Diag Data IA Bpifrance : préparer une décision utile

Le Diag Data IA Bpifrance est une prestation de huit jours-hommes destinée aux PME et ETI de 10 à 2 000 salariés immatriculées en France. Les modalités officielles publiées en 2026 indiquent un coût de 10 000 € HT, pris en charge à 40 % par France 2030, soit un reste à charge annoncé de 6 000 € HT pour l’entreprise bénéficiaire.

Pour que ces huit jours produisent une décision utile, ne commencez pas par une liste d’outils. Préparez un processus réel, sa performance actuelle, les données qu’il traverse et les erreurs que l’entreprise refuse. Le diagnostic pourra alors comparer des cas d’usage sur la même base et conclure par une action explicite : expérimenter, préparer les données, simplifier le flux, choisir une solution ou ne pas poursuivre.

La méthode tient en huit preuves : processus → ligne de base → données → cas d’usage → preuve → coût → responsable → décision.

Quelles sont les modalités du Diag Data IA en 2026 ?

Le bilan du plan Osez l’IA publié par Bercy le 4 septembre 2026 annonce le déploiement de 1 000 Diagnostics Data IA. Il décrit une prestation de huit jours-hommes, prise en charge à 40 % par France 2030, pour les PME et ETI de 10 à 2 000 salariés. À cette date, 70 diagnostics étaient engagés.

La fiche France Num dédiée au Diag Data IA, publiée le 19 juin et mise à jour le 25 juin 2026, précise le coût : 10 000 € HT avant aide et 6 000 € HT restant à la charge de l’entreprise après la prise en charge annoncée. Elle indique aussi une immatriculation au registre du commerce et des sociétés à la date de la demande.

Deux chiffres de capacité coexistent dans les publications officielles : France Num évoque 2 000 accompagnements cofinancés sur 2026-2027, tandis que le bilan de septembre annonce le déploiement de 1 000 diagnostics dans la nouvelle étape du plan. Ils ne décrivent pas nécessairement la même période ni la même enveloppe. Ne les additionnez pas et ne déduisez pas qu’une place est acquise. Vérifiez la disponibilité, l’éligibilité et les modalités au moment de la demande auprès de Bpifrance.

Le communiqué Bpifrance du 17 juin 2026 décrit quatre résultats attendus : un état des lieux technique et opérationnel, des cas d’usage concrets, leur priorisation selon la valeur pour l’entreprise et un plan d’action. Le financement soutient donc une mission de décision. Il ne garantit ni l’acceptation d’un dossier, ni le financement du futur déploiement, ni le retour sur investissement d’une solution.

Ce que le diagnostic doit permettre de décider

Un inventaire d’idées IA est facile à produire. Il est beaucoup plus difficile de dire laquelle mérite un investissement, avec quelles données, selon quelle preuve et dans quelles limites.

La différence se voit dans le livrable final. « Utiliser un assistant pour gagner du temps » ne désigne ni une tâche, ni une base, ni un résultat vérifiable. « Proposer une catégorie et un résumé pour chaque demande de maintenance, avant validation par le responsable » décrit un début, une sortie, un rôle humain et une limite. Cette formulation peut être observée sur des dossiers réels.

Le diagnostic doit ainsi répondre à cinq décisions successives :

1. Quel processus mérite l’attention ? Il combine assez de volume, de friction ou de risque pour justifier l’étude.
2. Quel cas d’usage reste assez étroit ? Il améliore une action complète sans demander de transformer toute l’entreprise.
3. Quelles données sont réellement disponibles ? Leur présence, leur qualité, leurs droits d’usage et leur sensibilité sont vérifiés.
4. Quelle preuve autorise la suite ? Une ligne de base et une règle d’arrêt rendent le pilote réfutable.
5. Quelle trajectoire est proportionnée ? Simplification, outil standard, intégration, no-code ou logiciel métier sur mesure restent des options, pas une conclusion écrite d’avance.

