Le changement le plus lourd de conséquences autour de l'IA au travail est aussi le moins spectaculaire. L'IA disparaît comme outil distinct et devient une fonction des systèmes déjà en place. Personne ne veut ouvrir chaque matin une seconde application, téléverser cinq documents et rédiger une consigne. La version utile est intégrée au CRM, au portail de service, à la gestion documentaire ou à une application interne, là où le travail se fait.
C'est la différence entre un usage occasionnel de l'IA et une véritable mise en oeuvre, et c'est l'essentiel de ce que recouvre aujourd'hui le conseil en IA.
Commencer par le processus, pas par le modèle
La mauvaise question de départ est de savoir quelle IA utiliser. La bonne est de savoir quel problème est résolu, et s'il faut de l'IA pour cela. La nuance paraît mince et décide généralement du projet.
Les points d'entrée qui méritent examen sont sans éclat. Combien d'heures votre équipe passe-t-elle sur des courriels récurrents ? Combien de fois une information est-elle ressaisie d'un système à l'autre ? Combien de temps faut-il pour retrouver un document ? Combien de demandes au support pourraient être catégorisées ou préparées à l'avance ? Quels rapports sont reconstruits chaque semaine à partir des mêmes données ?
Les PME suisses se concentrent déjà là. En 2025, 34 pour cent utilisaient l'IA pour automatiser certaines étapes de travail et 32 pour cent pour l'analyse de données, en nette hausse sur un an. Traduction, correspondance et automatisation de processus arrivent en tête. Ce sont des tâches ordinaires, et c'est précisément pour cela qu'elles s'additionnent.
Une tâche de dix minutes n'est pas une petite tâche
Dix minutes semblent négligeables. Multipliées par plusieurs personnes, plusieurs dossiers par jour et douze mois, elles deviennent l'une des grosses lignes d'un budget d'exploitation. Les meilleurs candidats à l'automatisation sont d'ordinaire ennuyeux et fréquents plutôt qu'impressionnants et rares.
Noter les cas d'usage avant de choisir la technologie
Une liste priorisée vaut mieux qu'une liste ambitieuse. Quatre questions suffisent en général à classer honnêtement les candidats.
| Question | Ce que vous testez | Pourquoi elle décide du résultat |
|---|---|---|
| À quelle fréquence survient-il ? | Volume par jour ou par semaine | Le rendement vient de la fréquence, pas de la nouveauté |
| Quel effort manuel demande-t-il ? | Temps de traitement et reprises | Fixe le plafond de ce qui peut être économisé |
| Les données sont-elles disponibles ? | Sources, qualité, droits | Des données faibles plafonnent la qualité, quel que soit le modèle |
| Quel est l'effet métier ? | Coût, rapidité, risque ou revenu | Décide si l'intégration et l'exploitation se justifient |
Un processus exécuté cent fois par jour et composé pour l'essentiel de traitement d'information standardisé est un meilleur candidat qu'une idée spectaculaire utile deux fois par mois. La première étape n'est donc pas "nous allons construire un agent conversationnel". Elle consiste à montrer où se perdent aujourd'hui du temps, du savoir ou des données.
Pourquoi l'intégration est la partie difficile
Un assistant sans accès aux informations de l'entreprise ne peut donner que des réponses générales. Une automatisation sans lien vers le CRM crée du travail manuel supplémentaire. Un modèle d'analyse sans pipeline de données fiable finit par servir des résultats périmés. C'est là que conseil en IA, développement logiciel, cloud et DevOps cessent d'être des disciplines séparées.
L'outillage récent a rendu le raccordement plus abordable. Le Model Context Protocol est un standard ouvert pour relier des applications d'IA à des sources de données, des outils et des processus avec des droits définis. Il fournit la base technique d'assistants et d'agents qui font plus que répondre, en travaillant dans vos systèmes à l'intérieur de limites explicites.
