L'IA d'entreprise en Suisse : un guide pratique à l'intention des entreprises

26/08/2026

Les entreprises suisses utilisent l'IA pour vérifier les factures, prévoir la demande, effectuer des recherches dans des documents internes, répondre aux questions des clients et analyser les données de production. Cette technologie devient plus difficile à gérer dès lors que les entreprises la connectent à leurs systèmes internes, à leurs fichiers clients, à leurs données financières ou à leurs équipements industriels. Ce guide explique quelles tâches professionnelles se prêtent à l'IA, ce que les entreprises doivent mettre en place avant de l'adopter, comment contrôler l'accès et les données, quelles sont les exigences actuelles du droit suisse et comment déterminer si un projet d'IA en vaut la peine financièrement.

Ce que vous apprendrez

quelles tâches de l'entreprise se prêtent à l'IA ;
comment choisir un premier projet ;
ce que les entreprises devraient corriger dans leurs données avant d'utiliser l'IA ;
comment l'IA peut effectuer des recherches dans les documents internes et les systèmes d'entreprise ;
comment les entreprises devraient contrôler l'IA capable de mettre à jour des données ou de déclencher des logiciels ;
comment les équipes financières et les fabricants utilisent déjà l'IA ;
comment choisir entre différents modèles d'IA ;
ce que les entreprises doivent vérifier avant d'envoyer des informations confidentielles à un fournisseur de services d'IA ;
comment la législation suisse et la loi européenne sur l'IA peuvent avoir un impact sur les entreprises suisses ;
ce que les entreprises doivent prendre en charge lorsque l'IA s'intègre au travail quotidien ;
comment évaluer si l'IA permet de gagner du temps ou de l'argent.

Table des matières

Qu'est-ce que l'IA d'entreprise ?
Quelles tâches d'entreprise se prêtent à l'IA ?
Choisir son premier projet d'IA
Préparation des données de l'entreprise
Utilisation de l'IA pour effectuer des recherches dans les documents internes
Donner à l'IA l'accès aux logiciels de l'entreprise
L'IA dans le secteur financier
L'IA dans le secteur industriel
L'IA dans les ressources humaines
Choisir un modèle d'IA
Lieu de traitement des données de l'entreprise
Combien coûte l'IA d'entreprise ?
Évaluer si l'IA améliore le travail
Sécurité de l'IA et autorisations système
La réglementation de l'IA en Suisse
Dans quels cas la loi européenne sur l'IA s'applique-t-elle aux entreprises suisses ?
Déterminer dans quels cas les employés doivent encore prendre une décision
Tester l'IA avant sa mise en œuvre au quotidien
Liste de contrôle pour la mise en œuvre de l'IA en entreprise
À quoi les entreprises suisses doivent-elles se préparer pour l'avenir ?
Pour en savoir plus sur Supralogic

Qu'est-ce que l'IA d'entreprise ?

L'IA d'entreprise consiste à utiliser l'intelligence artificielle dans le cadre des activités d'une entreprise. Ce terme recouvre des tâches très variées. Une équipe financière peut comparer des factures à des bons de commande. Un fabricant peut analyser les données relevées par ses machines et alerter le personnel de maintenance en cas de variations inhabituelles. Un assistant interne peut effectuer des recherches dans les politiques de l'entreprise ou les manuels techniques. Un logiciel de service client peut lire une demande, vérifier les informations relatives au compte et préparer une réponse.

Depuis des années, les entreprises ont recours à l'apprentissage automatique pour établir des prévisions et reconnaître des tendances. L'IA générative a facilité le traitement des textes, des images et des documents, car elle permet aux employés de donner des instructions en langage naturel.

Les entreprises relient désormais ces modèles à des systèmes ERP, des plateformes CRM, des bibliothèques de documents et des bases de données de production. Un modèle qui se contente de rédiger du texte dispose d’un accès limité. Un modèle connecté à des logiciels internes peut lire les informations de l’entreprise et, en fonction de ses autorisations, mettre à jour des enregistrements ou lancer une autre tâche.

L'entreprise doit donc déterminer précisément ce que le système peut consulter, ce qu'il peut modifier et à quel moment un salarié doit valider l'étape suivante.

Quelles tâches d'entreprise se prêtent à l'IA ?