Cette page reste donc distincte de notre méthode pour choisir une solution IA pour PME. Le Diag Data IA intervient en amont : il doit produire le problème prioritaire, les conditions de faisabilité et le plan d’action. La comparaison des fournisseurs commence lorsque cette matière est assez stable.

La matrice Zence des huit preuves à préparer

Remplissez une ligne par processus candidat. N’essayez pas de compléter chaque case parfaitement avant le premier échange : l’objectif est de rendre les inconnues visibles, pas de simuler un diagnostic déjà terminé.

Preuve	Ce qu’il faut préparer	Question que le diagnostic doit trancher	Signal d’arrêt ou de reprise
Processus	un dossier récent, ses étapes, attentes, exceptions et systèmes	quelle action complète doit réellement changer ?	le sujet reste une idée d’outil sans propriétaire métier
Ligne de base	volume, délai, effort, erreurs, reprises et issue actuelle	quel résultat peut être comparé avant et après ?	aucun indicateur actuel n’est reconstructible
Données	sources, formats, droits, qualité, sensibilité et durée	les entrées nécessaires existent-elles et peuvent-elles être utilisées ?	la donnée critique est absente, interdite ou non maîtrisée
Cas d’usage	entrée, traitement proposé, sortie, utilisateur et limite	quelle assistance ou automatisation reste utile et proportionnée ?	le périmètre mélange plusieurs décisions ou équipes
Preuve	jeu de cas, résultat attendu, erreurs critiques et seuil	comment reconnaître une sortie acceptable ?	la démonstration repose sur des exemples choisis après coup
Coût	conseil, préparation, licences, intégration, contrôle et exploitation	le service complet reste-t-il justifié face à la base ?	l’abonnement masque le coût humain ou technique durable
Responsable	propriétaire métier, technique, données et validation	qui décide, surveille, corrige et peut arrêter ?	le fournisseur devient le seul à comprendre le système
Décision	hypothèse, options, prochaine étape, date de revue et repli	faut-il tester, préparer, simplifier, acheter ou renoncer ?	le rapport finit par une roadmap sans ordre ni règle d’arrêt

Cette matrice protège le temps de mission. Elle permet au consultant de vérifier des faits, d’interroger les écarts et de comparer des options, au lieu de consacrer les premiers jours à retrouver le nom des systèmes ou à reformuler un problème trop large.

Préparer un dossier réel avant le premier atelier

Choisissez un processus candidat, puis réunissez trois types de matière.

Un échantillon représentatif

Sélectionnez dix à vingt dossiers récents couvrant le cas nominal, les données manquantes, les exceptions, les corrections et les refus. Retirez ou protégez les données qui ne doivent pas être partagées. Conservez la décision humaine finale et le temps réellement passé lorsque l’information existe.

Une sélection composée uniquement des dossiers propres et complets favorise artificiellement l’IA. Les cas imparfaits révèlent le coût de contrôle, la capacité du système à signaler son incertitude et la possibilité de reprendre manuellement.

Une cartographie courte du flux

Représentez l’événement de départ, les étapes, les personnes, les outils et la sortie officielle. Marquez les ressaisies, attentes, validations, exports et corrections. Notre guide pour automatiser un processus métier détaille cette observation à partir d’un dossier réel.

Ne cherchez pas encore l’architecture cible. Une carte fidèle du flux actuel vaut davantage qu’un schéma idéal qui efface les contournements. L’IA pourrait ne pas être le premier levier : une règle supprimée, un formulaire corrigé ou une intégration simple peut résoudre une part plus importante de la friction.

Une ligne de base minimale

Mesurez ce que le processus rend aujourd’hui : volume traité, délai médian, temps humain complet, taux de reprise, erreurs importantes, dossiers abandonnés et conséquences métier. Lorsque la mesure manque, notez comment la construire pendant le diagnostic.

