avant engagement : le périmètre, les fonctionnalités, le prix, les engagements, les critères de recette, les données, les responsabilités, les niveaux de service, la documentation, les conditions de migration ou de sortie. NÉGOCIER peut aussi signifier réduire le projet, limiter un pilote, demander des preuves supplémentaires, ou séparer certains lots. ### ÉCARTER La proposition ne répond pas suffisamment au besoin, son coût réel est disproportionné ou les dépendances qu'elle crée ne sont pas justifiées par la valeur attendue. Écarter une offre n'implique pas nécessairement d'abandonner le projet : une autre solution — y compris plus simple ou moins technologique — peut être préférable. ## Ce que vous recevez Sous 5 jours ouvrés après réception des éléments nécessaires : - la reconstitution du périmètre réel ; - une grille de comparaison lorsque plusieurs offres sont examinées ; - les hypothèses structurantes de chaque proposition ; - les principaux coûts directs et indirects ; - les dépendances et conditions de sortie ; - les points à clarifier ; - les questions à poser au prestataire ; - les conditions à exiger ou à négocier ; - les alternatives pertinentes ; - un verdict RETENIR / NÉGOCIER / ÉCARTER. Le document reste confidentiel. ### Une décision située entre deux autres Cette intervention répond à une question précise : quelle proposition retenir, négocier ou écarter ? Elle ne remplace ni l'évaluation du projet en amont ni l'audit détaillé du contrat en aval. **En amont** — si la question reste de savoir si le besoin, la valeur attendue et les conditions de réussite justifient l'investissement, voir [l'évaluation indépendante de projet IA](https://enbi.fr/evaluation-projet-ia/). **Ici** — une fois la décision de principe suffisamment établie, l'analyse compare la manière dont différents prestataires proposent d'y répondre. **En aval** — une fois la solution choisie, certaines questions deviennent spécifiquement contractuelles : responsabilités, propriété, garanties, niveaux de service, clauses de sortie, portabilité, réversibilité. Voir [l'audit de contrat IA / SI avant signature](https://enbi.fr/audit-contrat-ia-si/). **Projet → fournisseur → contrat : trois moments, trois décisions différentes.** ## Et dans la commande publique ? L'analyse peut également intervenir en amont d'une consultation publique pour aider à comprendre le marché, clarifier les options disponibles et construire des critères de comparaison utiles. L'article R.2111-1 du Code de la commande publique permet à l'acheteur d'effectuer des consultations, de réaliser des études de marché ou de solliciter des avis afin de préparer la passation d'un marché, sous réserve de ne pas fausser la concurrence et de respecter les principes de la commande publique. L'objectif n'est pas de choisir à la place de l'acheteur. Il est de lui permettre de comprendre ce qu'il devra réellement comparer lorsqu'il choisira. Commande publique Un sourçage autorisé avant la consultation L'article R.2111-1 du code de la commande publique permet à l'acheteur d'effectuer des consultations, de réaliser des études de marché ou de solliciter des avis afin de préparer la passation d'un marché. Les résultats peuvent être utilisés à condition de ne pas fausser la concurrence et de respecter les principes de la commande publique. ### Ce que cette analyse n'est pas Cette intervention n'est pas une évaluation générale de l'opportunité du projet, une procédure de passation de marché, une notation automatique des fournisseurs, une négociation menée à votre place, un audit juridique exhaustif du contrat, une mission d'intégration, ni une recommandation rémunérée par un fournisseur. ENBI intervient en appui de la décision de l'acheteur. ENBI n'est partenaire d'aucun éditeur ou intégrateur et ne perçoit aucune commission sur la solution retenue. La rémunération ne dépend donc ni du choix d'un prestataire, ni de la conclusion du contrat, ni du montant de la solution — ce qui permet de considérer comme équivalentes les trois conclusions RETENIR / NÉGOCIER / ÉCARTER. PME-ETI Secteur public Professionnels du droit IA Data Stratégie ## Analyse indépendante d'une proposition IA / SI Une lecture croisée technique, économique et juridique. Un verdict écrit sous 5 jours ouvrés. Sur devis Nous analysons une proposition ou comparons plusieurs offres afin de vérifier leur adéquation au besoin, leur coût total et leurs conditions réelles de réussite. 1. 1 Reconstitution du périmètre réel : besoin couvert, fonctionnalités, données, intégrations, calendrier, livrables et responsabilités. 2. 2 Évaluation du coût total et des dépendances : licence, mise en œuvre, exploitation, maintenance, contrôle humain, migration et réversibilité. 3. 3 Verdict RETENIR, NÉGOCIER ou ÉCARTER, accompagné des questions à poser, des conditions à exiger et des alternatives à envisager. Sur devis. Sans conflit d'intérêt avec les prestataires évalués. Grille de comparaison et verdict confidentiel, sous 5 jours ouvrés après réception des éléments nécessaires. Expérience +100 projets Data/IA financés et suivis — DINUM / Etalab, 2024-2026 55M€ d'économies annuelles sur le budget de l'État — fonds DINUM de 10 M€ 12 ans d'expérience à l'intersection du droit, de l'économie et de la Data Services du Premier ministre · Autorité de régulation · Caisse des dépôts · Groupe international · PME, startups et acteurs publics [ Pour approfondir Comment comparer deux devis de prestations IA ? Une méthode pour reconstruire un périmètre commun avant de comparer les solutions. → ](https://enbi.fr/comment-comparer-deux-devis-de-prestations-ia/) [ En aval Audit de contrat IA / SI avant signature Pour approfondir les clauses, responsabilités, droits sur les données et conditions de sortie une fois le prestataire choisi. → ](https://enbi.fr/audit-contrat-ia-si/) [ En amont Évaluation indépendante de projet IA Lorsque la question porte encore sur l'opportunité même d'investir. → ](https://enbi.fr/evaluation-projet-ia/) Sans conflit d'intérêt Aucun partenariat commercial ni commission avec les prestataires évalués. Notre rémunération ne dépend pas de la solution retenue. Sans dépassement Périmètre et prix convenus avant engagement. Pas de régie, pas de surprise. Un seul interlocuteur La même personne analyse la proposition, les données, le modèle économique et les implications de l'engagement. Ce que vous partagez ne circule pas. Prochaine étape Vous avez reçu une proposition ? Échangeons 15 minutes. Pour comprendre où en est votre décision et vérifier si une analyse indépendante vous serait réellement utile. [Prendre contact](https://enbi.fr/contact/) ### Vos données ont déjà une valeur. La question est de savoir qui en profite. URL: https://enbi.fr/vos-donnees-ont-deja-une-valeur-la-question-est-de-savoir-qui-en-profite/ Last updated: 2026-08-28T21:45:43.000Z La Commission européenne a documenté le problème dans les travaux préparatoires au Data Act : environ 80 % des données industrielles ne sont jamais utilisées après leur collecte initiale. Elles sont générées, stockées, et laissées là. Ni exploitées par l'organisation qui les produit, ni protégées contre l'exploitation par ceux qui y ont accès. Ce n'est pas un problème technique, mais de décision, et plutôt d'absence de décision. Car dans ce domaine, l'absence de décision est elle-même une décision : celle de laisser la valeur s'échapper vers vos prestataires, vos fournisseurs de solutions, vos concurrents mieux structurés, ou les entreprises pour les administrations. ## La vraie valeur de vos données, et pourquoi vous n'en profitez pas (encore) L'investissement dans les actifs immatériels (logiciels, bases de données, propriété intellectuelle, R&D) dépasse désormais l'investissement tangible dans la quasi-totalité des économies avancées. En 2024, l'investissement immatériel mondial a atteint 7 600 milliards de dollars, progressant à un rythme 3,7 fois supérieur à celui de l'investissement tangible depuis 2008\. Parmi les actifs immatériels, la catégorie logiciels et données est celle qui croît le plus rapidement. Parmi les économies avancées, la France enregistre en 2024 la croissance la plus rapide de l'investissement immatériel, avec plus de 5 % en termes réels, [selon l'OMPI](https://www.wipo.int/web-publications/world-intangible-investment-highlights-2025/en/world-intangible-investment-highlights-2025.html). Cette tendance ne signifie pas que toutes les organisations en profitent. Elle signifie que celles qui ne structurent pas leur rapport aux données se retrouvent progressivement dans une position de fournisseur involontaire de valeur pour ceux qui, eux, ont fait ce travail. Le mécanisme est simple. Lorsque vous utilisez un outil d'IA tiers sans définir contractuellement les droits sur les données que vous lui transmettez, vous financez l'amélioration du modèle de votre prestataire. Lorsque vos données de production sont hébergées dans un format propriétaire sans clause de portabilité, vous créez une dépendance dont le coût de sortie sera supérieur à la valeur initiale du contrat. Lorsque vous ne mesurez pas la valeur d'usage de vos données internes, vous ne pouvez pas la défendre devant un investisseur, un auditeur ou un repreneur. ## Ce que le cadre juridique change à l'équation Le Règlement (UE) 2023/2854, dit Data Act, est entré en application le 12 septembre 2025\. Il modifie structurellement trois rapports de force que la majorité des organisations n'ont pas encore intégrés dans leurs contrats fournisseurs. Le premier concerne les données générées par les produits connectés et les services associés. Les utilisateurs, qu'il s'agisse d'une personne physique ou d'une entreprise, disposent désormais d'un droit d'accès aux données que leur usage cogénère, et peuvent les transmettre à un tiers de leur choix. Ce droit s'applique aux données personnelles comme non personnelles. Il interdit au détenteur de ces données de les utiliser pour développer un produit concurrent ou pour profiler l'utilisateur sans son accord. Le second concerne les clauses contractuelles abusives B2B. Le Data Act déclare non écrites les clauses qui excluent toute responsabilité du détenteur, imposent une renonciation à recours, ou limitent de manière excessive l'usage des données par l'organisation qui les a générées. Ces dispositions s'appliquent à tous les contrats conclus après le 12 septembre 2025, et à partir de 2027 aux contrats à durée indéterminée conclus avant cette date. Le troisième concerne la portabilité cloud. Les frais de migration entre fournisseurs de services cloud devront être totalement supprimés d'ici janvier 2027\. AWS, Azure et Google Cloud ont déjà annoncé leur suppression anticipée. Ce qui signifie concrètement qu'une des barrières à la sortie, et un des principaux mécanismes de *vendor lock-in*, est en train de disparaître par voie réglementaire. Les organisations qui ont signé des contrats sans clause de portabilité avant cette date ont bien évidemment tout intérêt à les renégocier avant l'échéance. ## Ce que valoriser ses données implique concrètement L'exploitation des données n'est pas un truc de geeks, ou un sujet "technique". C'est un arbitrage qui mobilise simultanément trois dimensions que les organisations traitent rarement ensemble. Ce qu'on confond Propriété, droit d'accès, droit d'usage, contrôle de fait et capacité d'exploitation ne se recouvrent pas. Vous pouvez être juridiquement propriétaire d'une donnée sans disposer d'un accès techniquement praticable ; disposer d'un droit d'usage contractuel sans en avoir le contrôle de fait (format propriétaire, dépendance à un prestataire) ; ou détenir les trois sans jamais développer la capacité, interne ou outillée, de l'exploiter. C'est cette dernière brique, la capacité d'exploitation, qui manque le plus souvent — et qui explique qu'une donnée juridiquement sécurisée reste, en pratique, inexploitée. **La propriété des données transformées par un prestataire IA.** Lorsqu'un outil d'IA tiers traite vos données pour produire des analyses, des prédictions ou des recommandations, qui détient les droits sur les outputs ? La réponse n'est pas dans les conditions générales de vente — elle est dans la clause de propriété intellectuelle de votre contrat, si elle existe. Le Data Act interdit au prestataire d'utiliser ces données pour développer un produit concurrent, mais il ne vous attribue pas automatiquement les droits sur les modèles améliorés grâce à vos données. Cette distinction doit être négociée contractuellement avant le déploiement, pas après. **La mesure de la valeur d'usage pour les tiers.** Un investisseur, un auditeur ou un repreneur ne prendra pas votre parole sur la valeur de vos données. Il demandra une documentation : volume et qualité des données, fréquence de mise à jour, cas d'usage documentés, résultats mesurés. Les organisations qui ont investi dans cette documentation disposent d'un actif valorisable. Celles qui ne l'ont pas fait ont un volume de données et une capacité d'usage potentielle — ce n'est pas la même chose sur un bilan. **L'architecture contractuelle qui conditionne la maîtrise.** La valeur d'un actif data dépend directement de la capacité à en conserver le contrôle dans le temps. Trois clauses conditionnent cette maîtrise : la portabilité des données dans un format standardisé, le droit d'audit sur les traitements effectués par le prestataire, et la limitation de l'usage des données à la finalité contractualisée. Ces clauses ne sont pas des précautions juridiques secondaires — elles définissent la différence entre un actif que vous possédez et une dépendance que vous financez. Pour décider Savoir qui capte la valeur de vos données commence par savoir ce que vous avez — et sous quelles conditions juridiques et techniques. [Audit et valorisation des actifs Data](https://enbi.fr/valorisation-actifs-data/) · [Audit de contrat IA / SI](https://enbi.fr/audit-contrat-ia-si/) ### Ce que change l'arrêt du CE sur la commande de prestations de conseil URL: https://enbi.fr/ce-que-change-larret-du-ce-sur-la-commande-de-prestations-de-conseil/ Last updated: 2026-08-28T21:48:06.000Z La vraie question Que faut-il vérifier avant d’engager une organisation publique dans un projet informatique difficile à reprendre ? Vous devez lancer un projet informatique. Le besoin est réel. Le budget existe peut-être. Un prestataire sait déjà présenter une trajectoire, un planning, une équipe et un prix. La décision n’est pas encore prête. C’est là que l’arrêt du Conseil d’État du 17 avril 2026 (CE, Commune de Tilly-sur-Seulles, n° 503412) mérite d’être lu autrement. Ce que l’arrêt juge, précisément, tient en une phrase : solliciter plusieurs devis, dans le cadre d’un marché sans publicité ni mise en concurrence préalables, ne fait pas basculer automatiquement cet achat dans les règles de la procédure adaptée. Tout le reste, à savoir la lecture qui suit sur l’usage stratégique de cette souplesse, est une analyse opérationnelle qu’enbi tire de cette clarification, non une extension de ce que le Conseil d’État a jugé. Ce que cet arrêt rappelle, en creux, reste utile : la comparaison n’est pas une faute. Elle peut être une méthode. Encore faut-il comparer le bon objet. Pour les achats informatiques publics, le sujet n’est pas de demander trois devis pour choisir plus vite un prestataire de développement, d’intégration ou d’AMOA. Le sujet est de pouvoir acheter, en amont, une clarification indépendante avant d’engager un marché lourd. Une petite mission de cadrage peut éviter un mauvais programme. Une revue critique peut éviter un développement inutile. Un benchmark peut montrer qu’un outil existant répond déjà à l’essentiel du besoin. Une analyse de coût complet peut rendre visible une dépendance que le prix d’entrée ne montre pas. Le meilleur achat informatique n’est pas toujours celui qui lance le projet. C’est parfois celui qui permet de ne pas le lancer. ## Trois devis ne font pas une méthode L’arrêt du Conseil d’État clarifie une pratique. Lorsque le Code de la commande publique permet de conclure un marché sans publicité ni mise en concurrence préalables, le fait de solliciter plusieurs devis ne suffit pas, à lui seul, à imposer les règles de la procédure adaptée. Cette précision est utile. Elle ne crée pas une procédure informelle des “trois devis”. Elle ne permet pas de découper artificiellement un besoin. Elle ne dispense pas l’acheteur de choisir une offre pertinente, de préserver les deniers publics et d’éviter de recourir systématiquement au même opérateur. Elle ouvre autre chose : une capacité de discernement en amont. L’acheteur public peut demander plusieurs regards. Il peut tester un prix. Il peut faire préciser une proposition. Il peut comparer des approches. Il peut faire intervenir un tiers indépendant avant que le besoin ne soit capturé par une trajectoire technique déjà écrite. Ce n’est donc pas le nombre de devis qui compte, mais ce qu’ils permettent de vérifier avant d’engager l’organisation dans un projet informatique difficile à reprendre. ## Le mauvais réflexe consiste à acheter trop gros, trop tôt Un besoin métier ne devient pas automatiquement un système d’information à développer. C’est pourtant un glissement fréquent. Une difficulté opérationnelle apparaît. Une direction cherche un outil. Un prestataire propose une architecture. Une AMOA traduit le besoin. Un marché se prépare. Le projet prend la forme d’un développement spécifique, d’une intégration complexe ou d’un programme pluriannuel. La décision de départ n’a parfois jamais été examinée. Le problème venait-il vraiment d’un outil ? Fallait-il simplifier une règle de gestion avant de l’informatiser ? Une application existante pouvait-elle couvrir 70 % du besoin ? Une mutualisation était-elle possible ? Une procédure interne pouvait-elle être modifiée avant d’acheter ? Le coût de maintenance a-t-il été regardé avant le coût de construction ? Ces questions arrivent souvent trop tard. Une fois le marché lancé, l’administration doit piloter ce qu’elle a commandé. Elle doit expliquer les retards. Elle doit absorber les avenants. Elle doit maintenir une trajectoire devenue visible politiquement. Elle doit parfois poursuivre un projet qu’elle aurait arrêté si elle avait disposé plus tôt d’une lecture complète du besoin, des options et des dépendances. Le prix d’un mauvais cadrage n’apparaît pas toujours dans la ligne budgétaire du cadrage. Il apparaît plus tard, dans le coût du programme. Ce qui bloque vraiment ### Le besoin devient une solution trop vite Une difficulté métier peut appeler une règle plus simple, un processus différent, un outil existant ou un développement spécifique. Le risque commence lorsque ces options ne sont pas comparées avant le marché. ## L’asymétrie d’information structure l’achat informatique Un prestataire ne présente pas spontanément les raisons de ne pas acheter ce qu’il vend. Ce n’est pas une accusation. C’est un alignement d’intérêts. Un éditeur vend son produit. Un intégrateur vend sa capacité d’intégration. Une ESN vend du temps et des profils. Un cabinet d’AMOA vend une trajectoire de mission. L’acheteur public, lui, doit défendre une décision. Il doit savoir si le besoin est réel, si l’option proposée est proportionnée, si le prix est cohérent, si les compétences annoncées seront réellement mobilisées, si la sortie est possible et si l’organisation pourra reprendre la main. Ces lectures ne sont pas toujours disponibles au même endroit. Le risque de sélection adverse commence là. Une entreprise peut très bien maîtriser les codes administratifs de la réponse à marché sans être la mieux placée techniquement. Une autre peut sous-estimer la charge pour être compétitive, puis reconstituer sa marge par des avenants, des extensions, des prestations complémentaires ou des dépendances d’exploitation. Le risque d’aléa moral commence après la signature. Les profils annoncés ne sont pas toujours ceux qui font le travail. Les livrables peuvent rassurer sans permettre d’arbitrer. La régie peut durer parce que personne ne sait exactement ce qui permettrait de l’arrêter. Le devis ne résout pas ces risques s’il ne regarde que le prix. Il devient utile lorsqu’il force à documenter les hypothèses. À ne pas confondre ### Comparer des devis ne suffit pas - Un prix bas n’est pas toujours un coût maîtrisé. - Un livrable abondant n’est pas toujours une décision possible. - Une proposition bien présentée ne préserve pas nécessairement vos options. ## Le coût complet ne se lit pas dans le prix d’entrée La réponse à la candidature ne vous donne pas le coût complet de votre solution. Un devis informatique peut être raisonnable au démarrage et coûteux dans la durée. C’est particulièrement vrai pour les prestations liées au cloud, aux outils SaaS, aux ERP, aux CRM, aux plateformes de données et aux briques d’intégration. Le coût réel comprend rarement une seule ligne. Il comprend les licences, le paramétrage, l’intégration, la reprise de données, la maintenance, le support, la formation, les évolutions, le pilotage interne, les connecteurs, les API, les contraintes de sécurité, les hausses tarifaires, la réversibilité et la migration. La dépendance se construit souvent par petites décisions. Un format propriétaire. Une API mal documentée. Une reprise de données facturée tardivement. Une personnalisation excessive. Une compétence rare. Une clause de sortie imprécise. Un contrat cloud facile à signer, mais difficile à quitter. Le Data Act change une partie de ce rapport de force, notamment pour les services de traitement de données et le changement de fournisseur cloud. Il ne supprime pas le besoin d’examiner la sortie dès l’entrée. Une règle nouvelle ne remplace pas une capacité opérationnelle de migration. Une clause de réversibilité ne garantit pas une sortie réelle. Il faut savoir quelles données sortent, dans quel format, avec quelle documentation, dans quel délai, avec quelle continuité de service et à quel coût résiduel. L’acheteur ne doit plus découvrir le coût de sortie au moment où il veut sortir. ## Ce que les acheteurs publics peuvent changer dès maintenant La souplesse validée par le Conseil d’État peut servir à financer une clarification indépendante avant d’engager une trajectoire technique. Concrètement, un acheteur public peut utiliser un achat de faible montant pour commander une mission courte et indépendante avant un projet informatique plus lourd. Cette mission ne doit pas refaire le travail de la DSI, remplacer l’avocat ou écrire tout le cahier des charges. Elle doit répondre à des questions ciblées. Quel est le besoin réel ? Quelles règles doivent être simplifiées avant d’être informatisées ? Quels outils existants couvrent déjà une partie du besoin ? Quel est le coût complet à trois ou cinq ans ? Quel risque de dépendance crée chaque option ? Quels éléments du devis doivent être renégociés ? Quels coûts sont absents de la première proposition ? Quels critères permettraient d’arrêter le projet avant qu’il ne devienne irréversible ? Cette dépense est modeste au regard de ce qu’elle peut éviter. Dépenser quelques milliers d’euros pour vérifier qu’un développement spécifique n’est pas nécessaire peut être une décision plus rigoureuse que de lancer directement un marché de plusieurs millions. Le gain financier ne vient pas de quelques jours-hommes négociés. Il vient du projet inutile qui n’est pas lancé, du mauvais périmètre qui est réduit, ou de la dépendance qui est évitée avant signature. Comment remettre les choses dans l’ordre ### Avant le marché lourd, acheter une décision 1. 1 Qualifier le besoin réel. 2. 2 Comparer les options existantes. 3. 3 Estimer le coût complet et les dépendances. 4. 4 Décider de poursuivre, ajuster ou arrêter. ## Demander un devis de décision, pas seulement un devis de réalisation Un devis de développement répond à une question : combien coûte la construction de ce que vous demandez ? Un devis de décision répond à une autre question : faut-il vraiment le construire ? Cette distinction change l’achat. Avant un grand marché informatique, l’acheteur peut demander un devis pour une revue indépendante du besoin. Il peut demander un benchmark des outils existants. Il peut demander une analyse de coût complet. Il peut demander une contre-expertise d’un cahier des charges. Il peut demander un examen des dépendances fournisseur. Il peut demander une lecture des conditions de sortie. Ces prestations doivent produire des livrables courts. Une note de besoin. Une grille d’options. Une estimation de coût complet. Une liste des risques. Une analyse des dépendances. Une recommandation argumentée. Un verdict : poursuivre, ajuster, différer ou arrêter. Le livrable n’a pas besoin d’être long pour être utile. Il doit permettre de décider. C’est aussi là que les indépendants ont une utilité particulière. Celui qui conseille sur le choix ne devrait pas être celui qui vend ensuite la réalisation. Cette séparation ne garantit pas l’absence de biais. Elle réduit au moins le conflit d’intérêts le plus visible. Une recommandation n’a pas la même valeur lorsque celui qui la formule facture aussi la suite. ## Vérifier le prix de marché avant d’accepter le prix public Un prix présenté à un pouvoir adjudicateur peut intégrer des coûts qui ne sont pas toujours explicités. Certains sont légitimes : formalisme, délais de paiement, exigences documentaires, sécurité, contraintes de conformité, suivi administratif. D’autres doivent être discutés : surdimensionnement de l’équipe, durée excessive, pilotage disproportionné, frais de coordination flous, charges d’atelier non reliées à un livrable, marges masquées dans des profils mal décrits. L’acheteur peut aujourd’hui contrevérifier plus facilement. Il peut comparer avec des marchés existants. Il peut regarder des catalogues de centrales d’achat. Il peut solliciter un indépendant. Il peut utiliser un outil d’IA générative pour préparer ses questions. Il peut demander à un outil de marché de l’aider à décomposer le prix. L’IA ne prouve pas le juste prix. Elle aide à poser de meilleures questions. Par exemple, l’acheteur peut prendre un devis reçu et demander : “Voici une proposition de 38 000 euros HT pour une mission de cadrage d’un projet data de six semaines. Les livrables annoncés sont les suivants. Les profils annoncés sont les suivants. Quels postes doivent être clarifiés ? Quels coûts semblent absents ? Quelles questions poser avant signature ? Quels éléments pourraient révéler une surcotation ou une sous-estimation de charge ?” La réponse ne doit pas être utilisée comme une expertise définitive. Elle peut servir de grille de vigilance. Le point important est simple : avant d’accepter un prix, il faut comprendre ce qu’il contient, ce qu’il exclut et ce qu’il rend probable ensuite. ## Les questions à poser avant de signer Un devis informatique doit être interrogé avant d’être accepté. Voici les questions utiles. Quel problème précis la prestation résout-elle ? Quel livrable permettra de vérifier que le travail est fait ? Quels profils interviendront réellement ? Combien de jours sont affectés à chaque profil ? Quelle part du prix correspond au pilotage ? Quelles hypothèses expliquent la charge ? Qu’est-ce qui est exclu du périmètre ? Quels coûts apparaîtront après la mission ? Une option plus simple a-t-elle été examinée ? Une option existante a-t-elle été comparée ? Quel est le coût complet à trois ou cinq ans ? Quels éléments créent une dépendance fournisseur ? Comment les données peuvent-elles être exportées ? Quelle capacité doit rester en interne ? Qu’est-ce qui permettra d’arrêter ou de recalibrer le projet ? Ces questions ne ralentissent pas l’achat. Elles évitent de déplacer le coût vers l’exécution. ## Ce qu’enbi examine enbi examine le besoin et les options avant l’engagement. Pour un achat informatique public, cela signifie regarder le besoin, les options existantes, le coût complet, les dépendances, les conditions de sortie, les livrables et les intérêts économiques des prestataires en présence. enbi ne vend pas l’outil évalué. enbi n’intègre pas la plateforme. enbi ne remplace pas la DSI, l’acheteur ou l’avocat. enbi aide à qualifier la décision avant qu’elle ne devienne difficile à reprendre. L’intervention peut être courte. Elle doit produire une position utilisable. Poursuivre. Ajuster. Renégocier. Comparer autrement. Différer. Arrêter. Une décision publique n’a pas besoin d’être spectaculaire. Elle doit être défendable. En clair ### Le devis peut servir à préserver une option Le bon usage du devis n’est pas seulement de choisir un prestataire. Il est de vérifier si l’administration doit vraiment s’engager dans la solution proposée, avant que le coût de sortie devienne le vrai sujet. ## Ce que cette analyse change pour une décision Avant de commander un système d’information, commandez une clarification indépendante. Décrivez le besoin. Faites vérifier les options. Exigez le coût complet. Regardez la sortie. Séparez le conseil du vendeur. Documentez les points d’arrêt. Ce travail ne garantit pas le succès d’un projet. Il rend plus difficile la mauvaise décision automatique. [Demander un sprint de cadrage →](https://enbi.fr/interventions/sprint-cadrage/) Au fait Cette analyse ne remplace pas une consultation juridique ou achat individualisée. Elle propose une grille de lecture pour examiner une décision avant engagement. ### SPASER et numérique responsable : de l'obligation à la mise en œuvre URL: https://enbi.fr/spaser-numerique-responsable-et-ia-frugale-passer-de-lobligation-dachat-a-une-mise-en-oeuvre-utile-pour-le-service/ Last updated: 2026-08-28T21:51:38.000Z Le SPASER (schéma de promotion des achats publics socialement et écologiquement responsables) reste, pour beaucoup d'acheteurs publics, une obligation de conformité plus qu'un outil de pilotage. C'est particulièrement vrai pour les achats numériques. Peut-être est-ce une déformation professionnelle de ma part, mais le numérique me semble central dans sa mise en œuvre : c'est précisément là que se concentrent les risques que le schéma est censé traiter, à savoir coût invisible, dépendance fournisseur, données difficiles à récupérer, consommation énergétique difficile à mesurer. Tout ça se joue dans les marchés SI, data, IA, SaaS et AMOA. ## Ce qu'est réellement un SPASER Le schéma de promotion des achats publics socialement et écologiquement responsables est prévu par l'article L.2111-3 du Code de la commande publique. Il concerne les acheteurs soumis au Code dont le montant annuel d'achats dépasse 50 millions d'euros HT, seuil fixé à l'article D.2111-3\. En pratique, cela couvre les grandes collectivités, les métropoles, les départements, les régions, les CHU et GHT, les universités, les opérateurs de l'État. Ce qui n'empêche pas les plus petits acheteurs de s'inspirer de ces bonnes pratiques. Ce que le SPASER oblige concrètement : définir des objectifs comportant des éléments sociaux et écologiques, prévoir les modalités de mise en œuvre et de suivi annuel, publier des indicateurs précis au moins tous les deux ans. Cette dernière obligation est celle qui fait la différence, parce qu'un indicateur publié engage à produire une donnée fiable, pas seulement une déclaration d'intention. Le SPASER contribue également à la durabilité des produits, à la sobriété numérique et à l'économie circulaire. C'est ce que le Code dit explicitement, et c'est ce qui fait du numérique un terrain d'application direct et prioritaire. Ce qu'on confond Trois niveaux, dans cet article, ne se valent pas juridiquement. L'obligation légale, d'abord : ce que l'article L.2111-3 impose précisément (objectifs, modalités de suivi, indicateurs publiés). La bonne pratique ensuite : ce que le Code encourage explicitement sans en préciser les modalités (sobriété numérique, économie circulaire). L'extension analytique enfin, proposée ici par enbi : le rapprochement entre les objectifs du SPASER et les risques opérationnels des achats numériques (dépendance, réversibilité, coût complet), qui relève d'une grille de lecture, pas d'un texte de loi. ## Pourquoi le numérique concentre les risques que le SPASER est censé traiter Un achat de fournitures de bureau a un coût visible, un impact mesurable, une durée de vie connue. Un achat numérique peut paraître moins tangible, et donc plus difficile à évaluer de ce point de vue. Le prix d'une licence ne dit pas grand-chose du coût réel. Il faut y ajouter l'intégration, les paramétrages, la formation, la reprise de données, la maintenance, les coûts de sortie, et parfois la dette organisationnelle accumulée quand les agents ne maîtrisent plus les outils qu'ils utilisent. Ce coût complet n'est pas toujours calculé avant la consultation. Il est encore plus rarement relié aux objectifs du SPASER. La dépendance fournisseur est un autre risque que le numérique concentre de manière particulière. Quand un éditeur change sa politique tarifaire, quand un intégrateur disparaît, quand un SaaS ferme ses portes, l'acheteur public découvre ce qu'il peut récupérer, dans quel format, à quel coût. La réversibilité n'est pas un enjeu environnemental ou social au sens strict, mais elle touche directement à la continuité et à l'adaptabilité du service public. Autrement dit, les objectifs du SPASER se relient naturellement à [l'intérêt économique et financier de l'acheteur public](https://enbi.fr/comment-objectiver-le-retour-sur-investissement-dun-projet-de-transformation-numerique-publique/). La consommation énergétique d'un hébergement, d'un modèle IA ou d'un outil de reporting est difficile à demander et difficile à comparer. Les indicateurs PUE, WUE et CUE existent, mais peu d'acheteurs publics les intègrent encore à leurs critères. Le marché, lui, progresse, et le sourçage préalable permet de mesurer jusqu'où. Les indicateurs existent déjà PUE — efficacité énergétique WUE — consommation d'eau CUE — empreinte carbone Enfin, les données. Leur localisation, leur portabilité, leur durée de rétention, leur conformité au RGPD : ce sont des enjeux de souveraineté autant que des enjeux de performance. Un SPASER qui ne s'intéresserait pas à ces questions laisse de côté une part essentielle de l'achat numérique responsable. ## Le SPASER et le numérique : deux chantiers distincts C'est la confusion la plus fréquente, et possiblement la plus silencieuse. À ne pas confondre - **Piloter le SPASER lui-même** — des indicateurs fiables, des données disponibles, une gouvernance qui tient, un reporting qu'on peut défendre. - **Appliquer le SPASER aux achats numériques** — des critères dans les consultations, des clauses qui engagent, des prescripteurs formés à poser les bonnes questions avant de lancer un marché. Les deux chantiers s'alimentent mutuellement. Des indicateurs utiles supposent d'avoir intégré les bonnes exigences dans les marchés, sinon, on ne peut pas mesurer grand-chose. Et des clauses sérieuses supposent de savoir ce qu'on veut prouver en fin d'année. ## Piloter le SPASER : partir de ce qu'on a, pas de ce qu'on voudrait avoir De mon expérience tirée du [public et du privé](https://enbi.fr/lire-lautre-monde-ce-que-le-prive-ignore-du-public-ce-que-le-public-ignore-du-prive/), le problème n'est pas seulement de définir les bons indicateurs, mais de mettre en place un système de reporting qui soit concrètement actionnable : avec des données disponibles, pas trop compliquées à récupérer, et qui éclairent la prise de décision. L'erreur classique est de commencer par le tableau de bord idéal, et de découvrir qu'aucune donnée disponible ne permet de le remplir. La bonne direction est inverse : partir des données existantes (logiciel achat, profil acheteur, données essentielles de la commande publique, marchés notifiés, attributaires, montants, familles d'achat), identifier ce qu'elles permettent de calculer, et construire les indicateurs à partir de là. Un préalable que recoupe souvent un travail d'[audit de la donnée et de sa gouvernance](https://enbi.fr/audit-data-gouvernance/). En matière d'achats publics, il me paraît essentiel de s'appuyer sur des expertises internes et bénévoles à l'administration, dont les excellents supports de vulgarisation et de mise à disposition de [magaliparlemarches.fr](https://magaliparlemarches.fr/). Les indicateurs minimaux obligatoires portent sur la part des marchés intégrant une considération environnementale et sociale. Mais un pilotage utile va plus loin, sans pour autant multiplier les métriques. Quelques indicateurs complémentaires suffisent : combien de marchés numériques ont fait l'objet d'un sourcing préalable, combien ont intégré une clause de réversibilité, combien de prescripteurs ont été formés. Les obligations de reporting doivent être liées à de la prise de décision au quotidien pour pouvoir être vraiment utiles. La gouvernance doit aussi être explicite : qui définit les indicateurs, qui les alimente, qui arbitre, qui forme, qui produit le reporting annuel. Pour les achats numériques, la présence de la DSI ou DNUM dans cette gouvernance n'est pas optionnelle. Sans elle, les indicateurs ne captent pas ce qui se passe réellement dans les marchés SI. ## Cinq questions pour faire d'une pierre deux coups Un achat numérique responsable et un achat qui préserve la continuité du service… On pourrait penser que ce n'est pas la même check-list, mais les deux répondent des mêmes objectifs. ### 1 · Le besoin est-il vraiment numérique ? De mon point de vue, assez rarement. Un meilleur processus, une règle métier mieux documentée, un fichier partagé correctement structuré résolvent parfois ce qu'une solution logicielle aurait complexifié. Poser cette question en amont, c'est à la fois de la sobriété numérique, du pragmatisme écologique, et de la protection contre une dette organisationnelle et financière inutile. ### 2 · Quel est le coût complet ? Pas le prix de la licence, mais bien le coût complet sur la durée prévisible du contrat, intégrant l'intégration, la formation, la maintenance, l'exploitation, et le coût de sortie. Ce dernier est systématiquement sous-estimé. Il comprend la récupération des données, la migration, la formation sur un nouvel outil, et parfois la reconstruction de processus entiers. Un acheteur qui [calcule ce coût avant la consultation](https://enbi.fr/comment-objectiver-le-retour-sur-investissement-dun-projet-de-transformation-numerique-publique/) prend une meilleure décision (logique). ### 3 · Qui maîtrise les données dans trois ans ? La question de la portabilité et de la réversibilité doit être posée avant la consultation, pas à la fin du marché. Quelles données peut-on récupérer, dans quel format, avec quelle documentation, sous quel délai, à quel coût ? Si la réponse est floue au moment du sourçage, elle le sera encore plus au moment de la sortie. C'est aussi [ce que l'on signe vraiment en contractualisant](https://enbi.fr/ce-que-vous-signez-vraiment-quand-vous-contractualisez-avec-un-prestataire-ia/) avec un prestataire. ### 4 · Quelle est la consommation réelle de la solution ? Énergie, eau, hébergement, entraînements, pour les solutions IA en particulier. Ce n'est pas toujours mesurable avec précision, mais le fait de poser la question au fournisseur lors du sourçage dit déjà quelque chose sur sa maturité. Un fournisseur qui ne peut pas répondre à cette question, même approximativement, n'a probablement pas intégré la dimension environnementale dans sa conception. ### 5 · Que se passe-t-il si ce fournisseur disparaît ? La dépendance à un prestataire unique (éditeur, intégrateur ou hébergeur) est un risque de continuité de service autant qu'un risque financier. L'analyse de ce risque avant la consultation permet de négocier des clauses de sortie réalistes, d'exiger une documentation technique suffisante, et parfois de choisir une option moins sophistiquée mais plus maîtrisable. ## Le cas particulier de l'IA : la question à poser avant toutes les autres La fiche pratique publiée en novembre 2025 par la MiNumEco — co-rédigée par la DINUM, l'Ecolab et la Direction des Achats de l'État — pose une question que beaucoup d'administrations ont du mal à formuler. La vraie question Est-ce que l'IA est vraiment nécessaire ici ? Ce n'est pas une question rhétorique. L'IA est une technologie puissante et coûteuse en ressources. Avant de décider si une solution IA est bien conçue, frugale, conforme, il faut décider si elle est justifiée. Identifier toutes les solutions possibles avec et sans IA, évaluer la valeur ajoutée de l'IA par rapport à son impact environnemental et social, décrire les scénarios d'usage avec leurs limites : c'est le préalable à tout achat responsable de solution IA. Publié en avril 2026 ### L'IA n'est pas toujours la réponse à vos problématiques C'est une technologie superbe, mais elle n'est pas forcément une baguette magique. [Lire cet article →](https://enbi.fr/pourquoi-lia-nest-pas-la-reponse-a-vos-problematiques-business/) Si l'IA est justifiée, deux phases de vie concentrent les impacts environnementaux : l'entraînement et l'inférence. L'entraînement consomme beaucoup de ressources, et peut avoir lieu à plusieurs reprises dans la vie d'un modèle. L'inférence, c'est l'utilisation quotidienne : avec l'essor des IA génératives, chaque requête est plus consommatrice qu'avec les modèles précédents, et le volume total augmente avec le nombre d'utilisateurs. Ces deux phases doivent être questionnées séparément dans le sourçage et dans les clauses du marché — d'autant que [les meilleurs modèles ne se suffisent pas](https://enbi.fr/pourquoi-les-meilleurs-modeles-ne-se-suffisent-pas-et-ce-que-ca-implique-si-vous-en-construisez-un/) à eux-mêmes. Attention à ce point Les effets rebonds. Des gains environnementaux obtenus grâce à une IA plus efficace peuvent être annulés si l'usage augmente en conséquence. Une IA qui optimise la consommation d'énergie d'un bâtiment peut conduire à chauffer davantage parce que « ça ne coûte plus rien ». C'est particulièrement vrai pour les solutions IA au service du développement durable, dont les bénéfices proclamés doivent être évalués avec rigueur. Pour les marchés concernés, le Règlement de Consultation doit intégrer un critère environnemental distinct de la valeur technique, pondéré à au moins 10 % selon les recommandations de la DAE. En dessous de ce seuil, le critère ne différencie pas réellement les offres. Règlement de consultation ### Un critère environnemental discriminant Distinct de la valeur technique, pondéré à au moins 10 % (recommandation DAE). En dessous, le critère ne départage pas réellement les offres. CCTP ### Mesurer entraînement et inférence Transparence sur la fréquence des réentraînements, possibilité pour l'acheteur de rester sur une version moins consommatrice, gestion des données conforme au RGPD. CCAP ### Engager le titulaire Formation de ses équipes au numérique responsable, et qualification du rapport bénéfices / coûts environnementaux. Des outils existent pour estimer ces impacts. Ils ne sont pas parfaits — la fiche MiNumEco est honnête là-dessus — mais ils permettent de poser des questions vérifiables aux fournisseurs. Des outils pour objectiver Green Algorithms — empreinte carbone a priori Ecologits — LLM en inférence Code Carbon — consommation en exécution ## Ce qu'un conseil indépendant peut vous apporter, et ce qu'il ne fait pas Les achats numériques publics se situent à l'intersection de plusieurs expertises : achat, juridique, DSI, métiers, finances, développement durable, données, cybersécurité. Chacune voit une partie du problème. Le risque n'est pas l'incompétence — c'est que personne n'a le temps de tout relier avant que la consultation soit publiée. C'est aussi pourquoi [performance et conformité algorithmique gagnent à être regardées ensemble](https://enbi.fr/performance-et-conformite-algorithmique-pourquoi-les-regarder-ensemble/). Ce que peut apporter enbi dans ce contexte, c'est de remettre les questions dans le bon ordre — avant qu'un budget soit engagé ou qu'un marché soit lancé. Comment on remet les choses dans l'ordre 1. 