Les équipes du service client passent souvent plusieurs minutes sur chaque dossier à consulter les dossiers des clients, les informations sur les produits et les politiques de l'entreprise. L'IA peut rassembler une partie de ces informations avant même que l'employé ne réponde.

Les collaborateurs du service financier comparent les factures aux bons de commande, examinent les paiements inhabituels et établissent des prévisions à partir de différentes sources de données.

Les équipes chargées des achats peuvent effectuer des recherches dans les contrats des fournisseurs et extraire des informations à partir des documents. Les équipes juridiques peuvent retrouver des clauses dans de vastes recueils de contrats. Les équipes des ressources humaines peuvent recourir à l'intelligence artificielle pour des tâches administratives telles que la rédaction d'offres d'emploi, le traitement des candidatures ou la réponse aux questions courantes des salariés.

Les fabricants peuvent analyser les données fournies par les machines, inspecter les produits à l'aide de caméras ou exploiter les données de production et de stock pour planifier leur production.

Les entreprises devraient définir la mission avant de choisir la technologie. Une formulation telle que “ Utiliser l’IA dans le domaine financier ” ne donne que très peu d’éléments à tester à une équipe de projet. En revanche, “ Réduire le temps que les employés consacrent à la vérification des factures par rapport aux bons de commande ” donne à l’équipe une tâche précise et un résultat mesurable.

L'IA n'est pas indispensable pour toutes les tâches répétitives. Si une entreprise est capable de définir précisément ce que le logiciel doit faire dans chaque cas, une automatisation classique peut s'avérer moins coûteuse et plus facile à maîtriser.

Un paiement supérieur à 50'000 CHF peut déclencher une deuxième validation en vertu d'une règle fixe. L'IA s'avère plus adaptée lorsque le logiciel doit lire différents formats de documents, comprendre le langage écrit ou comparer l'activité actuelle avec des données historiques.

Choisir son premier projet d'IA

Une entreprise doit choisir des tâches qu'elle maîtrise déjà et dont elle peut mesurer les résultats. Prenons l'exemple d'une entreprise qui reçoit 5 000 factures de fournisseurs chaque mois. Les employés saisissent les informations, comparent chaque facture à un bon de commande et examinent tout écart constaté.

L'équipe financière peut recenser le nombre d'heures consacrées à cette tâche, le nombre de factures nécessitant une vérification manuelle et la fréquence à laquelle les employés détectent des erreurs. Après avoir mis en place l'IA pour une partie de cette tâche, l'entreprise pourra comparer à nouveau ces chiffres.

Les responsables du service client peuvent comparer les délais de résolution et le nombre de contacts répétés. Les équipes de maintenance peuvent enregistrer les temps d’arrêt et les coûts de réparation. Les équipes de planification peuvent comparer les prévisions aux ventes réelles. Les services juridiques peuvent enregistrer le nombre d’heures que les avocats consacrent à la recherche dans les contrats existants. Ces chiffres en disent plus long à la direction que le simple nombre d’employés ayant ouvert une application d’IA.

Préparation des données de l'entreprise

De nombreuses entreprises disposent déjà des informations nécessaires à la mise en œuvre d'un projet d'IA, mais leurs données peuvent présenter des incohérences.

Un même fournisseur peut apparaître sous plusieurs noms. D'anciennes fiches clients peuvent encore être actives. Deux usines peuvent enregistrer les mêmes données de machine de manière différente. Les employés peuvent avoir enregistré plusieurs versions d'une même politique sans identifier clairement celle qui est en vigueur.

Les collaborateurs expérimentés corrigent souvent eux-mêmes ces incohérences. Un employé du service des comptes fournisseurs se rend compte que deux noms de fournisseurs légèrement différents désignent la même entreprise. Un ingénieur sait que les anciens dossiers de maintenance utilisent un ancien code machine.

Un modèle ne dispose pas automatiquement de ces informations. Si les fiches fournisseurs contiennent des doublons, le modèle peut considérer des paiements courants comme des opérations impliquant de nouveaux fournisseurs. Si un assistant interne effectue une recherche parmi plusieurs versions d'une politique, il peut citer une version que les employés ne sont plus censés respecter.

L'entreprise doit déterminer quelles données doivent être considérées comme fiables par les employés et les logiciels, archiver les documents obsolètes et vérifier qui est autorisé à accéder à chaque source.

