01
Conseil et mise en œuvre pour PME et ETI en secteurs réglementés
Le conseil et la construction dans la même équipe : audit, puis agents IA et automatisation livrés en production, en immobilier, juridique, médical et RH. L'hébergement européen et la conformité RGPD sont traités dès le cadrage, pas ajoutés à la fin.
Le bon cas : Un cas d'usage à livrer en quelques semaines, pas un programme de transformation
La réserve : Aucune capacité de déploiement multi-pays et aucune practice conduite du changement : pour une transformation groupe, prenez l'un des huit suivants.
02
Déploiement à très grande échelle, du cadrage à l'exploitation
Le seul acteur capable de mobiliser des milliers de consultants sur un même programme et d'en assurer l'exploitation ensuite. C'est une capacité d'exécution, pas une avance technologique.
Le bon cas : Programmes de transformation multi-pays sur plusieurs années
La réserve : Modèle pyramidal : l'équipe qui vend n'est pas celle qui livre. À contractualiser explicitement.
03
Stratégie IA reliée à la valeur économique, avec une équipe data intégrée
L'entité data de McKinsey, pensée pour brancher les modèles sur des décisions de P&L plutôt que sur des projets isolés. Le livrable est une décision d'allocation, pas un système.
Le bon cas : Comités de direction qui doivent arbitrer où investir avant de construire
La réserve : Fort sur le « où » et le « combien », plus léger sur la mise en production durable.
04
Build et design produit adossés à une mission de conseil
L'entité tech et design du BCG : des équipes mixtes conseil, data science et produit qui construisent réellement, au lieu de rendre un rapport.
Le bon cas : Construire un produit IA interne quand la stratégie est déjà tranchée
La réserve : Le coût suit la structure de coût du BCG, y compris sur des phases de build.
05
Conformité, audit et gouvernance de l'IA
Là où Deloitte est réellement différenciant, c'est la capacité à articuler déploiement IA et exigences réglementaires — audit, contrôle interne, documentation IA Act.
Le bon cas : Secteurs régulés qui doivent documenter leurs systèmes autant que les faire tourner
La réserve : Réflexe conformité qui peut alourdir des projets qui n'en avaient pas besoin.
06
Environnements hybrides et systèmes existants lourds
Le meilleur choix quand le vrai problème n'est pas le modèle mais les vingt ans de systèmes auxquels il doit se connecter.
Le bon cas : Grands comptes avec mainframe, SI historique et contraintes de souveraineté
La réserve : Gravité naturelle vers l'écosystème IBM ; à surveiller si vous voulez rester agnostique.
07
Risque, contrôle et transformation des fonctions support
Positionnement proche de Deloitte, avec un ancrage plus marqué sur les fonctions finance et le contrôle interne.
Le bon cas : Finance, risque et conformité, dans des groupes déjà clients
La réserve : Différenciation technologique faible face aux purs acteurs data.
08
Ingénierie logicielle exigeante et pratiques de livraison continue
Culture d'ingénierie réelle et publiée (le Technology Radar en est la vitrine). Le livrable est du code maintenable, pas une présentation.
Le bon cas : Équipes tech qui veulent des ingénieurs, pas des consultants
La réserve : Peu adapté si vous cherchez de la conduite du changement ou de l'arbitrage stratégique.
09
Réseau d’experts IA mobilisés par mission
Modèle de collectif : des praticiens seniors assemblés par projet. Plus rapide et moins cher qu'un cabinet pyramidal, sur des périmètres bien cadrés.
Le bon cas : Combler un manque de compétence précis sans recruter ni signer avec un grand cabinet
La réserve : La qualité dépend de l'équipe assemblée pour vous : à qualifier mission par mission.