1 Le besoin 2. 2 Les données 3. 3 Les options 4. 4 Les coûts 5. 5 Les risques 6. 6 Les dépendances 7. 7 Les indicateurs Pas de remplacer la DSI, pas de rédiger le cahier des charges à sa place. Produire un cadrage court, vérifiable et opposable, qui permet à l'acheteur de décider avec les bons éléments. En clair L'indépendance est structurelle à enbi. L'entreprise ne vend pas ce qu'elle recommande, ne touche aucune commission d'éditeur ou d'intégrateur, et n'a aucun intérêt à prolonger une mission inutile. Si le problème se résout en interne avec les ressources disponibles, c'est dit. Pour les administrations publiques, l'entrée est naturellement compatible avec le sourçage préalable prévu à l'article R.2111-1 du Code de la commande publique : les échanges préalables avec des opérateurs économiques pour préparer la passation d'un marché sont autorisés dès lors qu'ils ne faussent pas la concurrence. ## Questions fréquentes ### Qu'est-ce qu'un SPASER ? Un schéma de promotion des achats publics socialement et écologiquement responsables. Il définit les objectifs sociaux et environnementaux de la politique d'achat d'un acheteur public, les modalités de mise en œuvre et de suivi annuel, et les indicateurs à publier au moins tous les deux ans. ### Quels acheteurs publics doivent publier un SPASER ? Les acheteurs soumis au Code de la commande publique dont le montant annuel d'achats dépasse 50 millions d'euros HT, conformément à l'article D.2111-3. ### Le SPASER concerne-t-il les achats numériques ? Oui, directement. Le SPASER contribue à la sobriété numérique — c'est explicitement mentionné dans le Code. Les marchés de logiciels, services cloud, solutions IA, prestations data, AMOA SI et outils de reporting entrent dans son périmètre. ### Comment piloter un SPASER sans créer une charge supplémentaire ? En partant des données déjà disponibles — logiciel achat, profil acheteur, données essentielles de la commande publique — plutôt que d'un tableau de bord idéal. Quelques indicateurs bien alimentés valent mieux qu'une liste longue et non vérifiable. ### Quels indicateurs suivre pour un SPASER ? Les indicateurs obligatoires portent sur la part des marchés intégrant une considération environnementale et sociale. En complément, quelques indicateurs de maturité sur les achats numériques — sourçage, clauses de réversibilité, formation des prescripteurs — permettent d'objectiver la progression réelle. ### Comment intégrer la sobriété numérique dans un marché public ? Par la clarification du besoin, l'analyse du coût global, les exigences d'écoconception dans le CCTP, les critères environnementaux dans le RC, et la clause de réversibilité. La sobriété numérique commence avant la consultation, pas dans les pièces du marché. ### Comment acheter une solution IA de manière responsable ? En commençant par vérifier que l'IA est nécessaire. Ensuite, en questionnant les deux phases de vie — entraînement et inférence — sur leurs impacts environnementaux, en exigeant la transparence sur les réentraînements, en intégrant un critère environnemental discriminant dans le RC, et en prévoyant la portabilité des données et les conditions de sortie. ### Pourquoi prévoir la réversibilité dans un achat numérique public ? Parce qu'elle protège la continuité du service, pas seulement le budget. Une clause de réversibilité sérieuse précise quelles données peuvent être récupérées, dans quel format, avec quelle documentation, sous quel délai et à quel coût. Sans elle, le coût de sortie est négocié dans la précipitation — presque toujours au désavantage de l'acheteur. Textes & sources cités Articles L.2111-3, D.2111-3 et R.2111-1 du Code de la commande publique. Fiche pratique « Achat responsable d'une solution numérique / IA », MiNumEco — DINUM, Ecolab et Direction des Achats de l'État, novembre 2025. SPASER · marché numérique · cadrage IA ## Vous préparez un SPASER, un marché numérique ou un cadrage IA ? enbi peut clarifier le besoin, les options, les risques et les indicateurs — avant la consultation. [Décrire la situation →](https://enbi.fr/contact/) [Voir le sprint de cadrage](https://enbi.fr/interventions/sprint-cadrage/) ### Faire vivre les données dans le service URL: https://enbi.fr/formation-faire-vivre-les-donnees-dans-le-service/ Last updated: 2026-08-28T16:41:06.000Z Formation data · administrations publiques ## Faire vivre les données dans le service Rendre les données utiles au service, même après le départ de la personne qui les maîtrise. Une formation pour éviter qu'un bon fichier, un bon indicateur ou une bonne pratique ne repose sur une seule personne, un tableur ou un prestataire. [Échanger sur votre besoin](#contact) [Voir le déroulé](#programme) ## Les bonnes pratiques existent. Elles ne survivent pas toujours. Dans beaucoup de services, une analyse de qualité finit par dépendre d'une seule personne. Un agent maîtrise un fichier complexe, connaît ses règles de calcul, sait pourquoi telle colonne ne doit pas être additionnée. Tant qu'il est là, tout fonctionne. Le jour de sa mutation, de son départ ou de son absence prolongée, le service rappelle un prestataire pour refaire ce qui existait déjà. Le problème n'est pas la qualité du travail. Il est sa transmission. Un bon indicateur non documenté est un indicateur fragile. Une règle de calcul connue d'une seule personne est une dépendance. Un fichier sans dictionnaire, sans valideur identifié, sans règle de lecture partagée, ne survit pas au turnover — et le service se retrouve démuni face à une offre de prestation qu'il ne sait pas évaluer. Le sujet n'est donc pas seulement documentaire. Il est organisationnel, et il touche à la continuité de service. **Le paradoxe :**plus une donnée est bien maîtrisée par une personne, plus le service devient vulnérable le jour où cette personne — ou le prestataire qui la remplace — n'est plus là. ## Une formation pour rendre les données durables La formation **Faire vivre les données dans le service** n'est pas un projet de gouvernance lourd ni une démarche normative. Elle ne vise pas à déployer un référentiel exhaustif, mais à installer une gouvernance légère, juste suffisante pour qu'une donnée utile reste lisible, fiable et transmissible — sans dépendre d'une personne ou d'un prestataire en particulier. En 1 à 2 jours, les participants partent des usages réels du service — les décisions, les alertes, les rendus compte — et apprennent à identifier les données réellement utiles, à documenter sans alourdir, à clarifier les responsabilités et à dialoguer avec un prestataire sans être expert technique. Ils ne repartent pas avec une norme à appliquer, mais avec des fiches, des matrices et un plan de pérennisation adaptés à leur réalité. ## Pour quelles équipes ? Cette formation s'adresse aux administrations qui produisent des données utiles, mais souhaitent les rendre moins dépendantes des personnes et des outils — en particulier lorsque des fichiers clés reposent sur une seule personne, ou que le service doit dialoguer avec des prestataires sans repères techniques solides. ### Responsables de service et encadrants Pour garantir la continuité en cas de départ, et clarifier qui produit, valide, utilise et répond de chaque donnée. ### Fonctions support et data Pour documenter sans alourdir et fiabiliser les indicateurs partagés. ### Pilotes de prestataires Pour évaluer une offre data, BI ou IA et dialoguer d'égal à égal. ## Les prérequis pour que le format fonctionne D'abord, la démarche gagne à être portée par un responsable de service : la pérennisation soulève des questions de responsabilité et de validation qui doivent pouvoir être assumées. Ensuite, le groupe doit rester resserré, pour travailler sur les fichiers et indicateurs réels du service. Le périmètre doit également être clair : la formation fonctionne mieux à partir de quelques données réellement structurantes, plutôt que de l'ensemble du patrimoine du service. Enfin, il est utile d'identifier en amont les dépendances connues : un fichier que seule une personne maîtrise, un indicateur sans documentation, une prestation à renouveler. ### Condition de réussite La formation produit de meilleurs résultats lorsqu'elle est portée par un responsable de service et qu'elle s'appuie sur des données réellement structurantes pour le quotidien. ## Déroulé de l'intervention L'intervention suit cinq séquences, modulables selon le niveau visé. Le format recommandé est de 1 à 2 jours. 01 ### Partir des usages et cartographier la chaîne de vie d'une donnée Identifier les décisions, alertes et rendus compte qui justifient de faire vivre une donnée, puis retracer où elle naît, transite, se transforme et se fragilise. 02 ### Documenter sans alourdir Fiche indicateur, dictionnaire, versionnage : le juste niveau de documentation. 03 ### Qualifier les données selon leurs usages Ce qu'une donnée permet de faire, de partager ou de publier, et à quelles conditions. 04 ### Définir responsabilités, seuils et règles de lecture Producteur, valideur, utilisateur, responsable métier : qui répond de quoi. 05 ### Dialoguer d'égal à égal avec un prestataire Évaluer une offre data, BI ou IA sans être expert technique, et sans dépendre entièrement de qui la propose. ## Ce que les participants produisent À l'issue de la formation, les participants disposent de livrables conçus pour que la pratique survive aux personnes, aux outils et aux changements d'organisation — une capacité durable, pas une documentation qui vieillit dans un tiroir. Livrable 01 ### Fiche indicateur standardisée Un format court et partagé pour décrire un indicateur, sa source et sa règle de calcul. Livrable 02 ### Mini dictionnaire et matrice des responsabilités Un dictionnaire de données léger et une matrice clarifiant producteur, valideur, utilisateur et responsable. Livrable 03 ### Grille de qualification des données Une grille pour qualifier chaque donnée selon ses usages, ses limites et ses conditions de partage. Livrable 04 ### Check-list prestataire et plan de pérennisation Une check-list de dialogue prestataire data / BI / IA et un plan de pérennisation des pratiques. ## Ce que cette formation n'est pas Cette formation n'est pas un projet de gouvernance data exhaustif ni la mise en place d'un référentiel d'entreprise. Elle ne déploie pas d'outil de catalogage et ne met pas en qualité l'ensemble des données du service. Elle ne remplace pas davantage un prestataire technique : elle aide à mieux le choisir, le cadrer et l'évaluer. Hors périmètre ### Ce que la formation ne prétend pas faire - Déployer une gouvernance data exhaustive - Mettre en place un référentiel ou un catalogue d'entreprise - Mettre en qualité toutes les données du service - Remplacer une démarche interministérielle - Se substituer à un prestataire technique Périmètre utile ### Ce que la formation permet réellement - Documenter l'essentiel sans alourdir - Clarifier qui répond de chaque donnée - Réduire la dépendance à une personne ou un outil - Évaluer une offre de prestation en connaissance de cause - Inscrire les pratiques dans la durée ## Le module dans le parcours Cette formation clôture le parcours **Données, IA et décision publique** : elle transforme les acquis des modules précédents — lire les chiffres, produire des analyses, accélérer avec l'IA — en capacité durable. Sans elle, une bonne pratique reste suspendue à la présence d'une personne ou à la disponibilité d'un prestataire. Elle peut aussi être suivie seule, pour sécuriser des données existantes. Pourquoi enbi ## Une expertise data, mais aussi une compréhension de l'administration. - Approche de la donnée comme déclinaison de la continuité de service - Indépendance totale : ni logiciel, ni intégration, ni commission d'éditeur - Lecture croisée des sujets juridiques, data et décisionnels - Expérience du dialogue avec les prestataires publics - Transmission de méthode plutôt que dépendance à un prestataire ## L'intervenant La formation est animée par Alexis Bernard, consultant et formateur sur les sujets data, IA et décision publique. Ancien élève de l'IRA de Bastia, il a développé une expertise à l'intersection de l'administration, de l'économie quantitative, de la data science et des usages numériques. Depuis 2019, il intervient notamment auprès des IRA, de Sciences Po EMPA et d'établissements d'enseignement supérieur sur des sujets liés aux données, à l'action publique, au pilotage et à la transformation numérique. Son objectif avec enbi : aider les organisations publiques à réinternaliser une partie de leur expertise data, à mieux dialoguer avec leurs prestataires et à faire durer leurs pratiques au-delà des personnes qui les portent. > « La capacité de l'intervenant à rendre accessible des sujets assez techniques, son esprit de synthèse et le caractère très vivant de la présentation. » Élève de l'IRA de Lyon, 2024 > « Intervenant dynamique qui a su intéresser sur un sujet a priori difficile à rendre interactif et pertinent, bravo à lui. » Élève de l'IRA de Bastia, 2026 ## Dans quels cas demander cette formation ? Cette formation est pertinente si votre service se reconnaît dans l'une de ces situations : - un fichier ou un indicateur clé repose sur une seule personne ; - les départs et mutations fragilisent le suivi des données ; - des règles de calcul ne sont écrites nulle part ; - personne n'est clairement responsable de la validation d'un indicateur ; - vous devez évaluer ou renouveler une prestation data, BI ou IA ; - vous voulez ancrer durablement les acquis d'une formation précédente. ### Cas d'usage idéal Un service dispose de données utiles et bien maîtrisées, mais souhaite qu'elles restent lisibles, fiables et transmissibles même après le départ de la personne qui les maîtrise. ## Modalités pratiques Durée**1 à 2 jours** Format**Présentiel** Groupe**Effectif resserré** Support**Fichiers et indicateurs structurants du service** Portage**Responsable de service impliqué** Livrables**Fiche indicateur, mini dictionnaire, matrice des responsabilités, grille de qualification, check-list prestataire, plan de pérennisation** Prochaine étape ## Échangeons sur vos données. Nous pouvons analyser ensemble les données dont dépend votre service et la manière de les rendre durables, lisibles et transmissibles. [Contacter enbi](https://enbi.fr/contact/) [Voir les formations](https://enbi.fr/formations/) ### L'IA en pratique dans l'administration URL: https://enbi.fr/formation-ia-en-pratique-administration/ Last updated: 2026-08-28T16:41:00.000Z Formation IA · administrations publiques ## L'IA en pratique dans l'administration Une formation pour choisir le bon environnement selon la donnée, reconnaître une réponse fausse mais convaincante, et garder la décision du côté humain. [Échanger sur votre besoin](#contact) [Voir le déroulé](#programme) ## Les usages se diffusent plus vite que les règles. Un agent colle un courrier dans un assistant grand public pour le reformuler. Un autre demande une synthèse à partir d'un document de travail. Un troisième s'appuie sur une réponse plausible sans savoir d'où elle vient. Le cadre d'exercice dépend de l'outil (ministériel, interministériel ou privé), des données que l'on accepte de lui confier, et du contexte juridique. Une réponse donnée par une IA peut être fausse tout en étant convaincante, mais ne doit pas engager le service. Une donnée confiée au mauvais outil est une violation du secret. Et la facilité d'usage masque souvent le moment où l'agent cesse de contrôler ce qu'il produit. Pour enbi, le sujet n'est pas vraiment technique. Il est juridique, organisationnel et déontologique. **Le paradoxe :**plus l'IA est facile à utiliser, plus il devient nécessaire de savoir quand ne pas l'utiliser, avec quelles données et sous quel contrôle. ## Une formation pour accélérer sous contrôle La formation **L'IA en pratique dans l'administration** n'est pas une sensibilisation de plus à l'intelligence artificielle. Elle ne vise pas à émerveiller ni à inquiéter, mais à distinguer quatre choses que l'on confond souvent : se former à l'outil, choisir le bon usage, respecter les règles de données, et vérifier ce que l'outil produit. En 1 à 2 jours, les participants partent de cas d'usage administratifs réels — courriers, notes, synthèses, traitement de demandes récurrentes — avant d'aborder les concepts qui expliquent pourquoi certains de ces usages sont sûrs et d'autres non. Ils ne repartent pas avec une fascination pour l'outil, mais avec des grilles de décision, un protocole de validation et des réflexes de prudence mobilisables immédiatement. ## Pour quelles équipes ? Cette formation s'adresse aux administrations dont les agents utilisent, ou s'apprêtent à utiliser, des outils d'IA, et qui veulent le faire sans exposer le service à un risque inutile — en particulier lorsque les usages se diffusent sans règle commune ou que le service doit se doter d'une première doctrine d'usage. ### Cadres et encadrants Pour fixer un cadre d'usage clair et réaliste, plutôt que d'interdire ou de fermer les yeux. ### Agents rédacteurs Pour gagner du temps sur la préparation sans confier au modèle ce qui doit rester sous contrôle. ### Référents numériques et équipes innovation Pour orienter les collègues vers le bon outil selon la donnée et l'usage, et qualifier les cas à valeur ajoutée. ## Les prérequis pour que le format fonctionne D'abord, la formation gagne à connaître l'environnement IA autorisé par l'administration : outils disponibles, règles internes, doctrine éventuelle. Ensuite, le groupe doit rester resserré, pour travailler sur des cas d'usage réels. Le niveau de pratique visé doit également être clair : sensibilisation prudente sur une journée, ou montée en compétence opérationnelle sur deux jours. Enfin, il est utile que les participants viennent avec des usages concrets en tête : une tâche qu'ils aimeraient accélérer, un doute sur une pratique, un cas qui les a interrogés. ### Condition de réussite La formation produit de meilleurs résultats lorsque l'environnement IA autorisé est connu et que les participants apportent des usages réels à qualifier. ## Déroulé de l'intervention L'intervention suit quatre séquences, cas pratiques d'abord. Le format recommandé est de 1 à 2 jours. 01 ### Cartographier vos usages, utiles et dangereux Départ sur des tâches réelles des participants : ce que l'IA accélère sans risque, ce qui expose le service. 02 ### Comprendre pourquoi un modèle peut se tromper Fonctionnement réel d'une IA générative, hallucinations, biais, fausses certitudes — à partir des cas rencontrés à l'étape précédente. 03 ### Confidentialité, responsabilité et contrôle humain RGPD, AI Act, responsabilité du service : ce qui encadre l'usage et ce qui doit rester sous contrôle. 04 ### S'orienter et valider Écosystème IA public et autorisations ; ateliers de validation humaine sur les cas travaillés. ## Ce que les participants produisent À l'issue de la formation, les participants disposent d'outils conçus pour cadrer durablement l'usage de l'IA dans le service — une doctrine d'usage, pas une simple curiosité technique. Livrable 01 ### Matrice outil / donnée / usage / autorisation Une matrice pour savoir quel outil mobiliser, avec quelle donnée, pour quel usage et sous quelle autorisation. Livrable 02 ### Grille de qualification des usages IA Une grille pour distinguer les usages utiles, les usages à encadrer et les usages à proscrire. Livrable 03 ### Grille de vérification des réponses (repérer une hallucination) Les réflexes pour repérer une réponse fausse, une source absente ou une certitude trompeuse. Livrable 04 ### Protocole de validation et mini-charte Un protocole de validation humaine et, si elle n'existe pas en interne, une mini-charte IA de service. ## Ce que cette formation n'est pas Cette formation n'est pas une formation technique au développement de modèles ni à l'ingénierie de solutions d'IA. Elle ne déploie pas d'outil, n'installe pas de solution et ne recommande aucun éditeur : enbi ne vend ni logiciel, ni intégration, ni licence. Elle ne remplace pas davantage une doctrine ministérielle ou interministérielle : elle aide à s'y conformer et à la décliner dans le service. Hors périmètre ### Ce que la formation ne prétend pas faire - Former au développement ou à l'entraînement de modèles - Déployer ou installer une solution d'IA - Recommander un éditeur ou un outil commercial - Remplacer une doctrine ministérielle ou interministérielle - Déléguer la décision ou la responsabilité à l'outil Périmètre utile ### Ce que la formation permet réellement - Choisir le bon environnement selon la donnée - Repérer hallucinations, biais et fausses certitudes - Cartographier usages utiles et usages dangereux - Mettre en place une validation humaine - Doter le service d'un premier cadre d'usage Pourquoi enbi ## Une expertise IA, mais aussi une compréhension de l'administration. - Indépendance totale : ni logiciel, ni intégration, ni commission d'éditeur - Lecture croisée des sujets juridiques, data et décisionnels - Compréhension interne des contraintes administratives - Expérience du cadrage IA en environnement public et judiciaire - Transmission de réflexes plutôt que dépendance à un prestataire ## L'intervenant La formation est animée par Alexis Bernard, consultant et formateur sur les sujets data, IA et décision publique. Ancien élève de l'IRA de Bastia, il a développé une expertise à l'intersection de l'administration, de l'économie quantitative, de la data science et des usages numériques. Il a notamment contribué au cadrage de l'IA en environnement public et judiciaire. Depuis 2019, il intervient auprès des IRA, de Sciences Po EMPA et d'établissements d'enseignement supérieur sur des sujets liés aux données, à l'action publique, au pilotage et à la transformation numérique. Son objectif avec enbi : aider les organisations publiques à réinternaliser une partie de leur expertise, à mieux dialoguer avec leurs prestataires et à utiliser l'IA sans dépendance ni exposition inutile au risque. > « La capacité de l'intervenant à rendre accessible des sujets assez techniques, son esprit de synthèse et le caractère très vivant de la présentation. » Élève de l'IRA de Lyon, 2024 > « Intervenant dynamique qui a su intéresser sur un sujet a priori difficile à rendre interactif et pertinent, bravo à lui. » Élève de l'IRA de Bastia, 2026 ## Dans quels cas demander cette formation ? Cette formation est pertinente si votre service se reconnaît dans l'une de ces situations : - des agents utilisent déjà l'IA, mais sans cadre commun ; - les collègues hésitent sur ce qu'ils ont le droit de confier à un outil ; - des réponses générées sont reprises sans vérification de leur source ; - vous devez fixer une première doctrine d'usage de l'IA dans le service ; - vous voulez gagner du temps sur des tâches répétitives sans reprendre à votre compte une erreur non vérifiée. ### Cas d'usage idéal Un service voit les usages d'IA se diffuser parmi ses agents et souhaite les cadrer pour accélérer certains travaux sans exposer l'administration à un risque évitable. ## Modalités pratiques Durée**1 à 2 jours** Format**Présentiel** Groupe**Effectif resserré** Support**Cas d'usage réels du service** Outils**Environnement IA autorisé par l'administration** Livrables**Matrice outil/donnée/usage, grille de qualification, grille de vérification des réponses, protocole de validation, mini-charte** Prochaine étape ## Échangeons sur vos usages de l'IA. Nous pouvons analyser ensemble les tâches que vous cherchez à accélérer, vos contraintes et le cadre d'usage adapté à votre service. [Contacter enbi](https://enbi.fr/contact/) [Voir les formations](https://enbi.fr/formations/) ### Culture statistique appliquée URL: https://enbi.fr/formation-culture-statistique-appliquee/ Last updated: 2026-08-28T16:40:56.000Z Formation data · administrations publiques ## Culture statistique appliquée Avant de produire, il faut savoir lire. Une formation opérationnelle pour donner aux cadres et agents non spécialistes les réflexes qui permettent de comprendre ce qu'un chiffre dit, ce qu'il ne dit pas, et ce que le droit autorise à en faire. [Échanger sur votre besoin](#contact) [Voir le déroulé](#programme) ## Les chiffres circulent. Leur lecture, beaucoup moins. Les cadres publics manipulent chaque jour des indicateurs, des extractions, des tableaux de suivi. Un taux progresse, une moyenne se dégrade, un effectif chute d'un trimestre à l'autre. Ces chiffres arrivent par courriel, dans un reporting, dans une note de synthèse, et il faut en faire quelque chose : arbitrer, alerter, rendre compte. Le problème n'est pas l'accès aux chiffres. Il est leur lecture. Une moyenne masque une dispersion. Un taux calculé sur de petits effectifs n'est pas stable. Une rupture de série transforme une baisse réelle en artefact de méthode. Une corrélation se confond avec une causalité. Et lorsque le chiffre concerne des personnes, sa simple réutilisation peut poser une question juridique avant même de poser une question d'analyse. Le sujet n'est donc pas seulement statistique. Il est décisionnel et juridique. **Le paradoxe :**plus les chiffres sont nombreux et accessibles, plus le risque de les surinterpréter augmente — au moment précis où ils servent à décider. ## Une formation pour reprendre la main sur ses chiffres La formation **Culture statistique appliquée** n'est pas un cours de statistiques. Elle ne vise pas à former des statisticiens, mais à donner à des cadres et agents non spécialistes les réflexes pour comprendre ce qu'un chiffre permet de dire, ce qu'il ne permet pas de dire, et ce que le cadre juridique autorise à en faire. En 1 à 2 jours, les participants travaillent sur des chiffres issus de leur propre quotidien — indicateurs métier, extractions, tableaux de suivi — et apprennent à les lire comme un cadre public : en interrogeant la source, le périmètre, la règle de calcul et l'incertitude. Ils ne repartent pas avec des formules. Ils repartent avec des grilles, des check-lists et des réflexes mobilisables dès le retour au poste : distinguer une donnée brute d'un indicateur construit, repérer les pièges les plus fréquents, relier un chiffre à une décision sans le surinterpréter, et sécuriser les premiers risques juridiques — données personnelles, RGPD, AI Act. ## Pour quelles équipes ? Cette formation s'adresse aux administrations dont les agents lisent, commentent ou transmettent des chiffres sans être pour autant spécialistes de la donnée. Elle est particulièrement utile lorsque les chiffres sont nombreux mais discutés sans référentiel commun de lecture, ou lorsque les décisions reposent sur des indicateurs que personne n'interroge vraiment. ### Cadres qui arbitrent Pour comprendre ce qu'un indicateur permet réellement de décider, sans le surinterpréter. ### Agents du reporting Pour produire des chiffres dont les limites sont connues et assumées. ### Directions métiers Pour mieux commander une analyse et en lire les résultats avec un œil critique. ### Fonctions support Pour fiabiliser les indicateurs et clarifier les règles de lecture partagées. ## Les prérequis pour que le format fonctionne Un format court produit des résultats concrets à condition d'être bien cadré. D'abord, la formation gagne à être adossée à des chiffres réels du service : indicateurs de suivi, extractions, tableaux récurrents. Plus les exemples sont proches du quotidien, plus les réflexes s'installent. Ensuite, le groupe doit rester resserré, pour permettre les échanges et le travail sur cas concrets. Le niveau de pratique visé doit également être clair. Une sensibilisation d'une journée et une montée en compétence approfondie sur deux jours ne se construisent pas de la même manière. Enfin, il est utile que les participants viennent avec des questions de décision réelles : un arbitrage récurrent, un indicateur contesté, un rapport à produire. ### Condition de réussite La formation produit de meilleurs résultats lorsqu'elle s'appuie sur des chiffres réellement utilisés dans le service et sur des décisions qu'ils sont censés éclairer, mais peut aussi s'organiser sur la base de sources externes au service. Auquel cas, l'intervention nécessite un temps supplémentaire d'appropriation de la politique publique analysée ou de la fonction support étudiée. ## Déroulé de l'intervention L'intervention suit quatre séquences, modulables selon le niveau visé. Le format recommandé est de 1 à 2 jours. La première journée installe les réflexes de lecture ; la seconde, lorsqu'elle est retenue, approfondit la critique des indicateurs et les ateliers de décision. 01 ### Pourquoi les chiffres publics sont difficiles à lire Sources hétérogènes, définitions implicites, périmètres mouvants — puis les pièges les plus coûteux : moyennes qui masquent une dispersion, petits effectifs instables, ruptures de série prises pour des évolutions réelles, corrélation confondue avec causalité. 02 ### Lire un indicateur comme un cadre public Source, périmètre, règle de calcul, incertitude : la grille de lecture critique. 03 ### Ce que le droit autorise, encadre ou interdit Données personnelles, données protégées, partage entre administrations, responsabilité personnelle de l'agent et du service, RGPD, AI Act : les premiers réflexes juridiques. 04 ### Passer du chiffre à la décision Atelier critique : relier un chiffre réel à une décision possible, sans le surinterpréter. ## Ce que les participants produisent À l'issue de la formation, les participants disposent d'outils directement réutilisables, conçus pour resservir à chaque nouvel indicateur rencontré. L'enjeu est de laisser une méthode, pas un souvenir de cours. Livrable 01 ### Grille de lecture critique Une grille pour interroger n'importe quel chiffre public : source, périmètre, calcul, incertitude. Livrable 02 ### Fiche indicateur simplifiée Un format court pour documenter un indicateur et le rendre lisible par tous. Livrable 03 ### Check-list « avant d'utiliser ce chiffre » Les questions à se poser avant de mobiliser un chiffre dans une décision ou un rendu compte. Livrable 04 ### Lexique et grille juridique Un lexique statistique minimal pour cadres publics et une grille « Puis-je utiliser, partager ou publier cette donnée ? ». ## Ce que cette formation n'est pas Cette formation n'est pas un cours de statistique inférentielle ni une initiation à un logiciel de traitement de données. Elle ne forme pas des statisticiens ou des data scientists, et ne remplace pas davantage une expertise juridique sur un cas particulier : elle installe des réflexes et des points de vigilance, pas des avis de droit. Hors périmètre ### Ce que la formation ne prétend pas faire - Former des statisticiens ou des data scientists - Couvrir l'ensemble des méthodes quantitatives - Enseigner un logiciel de traitement de données - Délivrer des avis juridiques sur un cas particulier - Remplacer une expertise statistique interne Périmètre utile ### Ce que la formation permet réellement - Lire un chiffre sans le surinterpréter - Repérer les pièges statistiques les plus fréquents - Interroger source, périmètre et incertitude - Identifier les premiers risques juridiques - Relier un chiffre à une décision réaliste ## Le module dans le parcours Cette formation constitue le socle du parcours **Données, IA et décision publique**. Elle précède logiquement le module **Lecture décisionnelle des données**, qui transforme cette capacité de lecture en production d'analyses et de livrables. Elle peut aussi être suivie seule, comme une remise à niveau collective. Pourquoi enbi ## Une expertise data, mais aussi une compréhension de l'administration. - Compréhension interne des contraintes administratives - Lecture croisée des sujets data, juridiques et décisionnels - Culture du secteur privé et des start-up - Transmission de réflexes plutôt que dépendance à un prestataire - Approche centrée sur la décision, pas sur la technique ## L'intervenant La formation est animée par Alexis Bernard, consultant et formateur sur les sujets data, IA et décision publique. Ancien élève de l'IRA de Bastia, il a développé une expertise à l'intersection de l'administration, de l'économie quantitative, de la data science et des usages numériques. Depuis 2019, il intervient notamment auprès des IRA, de Sciences Po EMPA et d'établissements d'enseignement supérieur sur des sujets liés aux données, à l'action publique, au pilotage et à la transformation numérique. Son objectif avec enbi : aider les organisations publiques à réinternaliser une partie de leur expertise data, à mieux dialoguer avec leurs prestataires et à produire des décisions mieux fondées. > « La capacité de l'intervenant à rendre accessible des sujets assez techniques, son esprit de synthèse et le caractère très vivant de la présentation. » Élève de l'IRA de Lyon, 2024 > « This is an inspirational and very engaging presenter. Interesting topic and Alexis got us really into it. » Stagiaire, Sciences Po EMPA, 2025 ## Dans quels cas demander cette formation ? Cette formation est pertinente si votre service se reconnaît dans l'une de ces situations : - des indicateurs circulent, mais ne sont pas lus de la même manière selon les agents ; - des décisions reposent sur des moyennes ou des taux que personne n'interroge ; - des chiffres sont commentés sans connaître leur source ou leur règle de calcul ; - des données personnelles sont réutilisées sans réflexe juridique ; - les équipes doivent rendre compte à partir de chiffres qu'elles maîtrisent mal ; - vous voulez préparer vos agents avant un module de production de tableaux de bord. ### Cas d'usage idéal Un service manipule de nombreux indicateurs au quotidien, mais souhaite que ses agents sachent les lire avec un œil critique avant d'en tirer des décisions. ## Modalités pratiques Durée**1 à 2 jours** Format**Présentiel** Groupe**Effectif resserré** Support**Chiffres et indicateurs du service** Niveau**Cadres et agents non spécialistes** Livrables**Grille de lecture critique, fiche indicateur, check-list, lexique et grille juridique** Prochaine étape ## Échangeons sur vos chiffres. Nous pouvons analyser ensemble les indicateurs que vos équipes manipulent et les décisions que vous souhaitez mieux fonder. [Contacter enbi](https://enbi.fr/contact/) [Voir les formations](https://enbi.fr/formations/) ### Lecture décisionnelle des données URL: https://enbi.fr/formation-lecture-decisionnelle-des-donnees/ Last updated: 2026-08-28T16:40:49.000Z Formation data · administrations publiques ## Lecture décisionnelle des données Reprendre la main sur un jeu de données réel : diagnostiquer sa qualité, construire les indicateurs utiles au pilotage, et documenter la méthode pour qu'elle survive à la formation. Un format de 3 à 4 jours construit à partir de vos propres données. [Échanger sur votre besoin](#contact) [Voir le déroulé](#programme) ## Les données sont là. La décision ne suit pas toujours. Dans beaucoup d’administrations, les données existent déjà. Elles sont produites par les services, consolidées dans des tableurs, transmises par courriel, reprises dans des reportings, vérifiées avant une réunion, puis parfois retraitées à nouveau par une autre équipe. Ce fonctionnement n’est pas absurde. Il est souvent le résultat de contraintes réelles : outils hétérogènes, procédures anciennes, indicateurs imposés, urgence du quotidien, absence de temps dédié à la structuration. Mais il a un coût. Les agents passent du temps à vérifier les valeurs. Les responsables arbitrent sur des données difficiles à stabiliser. Les tableaux croisés dynamiques appris en formation finissent par s’effacer face aux urgences opérationnelles. Le sujet n’est donc pas seulement technique. Il est organisationnel, décisionnel et méthodologique. **Le paradoxe :**les administrations disposent souvent d’un patrimoine de données riche, mais celui-ci reste difficile à mobiliser pour décider, prioriser et piloter. ## Une formation pour reprendre la main La formation **Lecture décisionnelle des données** n'est pas une énième formation à Excel, à Calc ou aux tableaux croisés dynamiques (TCD). Elle vise à aider une équipe à reprendre la main sur un jeu de données en situation réelle, à comprendre ce qu’il permet de dire, ce qu’il ne permet pas de dire, et comment le transformer en support de décision. En 3 à 4 jours, les participants travaillent sur un cas d’usage concret de leur administration — un projet de service, un rapport annuel de performance, un dispositif à suivre — avec un livrable mobilisable directement par le service. Ils ne repartent pas uniquement avec des notions : ils repartent avec une analyse, une documentation et une méthode réplicable par l’équipe. Ce n’est pas une formation générique ## La formation part de vos données, pas d’un jeu d’exemple artificiel. Les participants travaillent sur les fichiers, indicateurs, reportings et questions métier qui structurent déjà leur quotidien. Le bénéfice pédagogique est immédiat : en connaissant déjà leurs problématiques, les stagiaires avancent sur leurs dossiers, comprennent le lien qui manquait dans le traitement statistique, et savent faire vivre le support de retour en poste. ## Pour quelles équipes ? Cette formation s’adresse aux administrations qui manipulent déjà des données, mais qui souhaitent mieux les structurer, mieux les lire et mieux les utiliser dans leurs décisions — en particulier lorsque les *reportings* sont dispersés entre plusieurs services ou nécessitent un retraitement manuel. ### Directions métiers et managers publics Pour relier les données disponibles aux décisions à préparer, et comprendre ce qu’un jeu de données permet réellement de piloter — sans dépendre entièrement d’un outil ou d’un prestataire. ### Fonctions support et équipes data Pour fiabiliser les indicateurs, documenter les règles de lecture, réduire les retraitements et mieux articuler expertise technique et restitution décisionnelle. ## Les prérequis pour que le format fonctionne Un format court peut produire des résultats concrets, à condition de bien cadrer l’intervention. Quatre conditions sont importantes. D’abord, la démarche doit être portée par un responsable de service. La formation peut faire émerger des questions de gouvernance, de qualité ou de responsabilité sur les données. Ces sujets doivent pouvoir être assumés et relayés. Ensuite, le groupe doit rester resserré. Un format de 4 à 8 participants permet de travailler efficacement sur les données, d’identifier les usages réels et de produire des livrables exploitables. Le périmètre doit également être clair. La formation fonctionne mieux lorsqu’elle repose sur un jeu de données principal, éventuellement complété par une ou deux sources complémentaires. Enfin, les problématiques de pilotage doivent être explicites. Il peut s’agir d’un projet de service, d’un rapport annuel de performance, d’une priorité locale, d’un dispositif à suivre ou d’un besoin de reporting récurrent. ### Condition de réussite La formation produit de meilleurs résultats lorsqu’elle est préparée à partir d’un périmètre métier clair, d’un jeu de données identifié et d’un besoin de décision réel. ## Déroulé de l’intervention L’intervention se déroule en quatre phases. Le format recommandé est de trois jours sur site, suivis d’une journée de consolidation organisée après une période de mise en pratique. Cette dernière journée peut avoir lieu sur site ou à distance selon les besoins. 