Mesurer l'AI readiness documentaire : pourquoi un corpus bien noté peut être un corpus défaillant

En août 2026, Info-Tech Research Group a publié un blueprint qui décompose le stack agentique d’entreprise en six couches — application, outils de cycle de vie données et IA, modèles de fondation, exécution et orchestration agentiques, plateforme de données, infrastructure — et alerte sur les architectures d’ère pilote, dont les angles morts se paient en données périmées et en trous de gouvernance au moment de passer à l’échelle. Le cadre est utile. Il pose pourtant une question que les référentiels d’AI readiness laissent ouverte : sur quoi repose exactement le score que vous attribuez à chacune de ces couches ?

La réponse tient, dans la mécanique même de ces référentiels, à une déclaration : un questionnaire de maturité, rempli par les équipes qui possèdent la couche, relu par un cabinet, converti en note. Deux objections viennent immédiatement à un CDO. La première : « notre référentiel comporte déjà une dimension données ». La seconde : « notre data catalog et notre plateforme de gouvernance couvrent ce périmètre ». Les deux sont exactes et aucune ne résout le problème traité ici : une dimension « données » notée sur déclaration, et un catalogue qui inventorie des sources, ne disent rien de l’état réel des documents que vos agents vont lire.

Notre thèse : le corpus documentaire est la seule couche du stack IA qui puisse être mesurée sur pièces, document par document, sans interroger personne. Et c’est celle que presque aucune organisation n’instrumente.

Nous avions déjà traité, dans « AI Readiness Assessment 2026 — the Corpus pillar every framework leaves out », la question du périmètre : quelle dimension manque aux référentiels. Cet article traite une question différente et complémentaire, celle de la méthode : comment on établit une note, et pourquoi la méthode déclarative échoue là où la mesure directe fonctionne.

Un score d’AI readiness est une déclaration, pas une mesure

L’étude Taming the Complexity of AI Data Readiness, conduite par Harvard Business Review Analytic Services avec Cloudera auprès de plus de 230 répondants impliqués dans les décisions data de leur organisation (enquête d’octobre 2025, publication le 5 mars 2026), retient un chiffre repris partout : 7 % des organisations estiment leurs données complètement prêtes pour l’IA, et 27 % les jugent peu ou pas prêtes.

Le verbe compte plus que le pourcentage. Les répondants estiment. Aucun octet n’a été audité pour produire ce 7 %. C’est une mesure de confiance déclarée, pas une mesure d’état.

Le même mécanisme joue à l’échelle du marché. Le rapport Global Enterprise AI de Publicis Sapient (juin 2026, 1 550 décideurs IA interrogés) relève que 73 % des organisations utilisent l’IA régulièrement ou sur la plupart de leurs processus, quand 10 % seulement la considèrent comme centrale dans leur fonctionnement. Là encore, deux déclarations mises face à face. Elles décrivent un sentiment d’écart. La cause reste hors champ.

Pour les couches basses du stack — infrastructure, modèles, orchestration — la déclaration est un compromis acceptable : ces couches sont observables par ailleurs, par la télémétrie, les logs d’exécution, les tests de charge. Un architecte qui affirme que son orchestrateur tient la charge peut être contredit par une courbe le lendemain.

Pour le corpus documentaire, aucun instrument n’occupe ce rôle par défaut. Un espace SharePoint ne signale pas qu’il héberge deux procédures contradictoires. Un Confluence ne lève pas d’alerte quand une note de 2019 reste la seule réponse indexable à une question posée quotidiennement. La déclaration reste donc la seule source — et elle est structurellement optimiste, parce que personne ne déclare mal ce qu’il n’a pas les moyens de constater.

La couche « données » d’un stack agentique n’est pas la couche « documents »

Le blueprint d’Info-Tech distingue deux couches distinctes : data platform et data and AI lifecycle tools. Cette distinction est juste sur le plan de l’architecture. Elle laisse malgré tout hors champ ce que ces deux couches ont en commun : elles gouvernent des flux, des schémas, des pipelines et des droits d’accès. Elles ne portent aucun jugement sur la validité du contenu qui transite.