Les fabricants sont confrontés à un problème supplémentaire, car les anciens équipements de production enregistrent souvent les données dans des formats différents. Une usine peut donc disposer de plusieurs années de données machine sans pour autant disposer de données cohérentes que les ingénieurs puissent utiliser directement pour l'IA.

Utilisation de l'IA pour effectuer des recherches dans les documents internes

L'IA générative peut aider les employés à effectuer des recherches dans de vastes collections de documents d'entreprise.

Un salarié pourrait demander :

Quels frais puis-je faire valoir lors d'un voyage d'affaires en Allemagne ?

Quelle garantie s'applique à cette machine ?

Quels contrats conclus avec ce fournisseur arrivent à échéance cette année ?

Quelles conditions de paiement avons-nous convenues avec ce client ?

L'application effectue une recherche dans les documents approuvés et transmet au modèle linguistique les passages les plus pertinents. Le modèle élabore ensuite sa réponse à partir de ces documents. Les développeurs appellent généralement ce processus « génération augmentée par la recherche », ou RAG.

La recherche doit permettre d'identifier la source appropriée. Si le système extrait une ancienne politique en matière de déplacements, le modèle risque de fournir à l'employé des informations obsolètes. Si les autorisations d'accès aux documents sont trop larges, l'IA pourrait afficher des informations confidentielles auxquelles l'employé n'aurait normalement pas accès.

Les entreprises doivent indiquer la source lorsque leurs salariés ont recours à l'IA pour rédiger des contrats, des polices d'assurance, des garanties ou tout autre document dont la formulation précise peut influencer une décision. Le salarié peut alors ouvrir le document original et le vérifier.

Donner à l'IA l'accès aux logiciels de l'entreprise

Les entreprises ont besoin de contrôles plus stricts lorsque l'IA peut modifier un enregistrement ou déclencher une autre application.

Un chargé du service client peut rédiger une réponse sans rien modifier. Une fois que l'entreprise l'aura transmise à la plateforme de service, le système pourra également mettre à jour le dossier, modifier les informations du compte ou procéder à un remboursement.

Une demande d'achat peut donner lieu à la création d'un bon de commande. Des autorisations plus étendues pourraient permettre de créer directement la commande dans le système ERP.

Une application financière peut signaler un paiement inhabituel. L'entreprise doit alors déterminer au cas par cas si le logiciel peut bloquer la transaction ou s'il doit simplement demander à un employé d'enquêter sur celle-ci.

Les entreprises limitent déjà l'accès de leurs employés et à leurs logiciels en fonction de leurs responsabilités professionnelles. Les systèmes d'IA doivent être soumis aux mêmes restrictions.

Un système de service client n'a pas besoin des dossiers de paie. Un système de traitement des factures n'a pas besoin d'un accès illimité à toutes les bases de données financières. Un logiciel permettant de créer un bon de commande n'a pas automatiquement besoin d'une autorisation pour valider un paiement.

Les entreprises doivent également consigner les actions importantes. Si un système d'IA met à jour la fiche d'un client, bloque une transaction ou crée une commande, les administrateurs doivent pouvoir voir ce qu'il a fait et quelle instruction a conduit à cette action.

L'IA dans le secteur financier

Le département financier propose aux entreprises plusieurs missions d'IA dont les résultats peuvent être clairement mesurés.

La prévision en est un exemple, car les équipes financières s'appuient déjà sur les données historiques relatives aux ventes, aux commandes, aux coûts et aux hypothèses provenant de différents services de l'entreprise. Les modèles d'apprentissage automatique permettent d'analyser davantage de variables et d'actualiser les prévisions à mesure que de nouveaux chiffres sont disponibles.

Les collaborateurs du service financier doivent tout de même revoir leurs hypothèses lorsque l'entreprise subit des changements. Les chiffres d'affaires historiques peuvent perdre de leur fiabilité à la suite d'une acquisition, d'une hausse importante des prix ou de la perte d'un gros client.

L'IA peut également aider les équipes à vérifier les transactions. Les règles financières habituelles permettent d'identifier clairement les infractions. Un système peut ainsi détecter une facture en double ou un paiement dépassant la limite d'autorisation d'un employé.

L'apprentissage automatique permet de comparer une transaction avec l'historique des opérations antérieures impliquant le même fournisseur. Supposons qu'un fournisseur envoie habituellement des factures d'un montant compris entre 5'000 et 10'000 CHF et qu'il utilise le même compte bancaire depuis plusieurs années. Une nouvelle facture d'un montant de 45'000 CHF avec des coordonnées bancaires différentes mérite une vérification manuelle, même si le paiement ne contrevient à aucune règle formelle.