01 ### Analyse préalable Le programme pédagogique est construit à partir des données transmises, des priorités de l’administration et des usages attendus. 02 ### Exploitation des données Les participants travaillent sur leurs vraies données : rapprochement de sources, enrichissement lorsque c’est pertinent, premières analyses contextualisées. 03 ### Sécurisation et qualité Les équipes apprennent à documenter les limites, les incohérences, les règles de lecture et les points de vigilance, puis à formaliser les indicateurs prioritaires. 04 ### Consolidation Une session ultérieure permet de traiter les irritants, les blocages restants et les premiers retours d’usage. ## Ce que les participants produisent À l’issue de l’intervention, les participants disposent de livrables concrets — pas seulement une présentation de fin de formation, mais un support que l’équipe peut reprendre, adapter et transmettre. Ces livrables dépendent du cas d’usage traité, mais ils peuvent inclure des analyses contextualisées, des visualisations, un mini dictionnaire de données, une formalisation des indicateurs prioritaires, des modèles réutilisables et une documentation méthodologique. Livrable 01 ### Analyses et visualisations Rapports d’analyse, premiers enseignements actionnables, tableaux et supports de restitution. Livrable 02 ### Documentation structurée Mini dictionnaire de données, règles de lecture, indicateurs prioritaires et points de validation. Livrable 03 ### Boîte à outils équipe Modèles réutilisables, méthodes d’analyse, scripts simples et bonnes pratiques. Livrable 04 ### Montée en compétence Réflexes de structuration, autonomie progressive et méthode transférable à d’autres cas d’usage. ## Ce que cette formation n’est pas La transparence sur le périmètre est essentielle. Cette formation n’est pas une refonte complète du système d’information : elle ne remplace pas un projet d’entrepôt de données, une architecture BI complète ou une démarche exhaustive de gouvernance data, et ne promet pas une mise en qualité globale de toutes les données de l’administration en quelques jours. Son rôle est plus précis : substituer les formations classiques sur tableur ou TCD en les contextualisant, amorcer une démarche opérationnelle sur un cas réel, et transmettre une méthode que les équipes peuvent reprendre pour internaliser la compétence. Hors périmètre ### Ce que la formation ne prétend pas faire - Refondre le système d’information - Industrialiser une architecture BI complète - Mettre en qualité toutes les données - Déployer une gouvernance exhaustive - Remplacer une stratégie data interministérielle Périmètre utile ### Ce que la formation permet réellement - Amorcer un cas d’usage concret - Produire une analyse exploitable - Documenter les limites des données - Clarifier les indicateurs utiles - Transmettre une méthode réplicable ## Modalités pratiques La formation s’adapte à l’environnement autorisé par votre administration : elle peut s’appuyer sur des outils déjà disponibles comme Calc ou Excel, ou intégrer une bascule progressive vers des outils souverains et libres, notamment Grist lorsque le contexte s’y prête. Le choix de l’outil n’est jamais un objectif en soi — il reste un intermédiaire au service de la lecture des données et de la décision. Durée **3 à 4 jours** Format **Présentiel, avec possibilité de consolidation à distance** Groupe **4 à 8 participants** Données **1 jeu principal + compléments** Outils **Calc, Excel, Grist selon contexte** Livrables **Analyses, visualisations, mini dictionnaire, modèles et guide méthode** Pourquoi enbi ## Une expertise data, mais aussi une compréhension de l’administration. - Compréhension interne des contraintes administratives - Expérience des sujets data, IA et décision publique - Culture du secteur privé et des start-up - Travail sur les outils réellement utilisables par vos équipes - Transmission de méthode plutôt que dépendance à un prestataire ## L’intervenant La formation est animée par Alexis Bernard, consultant et formateur sur les sujets data, IA et décision publique. Ancien élève de l’IRA de Bastia, il a ensuite développé une expertise à l’intersection de l’administration, de l’économie quantitative, de la data science et des usages numériques. Depuis 2019, il intervient notamment auprès des IRA, de Sciences Po EMPA et d’établissements d’enseignement supérieur sur des sujets liés aux données, à l’action publique, au pilotage et à la transformation numérique. Son objectif avec enbi : aider les organisations publiques à réinternaliser une partie de leur expertise data, à mieux dialoguer avec leurs prestataires et à produire des supports de décision plus utiles au quotidien. > « La capacité de l’intervenant à rendre accessible des sujets assez techniques, son esprit de synthèse et le caractère très vivant de la présentation. » Élève de l'IRA de Lyon, 2024 > « This is an inspirational and very engaging presenter. Interesting topic and Alexis got us really into it. » Stagiaire, Science Po EMPA, 2025 > « Intervenant dynamique qui a su intéresser sur un sujet a priori difficile à rendre interactif et pertinent, bravo à lui. » Élève de l'IRA de Bastia, 2026 ## Dans quels cas demander cette formation ? Cette formation est pertinente si votre service se reconnaît dans l’une de ces situations : - vous disposez de données, mais leur exploitation repose sur quelques personnes clés ; - vos reportings sont utiles, mais longs à produire ; - les indicateurs ne sont pas toujours lus de la même manière ; - plusieurs fichiers circulent sans référentiel commun ; - les arbitrages reposent sur des extractions retraitées manuellement ; - les formations classiques aux tableurs n’ont pas suffi à stabiliser les pratiques ; - vous souhaitez mieux utiliser les outils souverains ou libres disponibles ; - vous avez besoin d’un premier cas d’usage démonstratif avant d’élargir la démarche. ### Cas d’usage idéal Un service dispose déjà d’un jeu de données important, mais souhaite mieux l’exploiter pour piloter une activité, objectiver une décision ou structurer des indicateurs partagés. Prochaine étape ## Échangeons sur vos données. Nous pouvons analyser ensemble votre contexte, vos fichiers existants et les décisions que vous souhaitez mieux outiller. Le programme est ajusté après un premier échange ; si votre besoin dépasse ce format, il peut aussi être traité via une [formation sur mesure](https://enbi.fr/formation-sur-mesure/). [Contacter enbi ](https://enbi.fr/contact/) [Voir les formations ](https://enbi.fr/formations/) ### Témoignage — stratégie, gouvernance, transformation numérique publique URL: https://enbi.fr/strategie-gouvernance-et-transformation-numerique-publique-3/ Last updated: 2026-08-28T16:36:11.000Z > “J'ai eu l'opportunité de collaborer quotidiennement avec Alexis Bernard dans le cadre de mes fonctions en tant que directrice d'Etalab, sur des problématiques touchant à des enjeux de stratégie, de gouvernance et de transformation numérique. > > Alexis se distingue par son profil rare, capable de comprendre, de manière systémique, les enjeux des environnements organisationnels complexes. Son approche se caractérise par une rigueur analytique solide et une réelle capacité à prendre du recul dans des contextes décisionnels incertains. > > Sa faculté à traiter des situations délicates avec diplomatie et à établir un dialogue constructif entre des interlocuteurs aux points de vue divergents a été un atout particulièrement précieux. > > Alexis a été un collaborateur efficace dans les projets que nous avons initiés au sein du service data/IA de l'État, et j'ai eu un grand plaisir à travailler à ses côtés.” > > Lcl Marielle Chrisment > > Experte de haut niveau, adjointe à la déléguée à la transformation et à la performance ministérielles > > Ancienne directrice d’Etalab Ce que l'expérience montre Pour une administration, ce travail commence par le cadrage de la décision à prendre. [Sprint de cadrage décisionnel — 500 € HT](https://enbi.fr/interventions/sprint-cadrage/) · [Administrations publiques](https://enbi.fr/administrations-publiques/) ### Expliquer la société française par les données URL: https://enbi.fr/expliquer-la-societe-francaise-par-les-donnees/ Last updated: 2026-08-28T16:35:48.000Z En septembre 2023, Alexis Bernard a publié dans **ET TOI**, média d’information consacré à la France pour un lectorat japonais, une série d’articles intitulée **“データで読み解くフランスのいま”,** que l’on peut traduire par **“Lire la France d’aujourd’hui par les données”**. ET TOI, opéré par SUCRECUBE Technologies (Paris), est un web magazine reliant la France et le Japon — vie quotidienne, culture, business, carrière. Son lectorat n’est pas familier des institutions françaises : la série s’adressait à un public souhaitant comprendre la société française, ses territoires et ses données publiques, plutôt qu’à un lectorat français déjà informé. Le premier article porte sur les communes françaises et la répartition de la population. Il explique pourquoi la France compte un très grand nombre de communes, comment la population est répartie entre métropoles, villes moyennes et espaces peu denses, et ce que ces structures territoriales révèlent de l’organisation du pays. L’article est publié dans la rubrique **Business** d’ET TOI le 14 septembre 2023. Le second article prolonge cette approche en abordant les inégalités scolaires à partir de l’**Indice de position sociale**. Il explique, en japonais, comment cet indicateur permet de lire les écarts sociaux et territoriaux dans le système scolaire français, notamment à partir des données publiées en open data. Ce travail suppose une forme de traduction à la fois statistique et culturelle : les mêmes chiffres — nombre de communes, indice de position sociale — doivent être présentés avec les repères qui permettent à un lecteur japonais de leur donner un sens, alors qu’ils sont souvent donnés pour acquis auprès d’un lectorat français. Ce que ça change Comprendre la société par ses données : la culture statistique que transmettent les formations enbi. [Culture statistique appliquée](https://enbi.fr/formation-culture-statistique-appliquee/) · [Data & IA](https://enbi.fr/data/) ### Cartographier correctement la France ultramarine dans Tableau URL: https://enbi.fr/cartographier-correctement-la-france-ultramarine-dans-tableau/ Last updated: 2026-08-28T16:35:24.000Z En 2021, Alexis Bernard a publié dans **Nightingale** un article consacré à la cartographie de la France ultramarine dans Tableau. Le point de départ est un problème concret de data visualisation : Tableau représente automatiquement certains territoires ultramarins pour quelques pays, mais pas toujours de manière cohérente pour la France. Cette différence peut produire des cartes politiquement et institutionnellement problématiques, notamment lorsqu’une carte est publiée par une organisation publique ou internationale. L’article explique pourquoi la représentation de la France ne peut pas se limiter à la France métropolitaine. Les territoires ultramarins font partie de l’État français, mais leur statut administratif varie selon qu’il s’agit de départements et régions d’outre-mer ou de collectivités d’outre-mer. Cette réalité juridique et territoriale doit être prise en compte dans la construction des cartes. L’article propose une méthode en quatre étapes pour agréger les territoires dans une dimension pays cohérente avant de produire une carte dans Tableau. Il présente aussi une approche plus détaillée permettant de représenter séparément les territoires ultramarins lorsque l’analyse le nécessite. ## Ce que cette référence démontre - Data visualisation appliquée à un problème géographique réel. - Compréhension des enjeux politiques et institutionnels de la cartographie. - Capacité à traduire une contrainte juridique et territoriale en méthode technique. - Usage avancé de Tableau. - Attention portée à la représentation correcte des territoires ultramarins. - Articulation entre données, visualisation et responsabilité de publication. ## Une conséquence directe Une convention technique — la manière dont un logiciel de cartographie regroupe ou omet par défaut certains territoires — peut ainsi produire une représentation institutionnellement fausse : une carte de « la France » qui, sans correction, n’en montre qu’une partie, alors que les territoires ultramarins, quel que soit leur statut administratif (DROM ou collectivités d’outre-mer), font pleinement partie de l’État français. Ce que ça change Une méthode publiée et réutilisable — le type de rigueur transmis dans les formations data d'enbi. [Lecture décisionnelle des données](https://enbi.fr/formation-lecture-decisionnelle-des-donnees/) · [Data & IA](https://enbi.fr/data/) ### Cartographier les inégalités scolaires à La Réunion et à Mayotte URL: https://enbi.fr/cartographier-les-inegalites-scolaires-a-la-reunion-et-a-mayotte/ Last updated: 2026-08-28T16:35:01.000Z En 2022, des supports cartographiques réalisés par Alexis Bernard ont été utilisés dans le cadre d’une présentation de **Sylvain Genevois**, au **Grand Séminaire du laboratoire ICARE**, sur les inégalités scolaires à La Réunion et à Mayotte. La [présentation](https://hal.science/hal-03883269v1), dont le support indique explicitement l’objet — “Étudier les inégalités scolaires à La Réunion et à Mayotte” —, portait sur les fractures socio-territoriales au prisme de l’**Indice de position sociale** (IPS). L’IPS est présenté comme un indicateur sensible permettant de mettre en évidence les inégalités scolaires. Les données IPS des écoles et collèges ont été publiées en open data en octobre 2022 sur data.education.gouv.fr, ce qui permet de conduire des analyses socio-territoriales à l’échelle de la France métropolitaine et des départements et régions d’outre-mer. Les supports mobilisent plusieurs visualisations : comparaisons entre métropole et DROM, distributions d’IPS, typologies d’écoles et de collèges, et cartographies détaillées pour La Réunion et Mayotte. Plusieurs cartes renvoient à une visualisation Tableau publiée sur le profil d’Alexis Bernard, notamment la cartographie des données IPS 2021, la carte de La Réunion et la carte de Mayotte. ## Ce que ces cartes montrent — et ce qu’elles ne montrent pas Ces supports rendent visible, à partir des données IPS ouvertes depuis 2022, une fracture socio-territoriale déjà documentée par la recherche : ils ne la mesurent pas par eux-mêmes, ils la donnent à voir pour une présentation académique donnée. La cartographie a permis de comparer La Réunion et Mayotte à la métropole et de distinguer les deux territoires ultramarins entre eux — un premier niveau de lecture, préalable à toute exploitation de l’indicateur à des fins de politique publique. Ce que ça change Faire parler des données publiques pour éclairer une politique : c'est l'objet de la formation Lecture décisionnelle des données. [Lecture décisionnelle des données](https://enbi.fr/formation-lecture-decisionnelle-des-donnees/) · [Administrations publiques](https://enbi.fr/administrations-publiques/) ### IA et justice pénale — citation publique au projet Albert à la cour d’appel de Paris URL: https://enbi.fr/ia-et-justice-penale-contribution-au-projet-albert-a-la-cour-dappel-de-paris/ Last updated: 2026-08-28T16:34:39.000Z Une publication LinkedIn d’**Alexandre de Bosschère**, secrétaire général adjoint du ministère de la Justice, annonçant l’entrée du projet d’intelligence artificielle **Albert** à la cour d’appel de Paris, cite publiquement Alexis Bernard parmi les participants à une réunion opérationnelle associant les équipes de la **DINUM**, du **ministère de la Justice** et du **parquet général de la cour d’appel de Paris**, autour de l’application d’Albert à la justice pénale. La publication décrit, à l’échelle du projet, plusieurs dimensions de cadrage : l’examen des premiers cas d’usage, le choix d’infrastructures sécurisées, le cadrage informatique et libertés, ainsi que la définition d’une méthode de conduite des projets. Elle présente la cour d’appel de Paris comme un terrain d’expérimentation privilégié, représentant 20 % de l’activité pénale nationale. Cette référence ne porte pas sur un produit ou une solution commerciale, et la publication qui la mentionne ne détaille pas la contribution individuelle de chacun des participants cités. Elle documente, par une source publique nommée, une participation à un travail de cadrage institutionnel, dans un contexte où l’introduction de l’IA soulève simultanément des questions techniques, juridiques, organisationnelles et opérationnelles. ## Ce que montre cette citation Ce que cette source permet d’affirmer se limite à ce qu’elle dit : la présence, nommément citée, d’Alexis Bernard parmi les acteurs associés au cadrage du projet Albert à la cour d’appel de Paris, aux côtés de la DINUM et du ministère de la Justice. Pour une lecture plus complète de l’expérimentation de l’IA dans le système judiciaire, [**voir l’analyse consacrée à ce sujet**](https://enbi.fr/ia-systeme-judiciaire-experimentation/). [Voir la publication LinkedIn d’Alexandre de Bosschère.](https://www.linkedin.com/posts/alexandre-de-bosschere%5Flia-au-service-de-la-justice-p%C3%A9nale-albert-activity-7285413809345691648-qRLJ/) ### Chargé d’études économiques — Autorité de régulation des transports, 2014–2016 URL: https://enbi.fr/experience-art/ Last updated: 2026-08-28T16:34:13.000Z De 2014 à 2016, Alexis Bernard a exercé comme **chargé d’études économiques** au sein de l’Autorité de régulation des transports, alors Autorité de régulation des activités ferroviaires. Cette expérience s’inscrit dans un contexte de régulation économique sectorielle : analyse des marchés ferroviaires, surveillance des acteurs, production de notes économiques, structuration de données sectorielles, consultations publiques et contribution à des travaux européens de régulation. Le rôle associait plusieurs dimensions : comprendre les rapports de force entre opérateurs, analyser des situations de marché, produire des éléments utiles à la décision publique, modéliser des plans d’affaires d’entreprises ferroviaires et valoriser les travaux économiques de l’autorité. Alexis Bernard a également représenté l’autorité française au sein d’**IRG-Rail**, le réseau européen des régulateurs ferroviaires indépendants, puis exercé comme adjoint à la présidente du groupe **IRG-Rail Market Monitoring**. Ces travaux ont porté sur la surveillance européenne des marchés ferroviaires, la réécriture de *guidelines*, la création d’un canevas de recensement des entreprises ferroviaires européennes, la collecte des données françaises et la co-rédaction du rapport annuel de surveillance des marchés. La refonte de ces guidelines et la construction d’un référentiel commun aux 31 régulateurs de l’IRG-Rail font l’objet d’un cas détaillé : [Construire la donnée utile à la régulation](https://enbi.fr/construire-la-donnee-utile-a-la-regulation-la-surveillance-des-marches-ferroviaires-europeens/). Cette expérience est structurante parce qu’elle donne une connaissance directe de la manière dont un régulateur lit un marché, qualifie une situation, collecte des données, construit un raisonnement économique et prépare une décision. Elle comprend également une dimension de contrôle au titre des activités de régulation : Alexis Bernard a été habilité comme agent enquêteur assermenté par décision publiée au Journal officiel, avec des pouvoirs de recueil d’informations, d’enquête, de contrôle et de constat d’infractions par procès-verbal dans le secteur ferroviaire. ## Ce que cette expérience démontre - Régulation économique des marchés ferroviaires depuis la position du régulateur : lecture des rapports de force entre opérateurs, modélisation de plans d’affaires d’entreprises ferroviaires. - Habilitation comme agent enquêteur assermenté (décision publiée au Journal officiel) : pouvoirs de recueil d’informations, de contrôle et de constat d’infractions par procès-verbal. - Coopération européenne au sein d’IRG-Rail, puis adjoint à la présidente du groupe Market Monitoring. - Construction du référentiel commun aux 31 régulateurs et du canevas de recensement des entreprises ferroviaires européennes. Ce que l'expérience montre Lire un marché régulé, qualifier des faits, comprendre le raisonnement d'une autorité : cette capacité sert aujourd'hui l'examen des contrats et des dépendances fournisseur. [Audit de contrat IA / SI](https://enbi.fr/audit-contrat-ia-si/) · [Sécuriser un engagement](https://enbi.fr/securiser/) ### Juriste chargé de projets numériques — Caisse des dépôts, 2017–2020 URL: https://enbi.fr/juriste-charge-de-projets-numeriques-caisse-des-depots-2017-2020/ Last updated: 2026-08-28T16:35:38.000Z De 2017 à 2020, Alexis Bernard a exercé comme **juriste chargé de projets numériques** au sein de la **direction juridique et fiscale de la Caisse des dépôts**. Au sein d’une direction juridique, l’enjeu n’était pas seulement de déployer des outils numériques. Il s’agissait d’identifier les besoins métiers réels, de traduire ces besoins en spécifications fonctionnelles, puis de faire dialoguer des juristes, des équipes techniques et des data scientists autour d’objets communs : processus, données, indicateurs, tableaux de bord et livrables opérationnels. Les travaux menés ont porté notamment sur l’automatisation de processus juridiques par RPA (robotic process automation) et text mining, la génération automatisée de documents juridiques (legal design, law as code), la production d’indicateurs de pilotage et la conception de tableaux de bord interactifs, ainsi que sur l’adaptation des modèles de données aux besoins d’une direction juridique. Cette expérience est structurante parce qu’elle place le juriste dans un rôle inhabituel : non seulement utilisateur ou prescripteur d’un outil, mais aussi interlocuteur métier capable de comprendre les contraintes techniques, d’expliciter les besoins juridiques et de contribuer à la transformation concrète des pratiques professionnelles. ## Ce que cette expérience démontre - Automatisation de processus juridiques par RPA et text mining. - Génération automatisée de documents juridiques (legal design, law as code). - Conception de KPI et de tableaux de bord interactifs pour une direction juridique. - Interface entre juristes, data scientists et équipes techniques. Ce que l'expérience montre Traduire un besoin métier en processus, données et spécifications : c'est le travail mobilisé pour cartographier et valoriser des actifs data. [Audit et valorisation des actifs Data](https://enbi.fr/valorisation-actifs-data/) · [Concevoir](https://enbi.fr/concevoir/) ### Senior Business Analyst puis Group Performance Manager — Babilou Family, 2020–2023 URL: https://enbi.fr/senior-business-analyst-puis-group-performance-manager-babilou-family-2020-2023/ Last updated: 2026-08-28T16:35:20.000Z De 2020 à 2023, Alexis Bernard a exercé chez **Babilou Family**, d’abord comme **Senior Business Analyst**, puis comme **Group Performance Manager**. Dans un groupe présent dans 12 pays, les enjeux de pilotage ne se limitaient pas à produire du reporting. Il fallait harmoniser les indicateurs, rendre les données comparables entre filiales, analyser les écarts, relier les informations financières et opérationnelles, puis transformer ces analyses en recommandations utilisables par les équipes métiers et les décideurs. Les travaux menés ont porté sur le pilotage de la performance groupe, l’analyse économique, la business intelligence, la data visualisation, les indicateurs de performance et l’optimisation opérationnelle. Cette expérience est structurante parce qu’elle montre comment la data science et le reporting peuvent être mobilisés dans un environnement de services réel : non pas pour produire des tableaux de bord supplémentaires, mais pour améliorer la lisibilité des décisions, objectiver les arbitrages et identifier des leviers d’action. ## Lien avec l’approche d’enbi Une décision ne peut pas être jugée seulement à partir d’une promesse technique ou d’un indicateur isolé : elle doit être replacée dans un système plus large — coûts, processus, ressources, contraintes opérationnelles, organisation, performance attendue et effets réels sur les équipes. Ce que l'expérience montre Piloter la performance d'une entreprise de services internationale : la même lecture sert à objectiver le ROI d'un projet numérique. [Objectiver le ROI d'un projet numérique](https://enbi.fr/roi-numerique/) · [Toutes les références](https://enbi.fr/references/) ### Conseil indépendant data et stratégie — France et Japon, 2023 URL: https://enbi.fr/experience-conseil-2023/ Last updated: 2026-08-28T16:35:01.000Z En 2023, Alexis Bernard a exercé comme **consultant indépendant** sur des sujets de stratégie commerciale, d’analyse de marché, de data visualisation et de valorisation de solutions techniques pour des startups en France et au Japon. Cette expérience constitue une étape de transition entre son parcours salarié et la création d’enbi. Dans ces missions, l’enjeu n’était pas seulement de comprendre une technologie. Il fallait traduire une proposition technique en proposition de valeur, identifier les marchés pertinents, clarifier les usages cibles et aider les fondateurs à présenter leur solution à des clients, partenaires ou financeurs. Ce type d’accompagnement repose sur une lecture croisée : comprendre ce que la technologie permet réellement, ce que le marché peut entendre, ce qu’un client est prêt à acheter, et comment formuler une trajectoire commerciale crédible. ## Ce que cette expérience démontre - Conseil indépendant en stratégie commerciale et data visualisation, pour des startups en France et au Japon. - Traduction d’une proposition technique en proposition de valeur commerciale. - Accompagnement de fondateurs en contexte international. Ce que l'expérience montre Un regard indépendant sur des décisions technologiques, en France comme au Japon. Le sprint de cadrage en est aujourd'hui le format d'entrée. [Sprint de cadrage décisionnel — 500 € HT](https://enbi.fr/interventions/sprint-cadrage/) · [À propos](https://enbi.fr/a-propos/) ### Responsable du financement data / IA — Services du Premier ministre, DINUM / Etalab URL: https://enbi.fr/experience-spm/ Last updated: 2026-08-28T16:34:47.000Z De 2024 à 2026, Alexis Bernard a exercé au sein des **Services du Premier ministre**, à la **Direction interministérielle du numérique** et au sein d’**Etalab**, comme responsable du financement de projets data et IA. Le rôle associait plusieurs dimensions : analyser les projets proposés par les administrations, orienter les financements, suivre l’exécution des projets, mesurer leur retour sur investissement public et contribuer à la stratégie data / IA de l’État, dans un contexte de coordination interministérielle. Le périmètre comprenait le pilotage d’un fonds public d’investissement de **10 M€** dédié aux projets data et IA des administrations. Plus de **100 projets** ont été accompagnés, avec un impact documenté de **55 M€ d’économies annuelles** générées sur le budget de l’État. Cette expérience est structurante parce qu’elle place la donnée et l’intelligence artificielle dans un cadre de décision publique : il ne s’agit pas seulement d’expérimenter des technologies, mais de choisir quels projets financer, selon quels critères, avec quels risques, quelles conditions de réussite et quelle valeur mesurable pour l’action publique. ## Ce que cette expérience démontre - Pilotage d’un fonds public d’investissement de 10 M€, avec plus de 100 projets data et IA accompagnés. - Évaluation de projets numériques et algorithmiques en amont du financement. - Coordination interministérielle (DINUM, Etalab, administrations). Ce que l'expérience montre Financer, suivre et arrêter des projets Data/IA à l'échelle de l'État : c'est la capacité mobilisée quand enbi examine un projet ou un budget avant engagement. [Faire examiner un projet IA avant d'engager le budget](https://enbi.fr/evaluation-projet-ia/) · [Objectiver le ROI d'un projet numérique](https://enbi.fr/roi-numerique/) · [Toutes les références](https://enbi.fr/references/) ### Accompagner une startup deeptech dans sa stratégie go-to-market URL: https://enbi.fr/temoignage-isabella-gariboldi/ Last updated: 2026-08-28T16:34:28.000Z > “Alexis was fantastic to work with as we navigated the early stages of our startup and developed a go-to-market strategy. He brings energy and sharp thinking, and he's passionate about supporting founders!” > > Isabella Gariboldi > Co-founder and CEO, biopiq.ai Ce témoignage porte sur un accompagnement réalisé dans les premières étapes de structuration commerciale d’une startup deeptech. L’enjeu était de clarifier la stratégie go-to-market : comprendre à qui s’adresse la proposition de valeur, comment la rendre lisible pour des interlocuteurs externes, et comment relier une innovation technique à des usages, des marchés et des décisions d’achat. Cette référence illustre un aspect central de l’approche d’enbi : ne pas traiter la technologie comme un sujet isolé, mais la relier à la stratégie, au modèle économique et à la capacité réelle de l’organisation à convaincre ses clients, partenaires ou financeurs. Ce que l'expérience montre Ce type d'accompagnement commence par un cadrage court de la décision à prendre. [Sprint de cadrage décisionnel — 500 € HT](https://enbi.fr/interventions/sprint-cadrage/) · [Toutes les références](https://enbi.fr/references/) ### Comment les moteurs IA comprennent-ils votre activité ? Un diagnostic pour le savoir URL: https://enbi.fr/visibilite-ia/ Last updated: 2026-09-09T20:35:32.000Z Le problème ## Être bien positionné sur Google ne garantit pas d'être cité par les moteurs IA. 01 Vous existez sur Google, mais pas forcément dans les réponses IA Un client peut interroger ChatGPT, Perplexity ou Google AI Overviews sur votre activité sans que votre organisation soit citée correctement. Les moteurs IA ne se limitent pas aux mots-clés : ils s'appuient sur des entités cohérentes, vérifiables et reliées à des sources fiables. 02 Ce que vous publiez en ligne vous engage juridiquement Une communication inexacte, même enfouie dans des données structurées comme un JSON-LD Schema.org, peut créer un risque juridique. Des informations contradictoires entre vos pages peuvent être interprétées comme des engagements implicites ou des promesses commerciales mal maîtrisées. 03 Votre modèle ne justifie peut-être pas une stratégie IA complète Toutes les activités n'ont pas besoin d'une optimisation LLM poussée. Pour certains commerces, indépendants ou professionnels réglementés, une présence simple, cohérente et juridiquement propre peut suffire. Nous le disons aussi. ## Ce que l'on vous propose La visibilité IA, ou référencement LLM, ne consiste pas à ajouter des mots-clés dans une page. Elle consiste à rendre votre organisation compréhensible par les moteurs génératifs : qui vous êtes, ce que vous faites, pour qui, avec quelles preuves, et dans quelles limites. Cette approche est parfois appelée GEO, pour Generative Engine Optimization, ou LLMO, pour LLM Optimization. Nous l'abordons de manière volontairement sobre : pas comme une mécanique de mots-clés, mais comme un travail de cohérence entre vos pages, vos données structurées, vos preuves et votre positionnement. Nous intervenons à l'intersection de trois dimensions rarement traitées ensemble : la structure technique de votre présence en ligne, la cohérence business de votre positionnement, et la conformité juridique de ce que vous dites de vous-même. Cette approche s'adresse aux PME-ETI, startups, commerces de proximité et professionnels du droit qui veulent être trouvés correctement par les IA, sans créer de promesses implicites, de contradictions publiques ou de risques juridiques inutiles. Précision utile : ce que le diagnostic peut observer, ce sont des citations, des associations et des incohérences à un instant donné, sur un protocole de test défini (moteurs interrogés, prompts types, répétitions). Ce qu'il ne peut pas faire, c'est expliquer causalement pourquoi un moteur cite telle entité plutôt qu'une autre, ni garantir qu'une correction produira une citation future : les moteurs génératifs évoluent, et leurs mécanismes de sélection ne sont pas publics. PME-ETI Startup Commerces de proximité Professionnels du droit Data Droit Stratégie ## Diagnostic de visibilité IA Étape 1 — Comprendre si les LLM vous voient, comment ils vous comprennent, et si cela vaut le coup d'agir. 500 € HT · 2 heures Nous analysons votre présence actuelle dans les moteurs IA et la cohérence de ce qu'ils peuvent comprendre de votre activité. L'objectif n'est pas de vendre une optimisation automatique, mais de déterminer si une action est utile, prioritaire et juridiquement raisonnable. 1. 1 Protocole de test défini : un jeu de prompts types soumis à plusieurs moteurs (ChatGPT, Perplexity, Google AI Overviews), répétés à des moments différents pour distinguer un signal stable d'une variation ponctuelle, et comparés aux citations obtenues par vos concurrents directs. 2. 2 Identification des risques : incohérences publiques, données structurées inexactes, promesses implicites, formulations juridiquement sensibles. 3. 3 Recommandation claire : optimiser, corriger, différer — ou ne rien faire si votre modèle ne justifie pas une présence IA spécifique. Prix fixe : 500 € HT. Diagnostic réalisé en 2 heures. Aucun engagement sur les étapes suivantes. PME-ETI Startup Commerces de proximité Professionnels du droit Data Droit Stratégie ## Structuration et optimisation pour les moteurs IA Étape 2 — Structurer votre présence en ligne pour qu'elle soit lisible, cohérente et juridiquement maîtrisée. Sur devis · Forfait fixe Si le diagnostic montre un intérêt réel, nous préparons les modifications à apporter à votre présence en ligne : données structurées Schema.org, contenus prioritaires, cohérence de marque, alignement avec votre modèle économique et vérification juridique des formulations sensibles. 1. 1 Correction et enrichissement des données structurées Schema.org pour rendre votre entité identifiable, cohérente et vérifiable. 2. 2 Recommandations éditoriales priorisées : pages à clarifier, preuves à rendre visibles, contenus à supprimer, compléter ou reformuler. 3. 3 Relecture juridique des communications : promesses commerciales, engagements implicites, informations inexactes ou trop générales. Sur devis. Forfait fixe convenu avant engagement. Activable uniquement si le diagnostic montre un intérêt réel. PME-ETI Startup Commerces de proximité Professionnels du droit Data Droit Stratégie ## Suivi de visibilité IA Étape 3 — Vérifier que votre présence reste lisible, cohérente et à jour dans le temps. Sur devis · Forfait dégressif Les moteurs IA évoluent, vos contenus aussi. Une présence correctement structurée aujourd'hui peut se dégrader si vos pages changent, si vos concurrents publient davantage, ou si les modèles associent votre activité à des informations obsolètes. 1. 1 Reconduction du même protocole de test à intervalles réguliers (mêmes prompts, mêmes moteurs), pour distinguer une évolution réelle d'une simple variabilité des réponses générées. 2. 2 Détection des dérives : perte de visibilité, rattachements erronés, informations obsolètes ou contradictions nouvelles entre vos supports publics. 3. 3 Mise à jour des recommandations techniques, éditoriales et juridiques selon les évolutions observées. Sur devis. Forfait dégressif selon la fréquence de suivi et le périmètre surveillé. Référencement IA et conformité GEO, LLMO, SEO : de quoi parle-t-on, et pourquoi ce n'est pas neutre juridiquement Le référencement IA — parfois appelé GEO (Generative Engine Optimization) ou LLMO (LLM Optimization) — ne remplace pas le SEO classique : il ajoute la question de savoir si votre organisation est comprise comme une entité claire, fiable et reliée aux bons sujets. Les données structurées Schema.org et les scripts JSON-LD qui portent cette information ne sont pas toujours visibles par les utilisateurs, mais ils décrivent publiquement votre organisation aux systèmes qui les exploitent : une information inexacte, contradictoire ou trop commerciale peut créer un risque de communication trompeuse ou d'engagement implicite. Pourquoi nous faire confiance enbi.fr structuré selon cette méthode 3 dimensions traitées ensemble : technique, business, juridique 500 € HT pour savoir si une optimisation IA vaut vraiment le coup Cette offre est construite sur notre propre expérience : nous ne vendons pas ce que nous n'appliquons pas. Le diagnostic sert aussi à éviter de dépenser sur une optimisation qui n'aurait pas d'intérêt réel pour votre modèle. ### Pour approfondir [ Analyse Être trouvé par les IA sans offrir votre expertise Les signaux d'autorité que les LLM utilisent pour citer une entité — et comment les construire sans exposer inutilement son patrimoine immatériel. → ](https://enbi.fr/etre-trouve-par-les-ia-sans-offrir-votre-expertise/) Sans conflit d'intérêt Nous ne sommes liés à aucun éditeur SEO, aucune agence de contenu, aucune plateforme de données structurées. Nos recommandations sont indépendantes. Sans dépassement Étape 1 à prix fixe. Étapes 2 et 3 avec périmètre et prix convenus avant engagement. Pas de régie, pas de surprise. Prochaine étape Vous avez un doute ? Échangeons 15 minutes. Pour s'assurer que nous vous serons vraiment utile. [Prendre contact](https://enbi.fr/contact/) ### Défendre le ROI d'un projet numérique sans promettre ce qu'il ne tiendra pas URL: https://enbi.fr/roi-numerique/ Last updated: 2026-09-09T20:32:26.000Z Secteur public ## Un chiffre produit par celui qui porte le projet pose un problème de méthode, pas de confiance. 01 Le porteur du projet produit lui-même le ROI — le biais est mécanique Vous avez intérêt à ce que le projet soit financé. L'évaluateur le sait. Un chiffre produit sans regard extérieur indépendant est suspect par construction. 02 Vous ne savez pas quels indicateurs retenir Chaque programme a ses propres critères d'impact. Un cadrage générique ne répond pas à un appel spécifique. 03 Les effets non marchands sont difficiles à quantifier Amélioration du service aux usagers, gains de productivité des agents, réduction des délais de traitement — ces effets existent mais ils nécessitent une méthode pour être défendables devant une instance de contrôle. Entreprises et startups ## Le même problème de vérification se pose côté entreprise, avec d'autres critères. 01 Votre modèle tient la route techniquement — mais vous ne savez pas le chiffrer La question n'est pas "est-ce que ça fonctionne ?" C'est "combien ça vaut, pour qui, et dans quel délai ?" 02 Vous manquez d'un cadre méthodologique défendable Taille du marché adressable, hypothèses de pénétration, trajectoire de revenus — sans méthode indépendante, ces chiffres ne convaincront personne qui en a vu d'autres. 03 Vous êtes juge et partie Vous avez construit le projet. Vous y croyez. C'est exactement pourquoi votre chiffre ne suffit pas. ## Ce que l'on vous propose Nous construisons le cadre d'évaluation de votre projet, avant l'investissement pour le défendre, ou en cours de projet pour le piloter. ### Pour le secteur public Construction du cadre d'évaluation selon les critères du programme ciblé. Quantification des effets directs, indirects et non marchands. Indicateurs alignés sur ce que l'évaluateur attend. Document chiffré, argumenté et citable devant une tutelle ou un financeur. ### Pour les entreprises et start-ups Cadrage business et viabilité des débouchés commerciaux. Taille du marché adressable et hypothèses de pénétration défendables. Trajectoire de revenus cohérente avec le modèle économique. Document utilisable en COMEX, en levée de fonds ou face à un conseil d'administration. Quel que soit le contexte, le travail consiste à construire ou à challenger le dossier d'investissement (*business case*), dont le ROI n'est qu'une composante. La méthode couvre les mêmes briques : le coût complet du projet (pas seulement l'investissement initial, mais l'exploitation, la maintenance, la formation et la sortie), des hypothèses documentées et datées, plusieurs scénarios plutôt qu'un chiffre unique, une analyse de sensibilité sur les hypothèses les plus fragiles, et des indicateurs de suivi post-décision qui permettent de vérifier, une fois le projet lancé, si les hypothèses initiales tiennent. PME-ETI Secteur public Startup Data Stratégie Business ## Objectiver le ROI d'un projet numérique Un cadre d'évaluation indépendant. Un document défendable. Sur devis Nous construisons un cadre d'évaluation adapté à votre contexte de décision, que vous deviez convaincre une tutelle, un financeur, un COMEX ou des investisseurs. 1. 1 Identification des indicateurs de valeur selon le contexte de décision — tutelle, financeur, COMEX ou investisseur. 2. 2 Quantification des effets directs et indirects — y compris effets non marchands pour le secteur public. 3. 