2 — Référentiel de compétences

2.1 Échelle de niveaux

Règle de validation (détaillée au chapitre 3) : un niveau est validé lorsqu'il est démontré sur au moins deux cas différents, avec preuve observable et justification orale. Un niveau démontré une seule fois est en cours. Un niveau seulement déclaré est auto-déclaré et ne compte pas.

2.2 Vue d'ensemble

---

B1 — Diagnostic, cadrage & valeur

C1.1 Diagnostiquer les processus métier

• Savoirs : notions de processus, activité, tâche, irritant ; types de gaspillage (attente, ressaisie, recherche d'information, erreurs) ; différence entre symptôme et cause ; biais d'entretien.
• Savoir-faire : conduire des entretiens et une observation (shadowing) ; mesurer volumes, temps, délais, taux d'erreur ; cartographier l'existant (AS-IS) avec acteurs, outils, données et points de rupture ; distinguer ce qui relève de l'organisation, de l'outil ou de la donnée.
• Technologies : BPMN simplifié ou swimlanes (Miro, Excalidraw, Mermaid), tableur de mesure, grilles d'entretien.

C1.2 Identifier et qualifier des cas d'usage IA / automatisation

• Savoirs : ce que l'IA générative sait / ne sait pas faire ; automatisation déterministe vs probabiliste ; prérequis données ; niveaux de risque (erreur visible client, données personnelles, décision sur des personnes).
• Savoir-faire : générer une liste de cas d'usage à partir du diagnostic ; qualifier chacun (faisabilité données, faisabilité technique, risque, dépendances) ; écarter explicitement les faux bons cas (ex. « un ChatGPT interne » sans besoin précis).
• Technologies : canevas de cas d'usage (AI use case canvas), matrice de qualification.

C1.3 Prioriser et chiffrer

• Savoirs : ROI, TCO, coût d'opportunité ; coûts d'un système IA (licences, tokens, hébergement, maintenance, supervision humaine) ; gains mesurables vs gains déclaratifs.
• Savoir-faire : construire une matrice valeur/effort ; estimer un coût mensuel d'exploitation (volumétrie × tokens × prix + infra) ; calculer un temps de retour ; formuler des hypothèses explicites et les tester.
• Technologies : tableur (modèle de business case), calculateurs de tokens, grilles tarifaires des fournisseurs.

C1.4 Formaliser le cadrage

• Savoirs : note de cadrage, périmètre (in/out), critères de succès, KPI, jalons ; user stories et critères d'acceptation ; gestion des parties prenantes.
• Savoir-faire : rédiger une note de cadrage validable par un dirigeant ; transformer un besoin flou en exigences testables ; lister risques et hypothèses ; proposer un plan en lots (MVP → extension).
• Technologies : Notion / Google Docs / Markdown, outils de gestion de projet (Trello, Linear, Notion).

---

B2 — Automatisation & orchestration de workflows

C2.1 Concevoir un workflow (blueprint)

• Savoirs : déclencheurs (webhook, planification, événement, polling) ; synchrone vs asynchrone ; états d'un traitement ; human-in-the-loop (HITL) ; découpage en sous-workflows.
• Savoir-faire : produire un blueprint lisible (déclencheur, étapes, données en entrée/sortie, branches, erreurs, points de validation humaine) avant de construire ; choisir l'outil adapté (n8n, Make, code) selon volumétrie, coût, hébergement et compétences du client.
• Technologies : n8n, Make, Zapier ; Mermaid / Excalidraw pour les blueprints.

C2.2 Intégrer des API et services

• Savoirs : HTTP (méthodes, codes, en-têtes), REST, JSON, pagination, filtres ; authentification (clé d'API, Basic, OAuth 2.0, jetons) ; webhooks et signature HMAC ; formats CSV/XLSX ; limites de débit.
• Savoir-faire : lire une documentation d'API et l'appeler correctement ; mapper et transformer des données entre systèmes ; paginer ; gérer les formats de dates, nombres et encodages ; contourner un logiciel sans API (export, email, RPA en dernier recours).
• Technologies : nœuds HTTP Request de n8n / Make, Postman ou Bruno, cURL, JSONPath, IMAP/SMTP, Google Workspace / Microsoft 365.