Un data catalog sait vous dire qu’un espace documentaire existe, qui en est propriétaire, quelles politiques de rétention s’y appliquent. Il ne sait pas vous dire si deux des procédures qu’il référence se contredisent, parce qu’il n’ouvre ni ne compare leurs contenus. La qualification du contenu sort de la fonction de cette couche. Le catalogue décrit un contenant, l’agent lit un contenu.

Cet écart entre contenant gouverné et contenu non qualifié est stable. Il ne dépend pas du dernier cadre d’analyste publié, ni du prochain. Il tient à une propriété du corpus documentaire : sa cohérence est une propriété relationnelle, qui n’existe qu’entre documents. Un document pris isolément n’est jamais faux au sens strict ; il devient faux quand un autre document, ailleurs, dit l’inverse et fait autant autorité. Aucune métadonnée portée par un fichier ne peut capter cela, parce que l’information ne se trouve dans aucun des deux fichiers.

C’est la raison pour laquelle un corpus se mesure par comparaison croisée entre documents, là où un contenant se mesure par inventaire.

Ce qu’une mesure sur pièces renvoie réellement

Sur un référentiel de procédures d’un grand groupe européen de l’énergie, lors d’un premier diagnostic portant sur environ 500 documents, la mesure a renvoyé 19 % de documents porteurs d’au moins une anomalie : conflits sémantiques entre documents, doublons divergents, obsolescence, ruptures de traçabilité.

Deux précisions comptent pour interpréter ce chiffre. D’abord son périmètre : 19 % sur ce référentiel-là, à cette date-là. Ce n’est pas un taux de marché et nous ne le présentons pas comme tel. Ensuite son mode d’obtention : ces 19 % n’ont été déclarés par personne. Ils ont été établis par comparaison automatisée de chaque document à l’ensemble des autres, puis validés par les propriétaires métier. Le procédé s’exécute dans un périmètre d’hébergement défini contractuellement, sur le seul contenu documentaire, sans réutilisation pour l’entraînement de modèles.

La suite est du travail humain, et le chiffrer honnêtement importe autant que le diagnostic : trois semaines de remédiation, à raison d’environ 1,5 ETP par semaine, pour un référentiel de cette taille. À l’issue, les conflits identifiés ont été réduits de plus de moitié.

Le mécanisme de risque, lui, ne dépend pas du taux. Une anomalie non traitée dans un corpus interrogé par un agent produit une réponse plausible, sourcée sur un document réel, et fausse. Elle ne déclenche aucune alerte technique, puisque le système a fonctionné comme prévu. Elle se découvre au moment où quelqu’un applique la réponse.

Ce cas est instructif pour une raison qui tient moins à l’ampleur du taux qu’à l’écart entre ce que les équipes auraient répondu à un questionnaire de maturité la veille — un référentiel documenté, versionné, avec des propriétaires nommés, donc noté correctement — et ce que la mesure a effectivement trouvé. Les deux évaluations portaient sur le même corpus. Une seule reposait sur des pièces.

La Document Knowledge Platform, couche de mesure du corpus documentaire

Une Document Knowledge Platform (DKP) est la couche logicielle qui gouverne, nettoie et active un corpus documentaire non structuré pour le rendre exploitable par l’IA : elle cartographie l’ensemble des documents à travers les référentiels, détecte les anomalies sémantiques entre eux, et maintient cette qualification dans le temps.

Là où le référentiel d’AI readiness produit une note déclarative, la DKP produit une liste d’anomalies datées, localisées et attribuables à un propriétaire. La note devient contestable, donc discutable, donc actionnable.

La mesure ouvre la séquence sans la refermer. Une DKP reste en place au-delà du diagnostic : elle sert ensuite à corriger le corpus avec les propriétaires métier, puis à surveiller sa dérive, un corpus vivant se dégradant à chaque nouvelle version déposée. C’est cette permanence qui la distingue d’un dispositif d’assessment passé une fois.

Cette position ne se redéfinit pas au rythme des publications d’analystes. Que le prochain cadre de référence compte six couches, sept ou quatre, la couche documentaire y restera évaluée sur déclaration tant qu’un instrument ne la mesurera pas.

Pour un CDO, l’implication pratique est directe : votre prochain comité d’investissement IA arbitrera sur des scores de maturité. Vous pouvez y arriver avec une note, ou avec une note et un échantillon mesuré qui la corrige.