3 Production d'un document chiffré, argumenté et citable. Sur devis. Cadre d'évaluation documenté. Sans conflit d'intérêt avec les prestataires évalués. Expérience 55 M€ d'économies annuelles sur le budget de l'État — fonds DINUM de 10 M€ 10 M€ fonds public d'investissement piloté dans les services du Premier ministre +100 projets Data/IA financés et suivis — DINUM / Etalab, 2024-2026 Services du Premier ministre, DINUM · 2024–2026 [ Analyse Comment objectiver le ROI d'un projet de transformation numérique publique La méthode pour produire un chiffrage défendable devant une tutelle ou un financeur — sans biais du porteur de projet. → ](https://enbi.fr/comment-objectiver-le-retour-sur-investissement-dun-projet-de-transformation-numerique-publique/) [ Analyse Pourquoi les meilleurs modèles ne se suffisent pas Un modèle techniquement irréprochable ne garantit ni son adoption ni sa viabilité commerciale. → ](https://enbi.fr/pourquoi-les-meilleurs-modeles-ne-se-suffisent-pas-et-ce-que-ca-implique-si-vous-en-construisez-un/) Sans conflit d'intérêt Nous ne sommes pas le prestataire qui vend la solution dont nous évaluons le ROI. Notre cadre est indépendant de l'issue. Sans dépassement Périmètre et prix convenus avant engagement. Pas de régie, pas de surprise. Un seul interlocuteur La même personne construit le cadre, quantifie les effets et produit le document. Prochaine étape Vous avez un doute ? Échangeons 15 minutes. Pour s'assurer que nous vous serons vraiment utile. [Prendre contact](https://enbi.fr/contact/) ### Candidater, reformuler ou passer : l'audit flash avant un dossier de financement URL: https://enbi.fr/audit-flash-financement-public/ Last updated: 2026-09-09T20:34:37.000Z Le problème ## Un dossier bien rédigé n'est pas un dossier bien monté. 01 Vous investissez du temps avant de savoir si ça vaut le coup Rédiger un dossier de financement prend des semaines. Avant d'y consacrer ces ressources, la question est : est-ce que ce guichet correspond vraiment à votre projet ? 02 Votre dossier parle votre langage, pas celui de l'évaluateur Un évaluateur lit des centaines de dossiers. Ce qu'il cherche n'est pas ce que vous pensez mettre en avant. L'écart entre les deux, c'est souvent là que les candidatures échouent. ## Une prestation en deux temps ### Étape 1 — Diagnostic d'opportunité, forfait fixe Avant d'investir du temps dans la rédaction, nous lisons votre projet et l'appel à projets en parallèle. Nous vous disons honnêtement si candidater vaut le coup, pourquoi, et dans quelles conditions. Vous repartez avec une appréciation honnête des chances de succès, les points forts à mettre en avant, les faiblesses à corriger ou à contourner, et une recommandation claire : candidater, reformuler, ou passer. Nous recommandons de passer votre chemin lorsque le projet ne répond pas à un critère d'éligibilité déterminant, lorsque la mise en conformité aux critères du guichet coûterait plus cher que le financement visé, ou lorsqu'un autre appel à projets correspond mieux, au même moment ou à une échéance proche. Cette recommandation n'est jamais un jugement sur la qualité du projet — seulement sur l'adéquation à ce guichet précis. ### Étape 2 — Accompagnement au dossier, optionnelle Si le diagnostic est favorable, nous accompagnons la construction du dossier jusqu'au dépôt. Honoraires fixes + *success fee* de 10% du financement obtenu. *Le* success fee *ne s'applique pas aux personnes morales de droit public.* ## Pour qui ### Pour les administrations publiques Les établissements publics, universités, opérateurs de l'État, administrations d'État et collectivités territoriales candidatent à plusieurs types de financements publics. L'ANR finance des projets de recherche collaboratifs dont le consortium inclut une ou plusieurs personnes morales de droit public : administrations de l'État, administrations territoriales et hospitalières. Les projets sont évalués sur leur apport scientifique et méthodologique, et sur la capacité à produire des connaissances nouvelles utiles à l'action publique. Horizon Europe est ouvert à toute personne morale. Chaque proposition est évaluée sur trois critères : excellence, impact, et qualité et efficacité de la mise en œuvre. Les collectivités territoriales et établissements publics sont éligibles à de nombreux appels des clusters du pilier 2. Les dossiers FEDER doivent démontrer clairement les effets attendus : création d'emplois, développement économique local, innovation ou transition écologique. Les indicateurs de performance prennent une place centrale dans l'évaluation. Les porteurs de projets doivent définir des objectifs précis, réalistes et quantifiables dès la phase de candidature. Ce que nous apportons : la construction d'un cadre d'évaluation de l'impact qui répond aux critères exigés par chaque programme : apport méthodologique pour l'ANR, impact mesurable pour Horizon Europe, indicateurs quantifiables pour le FEDER. Pas une reformulation du projet, mais l'objectivation de ses effets dans les termes attendus par chaque évaluateur. ### Pour les start-ups et entreprises innovantes Les startups candidatent à des financements BPI (aides à l'innovation, concours, programmes d'accompagnement) ainsi qu'à des appels à projets ANR en consortium avec des laboratoires publics, ou à des programmes européens comme Horizon Europe. Ces candidatures ont une logique commune : l'évaluateur cherche la démonstration que le projet est techniquement solide, que le marché existe, et que l'équipe est capable de l'adresser. Un dossier bien rédigé qui ne démontre pas la viabilité du modèle économique ou l'adéquation produit-marché ne passe pas. Ce que nous apportons : le diagnostic d'éligibilité avant d'investir des semaines dans un dossier, et si le diagnostic est favorable, l'accompagnement à la construction du dossier avec les arguments qui répondent aux critères de l'évaluateur, pas seulement la description du projet. PME-ETI Startup Secteur public Stratégie Droit Data ## Audit flash financement public Étape 1 — Diagnostic d'opportunité. Forfait fixe Avant d'investir du temps dans la rédaction, nous lisons votre projet et l'appel à projets en parallèle. Nous vous disons honnêtement si candidater vaut le coup, pourquoi, et dans quelles conditions. 1. 1 Diagnostic d'éligibilité — analyse croisée de votre projet et de l'appel à projets. 2. 2 Appréciation honnête des chances de succès, des points forts à mettre en avant et des faiblesses à corriger ou à contourner. 3. 3 Recommandation claire — candidater, reformuler ou passer. 500€HT. 2 heures d'échange structuré. Pas de dépassement, pas de surprises. PME-ETI Startup Secteur public Stratégie Droit Data ## Accompagnement au dossier Étape 2 — Construction du dossier jusqu'au dépôt. Honoraires fixes + success fee 10% Si le diagnostic est favorable, nous accompagnons la construction du dossier jusqu'au dépôt : structuration des arguments, alignement avec les critères d'évaluation et vérification que chaque élément mis en avant est étayé par une preuve réelle du projet. 1. 1 Structuration du dossier autour des critères explicites et implicites de l'appel à projets. 2. 2 Reformulation des éléments clés pour parler le langage de l'évaluateur, avec les preuves à l'appui — sans dénaturer votre projet. 3. 3 Accompagnement jusqu'au dépôt du dossier. Étape 2 activable uniquement si le diagnostic est favorable. Success fee 10% hors personnes morales de droit public. Expérience +100 candidatures analysées dans les services du Premier ministre 55 M€ d'économies annuelles sur le budget de l'État — fonds DINUM de 10 M€ 10 M€ fonds public d'investissement piloté dans les services du Premier ministre Services du Premier ministre, DINUM · 2024–2026 [ Analyse Ce que le privé ignore du public, ce que le public ignore du privé Lire un appel à projets public comme un évaluateur — pas comme un candidat. → ](https://enbi.fr/lire-lautre-monde-ce-que-le-prive-ignore-du-public-ce-que-le-public-ignore-du-prive/) [ Analyse Comment objectiver le ROI d'un projet de transformation numérique publique Les méthodes pour produire un chiffrage défendable devant une tutelle ou un financeur public. → ](https://enbi.fr/comment-objectiver-le-retour-sur-investissement-dun-projet-de-transformation-numerique-publique/) Sans conflit d'intérêt Notre diagnostic d'éligibilité est indépendant de notre intérêt à accompagner la suite. Si candidater ne vaut pas le coup, c'est ce que nous vous disons, même si ça signifie ne pas facturer l'étape 2. Success fee aligné sur vos intérêts Nous alignons notre intérêt sur le vôtre. Sans dépassement Étape 1 à forfait fixe. Étape 2 avec périmètre convenu avant de commencer. Prochaine étape Vous avez un doute ? Échangeons 15 minutes. Pour s'assurer que nous vous serons vraiment utile. [Prendre contact](https://enbi.fr/contact/) ### Faire examiner un projet IA avant d'engager le budget URL: https://enbi.fr/evaluation-projet-ia/ Last updated: 2026-09-09T20:25:13.000Z Le problème ## Un prototype convaincant ne dit pas encore si le projet mérite votre budget. 01 Les éléments de la décision sont instruits séparément La DSI examine l'architecture et les performances. Le juridique examine les règles applicables. La finance regarde les coûts et le retour attendu. Chacune de ces lectures peut être correcte et pourtant laisser subsister une mauvaise décision si leurs conséquences ne sont pas mises en relation. 02 POC réussi ne veut pas dire solution industrialisable Un POC peut fonctionner dans le périmètre où il a été testé sans démontrer que la solution sera utile, exploitable et soutenable une fois généralisée. La question n'est pas « la technologie fonctionne-t-elle ? » mais « ce que nous avons appris justifie-t-il l'engagement du budget et des dépendances qui suivent ? » ## Ce que nous évaluons enbi réalise une revue indépendante du projet avant engagement (*AI project assessment*) : examiner la pertinence, la faisabilité, le coût complet, les risques et les conditions de déploiement avant l'engagement budgétaire, et non la seule performance du modèle. Nous mobilisons quatre dimensions possibles (données & technologie, droit & gouvernance, économie & stratégie, organisation & contrôle), sans les traiter comme quatre audits juxtaposés. > Seules les dimensions susceptibles de changer la réponse sont approfondies. L'objectif est de comprendre comment elles se combinent et ce que cette combinaison change dans la décision d'investir. ### 1\. Données & technologie — ce qui est promis peut-il réellement fonctionner dans votre contexte ? Nous examinons notamment le problème que le projet cherche à résoudre, la valeur démontrée par le prototype ou les expérimentations, la disponibilité et la qualité des données, la représentativité du périmètre testé, les performances réellement observées, les cas non couverts et les limites connues, l'architecture envisagée, les dépendances à un modèle, une API, une infrastructure ou un fournisseur, et les conditions techniques du passage à l'échelle. Une performance obtenue en démonstration n'est pas automatiquement reproductible en production. Et une technologie performante n'est pas nécessairement la bonne réponse au problème. ### 2\. Droit & gouvernance — qu'est-ce que les contraintes juridiques changent réellement dans le projet ? Nous ne partons pas d'une checklist de conformité. Nous examinons les règles lorsqu'elles modifient une hypothèse du projet, une responsabilité, une donnée utilisable ou une condition de déploiement — le RGPD et les droits sur les données, la qualification du système au regard de l'AI Act, les responsabilités entre fournisseur et déployeur, les risques de discrimination ou de traitement différencié, la traçabilité et la documentation, les conditions du contrôle humain, les obligations propres au secteur ou à l'organisation. La bonne question n'est donc pas seulement « le projet est-il conforme ? » mais « qu'est-ce que cette contrainte change dans la technologie, les coûts, les responsabilités ou la décision d'investir ? » ### 3\. Économie & stratégie — le projet crée-t-il suffisamment de valeur pour justifier ce qu'il engage ? Nous reconstruisons le business case au-delà du seul coût d'achat : la valeur réellement attendue, les hypothèses utilisées pour calculer le ROI, le coût d'intégration, les données et travaux préparatoires nécessaires, les licences, API ou consommations de modèles, la maintenance et le réentraînement éventuel, la supervision et le contrôle humain, la formation et la conduite du changement, les coûts de migration et de sortie. Autrement dit, nous regardons le coût complet — ou *total cost of ownership* (TCO) — et pas seulement le budget initial. Un ROI n'est défendable que si les hypothèses qui le produisent le sont aussi. ### 4\. Organisation & contrôle — si la décision est GO, l'organisation peut-elle réellement la mettre en œuvre ? Beaucoup de projets ne rencontrent pas leurs difficultés au stade du prototype, mais après la décision de poursuivre. Nous examinons donc, lorsque cela est déterminant, qui utilisera réellement le système, quels rôles changent, qui contrôle les résultats, qui peut corriger ou interrompre le fonctionnement, quelles compétences doivent être disponibles, quels indicateurs permettront de vérifier la valeur produite, comment les erreurs et exceptions seront traitées, quelles dépendances nouvelles seront créées, quelles conditions doivent être réunies avant généralisation. Un contrôle humain écrit dans un document ne suffit pas. Il doit correspondre à un fonctionnement réel : une personne identifiée, disposant des informations, de la compétence, de l'autorité et du temps nécessaires pour intervenir. ## Ce que le croisement permet de voir L'intérêt de la revue n'est pas de produire quatre diagnostics. Il est de faire apparaître des conséquences qui restent invisibles lorsque les sujets sont examinés séparément. - **Performance technique × droit** — une variable améliore fortement un modèle mais ne peut pas légitimement fonder la décision envisagée ; la performance réellement utilisable n'est donc plus celle annoncée. - **Prototype × organisation** — le système fonctionne en démonstration mais aucun rôle, processus ou contrôle n'a été prévu pour l'exploiter dans la durée. - **Prix × architecture × dépendance** — une solution peu coûteuse à l'entrée crée un coût de migration ou une dépendance qui modifie son coût réel. - **ROI × coût complet** — un gain attendu paraît convaincant tant que la maintenance, les données, la supervision et la sortie ne sont pas intégrées au calcul. C'est ce type de déplacement qui peut transformer un GO apparent en AJUSTER — ou rendre rationnel un STOP. ## Le verdict L'évaluation aboutit à une conclusion écrite. ### GO Les hypothèses essentielles sont suffisamment étayées. La valeur attendue justifie l'engagement et les principaux risques ou dépendances sont maîtrisables. Le verdict précise les conditions à préserver lors de la suite du projet. ### AJUSTER Le projet présente une valeur potentielle, mais certaines hypothèses doivent être corrigées avant engagement : réduire le périmètre, prolonger une expérimentation, revoir le business case, demander des preuves complémentaires, modifier l'architecture, organiser le contrôle humain, réduire une dépendance, ou négocier certaines conditions avec un prestataire. ### STOP Les éléments examinés ne justifient pas l'engagement dans les conditions proposées. STOP n'est pas un échec de la mission : éviter un investissement dont les hypothèses ne résistent pas à l'examen est précisément l'un des résultats possibles de la revue. ## Ce que vous recevez Sous 5 jours ouvrés après réception des éléments nécessaires : - la décision reformulée ; - les principales hypothèses examinées ; - les points établis et ceux qui restent incertains ; - les interactions importantes entre technique, droit, économie et organisation ; - les risques ou dépendances susceptibles de modifier l'arbitrage ; - les éventuelles conditions à réunir avant engagement ; - un verdict GO / AJUSTER / STOP argumenté. Le niveau de détail dépend du projet et du périmètre convenu avant la mission. ### Quels documents pouvons-nous examiner ? Selon l'état du projet : note de cadrage, dossier de financement, business case, résultats de POC, architecture cible, documentation technique, éléments relatifs aux données, proposition ou devis fournisseur, projet de contrat, analyse de risques, supports COMEX ou comité d'investissement, indicateurs de performance. Il n'est pas nécessaire que tous ces éléments existent : leur absence peut elle-même constituer une information importante pour la décision. ### Ce que cette évaluation n'est pas Cette intervention n'est pas un audit technique exhaustif de la solution, une consultation juridique autonome, un audit de conformité générique, une sélection de prestataire, un audit détaillé du contrat, une mission d'intégration, ni une validation automatique du projet. Si le projet est déjà validé et que la question porte désormais sur le choix du fournisseur, l'intervention pertinente est plutôt [l'analyse de proposition prestataire](https://enbi.fr/analyse-proposition-ia-prestataire/). Si le fournisseur est choisi et que la question porte sur ce que le contrat vous engage réellement à accepter, voir [l'audit de contrat IA / SI](https://enbi.fr/audit-contrat-ia-si/). ### Une preuve de concept n'est qu'une information parmi d'autres Le passage du POC à la production n'est pas traité comme une offre séparée : c'est une situation particulière de la décision d'investir. Un prototype convaincant peut justifier une industrialisation, une industrialisation sous conditions, une nouvelle expérimentation, une réduction du périmètre, une solution différente, ou l'arrêt. La question n'est pas de « réussir le passage à l'échelle » à tout prix, mais de déterminer si cette trajectoire constitue encore la meilleure décision une fois ses conséquences réellement instruites. PME-ETI Secteur public Professionnels du droit Startup Data Droit Stratégie ## Évaluation de projet IA Quatre dimensions croisées, seulement celles qui comptent. Un verdict écrit. Sur devis Nous évaluons votre projet IA avant engagement, en croisant les dimensions données/technologie, droit/gouvernance, économie/stratégie et organisation/contrôle pour produire un verdict exploitable : GO, AJUSTER ou STOP. 1. 1 Données & technologie : architecture, modèle, données disponibles, proportionnalité aux besoins, conditions de passage à l'échelle. 2. 2 Droit & gouvernance : ce que RGPD, AI Act et responsabilités fournisseur/déployeur changent réellement dans le projet. 3. 3 Économie & stratégie : coût complet (TCO), hypothèses du ROI, conditions à exiger du prestataire avant signature. 4. 4 Organisation & contrôle : qui utilise, qui contrôle, qui peut corriger — et si l'organisation peut réellement exécuter un GO. Sur devis. Verdict écrit GO / AJUSTER / STOP sous 5 jours ouvrés après réception des éléments nécessaires. Sans conflit d'intérêt avec les prestataires évalués. AI Act Ce que le règlement européen impose sur votre projet Depuis août 2024, le règlement européen sur l'IA (AI Act) impose des obligations aux fournisseurs et déployeurs de systèmes IA selon leur niveau de risque. Un projet mal qualifié peut exposer votre organisation à des sanctions sans que vous l'ayez anticipé. La qualification du niveau de risque et les obligations qui en découlent font partie intégrante de notre évaluation. Expérience +100 projets Data/IA financés et suivis — DINUM / Etalab, 2024-2026 55M€ d'économies annuelles sur le budget de l'État — fonds DINUM de 10 M€ 12 ans d'expérience à l'intersection du droit, de l'économie et de la data Services du Premier ministre · Babilou Family, 12 pays, 1 Md€ CA · Startups françaises et japonaises [ Cas Prédire les démissions avec l'IA : pourquoi le modèle le plus performant n'a pas été déployé Un cas où la meilleure performance technique n'a pas produit la meilleure décision : le croisement des données, du droit et de l'économie a conduit à abandonner le modèle le plus performant au profit d'une solution plus simple et plus actionnable. → ](https://enbi.fr/predire-et-prevenir-les-demissions-par-lalgorithmie/) [ Analyse Pourquoi les meilleurs modèles ne se suffisent pas Ce qui sépare la performance d'un modèle de son effet réel sur une décision et sur l'organisation. → ](https://enbi.fr/pourquoi-les-meilleurs-modeles-ne-se-suffisent-pas-et-ce-que-ca-implique-si-vous-en-construisez-un/) [ Analyse Ce que l'automatisation ne corrige pas : modèle économique, ressources, organisation Pourquoi une technologie peut déplacer un problème sans corriger les conditions économiques ou organisationnelles qui le produisent. → ](https://enbi.fr/pourquoi-lia-nest-pas-la-reponse-a-vos-problematiques-business/) Sans conflit d'intérêt Aucun partenariat avec les prestataires IA que nous évaluons. Notre verdict ne dépend d'aucun accord commercial. Sans dépassement Périmètre et prix convenus avant engagement. Pas de régie, pas de surprise. Un seul interlocuteur La même personne évalue la technique, lit les contrats et analyse le modèle économique. Pas d'équipes cloisonnées. Prochaine étape Vous hésitez encore sur la question à poser ? Si la décision n'est pas encore assez formulée, le sprint de cadrage décisionnel permet d'abord de clarifier la question. Sinon, échangeons 15 minutes pour vérifier si cette évaluation correspond à votre situation. [Prendre contact](https://enbi.fr/contact/) ### Vos données ont de la valeur. Encore faut-il en garder la maîtrise URL: https://enbi.fr/valorisation-actifs-data/ Last updated: 2026-09-09T20:33:42.000Z Le problème ## Vos données ont de la valeur. Leur maîtrise ne va pas de soi. 01 Vous ne savez pas ce que vous avez vraiment Les données sont dispersées entre systèmes, services et prestataires. Personne n'a une vue d'ensemble de ce qui existe, où c'est stocké, et dans quel cadre juridique. 02 Vos obligations légales sont attachées à vos données, pas à vos intentions RGPD, AI Act, obligations sectorielles — les règles s'appliquent à ce que vous faites avec vos données, y compris involontairement. Construire un pilotage data sans l'avoir vérifié, c'est créer des risques sans le savoir. 03 Vous passez à côté d'opportunités que vos données permettent de saisir Financements conditionnés à des objectifs réglementaires que vos données peuvent démontrer. Sources externes disponibles gratuitement que vous n'exploitez pas. Cas d'usage à forte valeur que personne n'a identifiés. ## Ce que l'on vous propose Une mission structurée en blocs séquencés. Le premier est la cartographie complète de vos données. Cette étape liminaire est indispensable aux autres étapes : elle constitue un inventaire des actifs Data (*data asset inventory*), qui permet d'identifier les données réellement disponibles avant d'examiner leur gouvernance, les usages possibles et la valeur qu'elles peuvent produire. Vos données et leur traitement ont des obligations attachées, que ce soit dans le traitement ou le résultat, même involontaire. Nous analysons votre vivier data, les sources externes supplémentaires disponibles, et nous assurons que vous en tiriez le meilleur parti. PME-ETI Secteur public Startup Data Droit Stratégie ## Audit et valorisation des actifs Data Des blocs autonomisables. Un point d'entrée obligatoire. Sur devis Nous cartographions vos données, qualifions les traitements possibles, identifions les contraintes juridiques associées et construisons une trajectoire de gouvernance adaptée à vos usages. 1. 1 Audit data et réalignement stratégique : cartographie de ce que vous avez, qualification des traitements possibles et de leurs contraintes juridiques, identification des cas d'usage à valeur ajoutée, repérage des opportunités de financement ou d'optimisation conditionnées à vos données. 2. 2 Architecture data et gouvernance : mise en place de l'architecture fonctionnelle adaptée à votre taille et vos usages. Règles de gouvernance : qui produit quoi, qui valide quoi, qui a accès à quoi, dans quel cadre juridique. 3. 3 Autonomisation : formation de vos équipes sur les outils et les processus mis en place. L'objectif : vous n'avez plus besoin de nous pour piloter votre donnée au quotidien. Sur devis. Au forfait. Pas de dépassement, pas de surprise. Ce que vous devez savoir Vos données ont des obligations attachées RGPD, AI Act, obligations sectorielles, contraintes de la commande publique, dispositifs fiscaux conditionnels — ces règles s'appliquent à ce que vous faites avec vos données, pas seulement à ce que vous avez l'intention d'en faire. Une recommandation data qui contrevient à une obligation légale, ou qui rate une opportunité de financement conditionnée à un objectif réglementaire, n'est pas une recommandation. C'est un risque. Expérience +100 projets Data/IA financés et suivis — DINUM / Etalab, 2024-2026 12 ans d'expérience à l'intersection du droit, de l'économie et de la data 2 côtés expérience secteur public et privé international Services du Premier ministre · Babilou Family, 12 pays, 1 Md€ CA · Start-ups françaises · Autorité de régulation [ Cas d'usage Construire la donnée utile à la régulation Comment transformer une obligation de reporting en outil de pilotage — retour d'expérience sur la construction d'un référentiel sémantique commun à 31 régulateurs européens. → ](https://enbi.fr/construire-la-donnee-utile-a-la-regulation-la-surveillance-des-marches-ferroviaires-europeens/) Prochaine étape Vous avez un doute ? Échangeons 15 minutes. Pour s'assurer que nous vous serons vraiment utile. [Prendre contact](https://enbi.fr/contact/) ### Savoir ce que vous signez vraiment : audit de contrat IA / SI URL: https://enbi.fr/audit-contrat-ia-si/ Last updated: 2026-09-09T20:22:09.000Z Le problème ## La dépendance ne s'installe pas toujours par hasard. Elle se construit clause par clause. 01 Le contrat a généralement été préparé par le fournisseur C'est normal : il connaît sa solution, son modèle économique et les clauses qu'il négocie régulièrement. De votre côté, vous découvrez parfois au même moment la technologie, ses limites, son modèle de facturation et le contrat qui organise l'ensemble. L'asymétrie n'est donc pas seulement juridique — elle tient aussi à l'information disponible au moment de signer. 02 Une clause apparemment technique peut modifier l'économie du contrat Une restriction sur les exports de données paraît technique — elle devient économique lorsqu'elle rend une migration plus coûteuse. Une obligation de recourir à une API propriétaire paraît architecturale — elle devient stratégique lorsqu'elle conditionne toute évolution future au même fournisseur. 03 Vous ne pouvez pas négocier ce que vous ne comprenez pas Une négociation bien préparée commence avant la première réunion. Pas après avoir signé. La question n'est donc pas seulement : « cette clause est-elle juridiquement acceptable ? » mais aussi : > Qu'est-ce qu'elle nous permettra, nous coûtera ou nous empêchera de faire pendant toute la durée de l'engagement ? ## Le prix du contrat n'est pas son coût réel Le prix affiché décrit ce qu'il faut payer pour entrer. Il ne décrit pas toujours ce qu'il faudra payer pour exploiter, modifier ou quitter la solution. Le coût complet peut aussi dépendre des intégrations, des volumes, des appels API, des évolutions, de la maintenance, de la supervision, du contrôle humain, de la documentation, de la récupération des données, de leur transformation, de la migration vers une autre solution, du transfert de compétences, ou de l'assistance du fournisseur sortant. Une clause qui paraît secondaire au moment de la signature peut donc devenir déterminante trois ans plus tard. ## Dépendance et réversibilité : deux questions différentes La dépendance fournisseur — *vendor lock-in* — désigne une situation dans laquelle changer de solution ou de prestataire devient particulièrement difficile ou coûteux. Elle peut être technique, contractuelle, économique, liée aux données, aux compétences, ou organisationnelle. La réversibilité désigne autre chose : la capacité organisée à sortir de la relation dans des conditions maîtrisées, ce qu'une stratégie de sortie (*exit strategy*) organise concrètement. Un contrat peut donc créer une certaine dépendance tout en prévoyant une réversibilité acceptable. À l'inverse, une clause intitulée « réversibilité » peut offrir peu de protection concrète si elle ne précise pas quelles données seront restituées, dans quel format, avec quelle documentation, sous quel délai, avec quelle assistance, à quel coût, et dans quel état le service restera disponible pendant la transition. L'enjeu n'est pas nécessairement de supprimer toute dépendance. Il est de savoir laquelle vous acceptez, pour quelle valeur et avec quelle possibilité de sortie. ## Ce que nous faisons ENBI réalise une revue indépendante de l'engagement proposé (*AI contract review*). Nous n'appliquons pas quatre grilles systématiques au contrat : nous examinons les dimensions qui peuvent réellement modifier la décision ou la négociation — droit & gouvernance, données & technologie, économie & stratégie, organisation & contrôle. Chaque point important est relié à ses conséquences concrètes : effet sur le coût complet, sur la dépendance au fournisseur et sur la capacité de sortie. ### 1\. Comprendre ce que la clause permet réellement Une stipulation contractuelle peut difficilement être appréciée sans comprendre l'objet technique auquel elle s'applique. Nous examinons donc, lorsque cela est pertinent, l'architecture de la solution, les composants propriétaires, les modèles ou API utilisés, les intégrations, l'hébergement, les données nécessaires, les formats utilisés, les droits techniques d'accès ou d'export, la documentation, les mécanismes de sauvegarde, la transférabilité vers un autre environnement. L'objectif n'est pas de conduire un audit technique exhaustif. Il est de comprendre suffisamment la technologie pour mesurer ce que la clause organise réellement. ### 2\. Relier la clause à son effet économique Une obligation contractuelle peut avoir peu d'effet aujourd'hui mais beaucoup demain. Nous examinons notamment les coûts récurrents, les mécanismes de révision des prix, les coûts liés aux volumes, les prestations hors forfait, les coûts de maintenance ou d'évolution, les frais de migration, les coûts de sortie, la reconstruction éventuelle d'intégrations, la récupération et la remise en qualité des données, le transfert de compétences. Cette lecture permet de rapprocher le contrat du coût complet — *total cost of ownership* (TCO) — de la solution. Une clause ne se négocie pas de la même manière si son effet économique potentiel est marginal ou s'il conditionne toute la capacité future à changer de fournisseur. ### 3\. Examiner les données et les actifs réellement maîtrisés « Vos données restent votre propriété » ne suffit pas toujours à répondre aux questions opérationnelles. Il faut notamment savoir quelles données sont concernées, quels droits d'accès sont conservés, quelles données dérivées ou enrichies sont produites, quels formats permettent leur récupération, qui maîtrise les métadonnées et la documentation, si certaines informations indispensables restent dans des formats propriétaires, quelles données sont nécessaires pour reconstruire le service ailleurs, ce qui arrive aux données à la fin du contrat. Dans certaines solutions IA, la question peut également concerner les prompts, les bases documentaires, les embeddings, les données de fine-tuning, les logs, les historiques, les résultats produits, ou d'autres actifs nécessaires au fonctionnement du système. L'enjeu est de distinguer la propriété abstraite d'un actif de la capacité réelle à continuer à l'utiliser. ### 4\. Identifier où les responsabilités retombent réellement Le fournisseur peut fournir la technologie sans assumer toutes les conséquences de son usage. Le contrat peut notamment répartir les obligations de contrôle, la validation des résultats, la sécurité, la qualité des données, la documentation, les incidents, les erreurs, les évolutions réglementaires, les sauvegardes, la continuité, la supervision humaine. Pour une solution IA, cette répartition peut être particulièrement importante : le fait qu'un fournisseur fournisse un système ne signifie pas que l'organisation qui le déploie transfère automatiquement ses propres responsabilités. > Qui devra concrètement faire quoi lorsque le système sera utilisé ? ### 5\. Examiner ce que le contrat change dans l'organisation Certaines clauses supposent implicitement que votre organisation dispose d'une équipe technique, d'un responsable fonctionnel, de personnes capables de contrôler les résultats, d'une capacité à documenter les usages, d'un processus d'escalade, ou d'une compétence permettant d'administrer certaines briques. Si ces ressources n'existent pas, une obligation apparemment équilibrée sur le papier peut produire une dépendance beaucoup plus forte en pratique. C'est pourquoi l'organisation constitue une dimension de l'engagement, au même titre que la technique ou le droit. ## Ce que la lecture croisée permet de révéler L'intérêt de la revue n'est pas d'additionner une analyse juridique, une analyse technique et une analyse financière. Il est de faire apparaître leurs conséquences communes. - **Clause de portabilité × architecture** — les données sont juridiquement récupérables, mais leur format ne permet pas de reconstruire facilement le service ailleurs. - **Prix × volumes × dépendance** — un contrat attractif au démarrage devient beaucoup plus coûteux lorsque l'usage augmente. - **Réversibilité × documentation × compétences** — les données peuvent être exportées, mais aucun tiers ne pourrait reprendre la solution sans connaissances détenues exclusivement par le fournisseur. - **Responsabilité × contrôle humain × organisation** — le contrat laisse au client la responsabilité de vérifier les résultats alors qu'aucune fonction interne n'a été organisée pour le faire. - **Durée d'engagement × coûts de sortie** — le risque financier principal n'est pas le prix annuel, mais la difficulté à quitter la solution si les besoins changent. C'est à ce niveau que le contrat devient une décision stratégique plutôt qu'un simple document juridique. ## Ce que nous recherchons dans la négociation L'objectif n'est pas de transformer chaque contrat en document idéal ou de supprimer tout risque. Un engagement technologique repose nécessairement sur des arbitrages. La revue vise plutôt à distinguer : **Ce qui peut être accepté** — parce que la dépendance créée est proportionnée à la valeur apportée ou parce que le risque est maîtrisable. **Ce qui doit être précisé** — parce qu'une ambiguïté empêche d'évaluer correctement l'engagement. **Ce qui doit être renégocié** — parce que la clause crée un coût, une responsabilité ou une dépendance disproportionnée. **Ce qui doit être couvert autrement** — parce qu'une modification contractuelle n'est pas possible mais que le risque peut être réduit par une procédure, une architecture différente, une documentation supplémentaire, une sauvegarde, une organisation interne, une solution alternative, ou une condition préalable au déploiement. Une bonne recommandation n'est donc pas nécessairement « supprimer cette clause ». Elle peut être : > Si cette clause reste en l'état, voici ce qu'il faut obtenir ou organiser pour que le risque reste acceptable. ## Ce que vous recevez Sous 5 jours ouvrés, ENBI remet une note écrite et confidentielle comprenant selon le périmètre : - les clauses ou engagements nécessitant une attention particulière ; - leur conséquence technique, économique ou organisationnelle ; - les dépendances identifiées ; - les droits et usages concernant les données ; - les principaux coûts ou conditions de sortie ; - les éléments à clarifier ; - les points à renégocier ; - les arguments permettant d'expliquer pourquoi ils comptent ; - les alternatives ou mesures de couverture possibles. Le livrable ne se contente donc pas de signaler un problème. Il doit permettre de comprendre ce que le point identifié change dans l'engagement et ce qu'il est possible d'en faire. ### Quand cette intervention est-elle pertinente ? **Avant signature** — c'est généralement le meilleur moment : les hypothèses commerciales peuvent encore être traduites correctement dans les engagements contractuels. **Pendant une renégociation** — lorsque le contrat doit être renouvelé, étendu ou modifié. Les difficultés rencontrées pendant l'exécution fournissent alors des éléments supplémentaires pour identifier les clauses importantes. **Lorsqu'une dépendance apparaît pendant l'exécution** — une revue peut également permettre de comprendre les marges de manœuvre restantes : changer d'architecture, récupérer certains actifs, documenter davantage, préparer une sortie, renégocier certains engagements. Le périmètre doit alors être adapté à la situation. ### Projet, fournisseur, contrat : trois décisions différentes Cette intervention se situe en aval du choix du prestataire. **1\. Le projet mérite-t-il l'investissement ?** → [Évaluation indépendante de projet IA](https://enbi.fr/evaluation-projet-ia/). **2\. Quelle proposition faut-il retenir ou négocier ?** → [Analyse indépendante d'une proposition IA / SI](https://enbi.fr/analyse-proposition-ia-prestataire/). **3\. Les engagements contractuels traduisent-ils correctement ce que vous avez décidé ?** → l'audit de contrat IA / SI. Une bonne proposition commerciale ne garantit pas un bon contrat. Et un contrat juridiquement valide ne garantit pas que l'engagement soit économiquement ou techniquement favorable. ### Pour les professionnels du droit Cette intervention peut également être menée en appui d'un avocat ou d'un juriste qui maîtrise l'analyse juridique du dossier mais souhaite approfondir ses dimensions techniques, Data, économiques ou organisationnelles. ENBI intervient alors en complément de l'analyse juridique, pas à sa place. L'objectif peut être, par exemple, de comprendre concrètement une architecture visée par une clause, d'objectiver le coût économique d'une restriction, de caractériser une dépendance technologique, d'analyser les conditions réelles d'une migration, ou de traduire une question technique en conséquences utilisables dans la négociation. Cette complémentarité évite de demander au juriste d'interpréter seul une architecture technique — ou au technicien d'apprécier seul les conséquences contractuelles qu'elle produit. ### Pour les acheteurs publics Pour une administration, plusieurs moments doivent être distingués. **Avant la consultation**, le sourçage peut permettre de mieux comprendre les solutions disponibles, leurs modèles économiques, leurs dépendances, les pratiques contractuelles du marché et les conditions de réversibilité à anticiper — dans le cadre de l'article R.2111-1 du Code de la commande publique, sous réserve de ne pas fausser la concurrence. **Pour une mission d'analyse ou d'assistance**, une administration peut recourir à une prestation indépendante selon les règles de commande publique applicables à son besoin, son montant et la procédure concernée. ENBI ne se substitue ni à l'acheteur dans l'exercice de ses responsabilités ni à un avocat lorsqu'une consultation juridique relevant de cette profession est nécessaire. Commande publique Deux cadres d'intervention pour les acheteurs publics Avant la consultation, le sourçage prévu par l'article R.2111-1 du Code de la commande publique permet de mieux comprendre le marché. Au-delà, une administration peut aussi acheter une prestation d'analyse indépendante dans les conditions de droit commun de la commande publique, selon son besoin, le montant et la procédure applicable. ### Ce que cette intervention n'est pas L'audit de contrat IA / SI n'est pas une consultation juridique autonome se substituant à un avocat, une revue de conformité générale, une négociation menée à la place du client, une expertise technique exhaustive, une sélection de prestataire, une mission d'intégration, ni une recherche systématique de clauses « abusives ». Le point de départ est plus simple : > Qu'est-ce que cet engagement vous permet, vous coûte, vous impose et vous empêchera éventuellement de faire ? ### Pourquoi une revue indépendante ? ENBI ne commercialise pas la solution examinée, ne perçoit aucune commission du fournisseur et n'a aucun intérêt économique à la signature du contrat. L'analyse peut donc conduire à recommander de conserver une clause, de la clarifier, de la négocier, de couvrir son risque autrement, de modifier certaines conditions techniques, ou de reconsidérer l'engagement lorsque les conséquences identifiées deviennent disproportionnées. L'indépendance permet que la conclusion soit déterminée par l'intérêt de la décision, pas par la conclusion de la vente. PME-ETI Secteur public Professionnels du droit Droit Data Stratégie ## Audit de contrat IA / SI Une lecture croisée droit, données, économie. Une note de revue confidentielle sous 5 jours ouvrés. Sur devis Nous identifions les clauses à risque, évaluons l'équilibre réel du contrat et formulons des recommandations concrètes de renégociation ou de couverture. 1. 1 Identification des clauses à risque : dépendance, droits d'accès et d'usage sur vos données, coûts de sortie. 2. 2 Évaluation de l'équilibre réel du contrat : ce que vous signez vraiment. 3. 