Le logiciel peut indiquer à l'employé quelles informations ont été modifiées. L'employé peut alors vérifier le nouveau numéro de compte bancaire auprès du fournisseur avant de valider le paiement.

L'IA dans le secteur industriel

Les fabricants ont recours à l'apprentissage automatique dans la production depuis de nombreuses années. La maintenance prédictive utilise les données des machines pour identifier les signes indiquant qu'un équipement pourrait présenter un dysfonctionnement. Les machines peuvent enregistrer les vibrations, la température, la pression, la consommation d'énergie et d'autres paramètres. Un modèle permet de comparer les mesures actuelles avec les données recueillies avant des pannes antérieures.

Le personnel de maintenance peut inspecter l'équipement lorsque ces valeurs correspondent à un dysfonctionnement antérieur.

Les fabricants ont également recours à la vision par ordinateur pour contrôler leurs produits. Les responsables de la planification de la production peuvent croiser les données relatives aux commandes, aux stocks et à l'historique de la demande pour déterminer les produits à fabriquer. Les ingénieurs peuvent utiliser l'IA générative pour effectuer des recherches dans les manuels techniques et les registres de maintenance.

Les usines sont également soumises à des contraintes techniques auxquelles les applications bureautiques classiques sont rarement confrontées. Une chaîne de production peut exiger un temps de réponse de l'ordre de la milliseconde. Certains sites ne peuvent pas compter sur une connexion permanente au cloud. Un fabricant peut également décider que certaines données de production doivent rester au sein même de l'usine.

Les entreprises peuvent donc exécuter certains modèles d'IA sur des serveurs ou des appareils situés à proximité des machines. Les équipements plus anciens peuvent compliquer la tâche. Une usine peut abriter des machines installées au fil de plusieurs décennies par différents fabricants. Les ingénieurs peuvent être amenés à normaliser les données avant de pouvoir les utiliser de manière fiable pour l'IA.

L'IA dans les ressources humaines

L'IA permet de réduire la charge administrative liée au recrutement. Les équipes RH peuvent s'en servir pour rédiger des offres d'emploi, gérer les candidatures, planifier les entretiens et synthétiser les comptes rendus d'entretien.

Les grands employeurs qui reçoivent des milliers de candidatures peuvent faire gagner de nombreuses heures à leurs collaborateurs sur ces tâches. Les entreprises devraient faire preuve d'une plus grande vigilance lorsque l'IA intervient dans la sélection des candidats convoqués à un entretien ou recevant une offre d'emploi.

Un modèle entraîné à partir de décisions de recrutement antérieures peut reproduire les tendances observées dans ces décisions. Le fait de supprimer le nom ou le sexe d'une personne ne garantit pas que le modèle ignorera les informations associées, car d'autres variables peuvent être en corrélation avec ces éléments.

Les employeurs doivent également respecter les règles relatives à la protection des données et au droit du travail lorsqu'ils traitent les informations concernant les candidats ou les salariés.

Une entreprise peut donc traiter la prise de rendez-vous pour les entretiens différemment de l'évaluation des candidats. Un logiciel peut trouver un créneau horaire pour un entretien sans pour autant décider si le candidat doit poursuivre le processus de recrutement.

Choisir un modèle d'IA

Les entreprises n'ont pas besoin du plus gros modèle disponible pour chaque tâche. Les grands modèles polyvalents peuvent traiter du texte, des images, des documents et du code. Ils sont capables de suivre des instructions relativement complexes, ce qui les rend pratiques lors des premières phases de test. Un modèle plus petit peut suffire une fois que l'entreprise sait exactement ce que le système doit faire.

Une entreprise chargée d'extraire des numéros de facture à partir de millions de documents n'a pas les mêmes besoins qu'une équipe juridique chargée d'analyser de longs contrats. La classification et l'extraction peuvent souvent être réalisées à l'aide de modèles plus modestes, à moindre coût.

Les entreprises peuvent également utiliser plusieurs modèles. L'un peut être dédié à l'analyse de documents, un autre au traitement d'images, tandis qu'un modèle plus petit peut servir à classer les demandes courantes des clients.

