Les entreprises suisses ont dépassé la question de savoir s'il faut utiliser l'IA. Dans une enquête menée en 2025 auprès de PME suisses, la part de celles qui l'utilisent délibérément est passée de 22 à 34 pour cent en un an, et 57 pour cent des utilisatrices déclaraient travailler plus efficacement. La question difficile est ce qui se passe après le pilote, et à qui vous confiez le chemin.
C'est là que le marché devient confus. L'intitulé "consultant IA" convient aussi bien à un atelier de stratégie, à une spécialiste du machine learning, à un intégrateur de systèmes qu'à une équipe d'ingénierie complète. Il ne dit presque rien de la capacité à mettre un système en production et à l'y maintenir.
Ces deux derniers chiffres se lisent ensemble. Presque tout le monde utilise l'IA, à peine la moitié la fait fonctionner dans un domaine métier. Le travail se trouve dans cet écart, et il relève davantage de l'ingénierie que de la stratégie.
D'où vient cet écart
Une preuve de concept peut impressionner en quelques jours. La production est un autre problème. Dès qu'une application IA lit des données internes, dialogue avec votre CRM ou votre ERP, ou agit pour le compte de quelqu'un, les questions d'ingénierie arrivent d'un coup. Qui a le droit de voir quoi ? Que se passe-t-il en cas d'échec ? Où sont journalisées les sorties ? Quelles données quittent l'entreprise ? Comment tester une nouvelle version de modèle, et comment revenir en arrière ?
Les obstacles cités par les entreprises suisses vont dans ce sens. L'enquête EY 2026 place la qualité des données et les silos en tête, devant les questions de sécurité et de protection des données, suivies de près par le manque de compétences. Aucun de ces points n'est un problème de modèle.
Les secteurs régulés sont plus avancés et butent sur le même mur
La FINMA a interrogé environ 400 établissements assujettis en 2025. La moitié utilisait déjà l'IA ou développait ses premières applications, et 25 pour cent supplémentaires prévoyaient de le faire sous trois ans. Les risques jugés les plus élevés étaient la qualité des données, la protection des données et l'explicabilité.
Neuf questions qui en valent la peine
Comparez des compétences plutôt que des intitulés. Ces questions distinguent les deux types de prestataires de manière fiable.
Part-il de votre cas d'usage métier ?
Un premier entretien devrait porter sur les processus, les coûts, les goulets d'étranglement et les utilisateurs. Si un modèle précis est recommandé avant que quiconque ait compris vos données, l'analyse a été sautée.
Comprend-il vos données avant votre modèle ?
Demandez comment les sources sont raccordées, comment les droits sont repris, comment la qualité est vérifiée et comment les accès sont tracés. Un bon modèle sur des données douteuses produit des absurdités assurées.
Sait-il construire ce qu'il propose ?
Demandez qui écrit les pipelines, les API, les interfaces et le déploiement une fois l'atelier terminé. Un support de présentation n'est pas une mise en oeuvre, et c'est à ce passage de relais que les projets meurent.
Maîtrise-t-il l'intégration à vos systèmes ?
Une IA posée à côté de vos applications change rarement un processus. La valeur apparaît quand elle atteint documents, API, CRM, ERP et outils de support avec des droits maîtrisés.
Peut-il expliquer où vont vos données ?
"Le cloud est sûr" ne suffit pas. Il vous faut le lieu de traitement, les sous-traitants, ce qui est stocké ou journalisé, le fonctionnement des droits d'accès et les contrôles qui sont techniques plutôt que contractuels.
Comment le succès est-il mesuré ?
Fixez l'indicateur avant le démarrage : temps de traitement, taux d'automatisation, qualité des réponses, taux d'erreur, coût par dossier ou un indicateur métier. Puis convenez du résultat qui justifierait d'arrêter.
Comment évalue-t-il la qualité du modèle ?
Un système d'IA ne se réceptionne pas comme un logiciel classique, sur une entrée et une sortie fixes. Demandez le jeu d'évaluation, la typologie des erreurs et la façon dont les régressions sont détectées avant les utilisateurs.
Que se passe-t-il après la mise en service ?
Modèles, sources de données et interfaces évoluent. Demandez la supervision, le versionnage des modèles, le retour arrière, la gestion des incidents, la documentation et qui répond à trois heures du matin.