C2.3 Fiabiliser les automatisations

• Savoirs : types d'erreurs (transitoires, permanentes, métier) ; retry avec backoff exponentiel ; idempotence et clés de déduplication ; cohérence éventuelle ; files d'attente ; limites de débit (429, Retry-After).
• Savoir-faire : prévoir un chemin d'erreur pour chaque étape critique ; rendre un traitement rejouable sans doublon ; traiter un même événement reçu deux fois ; isoler les messages en échec pour reprise ; tester les cas limites (champ manquant, langue étrangère, spam, contenu malveillant).
• Technologies : Error Workflow et Retry on fail de n8n, gestionnaires d'erreurs Make, stockage d'état (base, Redis, Data Tables).

C2.4 Exploiter et maintenir

• Savoirs : journalisation, alertes, supervision ; gestion des secrets ; environnements (dev / prod) ; versioning ; documentation d'exploitation (runbook).
• Savoir-faire : exporter et versionner les workflows ; documenter pour qu'un tiers reprenne ; mettre en place une alerte utile (pas de bruit) ; auto-héberger n8n proprement (Docker, sauvegardes, mises à jour) ou choisir le cloud ; transmettre au client.
• Technologies : Docker / Docker Compose, Git, variables d'environnement et credentials n8n, notifications (email, Slack, Teams).

---

B3 — Intégration LLM, RAG & agents

C3.1 Concevoir des prompts de production et des sorties structurées

• Savoirs : fonctionnement d'un LLM (tokens, fenêtre de contexte, température, échantillonnage) ; rôles system / user / assistant ; few-shot ; hallucination ; sorties structurées (JSON Schema, tool/function calling) ; limites de la classification par LLM.
• Savoir-faire : écrire un prompt système robuste (rôle, contexte, règles, format, exemples, refus) ; imposer et valider une sortie JSON ; gérer l'incertitude (score de confiance, catégorie « à vérifier ») ; versionner les prompts.
• Technologies : API Anthropic / OpenAI / Mistral, nœuds LLM de n8n, validation de schéma (Zod, JSON Schema), outils de gestion de prompts.

C3.2 Mettre en œuvre un RAG (Retrieval-Augmented Generation)

• Savoirs : embeddings, similarité, découpage (chunking), métadonnées, recherche hybride (lexicale + vectorielle), reranking, fenêtre de contexte ; causes d'échec d'un RAG ; RAG vs fine-tuning vs contexte long.
• Savoir-faire : ingérer un corpus hétérogène (PDF, pages, tableaux) ; choisir une stratégie de découpage ; citer les sources ; répondre « je ne sais pas » hors corpus ; mettre à jour l'index quand les documents changent ; respecter les droits d'accès.
• Technologies : pgvector (Postgres / Supabase), Qdrant, bases vectorielles intégrées à n8n ; modèles d'embedding ; LlamaIndex / LangChain (optionnel).

C3.3 Concevoir des agents et l'usage d'outils

• Savoirs : agent = LLM + outils + boucle + mémoire ; tool use ; Model Context Protocol (MCP) ; patrons (routeur, orchestrateur-exécutants, évaluateur-optimiseur) ; quand ne pas utiliser d'agent ; garde-fous.
• Savoir-faire : définir des outils aux contrats clairs ; limiter les permissions et le nombre d'itérations ; insérer une validation humaine avant toute action irréversible ; journaliser les décisions de l'agent ; préférer un workflow déterministe quand il suffit.
• Technologies : nœud AI Agent de n8n, SDK d'agents (Claude Agent SDK, OpenAI Agents SDK), LangGraph, serveurs MCP.

C3.4 Évaluer et optimiser

• Savoirs : jeux d'évaluation (golden set), métriques (exactitude, rappel/précision, fidélité aux sources, taux de refus correct), LLM-as-a-judge et ses biais, tests de régression ; compromis qualité / coût / latence ; prompt caching, batch.
• Savoir-faire : construire un jeu d'évaluation représentatif avant d'optimiser ; comparer deux prompts ou deux modèles de façon chiffrée ; suivre coût et latence par requête ; choisir le plus petit modèle suffisant.
• Technologies : Langfuse, promptfoo, tableurs d'évaluation, évaluations natives des fournisseurs.

---

B4 — Développement & données

C4.1 Programmer des scripts et composants

• Savoirs : variables, types, conditions, boucles, fonctions ; structures de données (listes, objets/dictionnaires) ; JSON ; appels HTTP ; exceptions ; asynchronisme (JS).
• Savoir-faire : écrire un nœud Code (JavaScript ou Python) qui transforme des données ; écrire un script autonome qui appelle une API et gère ses erreurs ; lire et corriger du code produit par une IA ; écrire des fonctions testables.
• Technologies : Python (requests/httpx, pandas) et/ou JavaScript/TypeScript (Node.js, fetch) ; éditeur avec assistant IA (VS Code, Cursor, Claude Code).