3 Recommandations concrètes de renégociation ou de couverture, avec les arguments et les alternatives. Sur devis. Périmètre et prix convenus avant engagement. Note de revue confidentielle et points à renégocier sous 5 jours ouvrés. Expérience +100 projets Data/IA financés et suivis — DINUM / Etalab, 2024-2026 55M€ d'économies annuelles sur le budget de l'État — fonds DINUM de 10 M€ 12 ans d'expérience à l'intersection du droit, de l'économie et de la data Projets numériques et juridiques à la Caisse des dépôts · Analyse économique et régulation des marchés à l'Autorité de régulation des transports · Services du Premier ministre Référence Ce que vous signez vraiment Un contrat technologique n'est pas qu'un accord commercial. Il détermine les droits d'accès et d'usage que vous conservez sur vos données, à quelles conditions vous pouvez partir, et ce qu'il vous en coûtera si vous changez d'avis. Ces clauses sont rarement mises en avant lors de la négociation commerciale, et elles engagent votre organisation sur plusieurs années. [ Pour approfondir Ce que vous signez vraiment, quand vous contractualisez avec un prestataire IA Les clauses qui vous engagent au-delà de ce que vous croyez signer — droits sur vos données, coûts de sortie, dépendance technologique. → ](https://enbi.fr/ce-que-vous-signez-vraiment-quand-vous-contractualisez-avec-un-prestataire-ia/) [ En amont Choisir un prestataire IA : analyser ce que sa proposition engage réellement Lorsque le fournisseur ou la solution n'est pas encore choisi. → ](https://enbi.fr/analyse-proposition-ia-prestataire/) Sans conflit d'intérêt Aucun partenariat commercial avec les prestataires que nous évaluons. Notre analyse ne dépend d'aucun accord de distribution. Sans dépassement Périmètre et prix convenus avant engagement. Pas de régie, pas de surprise. Un seul interlocuteur La même personne lit le contrat, analyse les données et rend les recommandations. Ce que vous partagez ne circule pas. Prochaine étape Vous avez un contrat à examiner ? Échangeons 15 minutes. Pour vérifier le périmètre, l'état de la négociation et si cette lecture croisée est adaptée à votre situation. [Prendre contact](https://enbi.fr/contact/) ### Clarifier la question avant d'engager le moindre budget URL: https://enbi.fr/sprint-cadrage-decisionnel/ Last updated: 2026-09-09T20:35:28.000Z Sprint de cadrage décisionnel : Un premier avis de consultant indépendant pour cadrer une décision Data, IA ou numérique avant d’engager un budget. Le problème ## Vous devez décider, mais la question n'est pas encore assez claire pour savoir quelle expertise mobiliser. 01 Plusieurs sujets se mélangent Un projet technique soulève une question contractuelle. Une proposition économiquement attractive crée peut-être une dépendance. Une obligation juridique change l'organisation envisagée. Pris séparément, chacun de ces sujets peut sembler simple : la difficulté apparaît lorsqu'ils se répondent. 02 Vous ne savez pas encore si le sujet justifie une mission Avant de commander un audit, une étude ou une contre-expertise, une question plus simple mérite d'être posée : qu'est-ce qui doit réellement être tranché, et quelles informations peuvent changer la réponse ? Le sprint permet aussi de conclure qu'une intervention supplémentaire n'est pas nécessaire. ## Ce que nous faisons pendant le sprint Vous exposez la situation, la décision à prendre et les éléments dont vous disposez : proposition commerciale, projet de contrat, cahier des charges, chiffrage, note interne, dossier projet, ou simplement une question encore mal formulée. Nous remettons ensuite le problème dans l'ordre. Ce travail de cadrage décisionnel (*decision framing*) consiste d'abord à formuler précisément ce qui doit être tranché, avant de choisir l'expertise ou la solution à mobiliser : 1. **Quelle décision doit réellement être prise ?** 2. **Quelles hypothèses sont déjà établies — et lesquelles ne le sont pas ?** 3. **Quelles dimensions peuvent modifier l'arbitrage ?** 4. **Quelles informations manquent pour décider ?** 5. **Quelle est la prochaine étape utile — s'il y en a une ?** ENBI peut mobiliser quatre dimensions de lecture : droit & gouvernance, données & technologie, économie & stratégie, organisation & contrôle. Elles ne sont pas examinées pour remplir une grille. > Seules les dimensions susceptibles de changer la réponse sont approfondies. C'est ce qui distingue le cadrage d'une juxtaposition d'avis spécialisés. ## Ce que vous recevez Sous 48 heures ouvrées, vous recevez une conclusion écrite et argumentée. Elle précise notamment : - la décision telle qu'elle a été reformulée ; - les principaux éléments qui la conditionnent ; - les hypothèses ou angles morts à vérifier ; - les risques d'un engagement trop rapide ; - les éventuelles conditions à réunir avant de poursuivre ; - la prochaine étape pertinente. Le verdict prend la forme **GO — AJUSTER — STOP**. `STOP` peut notamment signifier qu'aucune intervention ENBI supplémentaire n'est utile. ## Ce que le sprint permet d'éviter Le sprint n'a pas pour fonction de produire une étude miniature. Il permet d'éviter de lancer trop tôt une réponse lourde à une question encore mal posée. Par exemple : - commander un audit alors que le véritable problème est économique ; - comparer des prestataires avant d'avoir défini un périmètre commun ; - négocier un contrat avant d'avoir identifié les dépendances réellement critiques ; - industrialiser un prototype avant d'avoir instruit son coût complet et son fonctionnement cible ; - demander une analyse réglementaire sans savoir ce que la règle change concrètement dans la décision. L'objectif est d'acheter **la bonne analyse**, au bon moment — ou de ne pas en acheter. ## Quand passer directement à une autre intervention ? Le sprint n'est pas nécessaire lorsque la question est déjà clairement identifiée et circonscrite. Si vous savez déjà que vous devez : - examiner un projet IA avant d'engager le budget ; - comparer ou challenger une proposition fournisseur ; - revoir un contrat IA ou SI avant signature ; - arbitrer plusieurs projets concurrents ; - demander une contre-expertise avant une décision importante ; il est généralement plus utile d'aller directement vers l'intervention correspondante. ### Ce que le sprint ne fait pas Le sprint ne réalise pas un audit technique détaillé, ne mène pas une négociation contractuelle, ne remplace pas une analyse juridique approfondie, ne produit pas un business case complet et ne constitue pas une revue indépendante approfondie d'un projet. Il détermine **ce qui mérite réellement d'être examiné avant de décider**. ### Pourquoi une revue indépendante dès le cadrage ? ENBI ne vend pas le logiciel qui pourrait être recommandé, n'intègre pas la solution examinée et ne perçoit aucune commission d'un éditeur, d'un intégrateur ou d'un fournisseur. Aucune mission ultérieure ne conditionne donc la conclusion du sprint. Si le problème peut être résolu simplement, si une autre expertise est plus adaptée ou si aucune intervention supplémentaire n'est justifiée, la recommandation peut s'arrêter là. PME-ETI Start-ups et Deeptech Secteur public Professionnels du droit Droit Data Business ## Entretien de cadrage Environ deux heures. Un verdict écrit et argumenté sous 48 heures ouvrées. 500 € HT Ce que vous en retirez 1. 1 La décision reformulée dans l'ordre : ce qui doit être tranché, ce qui est déjà établi, ce qui manque encore. 2. 2 Une lecture croisée des dimensions qui peuvent réellement changer la réponse — droit, données, économie, organisation — sans grille systématique. 3. 3 Un verdict écrit GO — AJUSTER — STOP, avec la prochaine étape utile s'il y en a une. 500 € HT, prix fixe. Pas de régie ni de dépassement. Expérience +100 projets Data/IA financés et suivis — DINUM / Etalab, 2024-2026 55M€ d'économies annuelles sur le budget de l'État — fonds DINUM de 10 M€ 12 ans d'expérience à l'intersection du droit, de l'économie et de la data Services du Premier ministre · Autorité de régulation · Caisse des dépôts · Groupe international · PME, startups et acteurs publics Sans conflit d'intérêt Aucune commission sur les solutions recommandées. Si votre problème se résout sans nous, c'est ce que nous vous disons. Sans dépassement 500 € HT, communiqué avant engagement. Pas de régie, pas de surprise. Un seul interlocuteur Ce que vous partagez ne circule pas. La même personne analyse et rend le verdict. Prochaine étape Vous avez un doute sur la bonne porte d'entrée ? Échangeons 15 minutes. Pour vérifier si le sprint est adapté à votre situation. [Prendre contact](https://enbi.fr/contact/) ### Construire la donnée utile à la régulation : la surveillance des marchés ferroviaires européens URL: https://enbi.fr/construire-la-donnee-utile-a-la-regulation-la-surveillance-des-marches-ferroviaires-europeens/ Last updated: 2026-08-28T16:33:44.000Z Ce qu'il faut retenir Les régulateurs ferroviaires européens collectaient des données de marché sans pouvoir les utiliser pour faire appliquer la loi : chaque pays produisait ses chiffres selon ses propres catégories juridiques, incomparables avec celles des pays voisins. La refonte des guidelines du groupe de travail Market Monitoring de l'IRG-Rail a posé une infrastructure sémantique commune, à savoir des définitions ancrées simultanément dans le droit public économique de 31 États membres et dans les besoins opérationnels de la régulation du réseau. Le résultat : une métrique centrale actionable (la structure de propriété des opérateurs actifs sur chaque marché national), permettant pour la première fois à un régulateur de qualifier un comportement anticoncurrentiel en sachant si l'opérateur en cause est un entrant indépendant ou la filiale d'un opérateur historique étranger. En 2017, sur la base de ces guidelines, le rapport annuel IRG-Rail a publié pour la première fois une liste exhaustive de près de 700 entreprises ferroviaires actives en Europe. La méthode appliquée à ce cas ✓ 01 — Diagnostic du problème de gouvernance Écart entre l'obligation formelle de reporting (article 56, directive 2012/34/EU) et son utilité réelle pour les autorités d'enforcement nationales : les données existaient sans être exploitables. ✓ 02 — Lecture juridique comparée Analyse du système national de droit applicable à chaque État-membre : régimes de propriété, définition des opérateurs, périmètre des obligations de service public, statut des gestionnaires d'infrastructure intégrés. ✓ 03 — Construction du référentiel sémantique Périmètre du rapport, glossaire aligné sur le droit européen, distinction entre opérateur historique national et étranger, règles de calcul des parts de marché. ✓ 04 — Adoption collective et déploiement Adoption des guidelines révisées par les 31 régulateurs membres en juin 2016\. Déploiement du canevas de collecte. Publication du premier recensement exhaustif des entreprises ferroviaires européennes en 2017. ## Un problème classique dans un environnement atypique La directive 2012/34/EU, qui établit l'espace ferroviaire européen unique, crée deux obligations parallèles. - Elle impose à la Commission européenne de surveiller l'état des marchés ferroviaires dans l'Union et d'en rendre compte tous les deux ans au Parlement et au Conseil. - Elle impose simultanément aux autorités nationales de régulation de surveiller la concurrence sur leurs marchés respectifs et de faire respecter les règles d'accès au réseau, y compris en engageant des procédures d'application des règles de concurrence contre les opérateurs en situation dominante (la SNCF pour la France). Ces deux obligations supposent une condition préalable évidente : que les données produites dans 31 systèmes juridiques différents soient comparables entre elles. Ce n'était pas le cas. Le groupe de travail Market Monitoring de l'IRG-Rail produisait chaque année un rapport consolidé sur l'état des marchés ferroviaires européens. Chaque régulateur national y contribuait en transmettant ses données. Mais ces données étaient collectées selon les catégories propres à chaque droit national, sans cadre commun stabilisé. Le rapport existait sans être utilisable pour personne. > Même si la thématique est data, le problème d'harmonisation des définitions n'était pas technique, mais bien juridique. > > enbi, analyse de ce cas d'usage ## Un cas d'école sur l'empilement des difficultés juridiques, économiques et techniques CE QUE ÇA SIGNIFIE #### Pourquoi ce problème était difficile à résoudre Construire des définitions communes entre 31 régulateurs nationaux supposait de résoudre simultanément trois niveaux de complexité que les approches purement statistiques ou purement administratives ne pouvaient pas traiter. - La première couche était celle du droit public économique comparé. Un terme un peu académique pour dire que chaque pays possède son propre système juridique, et que la Deutsche Bahn n'est pas assujettie aux mêmes règles de Trenitalia ou la SNCF sur son marché domestique. Chaque système ferroviaire national est organisé selon ses propres règles de droit public. Produire une définition qui couvre tous ces cas sans perdre sa valeur analytique pour la régulation supposait de lire simultanément des dizaines de systèmes juridiques différentes, et d'identifier ce qui était fonctionnellement équivalent sans être formellement identique. - La deuxième couche était celle de la régulation économique de réseau comme domaine *sui generis*. Un autre terme compliqué pour dire que la régulation ferroviaire n'est ni du droit de la concurrence pur, ni du droit administratif classique. C'est un régime asymétrique par construction : les opérateurs ont des obligations d'accès à une infrastructure qu'ils ne gèrent ou ne possèdent pas, la frontière entre service public et activité commerciale est permanente et disputée, et la détection d'un comportement anticoncurrentiel dépend de la capacité à qualifier la position de l'opérateur dans la structure de marché. Des définitions ignorant cette logique interne produisent des données inutilisables pour la régulation, vue depuis le prisme des autorités publiques en charge de faire appliquer les lois sur la concurrence. - La troisième couche était celle de la technicité industrielle du secteur. Le ferroviaire est un domaine où les catégories économiques et juridiques sont profondément enchevêtrées avec des réalités d'ingénierie : un sillon ferroviaire (un droit de circulation sur un segment de réseau à un horaire donné) n'est pas qu'une unité commerciale abstraite, mais surtout une contrainte physique sur un réseau à la capacité limitée. La définition d'un terminal intermodal ou d'un faisceau de triage a des implications directes sur ce qu'on mesure comme concurrence effective. Une entreprise qui ne peut pas faire maintenir son train dans un pays étranger ne peut pas y opérer, tout simplement. Des définitions déconnectées de cette réalité opérationnelle produisent des données qui ne correspondent à aucune activité concrète, et donc inaudibles pour les opérateurs auxquels on les soumet. ## Ce que l'ancienne organisation ne permettait pas de voir Avant la refonte des *guidelines*, les données partagées ne permettaient pas aux régulateurs de s'inspirer des pratiques des autres autorités nationales. Un régulateur ne pouvait même pas répondre automatiquement à une question pourtant élémentaire pour la régulation : l'opérateur qui demande accès à son réseau, ou qui se plaint d'un refus d'accès, est-il un entrant indépendant ou la filiale d'un incumbent étranger ? La distinction est fondamentale. Un nouvel entrant indépendant et la filiale d'un opérateur historique étranger n'ont pas les mêmes ressources, les mêmes stratégies, ni le même rapport au risque d'éviction, ni le même poids au regard des abus de position dominante. Face à un comportement potentiellement anticoncurrentiel, l'analyse et la décision de régulation ne sont pas les mêmes selon la nature de l'opérateur en cause. Cette information n'existait nulle part sous forme consolidée et comparable. Les données collectées ne permettaient pas de la produire, parce que les catégories utilisées, définies par chaque droit national, ne permettaient pas une approche harmonisée du réseau ferroviaire européen voulu par la Commission. POURQUOI ÇA COMPTE #### La métrique manquante Ce que les guidelines de 2016 ont introduit, c'est précisément cette métrique : la structure de propriété des opérateurs actifs sur chaque marché national, avec une distinction opérationnelle entre opérateur historique national, opérateur historique étranger et opérateur indépendant. Cette distinction formalisée des groupes d'entreprises, croisée avec les données de trafic et les parts de marché normalisées, produit pour la première fois une image utilisable de la structure concurrentielle réelle de chaque marché ferroviaire européen. ## Transformer l'obligation légale en référentiel commun exploitable Le travail conduit entre 2014 et 2016 a consisté à reconstruire les *guidelines* du rapport annuel depuis leur fondation juridique. Ce travail a été conduit depuis l'intérieur du régulateur français, alors que l'auteur y exerçait comme chargé d'études économiques puis adjoint à la présidente du groupe IRG-Rail Market Monitoring à l'Autorité de régulation des transports ([voir cette expérience](https://enbi.fr/experience-art/)). Cela a impliqué de poser explicitement le périmètre du rapport, en excluant les activités qui, selon chaque droit national, pouvaient ou non être assimilées au transport ferroviaire régulé — fermant ainsi les ambiguïtés d'inclusion que chaque régulateur résolvait jusqu'alors à sa discrétion, et rendant enfin exploitables les données nationales de marché. Cela a impliqué de refondre entièrement le glossaire : passer de définitions narratives approximatives à un tableau structuré de définitions précises, chacune sourcée dans le droit européen applicable (directive 2012/34/EU, règlement 2015/1100, quatrième paquet ferroviaire). Chaque définition a été calibrée pour couvrir l'ensemble des configurations nationales existantes tout en restant suffisamment précise pour être utile à des fins de qualification juridique. Cela a impliqué enfin de construire le canevas de collecte lui-même : les champs "nationalité de l'entreprise", "type d'opérateur", "nationalité de l'actionnaire principal", "coopération avec l'opérateur historique national" sont des métadonnées entièrement nouvelles, absentes de toutes les versions précédentes des *guidelines*. Ce sont elles qui rendent possible le calcul de parts de marché comparables entre pays, et la détection des structures de contrôle indirect que le seul recensement des licences ferroviaires (autorisations de circulation) ne permettait pas de voir. Ces *guidelines* ont été adoptées collectivement par les 31 membres de l'IRG-Rail en juin 2016\. Elles ont constitué la base méthodologique du rapport 2017, qui a publié pour la première fois une liste exhaustive de près de 700 entreprises ferroviaires actives en Europe. > Transformer une obligation de reporting en donnée utile à la décision ne demande pas plus de données. Cela demande de définir d'abord la décision que la donnée doit éclairer, c'est-à-dire à qui et à quoi elle doit servir, avant de la rattacher à des périmètres fixes et intelligibles par tous. > > enbi, analyse de ce cas d'usage ## Ce que ce cas enseigne à toute organisation confrontée à un problème de gouvernance de la donnée EN DEHORS DU SECTEUR #### Un problème qui dépasse le ferroviaire Le problème résolu ici n'est pas spécifique au ferroviaire, ou même aux autorités de régulation. Il se retrouve dans tout contexte où plusieurs organisations soumises à des régimes juridiques différents doivent produire une information commune utilisable pour une décision, y compris un groupe international qui doit aligner ses pratiques de reporting entre ses filiales. 1 **Partir de la décision, pas de la donnée disponible.** La question n'est pas "que peut-on collecter ?" mais "quelle décision doit-on être capable de prendre, et quelle donnée la rend possible ?" 2 **Les définitions sont des actes juridiques avant d'être des conventions statistiques.** Dans un contexte international, une définition mal posée empêche les comparaisons efficaces. Rattacher à des obligations juridiques normalisées permet de faciliter les points de comparaison. 3 **L'interopérabilité sémantique précède l'interopérabilité technique.** Il ne sert à rien de connecter des systèmes d'information si les objets qu'ils décrivent ne désignent pas la même réalité. La couche technique ne peut être utile que si la couche sémantique, c'est-à-dire la définition de ce qui est collecté, est stabilisée en amont. 4 **Une donnée nationale devient une donnée européenne comparable en trois temps.** Donnée collectée selon les catégories propres à chaque droit national → définitions communes ancrées dans le droit européen → donnée comparable entre marchés. C'est cette chaîne, et non un outil supplémentaire, qui a produit la comparabilité recherchée par la Commission. Ce que l'expérience montre Construire un référentiel commun à 31 régulateurs européens : la capacité mobilisée pour cartographier et gouverner des actifs data. [Audit et valorisation des actifs Data](https://enbi.fr/valorisation-actifs-data/) · [Sécuriser](https://enbi.fr/securiser/) ### Au-delà du style : comment distinguer un texte IA d'une production humaine URL: https://enbi.fr/texte-humain-ia/ Last updated: 2026-08-28T21:50:25.000Z Les modèles actuels (LLM) imitent de plus en plus les humains dans leur manière de rédiger. Les outils de détection IA perdent également en capacité prédictive, et ne peuvent plus, à eux seuls, démontrer qu'un texte a été produit par une IA. La rédaction par une IA est-elle vraiment un problème ? Prenons l'exemple de l'industrie vestimentaire : un vêtement de haute qualité plaît par sa coupe et sa durabilité, qu'il ait été cousu main par un artisan ou assemblé par des machines de précision. L'important ici est que les coutures tiennent, et que le résultat serve pertinemment la personne qui va le porter. Il faut mieux une excellente couture cousue mécaniquement qu'une très bonne couture faite main. De la même manière, un texte est bon s'il est juste, utile et conforme, qu'il soit issu d'un cerveau humain ou d'un algorithme. Ce qu'on confond Origine (qui a écrit le texte), style (les marqueurs de forme qu'on peut observer), qualité (est-ce que c'est bon), véracité (est-ce vrai) et provenance (peut-on le prouver techniquement) sont cinq questions différentes. Cet article traite presque exclusivement du style : les indices observables qui suggèrent une origine probable. Il ne dit rien sur la véracité d'un contenu, et rien de fiable sur sa provenance réelle — pour cela, les seuls mécanismes robustes à ce jour sont techniques (signature cryptographique, standards de provenance type C2PA), pas stylistiques. En l'état mi-2026, un phénomène complique encore l'exercice : la convergence stylistique. Les modèles sont explicitement entraînés à sonner humain (c'est l'objet même du réglage par préférences humaines), pendant que de plus en plus de textes humains sont coécrits, relus ou reformulés avec un assistant IA. Les indices qui suivent restent des signaux utiles à un instant donné, pas des marqueurs stables : leur fiabilité se dégrade à mesure que les deux styles se rapprochent. AUTREMENT DIT #### Le risque dans une organisation ne réside pas dans l'usage de l'IA. Il repose dans l'absence de validation humaine : un texte généré automatiquement et non relu est un actif fragile, susceptible de contenir des hallucinations factuelles ou des imprécisions qui continuent d'engager sa responsabilité juridique. Pour la simple et bonne raison que les IA sont des robots, et donc des choses, et ne sont pas responsables de ce qu'elles font. Dans cet article, nous allons présenter de manière conjointe le fonctionnement des LLM et les indices que ces derniers laissent dans les textes. ## 1\. La densité informationnelle contre la "moyenne" probabiliste Un des indices les plus fréquemment cités est la tendance de l'IA à viser une moyennisation de la pensée, à partir de ses données d'entraînement. Cet indice s'érode à mesure que les modèles sont ajustés pour varier leur registre. - Le symptôme IA : Le texte est lisse, sans aspérité. Il évite systématiquement les prises de position tranchées non sourcées et abuse de mots de liaison standards (*"En outre", "Par ailleurs", "Il est important de noter"*). C'est une reformulation parfaite de consensus, sans valeur ajoutée. - La marque humaine : Présence d'idées "hors distribution". L'humain fait des sauts logiques, utilise des métaphores inédites issues de son vécu, ou accepte de laisser une zone d'ombre plutôt que de combler avec du remplissage. - Le test : Demandez-vous : *"Cette phrase apporte-t-elle une information nouvelle ou reformule-t-elle un savoir commun ?"* Si c'est une reformulation fluide mais vide, c'est suspect. ## 2\. La gestion de l'erreur et de l'incertitude La manière d'assumer le doute reste, à ce jour, un indice parmi d'autres — pas une preuve isolée. - Le symptôme IA : L'IA hallucine, c'est-à-dire qu'elle invente des informations, de manière péremptoire ou, à l'inverse, se réfugie dans une prudence générique (*"Il est complexe de dire..."*). Quand elle admet une limite, c'est de manière standardisée. Elle a du mal à maintenir une tension entre deux vérités contradictoires sans chercher à les réconcilier artificiellement. - La marque humaine : L'expert humain peut exprimer des incertitudes, de manière précise, ou même suggestive. Il cite ses sources de manière contextuelle, parfois imparfaite, et admet ses biais. - Le point de vigilance : L'absence de nuances "grises", de sous-entendus ou de rappels implicites à des informations partagées par une expérience subjective entre individus. ## 3\. La structure argumentative linéaire ou arborescente La géométrie du texte peut, dans certains cas, orienter le diagnostic. - Le symptôme IA : Les paragraphes ont souvent une longueur similaire, créant une architecture "optimisée" pour la lisibilité moyenne (mais un peu fadasse). - La marque humaine : Une structure organique. Un point crucial peut prendre 10 lignes, un autre 2 paragraphes. L'argumentation peut revenir en arrière, faire une digression pertinente, ou changer de ton selon l'émotion du sujet. - L'indice technique : Analysez la variance de la longueur des phrases. Une trop grande régularité est un marqueur algorithmique. ## 4\. La référence au contexte temporel et spatial précis L'ancrage dans le réel reste, pour l'instant, un point faible fréquent des modèles génératifs — sans être une garantie d'origine humaine. - Le symptôme IA : Utilisation d'exemples génériques ou datés (souvent coupés à la date d'entraînement). Même avec accès au web, elle tend à généraliser (*"De nombreuses entreprises..."*). Pour les [professionnels du droit](https://enbi.fr/professionnels-droit/), les IA peuvent inventer des décisions de jurisprudence, à moins de se connecter avec des MCP (prises universelles) aux données de Legifrance. - La marque humaine : Citation d'un événement très récent, d'une anecdote locale, d'une spécificité réglementaire de dernière minute, ou d'un détail "inutile" narrativement mais vrai contextuellement. - Le test : Vérifiez les références précises. Ou utilisez (à votre propre risque) des plugins de contre-vérification de votre LLM. ## 5\. L'anglicisation structurelle C'est le marqueur linguistique le plus insidieux. Les grands modèles étant majoritairement entraînés sur des corpus anglais, ils imposent une structure profonde anglo-saxonne au français. Le ministère de la Culture a d'ailleurs lancé l'outil [Comparia](https://comparia.beta.gouv.fr) pour lutter contre ce biais et évaluer la "francité" des réponses des IA. Voici cinq patterns révélateurs, un par phénomène : 1. La place de l'adjectif : L'IA place souvent l'adjectif avant le nom (calque de *an important decision*). - *Phrase suspecte :* « Une large variété de sérieuses difficultés. » (Un francophone dirait : « Une variété étendue de difficultés majeures. ») 2. La nominalisation excessive : L'IA empile les noms (calque du *Business English*). - *Phrase suspecte :* « La mise en œuvre de la vérification de la conformité. » (plutôt que « Vérifier la conformité. ») 3. Le passif systématique : L'IA efface le sujet (calque de *it has been decided*). - *Phrase suspecte :* « Il a été décidé que des mesures ont été prises. » (plutôt que « Le comité a décidé de prendre des mesures. ») 4. Le gérondif en tête de phrase : L'IA traduit littéralement les *\-ing forms*. - *Phrase suspecte :* « Ayant analysé les données, une stratégie fut adoptée. » (« Après avoir analysé les données, nous avons décidé de... ») 5. La répétition mécanique des connecteurs : L'IA structure tout par des adverbes en début de phrase. - *Phrase suspecte :* « De plus... Cependant... En outre... Par conséquent... » (Un humain varierait les structures ou utiliserait la ponctuation). ## Ce que ces indices permettent, et ce qu'ils ne permettent pas Aucun signal isolé n'est une preuve. La convergence de plusieurs indices, à savoir le lissage, la structure rigide, l'absence de risque, la généralisation et les calques syntaxiques anglais, augmente la probabilité d'une origine algorithmique sans jamais la démontrer — et cette probabilité elle-même se dégrade à mesure que la convergence stylistique progresse. Pour un usage professionnel, la conséquence pratique n'est pas de traquer le style, mais de traiter la question de la provenance et de la vérification comme des sujets distincts et plus robustes : qui valide le contenu avant publication, quelles sources sont citées et vérifiables, et quels engagements juridiques le texte contient — indépendamment de la main, humaine ou algorithmique, qui l'a rédigé. Votre contenu stratégique engage votre responsabilité, quelle que soit son origine. ### Être trouvé par les IA sans offrir votre expertise URL: https://enbi.fr/etre-trouve-par-les-ia-sans-offrir-votre-expertise/ Last updated: 2026-08-28T21:40:44.000Z Avertissement méthodologique Cet article est à vocation informative. Les situations évoquées (réservation de droits, opposabilité des protocoles techniques, qualification des contenus protégés par la propriété intellectuelle...) s'apprécient au cas par cas et ne sauraient se substituer à une prestation de conseil juridique formalisée. Vous avez passé des années à construire votre expertise et à documenter vos méthodes. Jusqu’à présent, on vous a toujours conseillé d’offrir, et d’offrir beaucoup, pour pouvoir gagner en crédibilité auprès de vos interlocuteurs. C’était bien la mise à disposition du contenu qui démontrait votre valeur ajoutée, et permettait à vos prospects d’inférer votre capacité à appréhender leurs problématiques. L’enjeu est dorénavant plus complexe, dans un contexte où les pratiques observées (mi-2026) évoluent vite et restent pour partie non stabilisées juridiquement : 1 **L'accès et la mise à disposition d'informations sont devenus beaucoup plus simples.** Il est très facile de produire du texte optimisé SEO pour les moteurs de recherche, et il est très facile d'obtenir une réponse de ChatGPT sur un problème donné. 2 **La seule publication d'un contenu expert ne suffit plus à justifier de l'expertise,** puisqu'il est de plus en plus difficile de distinguer ce qui a été rédigé par une IA de ce qui est produit à la main ([quoique](https://enbi.fr/texte-humain-ia/ "Comment distinguer un texte IA d'un texte humain")). 3 **Ne pas optimiser ses publications, c'est se voir cité sans apparaître auprès de vos futurs clients.** Vous avez probablement déjà utilisé ChatGPT ou une autre IA pour poser une question. Nous prenons moins le temps de consulter les sources. Votre expertise a servi à une consolidation d'information, sans vous apporter de nouveaux leads. 4 **Publier sans les protections, c'est risquer de se faire voler son expertise.** La publication en ligne de votre contenu constitue une autorisation tacite d'entraînement des modèles d'IA sur vos données. Enfin, pour le moment, car le débat juridique est en cours. La problématique se pose par conséquent en ces nouveaux termes : comment rester visibles dans un monde où les LLM prennent le relais sur les moteurs de recherche pour trouver de l’information ? Et comment garantir que votre contenu ne vienne alimenter des modèles d’IA générative sans contrepartie ? ## Le recul du SEO : technologie phare de l'ère des moteurs de recherche Pendant longtemps, être visible sur internet signifiait être bien positionné dans Google. Les règles étaient connues : produire du contenu régulier, structuré, pertinent. En tous cas, du contenu qui respectait le cahier des charges du SEO, qui conduisaient vers une harmonisation éditoriale assez malheureuse des sites internet. Les moteurs de recherche indexaient, classaient, renvoyaient vers votre site. Et vos futurs clients découvraient votre identité, votre offre de service en même temps qu’ils approchaient votre expertise. Ce modèle n'a pas disparu, mais commence à marquer le pas en comparaison des recherches sur les IA, qui synthétisent, reformulent, concluent. Et leurs sources d'information, c'est tout ce qu'ils ont absorbé pendant leur entraînement, complété parfois par ce qu'ils récupèrent en temps réel sur votre site (*crawlent*). Ce qu'on confond Crawler (parcourir votre site), indexer (le référencer dans une base), interroger en temps réel (aller relire une page au moment de la question) et entraîner (absorber le contenu dans les poids du modèle) sont quatre opérations distinctes, qui ne répondent ni aux mêmes règles techniques, ni au même régime juridique. Être cité par une IA ne dit rien de laquelle de ces quatre opérations a eu lieu. ## Le nouveau marketing en ligne des PME-ETI : du GEO à la protection de sa propriété intellectuelle Pour une PME ou une ETI, la conséquence est double. Si votre contenu est bien structuré et bien signalé, ces systèmes peuvent vous citer, vous recommander, vous positionner comme référence sur votre domaine. Si ce n'est pas le cas, ils parleront de votre secteur sans vous mentionner ou pire, ils s'inspireront de votre expertise sans l'attribuer. Vous perdez ici une perspective de vente : votre expertise n'a plus servi à vous faire connaître pour proposer votre accompagnement. ### Être référencé Être référencé par les IA est un objectif de visibilité. Il s'obtient en structurant votre contenu pour qu'il soit lisible par des systèmes automatisés, avec des règles un peu dérogatoires du SEO. Les nouveaux principes (GEO) exigent que vous indiquiez clairement qui vous êtes, ce que vous faites, quelles pages sont vos références, quelle est votre zone de compétence. C'était le problème de mon opticien que j'accompagnais récemment. Il a vécu pendant 15 ans avec un bon référencement Google, du fait qu'il était parmi les pionniers de l'optique durable à Paris. Mais avec les LLM, son site s'est rapidement retrouvé hors du champ de vision des nouveaux clients, au profit de grands groupes du secteur qui avaient investi dans ces nouvelles techniques de référencement en ligne. Il estimait avoir perdu sur la dernière année près de 20% de nouveaux clients. Dans l'immédiat, si vous voulez adresser ce problème, l'outil principal sur lequel s’appuyer est un fichier masqué de l’internaute classique, à la racine de votre site. Vous connaissiez peut-être déjà le `robots.txt`, qui autorisait les moteurs de recherche à référencer (indexer) votre site. Un nouveau standard émerge depuis 2024, à savoir `llms.txt`. Son rôle est d'informer les modèles d'IA sur votre contenu et sur les endroits à parcourir de votre site. Son adoption effective par les fournisseurs de modèles n'est, à ce jour, pas garantie : le fichier existe, son usage réel reste à documenter. ### Protéger son contenu Protéger votre contenu de l'entraînement des IA, c'est un objectif de propriété intellectuelle, mais pas seulement. VOTRE ENJEU #### L'enjeu pour vous est de bien savoir ce que vous consentez à offrir, et de ce que vous souhaitez protéger. Si les modèles s'entraînent sur votre expertise, ils peuvent la recontextualiser au cas d'usage de votre client, et possiblement lui offrir une partie de ce qui constituait votre offre de service. Depuis une vingtaine d'années, avec la loi de 2004, les sites internet devaient publier des mentions légales, qui servait de lieu de clarification des droits de propriété intellectuelle sur le contenu du site. Si cette opération est viable pour des humains, elle ne l’est pas pour des robots d'indexation, qui ne sont pas formés au droit français, et ne vont pas nécessairement inférer le contenu de cette page pour décider ou non de s'alimenter de votre contenu. Et le silence du droit ici est problématique : si vous conservez la propriété intellectuelle de votre contenu, est-ce pour autant que vous interdisez des robots à parcourir votre site pour récupérer des informations et vous citer dans le cadre d'une recherche ? C’est ici que s’ajuste le fameux `robots.txt`, pour préciser les pages qui peuvent ou ne pas être indexées. ## S'adapter en attendant une clarification du droit ### Poser ses limites Le cadre juridique européen pose les grands principes. > "L'exception ou la limitation prévue au paragraphe 1 s'applique à condition que l'utilisation des œuvres et autres objets protégés visés audit paragraphe n'ait pas été expressément réservée par leurs titulaires de droits de manière appropriée, notamment par des moyens lisibles par machine dans le cas de contenus mis à disposition en ligne." > > Article 4 de la directive 2019/790 L'AI Act prolonge cette logique, en obligeant les grands fournisseurs à identifier ces réserves et à les appliquer. > "\[...