La Banque de France rapporte le 3 septembre 2026 que 67 % des entreprises d’au moins 20 salariés interrogées déclaraient utiliser l’IA générative début 2026, souvent de manière limitée ou expérimentale. Les effets économiques observés restaient alors contenus. Cette enquête porte sur environ 7 000 entreprises et ne représente pas les structures de moins de 20 salariés. Elle soutient une prudence simple : l’usage d’un outil ne prouve pas encore sa transformation économique.

Tester la qualité des données sans lancer un chantier infini

« Nos données sont mauvaises » est trop vague pour décider. Examinez uniquement les données nécessaires au cas d’usage prioritaire. Pour chaque champ ou document, vérifiez :

• son système de référence et son propriétaire ;
• le format réellement rencontré, pas seulement le format prévu ;
• la part manquante, incohérente ou dupliquée ;
• les droits d’accès et les personnes concernées ;
• la durée utile et la règle de suppression ;
• la manière de corriger la source plutôt que la copie ;
• la possibilité de construire un échantillon de test autorisé.

La CNIL recommande de partir d’un besoin concret, d’encadrer les usages autorisés et interdits, de tenir compte des limites, de choisir un mode de déploiement adapté et d’impliquer les fonctions métier, informatique, sécurité et protection des données. Le diagnostic ne remplace pas une analyse juridique. Il doit au minimum repérer les traitements de données personnelles, les décisions à conséquence et les informations confidentielles qui changent le niveau de contrôle.

Un chantier de gouvernance complet peut être nécessaire, mais il ne doit pas être présupposé. Le premier résultat utile peut être plus modeste : définir cinq champs fiables, une procédure de correction et un export stable pour tester un cas borné.

Huit scénarios à faire apparaître dans le plan d’action

Le rapport devient exploitable lorsqu’il prépare des situations à tester, pas seulement des fonctionnalités à construire.

1. Cas nominal. Une entrée complète produit la sortie attendue et laisse une trace suffisante pour la relire.
2. Donnée manquante. Le système demande, refuse ou signale l’information absente au lieu de l’inventer.
3. Exception métier. Un cas rare mais connu est transmis à la bonne personne sans bloquer le reste du flux.
4. Donnée sensible. L’accès est refusé, limité ou journalisé selon le rôle et l’usage autorisé.
5. Sortie incorrecte. La personne peut corriger, expliquer l’écart et éviter que l’erreur soit propagée automatiquement.
6. Service indisponible. Le processus continue en mode dégradé et les dossiers en attente restent identifiables.
7. Montée en volume. Le temps de contrôle humain et le coût variable restent acceptables dans une période chargée.
8. Arrêt du pilote. Les données, journaux et décisions utiles sont exportés, les accès sont révoqués et le flux précédent peut reprendre.

Pour chaque scénario, conservez une entrée, un résultat attendu, l’observation, l’écart, le responsable et la décision. Le canvas de preuve produit permet de formaliser l’hypothèse, le parcours, le signal de réussite et la condition d’arrêt avant un pilote.

Vérifier que le livrable permet réellement d’agir

À la fin des huit jours, demandez un dossier transmissible à une autre personne. Il devrait contenir :

• la situation initiale et la ligne de base ;
• les processus observés et les cas d’usage écartés ;
• le cas prioritaire, ses utilisateurs, ses données et ses limites ;
• les options comparées, y compris simplifier ou ne rien construire ;
• l’évaluation du coût complet et des risques ;
• un premier protocole de preuve avec règle d’arrêt ;
• les responsabilités métier, techniques et données ;
• une prochaine étape bornée, son calendrier et sa date de revue.

Un score de maturité peut résumer l’état des lieux. Il ne remplace pas ces éléments. De même, une estimation de retour sur investissement reste une hypothèse tant que l’entreprise n’a pas mesuré le temps de contrôle, les reprises et la valeur de la sortie acceptée.

