Chaque entreprise n'a pas besoin d'être en tête sur chaque dimension. Un fournisseur qui livre plus lentement mais conseille avec plus de précision peut se permettre ce retard de délai de livraison, tant que le client accorde plus de poids au conseil qu'au temps d'attente. La question n'est pas de savoir si vous gagnez sur toutes les dimensions. La question est de savoir si vous connaissez le poids réel de chaque dimension dans la décision d'achat, et si ce poids se maintient.
C'est là que les choses se compliquent. Les poids ne sont pas des caractéristiques fixes d'un marché. Ils évoluent dès que le travail qui se cache derrière une dimension change de nature.
Une dimension pèse lourd lorsqu'elle est rare : peu de fournisseurs peuvent bien la livrer, et la différence est perceptible pour le client. Le délai de livraison a longtemps pesé lourd parce que la planification était un travail humain et que les erreurs coûtaient cher. Dès qu'une tâche est en grande partie effectuée par l'IA, avec ou sans supervision, une partie de cette rareté disparaît. Ce qui était auparavant une capacité distinctive devient une prestation de base que la plupart des acteurs égalent dans un délai raisonnable.
Cela ne signifie pas que la dimension devient sans importance. Cela signifie que le poids que vous lui accordez aujourd'hui repose sur une rareté peut-être en train de disparaître. Un benchmark qui n'en tient pas compte pondère avec des hypothèses dépassées.
Le travail derrière une dimension se divise en plusieurs parts : des tâches que l'IA peut assumer de manière autonome, des tâches que l'IA effectue sous supervision humaine, et des tâches qui restent un travail humain. Cette répartition déterminant si un poids est stable ou en train de bouger.
Lorsqu'une tâche est presque entièrement reprise par l'IA, le poids de cette dimension diminue généralement, car la plupart des concurrents peuvent la rattraper dans un délai comparable. Lorsqu'une supervision reste nécessaire, la différence entre les entreprises demeure plus grande et plus durable, car la qualité de cette supervision est elle-même une compétence que tout le monde ne développe pas au même rythme. Lorsque le travail reste humain, le poids ne change guère à court terme, bien que la rareté sous-jacente des professionnels qualifiés puisse elle-même évoluer.
Cette répartition varie selon l'entreprise et le secteur, et même selon l'entreprise au sein d'un même secteur. Telle entreprise a déjà organisé la reprise d'une tâche avec des contrôles opérationnels ; telle autre n'en est encore qu'au stade de l'installation pilote. Cette différence est mesurable, ce n'est pas de la conjecture, et c'est précisément ce que vous trouvez en évaluant de l'extérieur la maturité IA d'un concurrent.
Un poids dans un benchmark est une estimation, pas une mesure de la décision d'achat elle-même. Cette estimation repose sur des signaux : ce que les acheteurs du marché disent valoriser, comment les affaires se gagnent et se perdent, comment les dimensions se sont déplacées récemment. C'est utile, mais cela ne garantit pas que la même pondération sera encore valable dans un an, et cela ne dit rien sur une affaire individuelle avec des conditions spécifiques.
Le résultat ne dit non plus rien lorsque la base de preuves est mince : si un score sur une dimension repose sur une seule affirmation sans justification, ou sur des informations obsolètes concernant un concurrent, alors la pondération n'est fiable qu'à hauteur des données sur lesquelles elle repose. C'est pourquoi chaque score est accompagné d'une matrice de preuves : vous pouvez vérifier sur quoi un score est fondé et juger vous-même si cette preuve est suffisante pour votre situation. Là où la preuve est faible, le score doit être lu comme une indication, pas comme un fait établi.
Si une dimension pèse peu et que vous y êtes faible, la question n'est pas automatiquement de savoir comment y remédier. Parfois, la bonne approche consiste à reconnaître la faiblesse et à renforcer le score sur une dimension plus lourde ; parfois, cela vaut la peine de rattraper le retard, car le poids de cette dimension augmente à mesure que davantage de concurrents confient la tâche sous-jacente à l'IA. Ce qui justifie de traiter un retard et ce que vous pouvez laisser de côté dépend de la direction que prend le poids, et c'est une question différente de ce que vous faites face à un retard sur une dimension.
La même chose s'applique dans l'autre sens, pour une dimension sur laquelle vous êtes actuellement fort : si le travail sous-jacent devient largement reprenable, la question est ce que vous faites lorsque votre plus grand atout devient banal grâce à l'IA, et la durée pendant laquelle cette avance fait encore la différence est une question à traiter séparément via combien de temps une avance IA se maintient.
Quel travail au sein de votre propre entreprise peut réellement être repris par l'IA, et quelle part continue de nécessiter une supervision, est une question à traiter par tâche, pas par fonction ou par service ; le scan de travail de FTE TO AI répond à cette question à ce niveau.
La pondération d'une dimension n'est donc pas une donnée fixe, et un score sans preuve n'est pas un score sur lequel s'appuyer. Ce qu'il est possible de faire : mettre côte à côte les affirmations sur lesquelles vous pensez gagner et vérifier lesquelles sont réellement défendables avec des preuves. C'est ce que fait le contrôle de dimension gratuit. Vous indiquez sur quoi vous pensez gagner, et vous voyez lesquelles de ces affirmations tiennent la route, de la même manière que pour justifier une affirmation sur votre propre qualité. Le benchmark complet, avec la matrice de preuves intégrale sur votre groupe de pairs, est en cours de construction.