Que ne résoudrait-il pas avec l'IA ?
La plus révélatrice des neuf. Un partenaire incapable de citer un cas où l'IA est le mauvais outil vend un produit au lieu de vous conseiller.
La protection des données est une question d'architecture, pas une case à cocher
Pour les entreprises suisses, elle façonne la construction au lieu de la suivre. Le Préposé fédéral à la protection des données et à la transparence rappelle que la loi suisse sur la protection des données s'applique déjà aux traitements de données personnelles assistés par IA. Elle exige la transparence sur la finalité, le fonctionnement du système et l'origine des données, et un traitement à risque élevé peut imposer une analyse d'impact.
En août 2026, la Suisse n'a pas de loi générale sur l'IA. L'administration fédérale prépare un projet mis en consultation d'ici la fin 2026, portant sur la transparence, la protection des données, la non-discrimination et la surveillance. Les entreprises actives dans l'Union européenne examinent une deuxième couche : le règlement européen sur l'IA peut viser des fournisseurs établis hors de l'Union, ses obligations de transparence au titre de l'article 50 s'appliquent depuis le 2 août 2026, et des délais plus longs courent pour une partie du régime à haut risque.
En pratique, les questions décisives tombent tôt. De quelles données le système a-t-il réellement besoin ? Où sont-elles stockées ? Quels tiers les reçoivent ? Quels utilisateurs voient quels enregistrements ? Que peut faire un agent seul, et qu'est-ce qui exige encore une validation humaine ? Ce sont des décisions d'architecture, et les rattraper après coup coûte bien davantage.
Reconnaître les trois types de prestataires
Stratégie seule
Utile pour cadrer et prioriser. Le risque est une feuille de route que personne ne peut exécuter.
- Ateliers, cartographie des cas d'usage, analyses de rentabilité
- Demandez qui construit, et obtenez un nom
- Convient si vous avez une équipe d'ingénierie interne solide
Modèles seuls
Expertise profonde sur le modèle, plus légère sur le système autour. Souvent la partie la plus intéressante, rarement la plus difficile.
- Data science, fine-tuning, évaluation
- Demandez l'identité, les droits et le déploiement
- Convient si l'intégration est déjà résolue
De bout en bout
Stratégie, ingénierie et exploitation sous une seule responsabilité. Les passages de relais disparaissent parce qu'il n'y en a pas.
- Du choix du cas d'usage au système en exploitation
- Logiciel, cloud et DevOps aux côtés du travail sur le modèle
- Demandez un cas où il a recommandé d'arrêter
Notre approche chez Alpine Edge
Notre position se situe volontairement à l'intersection de l'IA, du développement logiciel, de l'infrastructure cloud et du DevOps, parce que c'est la frontière que la plupart des projets IA doivent franchir juste après le prototype. L'assistant a soudain besoin d'authentification. Les données d'entreprise doivent être raccordées. Les API internes doivent être joignables de façon maîtrisée. Les déploiements doivent être automatisés. L'expérimentation IA est devenue un projet logiciel et d'infrastructure.
- 01Audit
Comprendre avant de proposer
- Cas d'usage notés sur la valeur, la faisabilité et la disponibilité des données
- Sensibilité des données, lieux de stockage et droits d'accès
- Infrastructure existante, identités et points d'intégration
- Exigences de conformité, y compris les obligations de la LPD
- 02Build
Dans votre environnement, pas à côté
- LLM privés ou auto-hébergés quand les données ne peuvent pas sortir
- Recherche sur vos propres documents, droits préservés
- Serveurs MCP et agents raccordés à de vrais systèmes
- Détection et masquage des données personnelles, chiffrement, accès par rôle, journalisation
- 03Run
La partie qui décide de la durée de vie
- Supervision, journalisation et suivi des coûts
- Versionnage des modèles et retour arrière
- Itération sur l'indicateur convenu au départ
- Transfert de connaissances, pour que la compétence reste chez vous
Un modèle auto-hébergé ne résout rien à lui seul. Il devient utile avec l'accès aux données, la recherche documentaire, l'intégration logicielle, le contrôle des accès, la supervision et un processus que quelqu'un suit vraiment.
L'accès à l'IA n'est plus un avantage. Presque tout le monde l'a. L'avantage vient de son intégration dans vos processus, vos données et vos logiciels, mieux que vos concurrents.