Le plan doit également séparer ce qui est certain, ce qui est observé et ce qui doit encore être testé. Cette distinction évite qu’une hypothèse commerciale devienne silencieusement une exigence technique.

Exemple fictif : du tri des demandes à une décision de pilote

L’exemple suivant est fictif ; il ne décrit ni un client Zence, ni un dossier accepté par Bpifrance. Une PME de services reçoit des demandes par e-mail et formulaire. Deux personnes les relisent, les qualifient, demandent les informations manquantes puis les saisissent dans le logiciel de suivi.

Sur vingt dossiers récents, l’équipe constate trois catégories stables, mais aussi des pièces jointes absentes, des doublons et des urgences déclarées qui ne correspondent pas toujours à la priorité contractuelle. La ligne de base mesure le délai jusqu’à l’affectation, le temps de lecture, la part de dossiers repris et les erreurs de priorité.

Le cas d’usage prioritaire ne répond pas automatiquement au client. Il propose une catégorie, extrait les informations présentes, signale ce qui manque et laisse le responsable valider l’affectation. Le jeu de test conserve plusieurs demandes ambiguës et une erreur critique : ne jamais diminuer automatiquement une priorité de sécurité.

Trois décisions deviennent possibles. Si les champs sources sont trop variables, l’entreprise corrige d’abord le formulaire. Si la sortie est utile mais le contrôle reste lourd, elle limite l’assistance à l’extraction. Si la qualité et le coût sont acceptables, elle prépare un pilote connecté sur un groupe restreint. Le diagnostic a alors fait son travail : il n’a pas promis l’IA, il a réduit l’incertitude sur la prochaine dépense.

Que faire après le Diag Data IA ?

La suite dépend du principal écart découvert.

Résultat du diagnostic	Prochaine action proportionnée
le processus contient surtout des étapes inutiles	simplifier les règles et responsabilités avant tout outil
les données critiques ne sont pas fiables	corriger la source, le propriétaire et le contrôle de qualité
un outil standard couvre le besoin	comparer deux ou trois solutions sur le même jeu de test
une intégration courte ferme la rupture	prototyper le flux et recetter les erreurs et le repli
une règle métier spécifique crée la valeur	cadrer la plus petite preuve complète d’un développement
le gain ou le contrôle reste indémontrable	arrêter, documenter l’apprentissage et revoir la base

Si un outil devient plausible, utilisez ensuite la méthode pour comparer une solution IA, son coût et sa sortie. Si le système doit agir dans plusieurs outils, le guide sur les permissions d’un agent IA traite la mission, les validations et le retrait. La littératie IA en entreprise aide enfin à adapter compétences et consignes aux rôles réellement exposés.

Zence peut préparer le processus, la ligne de base, les données et la preuve attendue avant une décision de produit ou de logiciel. Nous ne décidons pas de l’éligibilité au Diag Data IA et ne prétendons pas être un expert référencé par Bpifrance. Pour les modalités et le dépôt, la source propriétaire reste Bpifrance ; pour votre investissement, le livrable utile reste celui qui permet de comprendre pourquoi tester, corriger, limiter ou renoncer.

Sources principales

• Ministère de l’Économie — Un an du plan Osez l’IA, publié le 4 septembre 2026 ; nouvelle étape, 1 000 diagnostics annoncés, public, durée, taux et nombre engagé.
• France Num — Diag Data IA, publié le 19 juin et mis à jour le 25 juin 2026 ; déroulement, coût, reste à charge, éligibilité et dépôt.
• Bpifrance — Renforcement du plan Osez l’IA, publié le 17 juin 2026 ; finalités, financement et critères annoncés.
• Banque de France — L’IA s’installe dans les entreprises françaises, publié le 3 septembre 2026 ; diffusion, périmètre de l’enquête et effets économiques observés.
• CNIL — Comment déployer une IA générative ?, publié le 18 juillet 2024 ; besoin concret, usages, limites, données, sécurité, formation et gouvernance.