Le modèle est l'un des six composants. L'essentiel de l'effort d'ingénierie, et du risque, se situe dans les cinq autres.
La qualité des données mérite ici une attention particulière. Dans l'enquête suisse d'EY de 2026, la qualité insuffisante des données et les silos étaient l'obstacle le plus souvent cité à l'intégration de l'IA, à 20 pour cent, juste devant les préoccupations de sécurité et de protection des données à 19 pour cent. Avant de parler de modèles, il est souvent plus productif de parler d'API, de qualité de données et de droits d'accès.
Choisir entre cloud et IA privée
Toutes les entreprises n'ont pas besoin de leur propre modèle de langage, et tous les cas d'usage ne relèvent pas d'un service d'IA public. Les options utiles se trouvent le plus souvent entre les deux : un produit SaaS standard pour les tâches générales, un système de recherche sécurisé pour le savoir de l'entreprise, une architecture cloud privée pour les informations sensibles, ou des modèles auto-hébergés pour les environnements étroitement contrôlés.
Décidez sur des critères énoncés plutôt que par préférence : valeur métier, classification des données, qualité des résultats, effort d'intégration, coût d'exploitation, latence, capacité à monter en charge, dépendance au fournisseur, sécurité et exigences réglementaires. Le tableau suisse indique que les entreprises se répartissent déjà sur cette échelle. Dans l'enquête EY 2026, 35 pour cent utilisaient des licences entreprise d'applications d'IA spécialisées, tandis qu'environ un tiers avait construit ses propres solutions sur plusieurs modèles.
Les règles comptent autant que le logiciel
Un système techniquement excellent échoue quand même si les personnes censées l'utiliser ne le comprennent pas ou ne lui font pas confiance. La pratique suisse montre l'écart sans détour : malgré la forte hausse de l'usage de l'IA, seules 34 pour cent des PME interrogées disposaient de règles claires sur les données que les collaborateurs peuvent saisir dans un outil d'IA. Chez les entreprises de moins de dix personnes, ce chiffre tombait à 23 pour cent.
Les collaborateurs doivent savoir à quoi sert un système, quelles données peuvent être utilisées, quand les résultats doivent être vérifiés et qui répond en cas de problème. Les règles internes doivent rester assez simples pour que la technologie soit encore utilisée. L'objectif n'est pas de transformer chacun en ingénieur en machine learning. C'est que le personnel utilise l'IA aussi naturellement et aussi sérieusement que n'importe quel autre outil numérique.
L'attente devient également réglementaire. Dans l'Union européenne, les obligations de maîtrise de l'IA s'appliquent depuis février 2025. En Suisse, la loi sur la protection des données couvre déjà les traitements de données personnelles assistés par IA, et un projet de réglementation est attendu en consultation d'ici la fin 2026.
La mise en service ouvre la mesure
Pour un logiciel classique, la mise en service est un jalon. Pour l'IA, elle ouvre une phase d'apprentissage. Comment les gens s'en servent-ils réellement ? Où le système fonctionne-t-il bien ? Quelles entrées produisent des résultats faux ou incomplets ? Les droits sont-ils correctement appliqués ? Les coûts de modèle ou d'infrastructure augmentent-ils ? Les systèmes raccordés ont-ils changé en dessous ?
Une IA en production a besoin de supervision, de journalisation, de tests et d'évaluations régulières pour la même raison qu'elle a besoin d'un pipeline de données. La qualité dérive en silence, et sans mesure, le premier à s'en apercevoir est un client. Une stratégie IA qui finit en PDF a fini trop tôt.
Une IA réussie n'a pas besoin de commencer grand. Elle doit commencer sur le bon problème.
Vous n'avez peut-être pas besoin d'un agent. Vous n'avez peut-être pas besoin de votre propre grappe de LLM. Vous avez peut-être besoin d'un seul processus bien choisi où l'IA fait gagner plusieurs heures par semaine, construit assez proprement pour fonctionner encore dans six mois.