Côté réglementaire, le Digital Omnibus a reporté le régime haut risque de l’AI Act au 2 décembre 2027 (annexe III) et au 2 août 2028 (annexe I). Ce report ne vide pas le périmètre déjà applicable : les obligations de transparence de l’article 50 s’appliquent depuis le 2 août 2026, et les exigences de traçabilité de l’article 12 sont exigibles sur les systèmes qui relèvent du périmètre en vigueur. Or une traçabilité qui remonte jusqu’à un document source contradictoire documente un défaut au lieu de l’éteindre. La remédiation documentaire se compte en semaines de travail métier et se planifie indépendamment des cycles de déploiement technique.

Conclusion : auditer, nettoyer, surveiller

La séquence est stable et l’ordre n’est pas interchangeable.

Auditer : établir, sur un périmètre restreint et représentatif, un taux d’anomalie mesuré plutôt que déclaré. Un référentiel de quelques centaines de documents suffit à produire un écart exploitable en comité.

Nettoyer : traiter les anomalies par ordre de criticité d’usage, avec les propriétaires métier. C’est du travail humain, et il faut le budgéter comme tel.

Surveiller : réinstrumenter en continu, parce qu’un corpus se dégrade dès qu’il vit. Un audit ponctuel produit une photo ; la dérive se lit sur la série.

Le point de départ n’est pas un choix d’outil. C’est le remplacement d’une déclaration par une mesure, sur un périmètre assez petit pour être fait vite et assez réel pour être opposable.

Foire aux questions

Quelle différence entre un score d’AI readiness et un diagnostic de corpus ?

Un score d’AI readiness évalue une organisation à partir de réponses déclaratives à un questionnaire de maturité. Un diagnostic de corpus établit un taux d’anomalie en comparant les documents entre eux, sans interroger personne. Le premier mesure une perception, le second mesure un état.

Un data catalog ou un outil de gouvernance ne fait-il pas déjà ce travail ?

Ces outils gouvernent le contenant : inventaire des sources, propriétaires, politiques de rétention, droits d’accès. Ils ne comparent pas les contenus entre eux et ne détectent donc pas les contradictions entre deux documents également autorisés. Les deux couches se complètent.

Combien de documents faut-il pour obtenir une mesure exploitable ?

Quelques centaines de documents sur un périmètre métier cohérent suffisent à produire un taux d’anomalie défendable en comité. Un diagnostic portant sur environ 500 documents a par exemple renvoyé 19 % de documents porteurs d’au moins une anomalie chez un grand groupe européen de l’énergie. L’objectif d’un premier périmètre est de produire un écart mesuré, pas une couverture exhaustive.

Quel effort de remédiation faut-il prévoir après le diagnostic ?

Sur le référentiel cité, la remédiation a représenté environ trois semaines à 1,5 ETP par semaine, pour une réduction de plus de moitié des conflits identifiés. L’effort dépend du volume et de la criticité des anomalies, et il reste principalement du travail métier.

Comment sont protégés nos documents pendant le diagnostic ?

Le diagnostic s’exécute dans un cadre contractuel explicite : accord de traitement des données, périmètre d’hébergement défini, et non-réutilisation des documents pour l’entraînement de modèles. K-AI n’ingère que du contenu documentaire, à l’exclusion des journaux d’usage et de la télémétrie. Le périmètre est validé conjointement par le Document Owner métier et le RSSI ou le DPO, jamais par la seule DSI.

---

Pour aller plus loin

K-AI Corpus Diagnostic — 10 jours ouvrés, rapport complet des 20 anomalies les plus critiques de votre référentiel documentaire, garantie remboursement si aucune anomalie valable détectée. Pour remplacer une note déclarative par une mesure opposable sur un premier périmètre, contactez l’équipe K-AI : contact@k-ai.ai. Le périmètre de chaque diagnostic est validé conjointement par le Document Owner métier et le RSSI/DPO, jamais par la seule DSI.

K-AI accompagne déjà CMA CGM, Veolia, PwC, BNP Paribas, TotalEnergies et CEVA Logistics. Partenaires : AWS, Snowflake, Microsoft, Wavestone, Devoteam.