\] mettre en place une politique visant à respecter le droit de l'Union en matière de droits d'auteur et droits voisins, en particulier à identifier et à respecter, notamment grâce aux technologies les plus récentes, les réservations de droits exprimées en vertu de l'article 4, paragraphe 3, de la directive (UE) 2019/790." > > Article 53 de l'AI Act (règlement 2024/1689) La liste des moyens reconnus juridiquement n'est pas encore publiée ni établie. Une [consultation publique est en cours](https://digital-strategy.ec.europa.eu/fr/faqs/stakeholder-consultation-ai-and-copyright-compliance) par la Commission européenne. Qu'est-ce que ça change pour vous ? L'absence de clarification sur votre site (mentions légales, robots.txt) jouera *a priori* contre vous : vous devez expliciter le cadre dès à présent, et sur les contenus ciblés. ## Trois catégories de contenu, un arbitrage à faire Votre contenu mérite d'être segmenté en plusieurs catégories, pour optimiser votre référencement, tout en protégeant votre propriété intellectuelle. **Le premier type de contenu est celui que vous allez vouloir exposer librement**, parce qu'il ne relève pas de secrets industriels, ni d'autres secrets protégés par la loi, mais parce qu'ils aident à asseoir votre crédibilité et votre référencement. C'est le contenu que les LLM citent : un résultat chiffré, un contexte nommé, ou une méthode identifiée. "*Nous avons augmenté la marge nette de 6%*" est un contenu adapté au référencement, "*Nous avons une approche experte*", moins. **Le deuxième type de contenu est celui que vous avez intérêt à protéger**, en particulier parce que vous ne souhaitez pas que les modèles s'en inspirent pour pouvoir le décliner gratuitement aux cas d'usage de vos clients. Il s'agit du détail opératoire de vos méthodes, de vos données clients, de tout ce qui relève d'un savoir-faire différenciant. L'exposer reviendrait à le dévaluer, avant même que la question de la propriété intellectuelle se pose. Le troisième type de contenu est la zone intermédiaire : une méthode nommée, le résultat agrégé, l'approche décrite en surface. Ce contenu est celui que vous pouvez exposer en explicitant sa condition d'attribution dans le `llms.txt` de votre site. Autrement dit, autoriser les LLM à le récupérer pour l'alimenter dans une recherche à la condition que vous soyez cité selon vos termes. Cette approche n'est aujourd'hui pas normée, ni juridiquement contraignante, mais elle pourrait être opposable sur la durée, à mesure que le cadre juridique se clarifiera. Pour ces raisons, il est essentiel que vous conserviez une version datée de vos fichiers et de vos outils, afin de garantir leur traçabilité et leur évolution. Les recommandations de la méthode enbi ✓ 01 - Segmentation stratégique du contenu Distinguer les résultats chiffrés et le contexte (exposables pour le référencement LLM) du savoir-faire opérationnel et des données sensibles (à protéger pour préserver la propriété intellectuelle). ✓ 02 - Exposition crédible sans divulgation Publier des métriques vérifiables (« +6 % de marge nette ») plutôt que des affirmations génériques, afin d’alimenter les modèles sans révéler de secrets industriels. ✓ 03 - Protection du détail opératoire Sécuriser les méthodes spécifiques, les données clients et les leviers différenciants pour éviter leur appropriation gratuite par des tiers ou des IA. ✓ 04 - Zone intermédiaire et attribution Utiliser une couche de contenu nominal (méthode nommée, résultats agrégés) conditionnée par une clause d’attribution dans le fichier llms.txt, anticipant ainsi l’évolution du cadre juridique. ✓ 05 - Traçabilité et versioning Conserver des versions datées des fichiers et outils pour garantir la preuve de l’antériorité et suivre l’évolution des actifs immatériels face aux enjeux juridiques futurs. ### Formation sur mesure URL: https://enbi.fr/formation-sur-mesure/ Last updated: 2026-08-28T16:40:44.000Z ## Une formation reconstruite à partir de vos données, pas choisie dans un catalogue. Les formations **Culture statistique appliquée**, **Lecture décisionnelle des données**, **L'IA en pratique dans l'administration** et **Faire vivre les données dans le service** couvrent un parcours déjà construit, pensé pour les administrations publiques. La formation sur mesure sert les besoins qui sortent de ce périmètre : un autre secteur (entreprise, association, établissement d'enseignement), un autre outil (Tableau Software, Grist, un ERP interne, un outil métier spécifique), une combinaison de plusieurs modules, ou un sujet qu'aucun des quatre formats ne couvre. Dans les deux cas, la méthode ne change pas : le programme est construit à partir de vos données réelles, pas d'un exemple de manuel. C'est ce qui a été fait pour un gestionnaire d'EPLE lors d'une session à l'IRA de Lille — négocier un financement de rénovation énergétique à partir de ses propres données d'exécution budgétaire — et pour les promotions de l'IRA de Bastia, de l'IRA de Lyon et de Sciences Po EMPA. --- ## Ce qui est configurable - Le thème et l'outil : reporting budgétaire, Excel ou Calc, Grist, Tableau Software, IA générative, BI, automatisation. - La durée : d'une demi-journée de sensibilisation à un parcours de plusieurs jours. - Le format : présentiel, distanciel, hybride, session individuelle ou collective. - Le niveau visé : sensibilisation, montée en compétence opérationnelle, approfondissement. - Le cas d'usage : le programme est construit sur un jeu de données ou une problématique que vous transmettez, pas sur un exemple générique. --- ## Ce qui ne l'est pas Certains éléments restent constants, quel que soit le sur-mesure retenu : - le travail se fait sur des données ou des cas réels, jamais sur un jeu de données fictif ; - l'objectif est de transmettre une méthode réutilisable par l'équipe, pas de créer une dépendance à un prestataire ; - la formation est conçue et animée par Alexis Bernard, elle n'est pas déléguée à un autre intervenant ; - le contrôle humain sur les décisions reste du côté des participants, y compris dans les modules qui portent sur l'IA. --- ## Ce qu'il faut fournir avant la formation Un premier échange permet de qualifier le besoin. Concrètement, la formation nécessite en amont : - un jeu de données réel, ou à défaut un cas représentatif du problème à traiter ; - les outils déjà autorisés ou disponibles dans votre environnement ; - le niveau et la taille du groupe de participants ; - la décision ou le résultat que la formation doit permettre d'atteindre. Sans ces éléments, la formation reste théorique. Avec eux, elle produit un résultat exploitable dès la fin de la session. --- ## Ce qui est produit Comme dans les formations du catalogue, chaque session sur mesure produit un livrable concret plutôt qu'un support de cours : documentation d'un indicateur, grille de lecture adaptée à votre secteur, matrice de responsabilités, plan de financement ou de négociation, ou méthode transposable à d'autres cas. Le contenu précis dépend du sujet retenu lors du cadrage préalable. --- ## Catalogue ou sur mesure ? Si votre organisation est une administration publique et que votre besoin correspond à la lecture de chiffres, à l'exploitation de données, à l'usage de l'IA ou à la pérennisation des pratiques data, les quatre formations du catalogue existent déjà et sont directement mobilisables. Le sur-mesure prend le relais lorsque le secteur, l'outil ou la combinaison de besoins ne correspond à aucun de ces quatre formats. Autonomisation data Construisons votre projet sur mesure Un premier échange pour qualifier le périmètre, les données disponibles et les contraintes juridiques — avant que le bénéfice de la formation ne s'estompe derrière les urgences du quotidien. [Demander un Sprint →](https://enbi.fr/interventions/sprint-cadrage/) ### Comment objectiver le retour sur investissement d'un projet de transformation numérique publique ? URL: https://enbi.fr/comment-objectiver-le-retour-sur-investissement-dun-projet-de-transformation-numerique-publique/ Last updated: 2026-08-28T21:46:42.000Z Le retour sur investissement d'un projet numérique public se calcule, mais pas comme dans le secteur privé. Il exige une méthode structurée, des valeurs de référence officielles, et une expertise indépendante du porteur de projet. Sans ces trois conditions, le chiffrage reste exposé à des biais qui varient selon le moment du cycle budgétaire : surévalué en phase de candidature pour obtenir un financement, minoré ensuite pour protéger les enveloppes déjà engagées. [La Cour des comptes a documenté ce mécanisme en novembre 2025](https://www.ccomptes.fr/fr/publications/le-fonds-de-transformation-de-laction-publique-un-bilan-insaisissable-imposant-des). Cet article explique comment s'en prémunir. ## Pourquoi le ROI d'un projet numérique public est difficile à objectiver Le secteur privé mesure un résultat financier direct : marge, chiffre d'affaires, coût évité. La logique est simple, balisée, et le périmètre est clos. L'administration publique opère différemment. Ses projets produisent des effets non marchands : des vies sauvées ou des procédures allégées par exemple. Au plus proche du privé, on peut calculer des recettes fiscales générées par un impact social indirect, ce que les outils de calcul privés ne capturent pas. Ce n'est pas un défaut de rigueur. C'est une autre grammaire, codifiée et exigeante, que peu d'équipes projet maîtrisent en interne. Le résultat est un paradoxe documenté : les projets bien cadrés produisent des ROI supérieurs à 700%. Les projets mal cadrés affichent des bilans négatifs. La différence n'est pas dans la technologie déployée, mais dans la méthode de calcul appliquée en amont. Ce qu'on confond Le "ROI" au sens strict est un ratio financier : gain monétaire rapporté à un coût. L'évaluation socioéconomique, elle, est une méthode plus large (la méthode des sept dimensions détaillée plus bas), qui inclut des effets non marchands monétarisés via des valeurs tutélaires officielles — une vie humaine, une heure de travail, un jour d'hospitalisation évité. Le résultat de cette méthode ressemble à un ROI dans sa présentation, mais n'est pas un ROI financier au sens où l'entendrait un investisseur privé : c'est un ratio coûts-bénéfices socioéconomique, construit sur des conventions de valorisation propres à l'action publique. ## Le problème de l'auto-déclaration : ce que la Cour des comptes a établi Dans son rapport publié le 13 novembre 2025, la Cour des comptes a dressé un bilan critique du Fonds pour la transformation de l'action publique (FTAP), qualifiant son bilan de "peu crédible" : les économies affichées reposaient sur des estimations théoriques et hétérogènes, sans méthode d'évaluation harmonisée. Le mécanisme identifié est précis. Les ministères sont incités, en phase de candidature, à majorer les économies attendues afin d'augmenter leurs chances d'obtenir un financement, puis à les minorer en fin de projet pour éviter que les moyens correspondants ne leur soient retirés durant la procédure budgétaire. Les économies pérennes attendues ne sont pas au rendez-vous, avec un ROI en 2024 de seulement 0,5, soit 339 M€ d'économies pérennes pour 687 M€ consommés. L'objectif initial était pourtant explicite : un euro d'économie pour un euro investi. Ce biais est la conséquence mécanique de l'absence d'expertise extérieure indépendante au moment du cadrage. La Cour recommande de prévoir un dispositif d'audit des économies et les modalités de leur prise en compte dans la préparation des exercices budgétaires annuels. [Vie publique (DILA)Fonds de transformation de l'action publique : un bilan difficile à établirApproche synthétique→](https://www.vie-publique.fr/en-bref/300874-fonds-de-transformation-de-laction-publique-un-bilan-insaisissable) ## Un cadre méthodologique officiel exigeant L'évaluation socioéconomique des investissements publics est une obligation légale en France depuis la [loi n° 2012-1558 du 31 décembre 2012](https://www.legifrance.gouv.fr/loi/id/JORFTEXT000026872937/) de programmation des finances publiques. Elle s'impose à tous les projets d'investissements civils financés par l'État, ses établissements publics, les établissements publics de santé et les structures de coopération sanitaire. Pour les projets dont le financement public dépasse 100 millions d'euros, une contre-expertise indépendante est obligatoire, pilotée par le Secrétariat général pour l'investissement (SGPI). En dessous de ce seuil, l'obligation d'évaluation reste entière, mais la contre-expertise externe n'est pas imposée. C'est précisément dans cet espace que la rigueur méthodologique est la plus variable, et les écarts de ROI les plus importants. Un guide officiel, établi par France Stratégie en 2023, propose sa déclinaison selon la méthode des sept W. Référence méthodologique · France Stratégie · DG Trésor · SGPI ### Les sept dimensions de l'évaluation socioéconomique | Dimension | Question | Ce qu'elle implique | | ------------------ | ------------------- | ---------------------------------------------------------- | | **Why** | Pourquoi investir ? | Objectifs stratégiques, problème structurel à résoudre | | **Who** | Qui est affecté ? | Acteurs bénéficiaires et impactés, périmètre collectif | | **What** | Quels effets ? | Recensement exhaustif sur toute la durée de vie du projet | | **When** | À quelle date ? | Calendrier des effets, horizon d'évaluation, actualisation | | **Where** | Où ? | Périmètre territorial, effets locaux vs nationaux | | **Which quantity** | Quelle ampleur ? | Quantification des effets mesurables | | **Which value** | Quelle valeur ? | Monétarisation via les valeurs tutélaires officielles | La valorisation monétaire, à savoir les valeurs tutélaires et les effets non-marchands, n'est que l'aboutissement de ce processus. Elle ne peut pas être appliquée sans que les six dimensions précédentes aient été instruites. Les effets non monétarisables doivent être documentés séparément : ils pèsent dans la décision politique, même s'ils n'entrent pas dans le calcul coût-bénéfice. ## Une approche simplifiée pour les investissements de moindre ampleur La majorité des projets numériques portés par des administrations, des opérateurs ou des collectivités territoriales n'atteignent pas (et heureusement) le seuil des 100 millions d'euros. Ils ne sont donc pas soumis à contre-expertise obligatoire, mais ils doivent néanmoins produire une évaluation socioéconomique, et surtout la défendre devant un comité d'instruction. C'est le cas notamment des projets qui sont soumis à l'appréciation d'appels à projet sur des fonds de financement, qu'ils soient interministériels ou européens. Pour ces projets, la méthode des sept dimensions peut s'appliquer dans une version allégée, orientée sur le résultat, facilitant l'appropriation de la candidature par le service instructeur. **Partir de la mission, pas de l'outil.** Quelle politique publique ce projet sert-il ? Quel indicateur mesure son succès ? **Identifier les effets concrets.** Nombre de dossiers traités, délais réduits, erreurs évitées, agents libérés pour d'autres tâches. Pas de liste exhaustive, les deux ou trois effets les plus significatifs peuvent suffire. **Chiffrer avec des sources opposables.** Les valeurs tutélaires publiées par France Stratégie (coût d'une hospitalisation, valeur d'une heure de travail agent, etc.) permettent de transformer un effet quantifié en valeur monétaire défendable. **Calculer sur le coût total réel.** Financement public et part de l'administration. L'isolation du T2 avec le temps passé n'est pas toujours exigé, même s'il le serait pour l'investissement d'une entreprise privée. Un ROI calculé sur le seul cofinancement est inopérant, et sera de toutes façons visible par la personne qui instruira votre demande. **Documenter les hypothèses.** Chaque hypothèse de calcul doit être explicitée et sourcée. C'est ce qui permet de défendre le bilan en fin de projet sans risque de récupération budgétaire. Cette démarche s'applique directement aux candidatures aux dossiers FEDER et FSE, aux appels à projets interministériels, et à toute demande de financement public exigeant une démonstration d'impact. ## Deux exemples anonymisés ### **Cas 1 — Automatisation d'un traitement de masse** Un opérateur public traite chaque mois un volume élevé de demandes entrantes nécessitant une vérification manuelle. Un projet de traitement automatisé réduit ce volume de manière significative. Le calcul du ROI combine : volume de demandes automatisées × coût unitaire d'un traitement manuel × 12 mois. Le financement FTAP couvrait 50% du coût total. Le ROI calculé sur le financement public seul dépasse 700%. Sur le coût total, il reste supérieur à 350%, un niveau que peu de projets d'investissement privé atteignent. ### Cas 2 — Aide à la décision sur des indicateurs de sécurité publique Un service public déploie un outil d'aide à la décision permettant d'anticiper des événements à fort impact humain. L'indicateur retenu : nombre d'événements évités par an. Le chiffrage unitaire : valeur tutélaire officielle, sourcée dans les référentiels France Stratégie. Le produit des deux donne une valeur annuelle évitée documentée, comparable aux coûts du projet sur sa durée de vie. La note de ROI ainsi construite a permis d'obtenir un financement et de justifier la poursuite du projet à mi-parcours. --- ### Ce que ce cadre change pour votre dossier Un comité d'instruction qui reçoit une note de ROI construite selon ce cadre, à savoir indicateur précis, valeur tutélaire sourcée, hypothèses explicitées, calcul sur coût total, traite le dossier différemment d'une promesse qualitative. Il change aussi la position du porteur de projet en fin de mission. Un ROI documenté indépendamment, avec des hypothèses explicitées et sourcées, ne peut pas être réinterprété a posteriori pour justifier une reprise de crédits. [Accompagnement · Prix de marchéVous êtes une administration ?Découvrez nos offres d'accompagnement, nettement sous les seuils de MAPA.→](https://enbi.fr/administrations-publiques/) ### Lire l'autre monde : ce que le privé ignore du public, ce que le public ignore du privé URL: https://enbi.fr/lire-lautre-monde-ce-que-le-prive-ignore-du-public-ce-que-le-public-ignore-du-prive/ Last updated: 2026-08-28T16:39:15.000Z L'administration reçoit un livrable qui ne correspond pas à ce qu'elle avait commandé. L'entreprise a répondu à un cahier des charges sans comprendre ce que l'acheteur attendait réellement. Chacune avait, à ce moment-là, de bonnes raisons d'agir comme elle l'a fait, au regard de ses propres critères — ce qui n'empêche pas le résultat d'être un échec commun. Ce n'est pas un problème de compétence individuelle : c'est le symptôme de deux mondes qui n'obéissent pas aux mêmes structures de décision. Le financement d'un projet privé s'arbitre entre CapEx et OpEx ; celui d'un projet public, entre budget annuel et programmation pluriannuelle, votée et contrôlée démocratiquement. Le risque qui pèse sur un dirigeant privé est d'abord juridique et actionnarial ; celui qui pèse sur un décideur public est aussi politique — il doit rendre compte devant des élus, des auditeurs, des usagers, parfois des juridictions administratives. Les indicateurs suivent la même logique : un chiffre d'affaires ou une marge d'un côté, un service rendu et une légitimité d'usage de l'autre. Ce ne sont pas des détails culturels, mais des structures de décision différentes. Le coût de cette incompréhension est documenté. Parmi les grands échecs numériques publics, on se souvient des 346 millions d'euros investis en pure perte dans un projet de modernisation de la paye des fonctionnaires, arrêté après sept ans de développement sans qu'aucun ministère ne soit parvenu à s'y raccorder. Ce n'est pas un cas isolé. C'est le résultat prévisible d'une décision technologique prise sans traduction entre les deux mondes. Ce que cet article documente : ce que chaque monde ignore de l'autre, pourquoi cela coûte, et ce que chacun peut concrètement apprendre de l'autre pour que la prochaine décision soit différente. ## Le marché public n'est pas un brief client Le premier angle mort du secteur privé face à la commande publique est de croire qu'il s'agit d'une vente ordinaire avec des contraintes supplémentaires. Ce n'est pas le cas. Un appel d'offres public n'est pas un *brief,* mais un dispositif juridique conçu pour garantir l'égalité de traitement entre candidats, la traçabilité des décisions et la justification de l'emploi des deniers publics. Rien de bien nouveau ici. Ces objectifs ne sont pas accessoires : ils conditionnent la structure même du document, les critères d'évaluation et les marges de négociation disponibles. La méconnaissance des règles du jeu et des conditions économiques réelles de ces marchés peut coûter votre viabilité. Aux États-Unis par exemple, les candidats challengers à des marchés publics de construction ferroviaire avaient tendance à faire faillite beaucoup plus rapidement que les autres. À la publication des données par le Department of Transportation de l'Oklahoma, l'écart de soumission entre entrants et titulaires a disparu, ce qui a permis aux concurrents de tenir de 37 à 68 % plus longtemps sur le marché ([De Silva, Kosmopoulou & Lamarche, 2007](https://papers.ssrn.com/sol3/papers.cfm?abstract%5Fid=1020355)). C'est le mécanisme exact dite de la "sélection adverse" appliqué aux appels d'offres : une PME qui raisonne comme dans le privé sous-côte pour gagner le marché, perd de l'argent sur l'exécution, et finit par se retirer du segment public. Elle n'a pas été éliminée par incompétence technique, mais par défaut de compréhension de ce mode de fonctionnement. ## Le temps long comme outil de décision Le secteur privé optimise sur des cycles de douze à dix-huit mois. Le secteur public planifie sur des programmes pluriannuels qui peuvent traverser les alternances politiques, les changements de cap et les révisions budgétaires. Cette différence de temporalité n'est pas une lenteur bureaucratique, mais une discipline d'analyse des conséquences que le privé sous-estime structurellement. Une décision publique engage l'organisation sur plusieurs mandats. Elle doit être défendable devant des élus, des auditeurs, des usagers et parfois des juridictions administratives. Cette contrainte de redevabilité (*accountability*) produit une qualité de traçabilité documentaire que le secteur privé, habitué à des décisions rapides et réversibles, ne reproduit pas spontanément, et qui peuvent lui manquer précisément quand les réglementations se durcissent. L'AI Act en est l'illustration immédiate. Les entreprises qui ont adopté des systèmes d'IA sans documenter leurs choix, sans tracer les décisions automatisées, sans qualifier leur rôle de déployeur ou de fournisseur, se retrouvent aujourd'hui à reconstruire en urgence une gouvernance que le secteur public pratique depuis des décennies par obligation. Ce que l'administration fait par contrainte réglementaire, le privé peut le découvrir trop tardivement comme nécessité économique, et à un coût supérieur. La lecture politique est l'autre dimension que le privé tend à ignorer : - Comprendre ce qui est collectivement désirable à un moment donné - Ce qui relève d'une orientation politique en cours de mise en œuvre - Ce qui sera défendu par les décideurs publics au-delà de la majorité actuelle au Parlement. C'est une compétence analytique qui conditionne la capacité à s'inscrire dans les priorités réelles d'un acheteur public, à obtenir des financements publics alignés avec les agendas politiques du moment, et à anticiper les évolutions réglementaires avant qu'elles ne se matérialisent en contraintes. ## La conformité comme levier de création de valeur Le secteur privé raisonne souvent en termes de rapport conformité/exposition au risque : combien coûte la mise en conformité versus combien coûte la sanction si on ne se conforme pas. Ce calcul est rationnel dans un environnement où les sanctions sont prévisibles et les délais de contrôle longs. Il devient défavorable quand les régulateurs accélèrent et que les sanctions deviennent systématiques. Le secteur public ne peut pas tenir ce raisonnement. La règle est une obligation de légitimité, et non un arbitrage économique. Cette posture produit une robustesse juridique que les entreprises qui opèrent dans des secteurs réglementés ou qui traitent avec des acteurs publics auraient intérêt à adopter plus tôt. La trajectoire réglementaire de l'IA rend cet apprentissage urgent. L'AI Act prévoit des sanctions jusqu'à 15 millions d'euros ou 3 % du chiffre d'affaires mondial pour les systèmes à haut risque non conformes. Le RGPD a produit 55 millions d'euros de sanctions en France en 2024\. Ces montants rendent l'arbitrage conformité/risque structurellement défavorable pour les organisations qui continuent à le pratiquer, précisément parce que les régulateurs ont compris que c'est ce calcul qu'il faut rendre intenable. L'enseignement du secteur public n'est pas d'obéir aveuglément à la règle : c'est de comprendre que la légitimité, c'est-à-dire la capacité à justifier ses décisions devant des parties prenantes extérieures, est un véritable actif économique et pas seulement une contrainte. Les organisations qui l'ont intégré avant que les sanctions ne les y forcent disposent d'un avantage concurrentiel réel : elles accèdent plus facilement aux marchés publics, aux financements institutionnels, et aux partenariats avec des acteurs réglementés. ## Ce que ça change concrètement pour travailler avec le secteur public 1 - Avant de répondre à un appel d'offres public, lisez le cahier des charges comme un document juridique, pas comme un brief. Les critères d'évaluation, les exigences de traçabilité et les clauses de réversibilité ne sont pas des formalités, mais des instruments par lesquels l'acheteur public exercera son contrôle pendant et après l'exécution. Les ignorer peut produire des offres marketing techniquement attrayantes, mais juridiquement fragiles. 2 - Avant de solliciter un financement public, identifiez l'agenda politique auquel votre projet s'inscrit. Un dossier de financement public n'est pas évalué uniquement sur ses mérites techniques et économiques. Il est évalué sur sa cohérence avec les priorités du moment : transition numérique, souveraineté technologique, emploi local ou encore impact environnemental. Comprendre ces priorités avant de rédiger le dossier est une manière de comprendre les attendus implicites du projet. 3 - Assurez autant que nécessaire la traçabilité de vos décisions et la mise en conformité de vos processus comme un impératif, et non comme une légitimation marketing. Ce standard de documentation, que le secteur public pratique par obligation depuis des décennies, s'étend à toujours plus de domaines, et par exemple à l'IA avec l'AI Act pour les systèmes à haut risque. Les organisations qui l'adoptent avant d'y être contraintes réduisent leur exposition et simplifient leur mise en conformité future. Pour décider Passer la frontière public-privé sans en payer les angles morts : un sujet qui se cadre avant tout engagement. [Sprint de cadrage décisionnel — 500 € HT](https://enbi.fr/interventions/sprint-cadrage/) · [Administrations publiques](https://enbi.fr/administrations-publiques/) · [PME et ETI](https://enbi.fr/pme-eti/) ### Ce que vous signez vraiment, quand vous contractualisez avec un prestataire IA URL: https://enbi.fr/ce-que-vous-signez-vraiment-quand-vous-contractualisez-avec-un-prestataire-ia/ Last updated: 2026-08-28T16:49:39.000Z Vous pensiez peut-être faire des économies en contractualisant autour d'une solution d'IA ? Même si l'IA est la réponse à votre problème, [ce qui n'est pas garanti](https://enbi.fr/pourquoi-lia-nest-pas-la-reponse-a-vos-problematiques-business/), les pièges classiques de l'enfermement contractuel et de la dépendance technologique continuent de s'appliquer. La signature d'un contrat avec un prestataire d'intelligence artificielle est rarement perçue pour ce qu'elle est, à savoir un transfert partiel et souvent irréversible de contrôle sur vos données, vos processus et votre capacité d'arbitrage futur. L'attention première de l'acheteur se porte sur le prix d'acquisition, les fonctionnalités promises, les délais de déploiement. Ce que le contrat fait réellement, à savoir la dépendance qu'il installe, les coûts qu'il décale, les droits qu'il vous retire, reste dans l'ombre jusqu'au moment où en sortir devient trop coûteux. Ce moment arrive plus vite qu'on ne le pense. Voici pourquoi nous évoquons ces sujets aujourd'hui. ## Le mécanisme de la dépendance La dépendance vis-à-vis d'un fournisseur technologique n'est pas un accident : c'est un modèle économique. Une [étude de Bain & Company citée par Monetizely](https://www.getmonetizely.com/articles/pricing-for-lock-in-creating-strategic-switching-costs-in-saas) estime qu'un taux de rétention de 5% suffit à lui seul à faire progresser la marge des éditeurs Saas de 25% à 95%. Les fournisseurs de solutions tech, IA ou non, ont structurellement intérêt à ce que le coût de migration de leurs clients soit élevé. Plus vous utilisez leurs outils, plus vos données, vos processus et vos équipes s'y adaptent. Chaque mois d'utilisation augmente les coûts irrécupérables : formation des équipes, adaptation des processus internes, intégration des données dans le format propriétaire du système. Pour les solutions d'IA spécifiquement, le verrouillage est structurellement plus fort que pour le cloud traditionnel. Les outils d'IA apprennent de vos données, de vos requêtes, de vos interactions. Ces apprentissages deviennent inhérents au modèle et ne peuvent pas être transférés à un autre fournisseur. Changer de solution ne signifie pas migrer des données, cela signifie recommencer à zéro un processus d'apprentissage qui a duré des mois ou des années. Et encore, votre intérêt aurait pu être de ne pas entraîner des services extérieurs sur vos données, y compris [dans une perspective de visibilité par les IA](https://enbi.fr/etre-trouve-par-les-ia-sans-offrir-votre-expertise/). ## Ce que le contrat ne dit pas clairement Quatre dimensions de la dépendance coexistent rarement dans le même article du contrat, mais se renforcent mutuellement. La première est la dépendance aux données. Lorsque vos données sont stockées dans un format propriétaire ou que leur extraction déclenche des frais de sortie, changer de fournisseur cesse d'être une décision pour devenir un projet à part entière. Le [rapport Flexera 2026 State of the Cloud](https://info.flexera.com/CM-REPORT-State-of-the-Cloud) documente ce mécanisme concrètement : après cinq années consécutives de baisse, les dépenses cloud gaspillées ont remonté à 29 % en 2026\. La cause explicite identifiée par le rapport est la complexité croissante introduite par l'IA et les nouveaux services PaaS. Autrement dit, plus les organisations intègrent profondément les outils de leurs fournisseurs, plus le coût de la maîtrise augmente, même sans changer de prestataire. La seconde est la dépendance à la plateforme. Les fonctionnalités spécifiques au fournisseur (formats d'API propriétaires, modules d'intégration exclusifs, architectures non portables) créent une dépendance technique qui s'approfondit à mesure que l'adoption s'élargit. Le rapport Flexera documente ce phénomène sous l'angle de la gouvernance : seules 49 % des PME disposent d'un CCOE (*Cloud Center of Excellence*) contre 76 % des grandes entreprises. Cette asymétrie de pilotage signifie que les PME adoptent les outils de leurs fournisseurs sans disposer des structures internes pour en mesurer la dépendance réelle ni en négocier les conditions de sortie. La troisième est la dépendance contractuelle. Les clauses de renouvellement automatique, les pénalités de résiliation anticipée et les regroupements forcés de fonctionnalités créent une pression économique qui rend le *statu quo* systématiquement moins coûteux que la sortie. Le rapport Flexera 2026 révèle que moins de la moitié des organisations utilisent les remises d'engagement proposées par leurs fournisseurs cloud, non par manque d'intérêt pour les économies, mais parce que ces engagements sont perçus comme des restrictions à la flexibilité future. Ce refus d'engagement sur les remises reflète précisément la conscience du *lock-in* : les organisations préfèrent payer plus cher à la demande plutôt que de se lier contractuellement. C'est le signal inverse de la confiance, et se traduit donc dans le ROI du projet numérique. La quatrième est la dépendance organisationnelle. Les équipes sont formées sur l'outil du fournisseur. Les processus métier se réorganisent autour de ses capacités. Le rapport Flexera 2026 documente cette tendance de fond : l'usage extensif de la GenAI est passé de 36 % à 45 % des organisations en un an, et 100 % des répondants déclarent désormais l'utiliser sous une forme ou une autre. Cette adoption universelle en douze mois crée une dépendance organisationnelle de fait, les équipes ont modifié leurs pratiques autour des outils, avant même que les contrats et les architectures ne soient stabilisés. Or le même rapport indique que 53 % des organisations citent les risques de sécurité et de conformité liés à l'IA cloud comme leur premier défi. L'adoption a précédé la gouvernance. C'est précisément dans cet écart, entre l'intégration opérationnelle et le contrôle contractuel, que la dépendance s'installe sans être négociée. Ces quatre niveaux s'additionnent. Une organisation qui a migré ses données dans un format propriétaire, intégré ses processus dans l'écosystème du fournisseur, formé ses équipes sur ses outils et différé l'engagement contractuel par souci de flexibilité se retrouve dans une situation paradoxale : elle a maximisé sa dépendance de fait tout en évitant de la formaliser. Ce n'est pas une stratégie d'indépendance, mais une exposition non documentée. Ce qu'on confond Possibilité contractuelle de partir ≠ capacité réelle de migrer. Une clause de portabilité peut être présente et parfaitement valide juridiquement : elle ne dit rien du temps qu'il faudra pour réentraîner un modèle sur un autre outil, ni du coût de reformer les équipes. La sortie peut être ouverte sur le papier et fermée en pratique. ## La dimension réglementaire : ce que l'AI Act change à l'équation L'entrée en vigueur de l'AI Act (Règlement UE 2024/1689) a introduit une couche supplémentaire de complexité contractuelle que la majorité des contrats signés avant 2025 n'anticipaient pas. L'AI Act distingue deux rôles : le fournisseur, qui développe et met sur le marché le système d'IA, et le déployeur, c'est-à-dire vous, qui l'utilise dans un contexte professionnel. Cette distinction a des conséquences directes sur la répartition des responsabilités. Pour les systèmes à haut risque, qui couvrent notamment les outils de recrutement, d'évaluation des performances et de gestion de la relation client (Annexe III, Règlement UE 2024/1689), les obligations du déployeur sont concrètes et vérifiables depuis le 2 août 2026 : supervision humaine effective des décisions automatisées, conservation des *logs* (traces d'usage informatique), information des personnes concernées, utilisation conforme aux instructions du fournisseur. Ce dernier point crée une dépendance réglementaire nouvelle. Si votre fournisseur n'est pas conforme, vous ne pouvez pas démontrer votre propre conformité. Les fournisseurs de systèmes à haut risque ont l'obligation de fournir une documentation technique complète à leurs clients déployeurs (AI Act, art. 16, 25, 26). En l'absence de cette documentation, la PME déployeuse est exposée à une responsabilité en cascade qu'elle ne peut pas déléguer contractuellement à son prestataire. Point de droit L'AI Act distingue le **fournisseur** (qui développe et met sur le marché le système) du **déployeur** (vous, qui l'utilisez professionnellement). Pour un système à haut risque, les obligations du déployeur — supervision humaine, conservation des logs, information des personnes concernées — sont vérifiables depuis le 2 août 2026\. Elles reposent sur une documentation que seul le fournisseur peut produire : sans elle, la responsabilité en cascade reste sur le déployeur. La question à poser à votre fournisseur avant de signer : votre système est-il classé à haut risque au titre de l'AI Act ? Disposez-vous d'une documentation technique conforme à l'Annexe IV ? Un fournisseur qui ne peut pas répondre à ces questions est un risque de conformité pour votre organisation, et ce risque doit être anticipé avant la contractualisation. ## La souveraineté des données : un actif sous condition La transmission de vos données stratégiques vers une infrastructure tierce n'est pas seulement un enjeu de conformité. C'est un enjeu de souveraineté économique. En Europe, deux régimes juridiques se superposent et créent une tension non résolue. Le RGPD encadre les transferts de données hors de l'Union européenne et impose des garanties spécifiques. Le Cloud Act américain, à l'inverse, permet aux autorités américaines d'accéder aux données hébergées par des opérateurs américains, quel que soit le lieu de stockage physique. Ces deux régimes s'appliquent simultanément, et peuvent se contredire, si votre fournisseur d'IA est une entreprise soumise au droit américain. La CNIL a explicitement critiqué le projet de certification européenne pour les services cloud (EUCS) pour l'absence de critères d'immunité aux lois extra-européennes, jugeant que cette lacune pose problème sur le plan juridique, économique, technologique et industriel. En France, la certification SecNumCloud maintient des exigences de souveraineté que l'EUCS n'intègre pas dans sa dernière version. Un écart que les contrats avec des prestataires non qualifiés SecNumCloud ne compensent pas spontanément. Ce que vous signez lorsque vous choisissez un prestataire non souverain, c'est une exposition résiduelle à des régimes juridiques étrangers sur vos données d'entreprise. La portée exacte de cette exposition dépend de la nature de vos données, de votre secteur et de vos obligations contractuelles avec vos propres clients, autant d'éléments que votre contrat avec le prestataire IA ne clarifiera pas toujours à votre place. ## Ce qui se négocie avant la signature L'indépendance technologique, qui préserve aux marges de manœuvre, ne s'improvise pas après déploiement. Elle se contractualise avant. Plusieurs clauses permettent de limiter structurellement la dépendance sans nécessairement changer de fournisseur. - La portabilité des données doit être explicitement garantie : format d'export standardisé, absence de frais d'égression, délai d'extraction garanti. - L'accès à la documentation technique du système est une obligation réglementaire pour les systèmes à haut risque, elle doit figurer dans le contrat comme condition de signature, pas comme négociation ultérieure. - Les conditions de résiliation : préavis, pénalités, obligations du fournisseur en cas de sortie, méritent une attention au moins égale aux conditions d'entrée. - Le droit d'audit sur les données traitées et les modèles utilisés doit être prévu contractuellement, particulièrement pour les systèmes qui traitent des données personnelles ou qui prennent des décisions impactant des tiers. D'autant que certaines de ces conditions exposent votre responsabilité en propre, et pas toujours celle de votre prestataire. Verdict **Conditionnel** Ce que vous signez quand vous signez avec un prestataire IA, c'est un arbitrage sur votre liberté de mouvement future. La plupart des organisations font cet arbitrage implicitement, sans en mesurer les termes. Le coût réel d'un contrat IA n'est pas sa licence annuelle : c'est la somme des coûts de transfert que vous acceptez tacitement, des obligations réglementaires que vous endossez comme déployeur, et de la souveraineté que vous cédez sur vos données stratégiques. Lire un contrat IA à travers une triple lecture, juridique, économique, technique, n'est pas un luxe de juriste. C'est la condition minimale pour que la signature soit un choix, pas un renoncement. [Sprint de cadrageVous avez un projet IA.Avant de vous engager, sachez ce qu'il vaut vraiment.Verdict écrit · Prix fixe · Pas de surprises→](https://enbi.fr/interventions/sprint-cadrage/) ### Performance et conformité algorithmique : pourquoi les regarder ensemble URL: https://enbi.fr/performance-et-conformite-algorithmique-pourquoi-les-regarder-ensemble/ Last updated: 2026-08-28T21:44:08.000Z Actualité Article à jour d'avril 2026. Ce qu'il faut retenir Un algorithme performant sur le papier peut être illégal s'il repose sur des critères discriminatoires. Nous démontrons pourquoi la validité juridique et la performance technique sont indissociables pour tout déploiement responsable. En 2025, 31 % des TPE-PME françaises déclaraient utiliser au moins un outil d'IA générative, contre 3 % deux ans plus tôt ([Bpifrance Le Lab, 2025](https://lelab.bpifrance.fr/Etudes/31-des-tpe-et-pme-utilisent-l-ia-generative)). Cette adoption rapide s'est faite, pour l'essentiel, sans cadre de gouvernance structuré. Sur un périmètre différent, celui plus large des PME européennes, moins de 30 % déclaraient avoir engagé une démarche de conformité AI Act sur une période comparable : deux indicateurs distincts, mais qui pointent dans le même sens, celui d'un écart croissant entre le rythme d'adoption et celui de la mise en conformité. Ce décalage n'est pas anodin : les sanctions prévues par le règlement (UE) 2024/1689 peuvent atteindre 15 millions d'euros ou 3 % du chiffre d'affaires mondial pour les systèmes à haut risque non conformes. La tension entre ces deux réalités, à savoir l'adoption accélérée et la gouvernance absente, produit une catégorie spécifique de risque : celui de l'organisation qui déploie un outil performant mais juridiquement exposé, ou qui se conforme au texte sans comprendre ce que cela coûte à la performance réelle du système. Ces deux postures sont également problématiques. Elles partagent le même défaut : elles regardent la performance et la conformité l'une sans l'autre. C'est également l'approche structurée du marché sur le sujet : des cabinets d'avocat d'un côté, des ESN et cabinets techniques de l'autre. --- ## Une conformité procédurale, déconnectée du terrain L'AI Act classe les systèmes d'IA selon quatre niveaux de risque (art. 5, 6 et 50, Règlement UE 2024/1689). Les systèmes à haut risque, dont relèvent notamment les outils de recrutement, de *scoring* de crédit, d'évaluation des performances ou [d'aide à la décision judiciaire](https://enbi.fr/ia-systeme-judiciaire-experimentation/), sont soumis depuis le 2 août 2026 à des obligations strictes : documentation technique, traçabilité des données, supervision humaine effective, registre des incidents. Appliquer ces obligations de façon purement procédurale produit des systèmes conformes sur le papier, mais désalignés avec la réalité opérationnelle. - Les équipes produisent des livrables de conformité sans en comprendre les implications métier. - Les responsables techniques documentent les modèles sans que les responsables juridiques sachent ce qu'ils valident. - Les directions générales signent des déclarations de conformité sans avoir cartographié les systèmes concernés. Ce décrochage entre la règle déclarée et le processus réel est précisément ce que le régulateur vient sanctionner. En 2024, la CNIL a prononcé 87 sanctions totalisant plus de 55 millions d'euros d'amendes. Cette exposition concerne autant les secteurs privé que public. - Le 22 janvier 2026, [France Travail](https://www.legifrance.gouv.fr/cnil/id/CNILTEXT000053408671) a été sanctionné de 5 millions d'euros pour défaut de sécurité des données. - Le même mois, [Free Mobile](https://www.legifrance.gouv.fr/cnil/id/CNILTEXT000053352594) et [Free](https://www.legifrance.gouv.fr/cnil/id/CNILTEXT000053352643) ont écopé respectivement de 27 et 15 millions d'euros. Ces décisions ne portent pas sur des organisations qui ignoraient le droit, elles portent sur des organisations où la conformité déclarée ne correspondait pas aux pratiques réelles. --- ## Un modèle performant, mais juridiquement exposé L'erreur symétrique consiste à optimiser un algorithme sans prendre en compte le cadre juridique dans lequel il opère, y compris dans ses conséquences indirectes. L'article 22 du Règlement (UE) 2016/679 (RGPD) interdit les décisions entièrement automatisées produisant des effets juridiques ou significatifs sur les personnes, sans intervention humaine réelle. La performance technique du modèle masque le risque juridique de son déploiement. Plus le modèle est précis, plus il est tentant de le laisser décider seul. C'est exactement l'inverse de ce que la réglementation exige. Le même raisonnement vaut pour les biais algorithmiques. Le Défenseur des droits, en partenariat avec la CNIL, a publié des recommandations spécifiques sur les discriminations algorithmiques, rappelant que les traitements de données RH peuvent produire des discriminations indirectes sans que l'organisation en ait l'intention. Dans [notre cas documenté de prédiction des démissions](https://enbi.fr/predire-et-prevenir-les-demissions-par-lalgorithmie/), l'algorithme entraîné sur les données complètes atteignait 90 % de fiabilité, mais ses recommandations auraient structurellement favorisé les salariés européens sur les salariés non-européens, constituant une discrimination