C4.2 Manipuler et fiabiliser les données

• Savoirs : modèle relationnel, clés, jointures ; SQL (SELECT, JOIN, GROUP BY, UPSERT) ; qualité des données (complétude, unicité, validité, cohérence) ; normalisation (téléphone E.164, emails, casse, accents) ; dédoublonnage approximatif.
• Savoir-faire : auditer un fichier client (profiling) ; normaliser et dédoublonner avec des règles explicites et traçables ; modéliser une petite base ; migrer d'Excel vers une base ou un CRM sans perte.
• Technologies : SQL (PostgreSQL / SQLite), tableurs, Airtable / NocoDB, pandas.

C4.3 Développer et exposer un service ou un prototype

• Savoirs : client / serveur, API, front / back, authentification applicative ; vibe coding et ses risques (dette, sécurité) ; accessibilité de base.
• Savoir-faire : construire un prototype utilisable (formulaire, tableau de bord, mini-API) en quelques jours ; exposer une fonction via une API ; livrer une démo stable.
• Technologies : Next.js / React ou Streamlit / FastAPI ; outils de génération (Lovable, v0, Bolt, Claude Code) ; Supabase.

C4.4 Industrialiser

• Savoirs : Git (commit, branche, pull request) ; tests automatisés ; CI/CD ; conteneurs ; variables d'environnement et secrets ; hébergement (PaaS, VPS, serverless).
• Savoir-faire : versionner un projet proprement ; écrire quelques tests utiles ; déployer une application (Vercel, VPS Docker) ; documenter l'installation (README).
• Technologies : Git / GitHub, GitHub Actions, Docker, Vercel, hébergeurs européens (OVHcloud, Scaleway, Clever Cloud).

---

B5 — Architecture, sécurité & exploitation

C5.1 Concevoir une architecture cible

• Savoirs : composants d'un système IA (sources, ingestion, stockage, modèles, orchestration, interfaces, supervision) ; build vs buy ; couplage, scalabilité, points de défaillance ; intégration au SI existant.
• Savoir-faire : produire un schéma d'architecture et un dossier de choix argumenté (options, critères, décision — ADR) ; dimensionner pour une TPE/PME (ni sous- ni sur-ingénierie) ; prévoir la réversibilité.
• Technologies : C4 model / Mermaid / draw.io ; briques cloud et SaaS.

C5.2 Choisir modèles et hébergement

• Savoirs : modèles propriétaires via API vs modèles à poids ouverts ; tailles et capacités ; résidence des données et souveraineté (UE) ; conditions contractuelles (conservation, entraînement sur les données) ; coûts ; local (Ollama) vs cloud.
• Savoir-faire : comparer 2-3 options sur des critères pondérés (qualité mesurée, coût, conformité, latence, réversibilité) ; justifier le choix auprès d'un dirigeant ; prévoir un modèle de repli.
• Technologies : Anthropic, OpenAI, Mistral (UE), Azure OpenAI / AWS Bedrock / Vertex AI (régions UE), Ollama, vLLM.

C5.3 Sécuriser les systèmes IA

• Savoirs : OWASP Top 10 pour les applications LLM (injection de prompt directe et indirecte, divulgation d'informations sensibles, gestion non sécurisée des sorties, autonomie excessive…) ; moindre privilège ; gestion des secrets ; modélisation de menaces.
• Savoir-faire : identifier les entrées non fiables (emails, documents, pages web) ; empêcher qu'un contenu malveillant déclenche une action ; masquer ou exclure les données sensibles (IBAN, santé) ; séparer instructions et données ; tester avec des attaques simples.
• Technologies : garde-fous (validation de schéma, listes blanches d'actions), détecteurs de données personnelles, gestionnaires de secrets.

C5.4 Observer et piloter en production

• Savoirs : traces, métriques, journaux ; KPI techniques (taux d'erreur, latence, coût) et métier (temps gagné, taux d'automatisation, satisfaction) ; SLA ; dérive de qualité ; plan de continuité.
• Savoir-faire : instrumenter un workflow / une application LLM ; construire un tableau de bord utile au client ; définir des seuils d'alerte ; organiser une revue périodique de la qualité.
• Technologies : Langfuse, journaux d'exécution n8n, Grafana / Metabase, alertes.