indirecte au sens du code pénal. La performance était réelle. Le déploiement, lui, était impossible. --- ## Pourquoi une lecture unique ne suffit pas La question n'est donc pas de choisir entre performance et conformité. C'est de comprendre que chacune, regardée seule, produit une fausse sécurité. Une lecture uniquement technique identifie les gains d'efficacité et les indicateurs de performance. Elle ne voit pas les obligations de supervision humaine, les risques de discrimination indirecte, ni les clauses contractuelles avec les fournisseurs qui conditionnent la maîtrise réelle du système. Une lecture uniquement juridique cartographie les obligations réglementaires et produit la documentation requise. Elle ne mesure pas si les seuils de décision sont économiquement justifiés, si les données d'entraînement sont représentatives, ni si la performance réelle du système justifie les coûts de mise en conformité. Une lecture uniquement économique évalue le retour sur investissement et les gains de productivité. Elle doit s'enrichir de l'estimation des provisions pour l'engagement de la responsabilité civile et pénale en cas de défaillance, ainsi que des risques de dépendance contractuelle vis-à-vis des fournisseurs de modèles. La triple lecture, juridique, économique, data, n'est pas un enrichissement optionnel du raisonnement. C'est la condition minimale pour que l'arbitrage soit fondé. L'AI Act l'a également formalisé : les entreprises doivent désormais qualifier leur rôle dans la chaîne de valeur (fournisseur ou déployeur), cartographier leurs systèmes, documenter leur niveau de risque, et assurer une supervision humaine traçable. Ce sont des décisions qui mobilisent simultanément des compétences juridiques, des compétences data et des compétences économiques. Traiter l'un sans les autres, c'est produire un dossier de conformité incomplet ou un système performant mais exposé. --- ## Ce que ça implique concrètement pour une organisation Selon les enseignements du [Baromètre France Num 2025](https://www.francenum.gouv.fr/guides-et-conseils/strategie-numerique/comprendre-le-numerique/barometre-france-num-2025-le), l'adoption de l'intelligence artificielle par les TPE et PME françaises est freinée par des enjeux de maîtrise et de sécurité. Si la crainte de la perte de contrôle des données personnelles reste un frein majeur, les préoccupations se cristallisent désormais sur la fiabilité des résultats produits : une part croissante de dirigeants redoute les erreurs techniques ou les "hallucinations" des outils d'IA. Par ailleurs, l'alignement avec les exigences de conformité (RGPD et IA Act) et la gestion des biais algorithmiques apparaissent comme des défis complexes pour des structures qui manquent souvent de compétences internes pour auditer ces solutions. Ces préoccupations sont légitimes. Elles indiquent que les organisations perçoivent l'existence du risque sans disposer des outils pour l'évaluer. La cartographie des systèmes IA, première étape obligatoire de toute démarche de conformité sérieuse, reste absente dans la majorité des structures. De nombreux dirigeants découvrent tardivement que leurs outils métiers intègrent des composantes d'IA relevant du risque élevé : un logiciel RH avec module de scoring candidats, une solution de credit-scoring B2B, un outil de détection de fraude interne. Dans chacun de ces cas, la PME déployeuse est responsable au sens de l'AI Act, indépendamment du fait qu'elle ait ou non développé le système. Le coût de cette découverte tardive n'est pas seulement réglementaire. Il est économique : reprise de projets déployés, renégociation de contrats fournisseurs, arrêt de systèmes en production, exposition contentieuse. ### IA et système judiciaire : construire les conditions d'une expérimentation acceptable URL: https://enbi.fr/ia-systeme-judiciaire-experimentation/ Last updated: 2026-08-28T21:43:06.000Z Note Ce cas d’usage distingue trois strates : une participation personnelle documentable aux travaux préparatoires (2024), des éléments rendus publics par les institutions concernées (lancement, calendrier, objectifs affichés), et une analyse théorique ultérieure, propre à l’auteur, qui n’engage ni le parquet général de Paris ni le ministère de la Justice. En 2024, j’ai contribué aux travaux préparatoires d’expérimentation de l’intelligence artificielle au sein du parquet général près la cour d’appel de Paris. Cette initiative a donné lieu, début 2025, au lancement public d’une expérimentation avec l’IA interministérielle de l’État, Albert, afin d’objectiver la valeur ajoutée de cette technologie au service des magistrats du premier parquet général de France. Cet article a pour vocation de présenter les enjeux organisationnels et théoriques liés à l’introduction de l’intelligence artificielle dans des environnements institutionnels contraints. --- ## L'IA : la bonne réponse aux délais du système pénal ? De nombreuses administrations publiques se sont emparées, depuis plusieurs années, des différentes technologies rattachées à l’intelligence artificielle : de l’apprentissage automatique (ML), du traitement automatisé du langage (NLP), et plus récemment, des IA génératives (LLM) ainsi que de la synthèse documentaire contextualisée (RAG). Parmi ces initiatives, Albert avait été développé comme plateforme mutualisée d’accès unique à des modèles d’IA générative (*API Gateway*), en mettant à disposition des modèles *open-source* sur infrastructures sécurisées à destination des services de l’État. Hors considérations technologiques, le système judiciaire français fait face, depuis plusieurs années, à un allongement structurel des délais de traitement de ses procédures. Le problème est devenu majeur, au point que l’État français s’est vu condamner à de nombreuses reprises par la Cour européenne des droits de l’Homme (CEDH), au motif que ces délais contreviennent à l’exigence de « délai raisonnable » des procédures judiciaires (art. 6§1 CEDH). Sur les comparaisons européennes, les délais français se situent en moyenne à 50% au-delà de la médiane des États-membres de l’UE, avec des délais pouvant dépasser les quatre années en matière criminelle. ### L'objectif : tester la faisabilité, pas décréter la solution Avec les gains de productivité attendus par les intelligences artificielles génératives, l'objectif était donc de savoir s'il était possible, et sous quelles conditions, de les déployer utilement dans un environnement aux procédures très encadrées, aux habitudes de travail normées, et sujet à une exposition politique forte. --- ## La difficile équation de la performance d'un système judiciaire À l’inverse des organisations à but lucratif, les services publics n’ont pas pour objectif d’être profitables, même s’ils sont astreints à des règles qui leur imposent l’équilibre budgétaire. La détermination de la performance doit donc se faire sur des critères autres que sur des considérations financières. Or, la performance se définit comme la capacité à optimiser, c’est-à-dire faciliter, accélérer, ou adapter les ressources allouées pour l’atteinte d’un objectif. La détermination de cet objectif en environnement non-lucratif est particulièrement sensible : s’il ne fait pas l’objet d’une évidence certaine et absolue, il fait donc l’objet de divergences au sein de l’organisation de travail. Une solution technologique construite autour de cette vision est par conséquent vouée à l’échec, du fait de l’éclatement des priorités entre les parties prenantes qui vont graviter autour. L’enjeu est d’autant plus marqué dans les services publics, où les administrations ne peuvent se substituer aux responsables politiques, élus ou désignés par ces derniers, qui sont de ce fait légitimes à déterminer les orientations de fond des organisations sous leurs ordres. Dans le cas présent, l’initiative ne pouvait émerger que d’une figure *autorisée* à orienter l’organisation dans son fonctionnement interne, en la personne de la procureure générale. Le périmètre de l’orientation ne pouvait excéder les prérogatives qui lui étaient dévolues, et en l’occurrence, celui du politique. ### Formaliser l'objectif, au-delà des cycles politiques Hors cas présentement commenté, l'orientation la plus prudente en matière d'objectifs de performance dans les environnements para-lucratifs sont ceux qui sont explicitement formalisés, idéalement de manière continue et constante, malgré les changements d'orientation politique. La question de la constance de l’objectif malgré les orientations politiques n’est pas qu’un effet d’acceptabilité interne et externe : il est aussi celui d’une logique d’optimisation financière du projet. Le cadrage initial, le développement, le déploiement et l’accompagnement du changement sont coûteux en ressources et en charge cognitive pour les équipes. Il est essentiel de viser une organisation-cible, en cherchant à optimiser selon un objectif qui ne sera pas détricoté quelques mois ou années plus tard. --- ## Identifier les bons goulets, établir le bon protocole Les délais dans le système judiciaire sont liés à un sous-effectif chronique et documenté, que plusieurs années de réforme et d'aides ciblées n'ont pas permis d'endiguer. Le gain d'efficacité ne peut pas non plus se traduire par une dégradation de la qualité. Une entreprise qui fait face à une tension sur sa marge peut envisager d'adapter ses coûts et réaligner son positionnement sur la qualité. Le système judiciaire, qui porte l'un des trois pouvoirs, ne peut pas renoncer à la préservation de l'État de droit. Pour sa mise en œuvre, l'État de droit doit reposer sur le respect de certains formalismes, qui se traduisent dans des corpus documentaires. Ces derniers contiennent des documents de nature très différente : des procès-verbaux, des pièces, des expertises ... Avant qu'un magistrat puisse raisonner, il doit pouvoir prendre connaissance du contenu qui est matérialisé par ces documents, ce qui nécessite une étape de recherche, de tri et de synthèse. Ce travail, long, répétitif, et à faible valeur ajoutée, est partiellement assumé par des assistants de justice, et constitue le premier goulet. Un protocole d’expérimentation robuste ne peut se limiter à une comparaison informelle entre équipes. Il doit reposer sur une logique quasi-expérimentale permettant d’isoler l’effet réel de l’outil. Concrètement, un échantillon homogène de dossiers (en nature, complexité et volumétrie documentaire) est traité selon deux modalités : une chaîne de traitement standard, et une chaîne assistée par un moteur de type RAG. Lorsque cela est possible, une rotation des équipes sur les deux modalités permet de neutraliser les biais liés aux pratiques individuelles. L’évaluation ne peut se limiter aux délais de traitement : elle doit intégrer des indicateurs de qualité juridique, tels que le taux de réquisitions suivies, la fréquence des vices de procédure ou les corrections apportées en aval. En complément, des tests comparatifs entre configurations de modèles ou de paramétrage du RAG peuvent être conduits, non pas pour identifier une “meilleure IA” abstraite, mais pour déterminer l’adéquation entre un type de contenu contentieux (volumétrie, structuration, technicité) et un mode de traitement algorithmique donné. L’objectif n’est pas uniquement de mesurer une accélération, mais de qualifier précisément les cas d’usage dans lesquels cette accélération est soutenable juridiquement et opérationnellement. Dans tous les cas, la responsabilité du contenu produit demeure entièrement humaine : l’outil n’intervient qu’en assistance, et toute validation engage exclusivement le magistrat ou l’agent en charge du dossier. Trois éléments méritent d'être distingués : l'hypothèse testée (le RAG accélère le traitement documentaire sans dégrader la qualité), le critère d'évaluation retenu (taux de réquisitions suivies, vices de procédure, délais de traitement), et la décision institutionnelle effective, qui reste à ce jour celle d'une expérimentation, non celle d'un déploiement généralisé. Ce que ça signifie RAG : ce que ça fait, et ce que ça ne fait pas Un RAG (retrieval-augmented generation) est un moteur de recherche indexé couplé à un modèle de langage. Il ne raisonne pas : il retrouve les passages pertinents dans un corpus documentaire défini, puis les reformule. Sa valeur est dans la vitesse de tri, pas dans la qualité du jugement. Il ne décide rien. Il organise ce qui existe déjà dans les documents qu'on lui a fournis. **Dans ce cas :** le corpus, c'est la documentation des procédures pénales. Le RAG fait le travail de recherche et de synthèse que faisaient les assistants de justice, plus vite, sur un périmètre documentaire à sa disposition. Pour gagner du temps, l'informatisation à compter des années 1990 et 2000 a permis le déploiement de logiciels et de modèles afin d'accélérer la rédaction. L'assistance numérique du magistrat et des personnes qui l'accompagnent n'est pas perçue ici comme un frein, mais au contraire comme un levier utile pour l'aider à mener ses missions à bien. Transposé au raisonnement avec l'IA, on distingue bien les deux éléments que sont l'assistance d'une part, c'est-à-dire le gain de temps, et la validation d'autre part, qui est le processus humain. L'acceptabilité fonctionnelle de son déploiement ne peut pas contrevenir à ces deux principes. --- ## Aller plus vite ne suffit pas. La question est : plus vite vers quoi ? Le gain de productivité attendu d'un RAG est réel. Mais il peut masquer une dégradation si le KPI retenu est uniquement le volume de dossiers traités, ou la réduction simple des délais de traitement. Un système judiciaire peut accélérer la production de ses actes tout en fragilisant leur qualité, avec des conséquences réelles sur l'applicabilité de la loi. Il est politiquement, et moralement, difficilement admissible de laisser impunis des auteurs de fait, pour des vices de procédure induits par un traitement automatisé. S'il n'est pas envisageable que le système judiciaire décide délibérément d'abaisser son seuil de qualité (c'est-à-dire, l'effectivité de l'État de droit), il ne l'est pas plus d'atteindre ce résultat par une organisation-cible qui repose sur une automatisation partielle, devenue indispensable. Concrètement, cette dégradation doit pouvoir s'objectiver. Le bon indicateur apparaît ici comme le taux de réquisitions non suivies par le siège, c'est-à-dire le nombre de fois où la recommandation de l'avocat générale n'aura pas été suivi. Et en sous-indicateur, la part de ces pertes attribuables à un vice de procédure. Pourquoi ça compte Hallucinations : le risque spécifique en contexte judiciaire Un modèle de langage peut produire des informations incorrectes présentées avec une apparente cohérence : une référence erronée, une date inexacte, un élément inventé. C'est ce que l'on appelle une hallucination. Dans un dossier pénal, ce risque prend une forme précise : une invention matérielle introduite par le RAG peut fonder un vice de procédure soulevé par la défense. Si le RAG réduit ce risque par rapport à un LLM généraliste, parce qu'il s'appuie sur un corpus documentaire identifié et non sur sa mémoire d'entraînement, il ne l'élimine pas. **Ce que ça implique ici :** la procédure métier doit rendre systématique le contrôle et la validation humaine. L'outil est ainsi présenté comme une assistance et non une délégation. C'est pourquoi le processus de travail ne pouvait pas reposer sur une automatisation de bout en bout. Le principe d'assistance et de validation, posé comme condition de l'acceptabilité fonctionnelle, trouve ici sa justification concrète : non seulement dans la logique organisationnelle, mais dans la logique juridique. Un livrable non validé engage une responsabilité que le système ne peut pas déléguer à une machine. Pour ces raisons, la recherche indexée du RAG a été priorisée au départ sur tout autre cas d'usage. Pour toute organisation, une IA sans supervision ni validation humaine n'améliore pas la structure de coût, mais la décale en aval, vers le risque contentieux. --- ## Pourquoi le parquet avant le siège. Le choix du terrain d'expérimentation n'est pas neutre. Une IA qui assiste la rédaction d'une décision de justice, rendue au nom du peuple français et susceptible de priver quelqu'un de liberté, paraît politiquement et symboliquement inacceptable dans l'état actuel du débat public. Une IA qui assiste le parquet dans la préparation de ses réquisitions l'est beaucoup moins : l'avocat de la défense reste en mesure de contester, le magistrat du siège reste en mesure de ne pas suivre. Autrement dit, l'équilibre introduit par le principe du contradictoire absorbe une partie du risque. À la condition, bien évidemment, que cette automatisation ne mène pas à une dégradation de la qualité, quand bien même elle permet d'agir sur les délais des procédures. Ce choix reflète une règle générale pour les expérimentations en environnement institutionnel contraint : on commence là où la réversibilité est la plus grande et l'exposition politique la plus faible. Pas par timidité, par méthode. ### Une hypothèse sur ce que la technologie rend possible, sans le rendre automatique. L'article 4 du décret n° 2015-1275 du 13 octobre 2015 portant statut particulier des greffiers des services judiciaires définit leurs missions en deux registres distincts. D'un côté, des fonctions procédurales et documentaires : assistance des magistrats dans la mise en état et le traitement des dossiers, recherches juridiques, rédaction des procès-verbaux, mise en forme des décisions. De l'autre, une mission explicitement tournée vers les justiciables : renseigner, orienter et accompagner les usagers dans l'accomplissement des formalités ou procédures judiciaires. Ces deux registres coexistent dans le même article, sans être hiérarchisés. Mais dans la pratique, la charge documentaire a structurellement absorbé la disponibilité des greffiers au détriment du second. Si le RAG prend en charge une partie du premier registre, à savoir la recherche, le tri, la synthèse documentaire, la question qui s'ouvre est celle de la capacité libérée pour le second. Le déficit de présence auprès des justiciables est documenté : la loi d'orientation et de programmation du ministère de la Justice 2023-2027 identifie explicitement l'amélioration de l'accueil et de l'accompagnement des usagers parmi ses objectifs. Le texte prévoit par ailleurs 1 500 recrutements supplémentaires de greffiers d'ici 2027, soit un effort réel, mais qui ne résoudra vraisemblablement pas l'enjeu structurelle. La transformation numérique rend envisageable une réorientation partielle vers ces missions relationnelles. Sans la rendre automatique, elle ne la rend souhaitable que si elle est pensée en amont, et pas subie en aval. Autrement dit, la mise en production de l'algorithme devra passer par une étape de dialogue social avec les greffiers, dont le métier sera directement affecté par un outil qui ne leur était pas destiné au départ. Hors justice, c'est un angle mort fréquent des projets IA : on cartographie les utilisateurs cibles, rarement les parties prenantes dont le travail se trouve modifié en aval ou en amont de la chaîne. Ce que l'expérience montre Choisir un terrain d'expérimentation, organiser le contrôle humain, préserver la réversibilité : ce sont les conditions qu'enbi examine avant tout passage à l'échelle d'un POC. [Revue indépendante avant passage à l'échelle d'un POC IA](https://enbi.fr/revue-independante-avant-passage-a-lechelle-dun-poc-ia/) · [Faire examiner un projet IA avant d'engager le budget](https://enbi.fr/evaluation-projet-ia/) ### Construire les compétences IA des agents publics — mission INSP Brésil URL: https://enbi.fr/mission-strategie-ia-et-competences-rh-dans-ladministration-federale-bresilienne-insp-2025-2/ Last updated: 2026-08-28T16:40:30.000Z En 2025, Alexis Bernard a représenté la **Direction interministérielle du numérique** dans le cadre d’échanges bilatéraux organisés par l’**Institut national du service public** avec l’administration fédérale brésilienne. La mission portait sur un sujet central pour les administrations publiques : les compétences humaines nécessaires à l’adoption de l’intelligence artificielle. La question posée par le gouvernement fédéral brésilien n’était pas que technique. Elle portait sur ce qui précède et conditionne tout déploiement d’IA dans une organisation publique : quelles compétences faut-il développer, pour quels agents, dans quels métiers et pour quels usages ? L’échange avec les représentants de la Gouvernance numérique du Brésil portait notamment sur la construction d’une matrice de compétences à destination des agents qui ne travaillent pas sur des sujets techniques. Autrement dit : non pas former uniquement des data scientists, mais répondre à une question plus large. Comment un agent qui ne code pas, ne modélise pas et ne conçoit pas de système d’IA peut-il travailler efficacement dans un environnement où l’intelligence artificielle modifie ses outils, ses processus et les attentes qui pèsent sur lui ? Ici, la matrice de compétences précède le choix des outils, et non l’inverse : elle oblige à regarder le travail réel des agents non techniques — ce qu’ils font, ce que l’IA peut absorber dans leurs tâches, et ce qui doit rester sous contrôle humain. Le travail engagé avec les représentants brésiliens portait notamment sur cette distinction entre ce qui peut être automatisé, ce qui relève de l’assistance à l’agent, et ce qui doit rester une décision humaine. ## Lien avec l’approche d’enbi Cette mission éclaire directement l’approche d’enbi auprès des administrations publiques et des organisations confrontées à l’intégration de l’IA. Déployer une solution d’IA ne consiste pas seulement à choisir un outil. Il faut comprendre les métiers concernés, les compétences disponibles, les décisions qui resteront humaines, les responsabilités associées et les conditions d’acceptabilité de la transformation. C’est précisément le type de cadrage qu’enbi propose : partir de la décision à prendre, des usages réels et des contraintes organisationnelles avant de choisir ou de déployer une technologie. [Source · insp.gouv.frRencontres et formations internationales : Argentine, Brésil et République dominicaineInstitut national du service public (INSP) · Février 2025→](https://www.insp.gouv.fr/actualites/rencontres-et-formations-internationales-argentine-bresil-et-republique-dominicaine) Ce que l'expérience montre Construire les compétences IA d'agents publics à l'échelle fédérale : la même approche structure les formations enbi. [Formations](https://enbi.fr/formations/) · [Administrations publiques](https://enbi.fr/administrations-publiques/) ### Pourquoi les meilleurs modèles ne se suffisent pas URL: https://enbi.fr/pourquoi-les-meilleurs-modeles-ne-se-suffisent-pas-et-ce-que-ca-implique-si-vous-en-construisez-un/ Last updated: 2026-08-28T16:37:14.000Z *Cet article présente des considérations analytiques construites sur la base exclusive d'informations rendues publiques par les institutions concernées.* Un modèle peut être techniquement irréprochable et ne rien changer du tout. #### Deux cas où la technique n'est pas le problème Prenons deux cas publics, aux temporalités et périmètres d'intervention opposés, tout en étant majeurs sur la conduite de l'action publique. Le premier : un algorithme de détection des arrêts cardio-respiratoires sur les lignes d'urgence. Entraîné sur plus de dix ans d'appels, il est capable d'identifier en moins de quinze secondes les signes caractéristiques d'un arrêt cardio-respiratoire (bruit ambiant, respiration, vocabulaire). Pour les plus geeks, c'est un recoupement d'analyse du son et du NLP appliqué à des milliers d'appels, avec un apprentissage par le recoupement desdits enregistrements avec les rapports post-intervention des pompiers. L'objectif déclaré : permettre à l'opérateur de déclencher un massage cardiaque guidé par téléphone en moins d'une minute, contre deux minutes trente en moyenne sans assistance d'IA. Chaque minute gagnée représente dix points de probabilité de survie supplémentaires, soit environ 400 vies par an sur le périmètre de l'Ile-de-France. Le modèle fonctionne et est pertinent. Le second : un outil de recherche indexée (RAG) pour l'instruction de dossiers d'évaluation environnementale. Quatre mille dossiers traités par an, sous délai contraint, par des équipes en effectifs limités. L'outil identifie les enjeux environnementaux, détecte les contradictions réglementaires, propose des éléments de rédaction d'avis. Le gain de temps mesuré : dix à vingt pour cent. L'outil fonctionne. Dans les deux cas, la question technique est résolue. Ce qui reste ouverte, c'est une autre question, liée aux organisations et à leurs pratiques de décision. #### Le signal ne décide pas, l'organisation si Dans le cas de la détection d'ACR, l'algorithme score, c'est à dire qu'il attribue une probabilité. Autrement dit, il ne décide pas. L'humain décide. Ce qui change avec l'outil, c'est la condition dans laquelle l'opérateur prend sa décision : plus vite, sur la base d'une pré-analyse qu'il n'a pas eu le temps d'effectuer. La valeur du modèle dépend entièrement de ce que l'opérateur fait de ce signal. Elle dépend de sa formation, de la clarté du protocole, de sa confiance dans le système, et de sa capacité à agir différemment qu'il ne l'aurait fait sans l'outil. Dans le cas de LIRIAe, le critère de succès retenu par les porteurs du projet n'est pas le gain de temps. C'est « l'appréciation des auditeurs ». Un outil qui réduit le temps de traitement de vingt pour cent mais que personne n'utilise après le pilote ne change rien. La mesure d'impact est organisationnelle avant d'être technique. C'est le même problème dans les deux cas : un modèle produit un signal. Une organisation décide ce qu'elle en fait — y compris la décision de l'acheter, quand le modèle vient d'une start-up. #### Ce que ça implique si vous construisez un modèle Si vous développez un produit algorithmique, vous connaissez déjà cette tension. Vos prospects institutionnels valident le POC, louent les performances, et n'achètent pas. Ou achètent et n'utilisent pas. Ou utilisent pendant six mois et demandent un désabonnement. C'est exactement ce qui s'est joué avec LIRIAe : un gain de temps mesuré de dix à vingt pour cent n'a jamais été le critère qui a décidé de son adoption durable. Ce n'est pas un problème de produit. C'est un problème de chaîne de valeur. Votre modèle produit un *output*. Cet *output* doit modifier un comportement. Ce comportement doit s'inscrire dans un processus. Ce processus doit être accepté par les équipes qui l'utilisent. Ces équipes doivent avoir été formées, accepter le nouveau *deal* d'être possible déclassés, et les responsables hiérarchiques doivent avoir redéfini ce qu'ils attendent d'elles. Cette prise de décision, au niveau hiérarchique, se complexifie par les mécanismes à l'œuvre : rationalité économique pure ? Décision politique ? Réorientation stratégique de l'entreprise avec évolution de la chaîne de création de valeur ? C'est cinq maillons entre votre modèle et l'impact réel. Si l'un d'eux manque, le modèle ne change rien, quelle que soit sa performance technique. Il existe un troisième cas public qui illustre ce point par un angle différent. Un outil d'évaluation automatisée des systèmes RAG, conçu précisément parce que le problème des déploiements RAG n'est pas la performance initiale, c'est la régression de qualité entre deux versions. Un modèle validé en production peut se dégrader silencieusement à chaque mise à jour du corpus ou du LLM sous-jacent. La question n'est pas « est-ce que ça marche » mais « est-ce que ça continue à marcher, et comment le sait-on ». C'est une question organisationnelle déguisée en question technique. Or, les organisations prennent la décision d'adopter votre outil parce que : - Il accélère l'atteinte de l'objectif cible de l'organisation - Il ne contrarie pas les agendas non assumé des parties-prenantes de l'organisation - Il n'expose pas l'organisation à une responsabilité excessive au regard du gain de productivité. #### Ce que les organisations qui réussissent font différemment Elles posent la question de l'organisation avant la question du modèle. Pas « quelle performance peut-on atteindre » mais « quelle décision voulons-nous améliorer, qui la prend, dans quel contexte, et qu'est-ce qui doit changer dans l'organisation pour que le signal de l'IA modifie réellement cette décision ». Ce n'est pas une question que les équipes techniques peuvent résoudre seules. Ce n'est pas non plus une question que les décideurs peuvent résoudre sans comprendre ce que le modèle peut et ne peut pas faire. C'est l'espace entre les deux. C'est là que les projets gagnent ou perdent. Pour décider Si votre POC fonctionne, le prochain sujet n'est pas la démonstration : c'est ce que l'industrialisation engage. [Revue indépendante avant passage à l'échelle d'un POC IA](https://enbi.fr/revue-independante-avant-passage-a-lechelle-dun-poc-ia/) · [Concevoir](https://enbi.fr/concevoir/) ### Valorisation commerciale d’une avancée technique en marketing géo-décisionnel URL: https://enbi.fr/valorisation-commerciale-dune-avancee-technique-en-marketing-geo-decisionnel/ Last updated: 2026-08-28T16:34:45.000Z Le client est une start-up spécialisée en marketing géo-décisionnel. L’entreprise exploite les données de masse extraites des opérateurs de téléphonie mobile afin de décrire et de prédire le comportement des consommateurs dans leurs déplacements. Le service permet aux clients B2B de savoir, par profil sociologique, le nombre de personnes résidant à un endroit donné, travaillant dans un autre endroit, et se rendant ponctuellement ou régulièrement dans certains lieux (centres commerciaux, musées etc). La mission portait sur un des produits numériques porté par cette entreprise, à savoir une interface BI (tableau de bord) d’étude des zones de chalandise à destination de professionnels. La start-up était parvenue à fiabiliser son traitement algorithmique des déplacements, qui parvenaient maintenant à déterminer le mode de transport emprunté. L’objectif était de valoriser commercialement cette avancée technique. Techniquement, le signal existait déjà : on savait désormais par quel mode de transport un visiteur avait rejoint un lieu. Mais ce signal, seul, ne correspondait à aucune ligne de facturation identifiée. Les clients existants de la start-up — les gestionnaires des lieux visités — achetaient déjà de la fréquentation ; ils n’avaient pas de raison particulière de payer davantage pour savoir comment leurs visiteurs s’étaient déplacés. ## Ouverture vers les promoteurs immobiliers Le Japon présente la particularité d’avoir un système de transports en commun éclaté entre plusieurs opérateurs publics et privés, qui opèrent chacun une ou plusieurs lignes bien identifiées. L’avancée technique de détermination du mode de transport permettait donc, *a fortiori*, d’inférer la compagnie empruntée par les clients pour se rendre dans un lieu donné. Le signal changeait alors de nature : ce n’était plus seulement une donnée de fréquentation revendue au gestionnaire du lieu, mais une donnée d’itinéraire qui intéressait, cette fois, l’opérateur de transport lui-même. Autrement dit, cette avancée permettait de : - Scorer l’attractivité d’un lieu donné par rapport à son éloignement du domicile du particulier, et la facilité d’accès par les modes de transport à sa disposition (report modal) ; - Inférer la sous-attractivité inexpliquée de certains lieux au regard de ces variables. Côté clients, cette avancée représentait donc un gain de valeur, dans la mesure où elle permettait d’estimer objectivement le vivier de visiteurs perdus au regard des lieux gérés par ses concurrents par éloignement spatio-temporel comparable (analyse descriptive). Pour valoriser commercialement l’avancée, il fallait donc concevoir un outil capable d’offrir, clés-en-main, l’identité des compagnies de transport avec lesquelles nouer un partenariat, pour certains arrêts / lignes pré-identifié(e)s, et avec quelles perspectives de gain de visiteurs rapportées au coût de la campagne (analyse prescriptive). La première solution, la plus simple et la plus intuitive, était de proposer la possibilité de sélectionner les arrêts et gares où mener une campagne d’affichage publicitaire, et proposer une estimation du gain de visiteurs rapporté aux amplitudes observées. La seconde solution, plus aboutie, s’est construite en plusieurs temps. Pour toucher des comptes plus importants, la start-up avait besoin d’un point d’entrée capable d’agréger de nombreux commerces plus petits plutôt que de les démarcher un par un : c’est ce qui a fait émerger les centres commerciaux, et leurs promoteurs, comme cible. - La start-up cliente souhaitait étendre son vivier de clientèle au-delà de ses comptes B2B classiques, principalement commerces autonomes, pour s’ouvrir des comptes de plus grande ampleur. - Les centres commerciaux ont été ciblés pour des raisons de dimensionnement, et d’intermédiation de vente de la solution. - Ils souhaitent encourager la visite de leurs lieux pour renforcer la profitabilité des commerces, mais se rémunèrent sur les loyers perçus. - L’investissement dans la solution ne présentait donc pas d’avantage, si ce n’est limiter l’attrition et les vacances de preneur de bail. - Pour ces raisons, un promoteur n’avait pas à lui seul intérêt à investir dans la solution. - En revanche, elle pouvait s’intégrer dans l’offre de service aux commerces locataires, au titre des dépenses de marketing. Pour en limiter le coût, il a été proposé la mise en place d’une seconde fonctionnalité d’analyse prescriptive, sous la forme de bons d’achats. Si un visiteur se rendait en transports en commun dans le centre commercial, il pouvait bénéficier d’un bon d’achat équivalent à la valeur de son titre de transport, à répartir entre le promoteur et le locataire. Cette approche permettait de prédire une hausse des visites, et avec un coût répercuté porté par les clients qu’à partir du moment où ce dernier dépensait effectivement dans le centre commercial. Ce que l'expérience montre Transformer une avancée technique en offre achetable : la question se cadre avant d'engager le go-to-market. [Sprint de cadrage décisionnel — 500 € HT](https://enbi.fr/interventions/sprint-cadrage/) · [Startups et deeptech](https://enbi.fr/startups-deeptech/) ### Ce que l'automatisation ne corrige pas : modèle économique, ressources, organisation URL: https://enbi.fr/pourquoi-lia-nest-pas-la-reponse-a-vos-problematiques-business/ Last updated: 2026-08-28T16:32:25.000Z *Article à jour d'avril 2026* Ce qu'il faut retenir L’IA accélère les organisations, mais ne corrige pas leurs incohérences structurelles. La majorité des projets IA échouent moins à cause de la technologie que d’un manque de maturité organisationnelle. Les gains de productivité actuels créent surtout une fenêtre de tir temporaire, appelée à se réduire avec la démocratisation des usages. Externaliser son intelligence opérationnelle vers des modèles tiers implique des risques juridiques, économiques et stratégiques. Les organisations qui tireront réellement parti de l’IA seront celles capables de préserver leur expertise, structurer leurs connaissances et redéfinir leur valeur ajoutée. Après plus de cent projets IA accompagnés dans l’État français, le constat reste le même : l’IA agit surtout comme un accélérateur des dynamiques existantes. L’IA générative accélère la production de contenu et d’analyses. Elle ne corrige pas, en revanche, un modèle économique mal construit, une mauvaise allocation de ressources, ou un problème d’organisation qui lui préexiste — elle a plutôt tendance à les déplacer, parfois vers d’autres risques. ## Comme d’autres ruptures technologiques avant elle, l’IA déplace davantage la valeur qu’elle ne la crée Les IA génératives et toutes les technologies qui leur sont associées accélèrent la production de contenu et d’analyses, qui nécessitaient auparavant un temps plus long de travail pour arriver au même résultat. Des transformations similaires ont déjà eu lieu dans l’Histoire. Les métiers à tisser, puis les machines à coudre, ont accéléré et facilité la production des tissus et des points. Ce faisant, elles ont diminué le coût de production nécessaire à la production des vêtements, tout en réduisant drastiquement la main d’œuvre nécessaire à niveau comparable de production. Quelle que soit la rapidité avec laquelle nous sommes parvenus à assembler deux morceaux de tissus, le besoin en vêtements n’a pas faibli. Ce qui était produit manuellement est dorénavant produit plus automatiquement, sans que la nécessité à laquelle il répondait (associer deux morceaux de tissus, dans un ensemble cohérent pour répondre à un besoin final) n’ait disparu. ### La plupart des gains “spectaculaires” de l’IA proviennent encore d’un marché immature À date, la plupart des profils qui se présentent comme « Consultant expert IA » vous proposent d’automatiser de manière un peu sauvage vos *process* avec des outils d’une technicité relative (make ou n8n pour ne citer que les plus populaires). Ce sont les profils qui ont compris les gains de productivité associés à ces outils, constaté la différence entre le prix payé aujourd’hui pour un livrable et leur capacité à délivrer, et vous font miroiter, parfois à raison, des gains faramineux sur votre structure de coût. S’il fallait le comparer au secteur de l’habillement, ce segment est l’équivalent de la productivité et de la qualité d’un Shein dans un marché encore immature sur son niveau d’exigence. C’est effectivement une perspective très intéressante à court terme, parce qu’elle vous permet de saisir une fenêtre de tir liée au décalage entre la valeur perçue et le coût de production. Mais comme toute fenêtre de tir, elle a vocation à disparaître à mesure que vos partenaires et concurrents gagneront en compréhension sur la technologie, ses capacités réelles, et aussi ses limites. L’automatisation simple n’apparaît, par conséquent, pas comme une stratégie de long court viable pour n’importe quelle organisation qui s’intéresse à l’IA. ### Le cas des chariots élévateurs : une technologie devient utile quand l'organisation se réorganise autour d’elle UN AUTRE EXEMPLE SECTORIEL #### L'exemple des chariots élévateurs Les chariots élévateurs ont été des game changers dans le secteur de la logistique. Aujourd’hui, on ne s’imaginerait plus s’en passer, parce qu’ils permettent de transporter plus de charges, plus rapidement, tout en réduisant les risques d’accidents et de maladies professionnelles. Pour être optimaux, les entrepôts se sont réorganisés autour d’eux : leur présence a permis de réduire la surface au sol pour en gagner en hauteur. Aujourd’hui, on observe même une automatisation de certains process, ce qui permet de réduire encore plus la masse salariale. Pour autant, les chariots élévateurs n’ont pas été déployés partout (par exemple, en remplacement des rayonnages dans les supermarchés). Pourquoi ? Parce qu’ils sont chers, et n’offrent pas de gain de valeur dans certains contextes. Les gains de productivité associés ont été obtenus par leur intégration intelligente dans un process de travail, qui est désormais optimisé, employé par tout un secteur d’activité, et n’offrant, par conséquent, plus aucun avantage compétitif à celui qui l’emploie. C’est autrement dit devenu un impératif, plus qu’un atout. Cela a rendu par la même occasion tout un secteur dépendant à cette technologie, qui doit donc accepter l’évolution des offres et la structuration du marché, y compris ce que l’on pourrait dénoncer comme des dérives à l’image du vendor lock-in (dépendance contractuelle). ## Toutes les organisations n’ont pas intérêt à utiliser l’IA de la même manière Il faut distinguer l’adoption de l’IA qui va vous offrir un avantage sur vos concurrents, de l’adoption de tout un secteur qui va s’aligner sur un niveau de productivité, et vous rendre dépendant à une technologie donnée. ### Gains de court terme L’IA, et toutes les technologies qu’on lui associe, peut vous permettre d’accélérer sur certaines activités et procédures. Aujourd’hui, on parle d’IA comme une solution pour gagner du temps, et se concentrer sur des tâches « *à plus forte valeur ajoutée* ». C’est sur cette idée que votre positionnement doit s’affiner, et s’adapter pour être résilient à moyen terme. Cette stratégie repose autant sur votre stratégie de création de valeur, que de partage de la valeur avec vos concurrents. 1 **Vous détenez une expertise de niche ?** Il n’est probablement pas de votre intérêt de recourir à des LLM (services de type ChatGPT) extérieurs à vous. 2 **Votre expertise est partagée par tout un secteur ?