---

B6 — Conformité, éthique & gouvernance

C6.1 Appliquer le RGPD aux projets IA

• Savoirs : donnée personnelle, traitement, responsable / sous-traitant (art. 28) ; bases légales ; minimisation ; information et droits des personnes ; durée de conservation ; registre des traitements ; AIPD ; transferts hors UE ; fiches pratiques IA de la CNIL.
• Savoir-faire : cartographier les données personnelles d'un flux ; choisir et justifier la base légale ; minimiser (ne pas envoyer au LLM ce qui n'est pas nécessaire) ; vérifier les conditions d'un fournisseur ; rédiger une fiche de registre ; savoir quand une AIPD est requise.
• Technologies : modèles de registre CNIL, outil PIA de la CNIL, DPA (accords de sous-traitance) des fournisseurs.

C6.2 Qualifier et appliquer l'AI Act

• Savoirs : rôles (fournisseur, déployeur, importateur, distributeur) ; pratiques interdites ; haut risque (annexes I et III) ; transparence (art. 50) ; littératie (art. 4, obligation de moyens depuis l'Omnibus) ; GPAI ; calendrier 2025-2028 (Règlement (UE) 2026/1744).
• Savoir-faire : qualifier un cas d'usage (rôle + niveau de risque) ; identifier les obligations applicables à une PME déployeuse ; rédiger les mentions de transparence ; documenter les mesures de littératie.
• Technologies : textes officiels (EUR-Lex), vérificateurs de conformité, lignes directrices de la Commission.

C6.3 Gouverner l'usage de l'IA

• Savoirs : shadow AI ; charte d'usage ; gestion des risques ; biais et équité ; impact environnemental ; notions d'ISO/IEC 42001 ; propriété intellectuelle et confidentialité.
• Savoir-faire : rédiger une charte d'usage de l'IA applicable par des non-spécialistes ; proposer des outils autorisés et des règles simples ; mettre en place un registre des usages IA ; animer une revue des risques.
• Technologies : offres « entreprise » des assistants (sans entraînement sur les données), SSO, registre partagé.

---

B7 — Produit, adoption & transmission

C7.1 Concevoir un produit ou un MVP centré utilisateur

• Savoirs : product discovery, personas, parcours, jobs to be done ; MVP vs PoC vs prototype ; métriques d'usage et d'adoption ; UX des systèmes IA (explicabilité, correction, confiance).
• Savoir-faire : définir le plus petit produit utile ; prototyper et tester avec de vrais utilisateurs ; itérer sur des métriques ; concevoir l'interface de validation humaine.
• Technologies : Figma / maquettes, outils de prototypage IA, analytics simples.

C7.2 Convaincre et restituer

• Savoirs : structure d'un pitch (problème, impact, solution, preuve, coût, risques, décision attendue) ; restitution exécutive ; démonstration.
• Savoir-faire : produire un pitch deck de 8-12 slides pour un dirigeant ; présenter chiffres et hypothèses honnêtement ; répondre aux objections ; faire une démonstration qui ne casse pas.
• Technologies : Google Slides / PowerPoint / Gamma / slides HTML, enregistrement vidéo de démo.

C7.3 Accompagner le changement

• Savoirs : cartographie des parties prenantes (influence / attitude) ; courbe du changement ; résistances et leurs causes ; communication.
• Savoir-faire : identifier sponsors, relais et opposants ; construire un plan d'accompagnement (communication, pilotes, ambassadeurs) ; traiter une résistance en entretien ; mesurer l'adoption.
• Technologies : matrices parties prenantes, enquêtes, tableaux d'adoption.

C7.4 Former et documenter

• Savoirs : ingénierie pédagogique (objectifs, progression, modalités, évaluation) ; littératie IA (DigComp 3.0, art. 4 AI Act) ; adultes en formation ; documentation utilisateur vs technique.
• Savoir-faire : concevoir un module de formation avec objectifs évaluables ; animer pour des publics hétérogènes ; produire une documentation utilisateur et un tutoriel vidéo ; évaluer les acquis.
• Technologies : outils de création (Canva, NotebookLM, HeyGen), LMS, formulaires d'évaluation.

---

2.3 Matrice poste × compétence (niveau attendu pour un profil confirmé)

Lecture : niveau minimum attendu pour être crédible sur le poste. « — » = non discriminant. La colonne Consultant formateur IA TPE/PME correspond au positionnement indépendant visé par ce parcours.

Profils de maîtrise par bloc (synthèse)

Fourchette des niveaux attendus dans le bloc (min – max). La validation se fait toujours compétence par compétence ; ce tableau sert à lire rapidement un profil.