** Ces outils peuvent être intéressants, sous certaines conditions. #### Plus votre expertise est différenciante, plus l’externalisation devient risquée Les géants du secteur font actuellement la course pour développer le meilleur modèle, avec une rivalité exacerbée entre développeurs américains et chinois. Si vous avez la possibilité d’interdire l’entraînement avec vos données sur les principaux services américains, il ne s’agit ici que d’un engagement contractuel. Ce dernier n’est ni auditable, ni ne vous garantit la perspective d’une indemnisation à la hauteur de votre préjudice en cas de manquement. Si un de ces opérateurs ne fait pas faillite entretemps, par ailleurs. En l’occurrence, l’utilisation alléguée de livres piratés par OpenAI pour l’entraînement de ChatGPT semble montrer que certains développeurs ne se priveront pas de franchir quelques limites pour gagner cette course à l’entraînement du meilleur modèle. À date, la meilleure option reste d’instancier (installer) des modèles sur vos infrastructures (ou votre ordinateur), avec des logiciels adaptés en interface utilisateur, quitte à renoncer aux dernières avancées en performance des modèles *cloud* propriétaires. #### Ce qui crée de la valeur aujourd’hui ne sera pas forcément ce qui en créera demain Si vous possédez une expertise partagée par l’ensemble du secteur, la spécialisation progressive des modèles vous invite à une stratégie en plusieurs temps : - À brève échéance, adopter ponctuellement et progressivement les meilleurs outils. Ces derniers sont le bon équilibre entre respect de vos obligations, niveau de performance, maîtrise sur l’outil (en particulier, sa pérennité et prévisibilité de son coût) et sur le process (fidélisation de l’expertise humaine associée). Sous réserve bien entendu de ne pas contrevenir à vos obligations légales, notamment autour des secrets protégés par la loi ou des données personnelles. - À plus longue échéance, des solutions vont probablement apparaître en automatisant des pans de votre activité. Vous pourrez continuer à les assumer tout en facturant d’autres services, si vos clients ne décident pas d’internaliser cette prestation en s’emparant de ces technologies. C’est ici que se dessine une nouvelle incidence de l’expression « *se consacrer à des tâches à plus forte valeur ajoutée* ». Comment la valeur ajoutée de votre profession va-t-elle se dessiner avec l’automatisation ? UN REGARD #### L'évolution du métier d'expert-comptable L’évolution du métier d’expert-comptable nous offre déjà un premier aperçu. Si les écritures comptables sont un indispensable, à l’image des coutures, elles s’inscrivent dans un ensemble qui visent un besoin plus général, qui s’est étendu aujourd’hui au pilotage financier de sa société, voire à l’optimisation. L’introduction des logiciels comptables a permis de se séparer de certaines activités pour se concentrer sur d’autres. ## Quels sont les autres risques liés au déploiement de l'IA ? ### Une IA autonome reste juridiquement votre responsabilité Quelle que soit son efficacité, l’intelligence artificielle reste une chose. Et en droit, une chose est à la fois la propriété et la responsabilité de quelqu’un. Si c’est la propriété de quelqu’un, soit la technologie vous appartient, soit elle appartient à quelqu’un d’autre. · Si vous sous-traitez un droit d’usage, par exemple avec des abonnements, alors vous en acceptez l’ensemble des conditions, dont la possible porosité dans la confidentialité, et l’évolution du prix, dont tous les signaux montrent à date qu’ils sont sous-évalués. · Si vous optez pour l’internalisation, moyennant un investissement initial plus lourd, vous maintenez un contrôle sur la confidentialité, tout en investissant dans un actif sous la forme de robot personnalisé à comprendre et à mobiliser votre expertise. Concernant la responsabilité, les IA (agents) peuvent dorénavant prendre des initiatives, et agir en votre nom. Ces outils représentent à la fois de vrais gains de productivité, mais surtout un risque qui ne doit pas être négligé. En leur offrant une forme d’autonomie et de prise d’initiative, ces robots vous engagent juridiquement, à l’instar d’un accident de la route causé par votre voiture autonome. À date, il n’est pas encore possible d’anticiper pleinement les incidences juridiques des comportements grégaires de ces agents. Grégaires, parce qu’ils raisonnent de la même manière dans la mesure où ils cherchent à optimiser, et à partir des mêmes sources d’informations. C’est à eux que l’on impute notamment le dévissage rapide des actions des sociétés de cybersécurité à la publication des communiqués de presse annonçant de nouvelles capacités de l’IA dans le secteur. Rattachés à des personnes morales, ces agents pourraient aussi être analysés comme auteurs de manipulation de cours, et par conséquent engager la responsabilité pénale de leurs propriétaires. [Lire aussiComment introduire l'IA dans le système judiciaire ?→](https://enbi.fr/ia-systeme-judiciaire-experimentation/) Sans aller jusqu’aux agents, un *process* de travail automatisé partiellement par IA (par exemple, pour la rédaction ou l’analyse de documents) ne vous exonère pas de votre responsabilité civile et pénale sur les conséquences des décisions prises sur ces automatisations. Une image de votre produit généré par IA peut vous engager au titre de des pratiques commerciales trompeuses, ou un livrable conçu à la va-vite, engager votre responsabilité civile pour défaut d’exécution d’un contrat. ### L’économie de l’IA repose aussi sur une bataille autour de la connaissance Les premiers modèles se sont entraînés sur des bases de connaissance accessibles librement en ligne. Cette mise en ligne ne constituait pas pour autant l’autorisation explicite accordée aux entraîneurs de modèle de s’en inspirer afin de fiabiliser leur contenu. En Europe, la jurisprudence tend aujourd’hui à interdire par défaut l’autorisation d’entraînement. En attendant, des mesures techniques provisoires peuvent être mises en place, comme de la documentation explicite à destination des IA, à l’instar du classique « robots.txt » qui sert d'autorisation au référencement sur les moteurs de recherche et aux modèles d'entraînement (). Cumulés, ces deux supports permettent d’adapter les règles sur les mentions légales précisant la propriété intellectuelle du site, prévues par une loi de 2004, aux contraintes techniques de ces technologies. Une des incidences de la production générative en masse est également l’inondation d’internet de contenu de moindre qualité (le « *slop* »), ce qui a fait craindre pendant un temps une dégradation relative des modèles. En s’alimentant sur du contenu lui-même produit par des IA, les modèles tendaient à perdre en performance, un peu comme la pollution de notre environnement par les emballages en plastique, qui finissent par se décomposer et envahir la chaîne alimentaire. Ce faisant, une des évolutions naturelles semble être le développement d’une offre (payante) d’accès à une information fiabilisée et sécurisée par des humains. Si les techniques de rapatriement et de synthèse des données sont aujourd’hui robustes, il faudra ajouter à votre facture possiblement le coût d’accès à cette information fiabilisée, par le biais de redevances, s’il ne s’agit pas d’indemniser au *prorata* les auteurs de documents à la requête. ### Automatiser sans préserver ses compétences peut rendre une organisation dépendante Votre modèle économique va vraisemblablement évoluer, en lien avec la maturation du besoin autour de votre offre de service, se traduisant par une hausse du niveau d’exigence de vos clients. Si tout le monde sait se servir d’une IA pour produire du contenu à horizon de quelques années, ce ne sera plus la production en elle-même qui créera de la valeur, mais la façon dont vous aurez repositionné votre modèle économique autour d’elle. Entretemps, si vous deviez veiller à une check-list de vos priorités : 1 **Vous ne devez pas vous exposer à un risque civil et pénal démesuré** par le manquement négligent à vos obligations, dont la protection des données personnelles et des secrets protégés par la loi, en recourant à des outils ou un ensemble d’outils dont vous ne comprenez ni le fonctionnement, ni les règles d’utilisation. 2 **Vous ne devez pas perdre votre expertise singulière** auprès de concurrents, par l’intermédiaire des modèles d’IA qui se seront entraînés sur vos contenus, en introduisant dans vos process de travail quotidien des outils qui présentent une porosité sur la confidentialité de vos dossiers. 3 **Se séparer d’effectifs pour économiser à court-terme sur votre bottom-line n’est pas forcément la meilleure option**, en particulier si vous n’avez pas de visibilité sur vos besoins en compétences à horizon deux ans pour mettre en œuvre votre stratégie. À moins que vous ne consentiez à dépendre d’« usines IA » possiblement délocalisées, dont vous ne pourrez négocier ni les conditions, ni les tarifs, pour recourir à leurs services. 4 **Vous devez anticiper l’évolution vraisemblable de votre modèle économique** dans ce monde post-IA, en redéfinissant ce qui créé votre vraie valeur ajoutée sur votre marché, afin de pouvoir vous y positionner par anticipation, et vous prémunir dans le rabattement des cartes entre partage de cette valeur ajoutée et réimputation du risque juridique. ### Ce que l’IA révèle réellement sur les organisations J’ai travaillé pendant plus de deux ans sur la mise en œuvre de solutions IA au sein de l’État français, en œuvrant sur l’ensemble des périmètres des ministères et agences. Sur la centaine de projets sur lesquels j’ai été amené à travailler, presque aucun n’avait véritablement besoin d’intelligence artificielle. Cela ne veut pas dire que l’IA n’a pas sa place, ni sa valeur ajoutée. Mais nos organisations sont complexes, parce qu’elles sont tout d’abord humaines, et constituées donc d’individualités avec leurs priorités, leurs engagements, leurs agendas. Elles sont aussi contraintes par des réalités matérielles, financières et juridiques. La conclusion que j’en ai tirée sur l’IA, c’est qu’il s’agit d’un accélérateur, possiblement d’un catalyseur des problématiques, mais à elle seule, incapable de résoudre une problématique qui relève de l’organisation dans son ensemble. Peut-être que ce temps viendra, mais il me paraît improbable, dans la mesure où si cette technologie est disponible, elle sera appropriée par tout le monde. Et alors quid de la concurrence, de la propriété, du marché ? J’ai lancé mon activité de conseil indépendant dans le but d’aider les organisations à atteindre leur objectif, sans renier sur leurs valeurs, ni sur leurs priorités. Les changements technologiques à l’œuvre représentent autant des opportunités que des risques. Et les solutions aux problématiques des organisations ne nécessitent pas nécessairement des investissements faramineux pour être mises en place. ### Reporting budgétaire en EPLE : négocier un financement malgré une DGF réduite URL: https://enbi.fr/formation-adapter-son-reporting-budgetaire/ Last updated: 2026-08-28T16:40:39.000Z **Exemple réel d'intervention** : une séance de formation dispensée à l'IRA de Lille en avril 2026, à destination d'une promotion de fonctionnaires en formation initiale se destinant notamment à la gestion d'établissements publics locaux d'enseignement (EPLE). Objectif pédagogique : faire passer le reporting budgétaire du statut de contrainte administrative à celui d'argument de négociation. L'exercice ne porte pas sur la construction d'un tableau de bord, mais sur la capacité à lire des données d'exécution budgétaire, à les objectiver à l'oral, et à en tirer un plan de financement face à un interlocuteur qui peut refuser. Le scénario : un gestionnaire d'EPLE doit préparer une réunion avec le directeur des collèges pour obtenir le financement d'un programme de rénovation énergétique — avec une DGF réduite, un fonds de roulement en légère baisse, et une fenêtre de financement qui se ferme. Six étapes : lire les données, comprendre les signaux, objectiver à l'oral, valoriser la gestion, justifier économiquement, construire un plan de financement en trois scénarios. Le support couvre l'exécution budgétaire d'un EPLE, la lecture des sous et surconsommations, les dispositifs de financement disponibles (Fonds Vert, CEE, EduRénov, DETR), et la négociation face aux objections du financeur. L'exercice travaille ainsi conjointement trois compétences rarement enseignées ensemble : la lecture budgétaire, l'argumentation orale et la construction d'un dossier de financement chiffré. [IRA 2026 - Adapter son reporting budgétaireIRA 2026 - Adapter son reporting budgétaire.pdf621 KBdownload-circle](https://enbi.fr/content/files/2026/03/IRA-2026---Adapter-son-reporting-budge--taire.pdf "Download") ### Prédire les démissions avec l'IA : pourquoi le modèle le plus performant n'a pas été déployé URL: https://enbi.fr/predire-et-prevenir-les-demissions-par-lalgorithmie/ Last updated: 2026-08-28T15:56:46.000Z Ce qu'il faut retenir Le modèle le plus performant n'a pas été déployé. Sur le périmètre complet de données, un modèle de machine learning atteignait un score de 90 % pour prédire les démissions à six mois. Mais l'essentiel de son signal prédictif provenait de variables qui ne pouvaient pas être utilisées pour différencier les salariés dans les décisions envisagées. Retirer ces variables changeait complètement la valeur du modèle. Une fois le périmètre filtré, la capacité prédictive utile de la black box s'effondrait. La variable qui remontait principalement était la durée moyenne du contrat, information peu actionnable pour anticiper une démission. Une analyse moins sophistiquée a produit davantage de valeur. Un arbre de décision a fait ressortir le temps de trajet sur certains profils en tension. Un algorithme d'optimisation des affectations géographiques a ensuite permis de gagner en moyenne +7 points de rétention, sans modifier la politique de rémunération. ## Le problème n'était pas de prédire pour prédire La main-d'œuvre représentait le premier poste de dépense de l'organisation concernée. Ses opérations reposaient sur une forte disponibilité en effectifs, notamment sur des profils peu ou pas qualifiés, dans un secteur caractérisé par un *turnover* important et un recours fréquent au recrutement et à l'intérim. L'objectif initial paraissait donc assez simple : **pouvait-on prévoir suffisamment tôt qu'un salarié allait démissionner pour agir avant son départ ?** Le délai cible avait été fixé à six mois. Mais la décision à prendre ensuite n'était pas la même selon le profil. Pour un salarié présentant un potentiel d'évolution dans l'entreprise, l'intérêt était d'identifier suffisamment tôt la maturation d'un projet de départ pour examiner les réponses possibles : évolution vers le management, changement de poste, mobilité ou, lorsque cela était pertinent, adaptation de la rémunération. Pour d'autres profils, l'objectif pouvait être différent : anticiper suffisamment le départ pour déclencher le recrutement d'un remplaçant, organiser un tuilage et diminuer la période de vacance. Trois catégories d'indicateurs avaient donc été définies en amont : - le taux de turnover ; - les dépenses liées au recours à l'intérim ; - les indicateurs associés au mal-être ou à la désorganisation du travail, notamment l'absentéisme et les arrêts maladie. Ce cadrage est important, parce qu'on ne cherche pas à prédire pour prédire, mais produire suffisamment tôt une information sur laquelle l'organisation peut opérationnellement et légalement agir, avec un effet mesurable sur ses résultats. La différence entre les deux questions a finalement déterminé tout le projet. ## Deux modèles pour deux usages différents Deux approches ont été testées. La première reposait sur un **arbre de décision**, utilisé ici comme modèle explicable ou *white box*. Dans cette implémentation, il était possible de suivre les variables mobilisées et de comprendre la logique qui conduisait au résultat. Cette lisibilité le rendait particulièrement intéressant pour rechercher non seulement une prédiction, mais des **facteurs structurels sur lesquels l'organisation pouvait agir**. La deuxième approche utilisait un modèle de *machine learning* plus complexe. L'objectif était différent : tester la capacité prédictive maximale disponible dans les données, y compris lorsque les relations entre variables étaient moins faciles à interpréter. Et cette deuxième approche a effectivement mieux prédit, et que les éléments les plus intéressants ont commencé à émerger. Et les problèmes aussi, d'ailleurs. ## Deux périmètres de données plutôt qu'un seul Les données issues du SIRH et de l'ERP contenaient de nombreuses informations sur les salariés. Certaines pouvaient être mobilisées sans difficulté particulière dans le cadre de l'usage envisagé. D'autres correspondaient à des caractéristiques protégées par le droit en matière de non-discrimination ou étaient susceptibles de produire une différence de traitement juridiquement sensible : notamment l'âge, le sexe ou la nationalité. Nous avons donc travaillé sur deux périmètres. **Le périmètre complet** permettait d'étudier les relations présentes dans les données et de mesurer la capacité prédictive théorique du modèle. **Le périmètre filtré** retirait les variables qui ne devaient pas intervenir dans les recommandations individuelles envisagées au titre de la protection contre les discriminations. Cette séparation a permis de poser une question que l'on oublie facilement dans un projet de *machine learning* : POURQUOI ÇA COMPTE #### DONNÉE ÉCLAIRANTE ≠ DONNÉE DÉCISIONNELLE Une donnée peut aider à comprendre la structure d'une population sans pouvoir servir à traiter différemment deux personnes. Il faut donc distinguer : **ce que les données permettent de constater** de **ce qu'elles permettent légitimement de décider**. Dans un projet algorithmique, cette distinction peut modifier non seulement la conformité du système, mais aussi sa performance technique et donc son business case. ## Le modèle à 90 % posait précisément ce problème Sur le périmètre complet, la *black box* atteignait un score de performance de 90 % sur la prédiction des démissions à six mois. Techniquement, le résultat était suffisamment élevé pour rendre le modèle très séduisant, et accélérer la bascule en prod. Mais l'analyse des données produisait aussi et surtout un autre constat, à savoir qu'une part importante du signal prédictif provenait des variables écartées du périmètre décisionnel. Le cas le plus significatif concernait la nationalité : l'analyse faisait en effet apparaître que les salariés non ressortissants d'un pays de l'Union européenne avaient, dans les données observées, tendance à rester plus longtemps dans l'entreprise même en l'absence de mesure spécifique de rétention. Cette information pouvait présenter un intérêt descriptif pour comprendre la population étudiée, mais elle créait un problème majeur si elle était utilisée pour décider individuellement à qui proposer un effort de rétention. Car le raisonnement devenait alors, même sans l'exprimer ainsi : > « Ce salarié présente moins de risque de départ parce qu'il appartient à tel groupe ; concentrons donc nos efforts sur l'autre groupe. » ## Discrimination directe et indirecte : deux risques différents Le droit français distingue les deux mécanismes. La loi du 27 mai 2008 qualifie de **discrimination directe** la situation dans laquelle une personne est traitée moins favorablement qu'une autre dans une situation comparable sur le fondement d'un motif protégé, notamment l'origine ou l'appartenance ou non-appartenance, vraie ou supposée, à une nation. Elle qualifie de **discrimination indirecte** une disposition, un critère ou une pratique apparemment neutre qui entraîne un désavantage particulier pour un groupe protégé, sauf justification objective par un but légitime et des moyens nécessaires et appropriés. La distinction est essentielle pour un modèle prédictif. **Si la nationalité entre directement dans le calcul et conduit à traiter différemment les salariés**, le risque relève d'abord de la discrimination directe. Mais retirer la colonne « nationalité » ne suffit pas nécessairement. D'autres variables peuvent reconstituer partiellement la même information. C'est précisément ce que le Défenseur des droits appelle des **proxys**. POINT DE DROIT #### LES PROXYS : UNE DÉFINITION DU DÉFENSEUR DES DROITS Dans sa [décision n° 2025-182 du 10 octobre 2025](https://juridique.defenseurdesdroits.fr/index.php?id=57021&lvl=notice%5Fdisplay), consacrée à la diffusion algorithmique d'offres d'emploi, le Défenseur des droits explique qu'une discrimination peut provenir de caractéristiques protégées directement présentes dans les données, mais aussi, de manière moins visible, de proxys. Il définit le proxy comme un élément apparemment neutre qui contient néanmoins une information pouvant être liée à un motif protégé. Il souligne également que le croisement de plusieurs indicateurs moins explicites peut aboutir au même résultat et que ces mécanismes sont particulièrement difficiles à identifier et à prévenir. Autrement dit : supprimer le critère protégé ne démontre pas que le modèle a cessé de l'inférer indirectement. Cette distinction justifie précisément le test du second périmètre : il ne suffisait pas de retirer certaines colonnes, mais de regarder **ce que le modèle continuait effectivement à produire après leur retrait**. C'est le type de vigilance que l'AI Act introduit par ailleurs autour des systèmes à haut risque, dont ceux concernant les ressources humaines. ## Le Défenseur des droits a depuis montré que le résultat compte autant que l'intention La décision de 2025 apporte un autre élément particulièrement intéressant pour ce cas. Des associations avaient demandé à une plateforme de diffuser de manière aussi neutre que possible plusieurs offres d'emploi. Pourtant, l'offre d'auxiliaire de petite enfance avait notamment été présentée à 94 % à des femmes, tandis que l'offre de pilote avait été présentée à 85 % à des hommes lors de l'une des expérimentations. Le Défenseur des droits a conclu à une **discrimination indirecte liée au sexe**. Ce qui est remarquable pour l'analyse d'un système algorithmique, c'est que l'institution ne s'arrête pas aux règles configurées en amont. Elle constate que la plateforme n'avait présenté **aucun mécanisme de contrôle des résultats des algorithmes** et considère que des mécanismes de contrôle ou de correction des biais auraient dû être mis en œuvre. Ce que ça change pour un projet IA Contrôler les variables d'entrée est nécessaire, mais insuffisant. Il faut également contrôler : qui reçoit effectivement quelle recommandation ; quels groupes bénéficient d'une décision favorable ou défavorable ; si les écarts persistent après retrait des critères protégés ; et si des variables apparemment neutres reconstituent indirectement les mêmes segmentations. La non-discrimination devient donc aussi un problème de mesure de performance du système en production. C'est une évolution importante de la manière d'aborder la conformité algorithmique : elle oblige à regarder les résultats empiriques et pas seulement l'intention du concepteur. Le Défenseur des droits et la CNIL avaient d'ailleurs déjà alerté dès 2020 sur le risque « *d'automatisation des discriminations* » : les biais présents dans les données ou dans la conception peuvent être reproduits, amplifiés et appliqués à grande échelle par un système algorithmique. ## Que reste-t-il quand on retire le signal juridiquement inutilisable ? C'est là que le double périmètre a produit son enseignement le plus important. Une fois les variables sensibles retirées, la *black box* perdait l'essentiel de sa capacité prédictive utile. La variable qui remontait alors principalement était la **durée moyenne du contrat**. Le résultat n'était pas faux, mais bon, entre nous, c'était beaucoup de lignes de code pour conclure que les gens finissent un jour ou l'autre par partir de leur poste. Savoir qu'un salarié proche de la durée habituelle de présence dans l'entreprise est davantage susceptible de partir revient en partie à reformuler le phénomène que l'on cherche à prévoir. On obtenait une information statistiquement corrélée, mais faiblement actionnable. C'est une distinction essentielle : LE POINT DE VUE ENBI #### UN BON PRÉDICTEUR NE FAIT PAS TOUJOURS UN BON LEVIER D'ACTION Une variable peut améliorer fortement un modèle sans offrir à l'organisation une action utile. À l'inverse, une variable moins prédictive peut avoir beaucoup plus de valeur si : elle est compréhensible ; elle peut faire l'objet d'une intervention ; cette intervention est juridiquement acceptable ; son coût est maîtrisé ; et son effet peut être mesuré. Le modèle complexe avait donc perdu ce qui faisait sa valeur économique initiale : il prédisait mieux que l'alternative sur le périmètre complet mais n'était pas le meilleur système pour décider. ## La *black box* n'était pas illégale parce qu'elle était opaque C'est une autre distinction importante. L'opacité d'un modèle complexe ne constitue pas, à elle seule, une discrimination. Le problème devient concret lorsqu'une décision est contestée. En droit du travail ou de la fonction publique, le collaborateur ou candidat présente des éléments laissant supposer l'existence d'une discrimination. Il appartient ensuite à la partie défenderesse de démontrer que sa décision repose sur des éléments objectifs étrangers à toute discrimination. C'est le mécanisme prévu par l'article L.1134-1 du Code du travail. Dans notre cas, le modèle qui produisait la meilleure prédiction était précisément celui dont une part importante de la performance dépendait des variables que l'organisation ne souhaitait et ne pouvait utiliser comme fondement de ses décisions individuelles. L'opacité aggravait alors un problème déjà identifié. Si une recommandation individuelle avait été contestée, il aurait fallu être capable de démontrer que la décision effectivement prise reposait sur des facteurs objectifs étrangers aux motifs protégés. Un système dont le signal utile provient précisément de ces variables rend cette démonstration particulièrement fragile, même s'il améliore la capacité prédictive, sachant que cet enseignement peut ensuite irriguer les pratiques internes et accentuer des biais favorables ou défavorables dans les mesures mises en œuvre. > **LA VRAIE QUESTION N'ÉTAIT DONC PAS :** > > « Peut-on expliquer chaque opération mathématique du modèle ? » > > **MAIS :** > > « Peut-on expliquer et défendre le fondement de la décision humaine que ce modèle contribue à produire ? » Cette distinction est plus utile opérationnellement que l'opposition un peu bâteau entre « IA explicable » et « IA opaque ». ## L'AI Act renforce aujourd'hui cette logique de contrôle Le projet a été conduit avant l'entrée en application du cadre européen actuel. Depuis, l'AI Act classe comme systèmes à haut risque certains systèmes utilisés dans le domaine de l'emploi et de la gestion des travailleurs, selon leur finalité exacte. Pour les systèmes à haut risque, l'article 26 impose notamment au déployeur (c'est-à-dire, l'utilisateur du système, pas son fournisseur) d'organiser des mesures techniques et organisationnelles appropriées et de confier la supervision humaine à des personnes disposant de la compétence, de la formation, de l'autorité et du soutien nécessaires. Le Défenseur des droits rappelle lui aussi que les algorithmes destinés à certains usages d'emploi et de recrutement relèvent du régime à haut risque de l'AI Act. Cela ne signifie pas que toute analyse RH algorithmique est automatiquement classée à haut risque, mais que **la finalité réelle du système et la décision à laquelle il contribue deviennent déterminantes**. Un outil utilisé pour comprendre collectivement les causes du *turnover* ne pose pas exactement les mêmes questions qu'un outil qui attribue individuellement à chaque salarié une probabilité de démission pour décider ensuite qui retenir, promouvoir, surveiller ou remplacer. ## Le résultat utile venait finalement de la *white box* La piste techniquement la plus impressionnante a donc été abandonnée. Mais le travail sur les données n'avait pas été inutile. Sur le périmètre filtré, l'arbre de décision avait fait ressortir un facteur beaucoup plus simple : **le temps de trajet domicile-travail**. La corrélation avec les départs prématurés était particulièrement importante sur certains profils difficiles à recruter, dans un marché de l'emploi déjà tendu. Et cette variable présentait quatre qualités que le modèle à 90 % n'avait pas réunies simultanément : - elle était lisible ; - elle était actionnable ; - l'action envisagée ne nécessitait pas de traiter les salariés en fonction d'un critère protégé ; - son effet pouvait être mesuré. Le problème changeait donc complètement. Il ne s'agissait plus de prédire : > « Qui va démissionner ? » Mais de répondre à une question beaucoup plus opérationnelle : > « Peut-on diminuer l'un des facteurs associés aux départs sans augmenter la masse salariale ni modifier les implantations ? » ## La solution : un algorithme de « chaises musicales » Le client exploitait plusieurs sites. Il existait donc une possibilité que la logique initiale de recrutement et d'affectation ait conduit certains salariés à travailler sur un site plus éloigné que nécessaire de leur domicile alors qu'un poste comparable pouvait être disponible ailleurs. La solution déployée a consisté à utiliser un **algorithme d'optimisation sous contraintes** pour rapprocher salariés et sites. Dans l'équipe, l'image utilisée pour expliquer simplement le principe était celle des **« chaises musicales »**. On ne créait pas de nouveaux postes. On ne construisait pas de nouveaux sites. On ne modifiait pas la politique générale de rémunération. On cherchait une meilleure combinaison entre : - les lieux de résidence ; - les besoins en effectifs de chaque site ; - les compétences et contraintes opérationnelles ; - et les préférences exprimées par les salariés. Et c'est cette seconde approche sur le facteur structurel qui a produit le résultat opérationnel. Sur les profils concernés, la rétention a progressé en moyenne de **+7 points**. Sans modification générale de la politique salariale. Sans investissement immobilier. Et sans déployer le modèle qui obtenait pourtant la meilleure performance prédictive initiale. ## Ce cas inverse la hiérarchie habituelle d'un projet IA Il serait facile de raconter cette histoire comme un projet dans lequel « le droit a empêché de déployer une bonne IA ». Un juriste pas rigolo vous le dirait. Ce serait manquer l'essentiel. > Le droit a obligé à distinguer **la performance théorique** de **la performance réellement exploitable**. Cette distinction a révélé que le modèle à 90 % n'avait probablement pas le meilleur business case. Pourquoi ? Parce que sa capacité prédictive s'effondrait lorsqu'on retirait les variables qui ne pouvaient pas servir au traitement individuel envisagé. Et parce qu'une approche techniquement beaucoup plus simple a fait apparaître un levier sur lequel l'organisation pouvait effectivement agir. La question économique devient alors différente : > Quel intérêt y aurait-il à industrialiser, intégrer, surveiller et maintenir un modèle sophistiqué si une part déterminante de sa performance ne peut pas être convertie en action ? C'est là que performance technique, droit et économie cessent d'être trois sujets parallèles. Ils deviennent les trois dimensions d'une même décision. ## Cinq enseignements opérationnels de ce cas Ce qu'il faut retenir **1 — Définir la décision avant de choisir le modèle** « Prédire les démissions » n'est pas une finalité suffisamment précise. Il faut savoir quelle décision sera prise ensuite, par qui et avec quelle conséquence pour la personne concernée. **2 — Séparer les données qui expliquent des données qui peuvent fonder une action** Certaines variables permettent de comprendre une population. Cela ne signifie pas qu'elles peuvent légitimement servir à différencier les individus. **3 — Tester le modèle après retrait des variables protégées** Si la performance disparaît avec elles, ce résultat doit être connu avant d'investir dans l'industrialisation. Et si elle subsiste, il faut encore vérifier si des proxys reconstituent indirectement le même signal. **4 — Contrôler les résultats, pas seulement les données d'entrée** La [décision 2025-182 du Défenseur des droits ](https://juridique.defenseurdesdroits.fr/index.php?id=57021&lvl=notice%5Fdisplay)est particulièrement claire sur ce point : un paramétrage apparemment neutre ne suffit pas si les résultats du système produisent un désavantage particulier et qu'aucun mécanisme de contrôle ou de correction n'est mis en œuvre. **5 — Chercher le levier avant de chercher la prédiction parfaite** Dans ce cas, une analyse explicable et techniquement moins ambitieuse a découvert un facteur directement actionnable. Le résultat opérationnel est venu d'un algorithme d'optimisation des affectations, pas du modèle prédictif à 90 %. ## Le meilleur modèle était celui que nous avons décidé de ne pas déployer C'est probablement le point le plus important du projet. Nous avions obtenu un résultat qui, présenté isolément, aurait facilement pu devenir une démonstration commerciale : **90 % de performance prédictive sur les démissions à six mois.** Le choix aurait pu être de chercher à améliorer encore le modèle, de développer une interface, de construire des alertes et de l'intégrer aux processus RH. Nous avons fait l'inverse. Nous avons cherché ce que cette performance mesurait réellement. Puis ce qu'il en restait une fois retirées les variables qui ne pouvaient pas soutenir les décisions envisagées. Et enfin ce sur quoi l'organisation pouvait agir. Le résultat le plus utile n'était donc pas la prédiction. C'était l'arbitrage qui avait permis de l'abandonner. **Un modèle techniquement supérieur n'est pas nécessairement un meilleur actif.** Sa valeur dépend de ce qu'une organisation peut effectivement faire de son résultat, juridiquement, économiquement et opérationnellement. ### Pour prolonger l'analyse Ce type de cas relève moins d'une recherche abstraite du « meilleur modèle » que d'une **revue de décision Data/IA** : objectif métier, données utilisables, capacité prédictive réellement exploitable, risques de discrimination, contrôle humain, coût de déploiement et alternatives plus simples. L'enjeu n'est pas d'ajouter systématiquement une couche de conformité à un projet déjà conçu. Il est de déterminer assez tôt si le système que l'on envisage de construire mérite réellement de l'être. ### Publication académique — Plea Bargaining Procedures Worldwide URL: https://enbi.fr/publication-plea-bargaining-procedures-worldwide-journal-of-empirical-legal-studies-2024/ Last updated: 2026-08-28T16:33:15.000Z Alexis Bernard a contribué au volet français d’une étude internationale sur les procédures de **plaider-coupable**, publiée dans le **Journal of Empirical Legal Studies**. L’article, intitulé **Plea Bargaining Procedures Worldwide: Drivers of Introduction and Use**, étudie la diffusion mondiale des procédures de plaider-coupable et les facteurs associés à leur adoption et à leur usage. L’étude couvre **174 juridictions**, dont **101 disposent d’une procédure formalisée**. Pour **52 juridictions**, un taux de recours a été calculé : la part des condamnations obtenues par voie de plaider-coupable sur l’ensemble des condamnations pénales en 2019. La contribution d’Alexis Bernard a porté sur le **volet français** : analyse du droit français de la procédure pénale applicable et identification des données statistiques permettant de documenter le recours à ces procédures. L’intérêt de cette publication ne tient pas seulement à son ampleur comparative. Ses résultats contredisent plusieurs intuitions classiques sur le plaider-coupable. Les juridictions de tradition socialiste et hispanique apparaissent associées à des taux de recours supérieurs à ceux des juridictions de common law. Ce résultat va à contre-courant de la thèse selon laquelle les systèmes accusatoires seraient naturellement plus favorables au développement du plaider-coupable. L’étude met également en évidence une relation non linéaire entre le PIB par habitant et le taux de recours : les juridictions les plus pauvres comme les plus riches y recourent moins, selon une courbe en U inversé. Enfin, la présence d’une majorité musulmane est associée à une probabilité significativement plus faible d’adoption formelle de la procédure. Cette publication s’inscrit dans le champ du **Law & Economics** et des **Empirical Legal Studies** : le droit n’y est pas seulement analysé comme un ensemble de règles, mais comme un objet mesurable, comparable et empiriquement observable. ## Ce que le travail de contribution exigeait Documenter le cas français dans une étude qui compare 174 juridictions selon une définition commune du plaider-coupable suppose de qualifier le droit français de la procédure pénale au regard de cette définition, puis d’identifier et de vérifier les données permettant de calculer, pour la France, un taux de recours comparable à celui des autres juridictions retenues. C’est ce travail de qualification juridique et de sourcing statistique qui rend une comparaison de ce type exploitable : sans lui, un taux calculé pour la France ne serait pas comparable à celui calculé pour une autre juridiction selon d’autres catégories de droit. Ce que ça change Une publication académique comparant les procédures de plaider-coupable dans le monde : la lecture juridique qui nourrit le travail d'enbi avec les professionnels du droit. [Professionnels du droit](https://enbi.fr/professionnels-droit/) · [À propos](https://enbi.fr/a-propos/) ### Intervenir sur l’adoption de l’IA dans les services du Trésor URL: https://enbi.fr/conference-conakry-2024/ Last updated: 2026-08-28T16:34:07.000Z Le 19 novembre 2024, Alexis Bernard est intervenu à Conakry, en Guinée, lors de l’assemblée générale de l’**Association internationale des services du Trésor**. Cette intervention était réalisée au titre de la **Direction interministérielle du numérique**. Elle portait sur l’impact de l’intelligence artificielle sur les métiers du Trésor et, plus largement, sur les conditions d’adoption de l’IA dans les administrations financières publiques. La diffusion rapide de l’IA générative — puissance de calcul disponible, données massives, architectures Transformer, services accessibles au grand public comme ChatGPT — crée une pression nouvelle pour les organisations publiques. Il ne s’agit plus seulement de comprendre la technologie, mais de décider vite si elle doit être adoptée, à quelles conditions, avec quels risques et sous quelle responsabilité. L’intervention distinguait trois dimensions. ## Comprendre ce que l’IA fait réellement La première dimension était technique. Un système d’IA ne produit pas une vérité. Il estime un résultat probable à partir de données, de modèles et de règles d’apprentissage. Cette distinction est essentielle pour les métiers administratifs et financiers. Un système fiable à 90 % produit encore 10 % d’erreurs. Dans un contexte de décision administrative, la bonne question n’est donc pas seulement : “est-ce que l’outil fonctionne ?” mais aussi : “qui répond de l’erreur, comment la détecter, et dans quelles décisions l’organisation accepte-t-elle ce niveau de risque ?” ## Définir les conditions juridiques d’adoption La deuxième dimension était juridique. L’opposabilité des décisions algorithmiques, la transparence des modèles, la traçabilité des traitements et la conformité RGPD ne sont pas des obstacles extérieurs à l’adoption de l’IA. Ce sont les conditions mêmes de son usage dans un cadre administratif. Pour les services du Trésor, ces questions deviennent particulièrement sensibles dès lors que les données traitées sont financières, fiscales, personnelles ou liées à des décisions qui produisent des effets sur les usagers, les agents ou les partenaires publics. ## Organiser l’usage de l’IA comme aide à la décision La troisième dimension était organisationnelle. Les projets publics comme **Foncier innovant** ou **Signaux faibles** montrent que l’IA peut apporter de la valeur aux métiers financiers publics lorsqu’elle est pensée comme un outil d’aide à la décision, et non comme un substitut au jugement humain. L’intervention concluait que le sujet central n’est pas de remplacer les métiers du Trésor par des systèmes automatisés, mais de déterminer dans quelles tâches l’IA peut améliorer la détection, l’analyse, la priorisation ou le pilotage, tout en conservant une responsabilité humaine claire. ## Ce qui a été présenté à Conakry L’intervention a couvert cinq questions, dans cet ordre : - l’adoption : à quel rythme et sous quelles conditions l’IA entre dans les administrations financières ; - le cadre juridique propre à l’usage administratif — opposabilité, transparence, conformité RGPD ; - la responsabilité en cas d’erreur, dans un système qui n’est jamais fiable à 100 % ; - l’IA comme aide à la décision, et non comme substitut au jugement humain ; - les compétences à développer dans les métiers financiers publics concernés. ## Lien avec l’approche d’enbi Cette intervention éclaire directement l’approche d’enbi sur les projets IA. L’adoption d’une solution d’intelligence artificielle ne peut pas être décidée uniquement à partir d’une démonstration technique ou d’une promesse de productivité. Elle doit être analysée à partir de ses effets concrets : qualité des données, niveau d’erreur acceptable, responsabilité, conformité, gouvernance, intégration métier et valeur réelle pour l’organisation. C’est précisément ce que propose enbi dans ses missions de cadrage : relier la promesse technique, le cadre juridique, le risque opérationnel et l’intérêt stratégique avant de décider. Ce que l'expérience montre Intervenir sur l'adoption de l'IA dans une administration : un travail de transmission que prolongent les formations enbi. [Formations](https://enbi.fr/formations/) · [À propos](https://enbi.fr/a-propos/)