Avant d'envoyer des informations confidentielles à un prestataire, l'entreprise doit vérifier où celui-ci traite les données, s'il conserve des enregistrements, s'il utilise les données des clients pour entraîner des modèles et quelles sont les garanties contractuelles applicables.

L'entreprise doit choisir le modèle en fonction de la mission à accomplir, du niveau de précision requis, des coûts d'exploitation et de la manière dont le prestataire traite ses informations.

Où les données de l'entreprise sont-elles traitées ?

Les services d'IA peuvent recevoir des contrats, des dossiers clients, des informations financières, du code source et d'autres documents confidentiels. Les entreprises doivent savoir où les prestataires traitent ces informations et ce qu'il en advient une fois la demande effectuée.

Ils devraient vérifier :

lorsque le prestataire traite les données ;
s'il enregistre les invites et les résultats ;
si elle utilise les données des clients à des fins d'apprentissage ;
quels membres du personnel ou sous-traitants peuvent accéder à ces informations ;
comment il crypte les données ;
si le client peut exporter ses données lorsqu'il change de fournisseur.

Le fait de conserver les données en Suisse peut permettre de répondre à certaines exigences, mais l’emplacement du serveur ne rend pas compte de toutes les dépendances. Un service hébergé en Suisse peut tout de même recourir à un fournisseur de cloud international, à un modèle d’IA externe, à un logiciel de gestion des identités ou à d’autres services exploités à l’étranger. Les entreprises doivent identifier les prestataires concernés et déterminer quelles dépendances elles sont en mesure d’accepter.

Combien coûte l'IA d'entreprise ?

Les entreprises peuvent tester l'IA sans devoir engager un budget initial important. Elles peuvent commencer par acquérir quelques licences logicielles ou par une petite application connectée à un modèle via une API.

Une utilisation régulière entraîne des coûts supplémentaires, car les développeurs peuvent être amenés à intégrer l'IA à des logiciels existants. Les équipes peuvent devoir nettoyer les données. Les spécialistes de la sécurité doivent configurer les droits d'accès. Les employés ont besoin d'une formation. Quelqu'un doit surveiller les erreurs et mettre à jour le système lorsque les données, les conditions commerciales ou les versions des modèles changent.

L'IA générative engendre également des coûts informatiques récurrents. Les fournisseurs facturent généralement en fonction du volume d'informations traité par le modèle. Si quelques employés résument occasionnellement des documents, cela peut coûter très peu. En revanche, une application traitant des centaines de milliers de messages clients peut générer une facture bien plus élevée.

Le modèle lui-même a une incidence sur le coût. En effet, les modèles plus volumineux coûtent généralement plus cher par requête, tandis que les modèles plus petits peuvent suffire pour effectuer des tâches courantes.

Les entreprises devraient calculer le coût du système par rapport à la tâche qu’il accomplit. Si l’IA traite des factures, il faut calculer le coût par facture. Si elle gère les demandes des clients, il faut calculer le coût par dossier. Si elle analyse des contrats, il faut calculer le coût par document. La direction peut alors comparer le système d’IA à la manière dont les employés effectuent actuellement ce travail.

Évaluer si l'IA améliore le travail

Les chiffres relatifs à l'adoption ne renseignent guère la direction sur la rentabilité financière. Des centaines d'employés peuvent utiliser un assistant IA sans que cela permette de réduire les coûts ni d'accélérer le service client.

Les entreprises devraient évaluer les changements apportés à leurs processus de travail. Une équipe du service client peut par exemple comparer les délais de résolution, les contacts répétés et les erreurs.

Une équipe financière peut comparer la précision des prévisions. Le service des comptes fournisseurs peut consigner les délais de traitement, les erreurs et le nombre de factures qui doivent encore faire l'objet d'une vérification manuelle.

Un fabricant peut comparer les temps d'arrêt des équipements et les coûts de maintenance. De plus, les responsables doivent également savoir comment est utilisé le temps gagné par les employés.

Supposons qu'un salarié consacrait auparavant dix heures par semaine à la vérification de documents et qu'il n'y consacre désormais plus que cinq heures. L'entreprise a réduit le temps nécessaire à cette tâche, mais cela n'a pas automatiquement entraîné une réduction de cinq heures des coûts salariaux.

L'avantage financier dépend de la capacité de l'entreprise à traiter davantage de travail sans embaucher de nouvel employé, à réduire ses dépenses en matière de recours à des prestataires externes, à éviter des pertes ou à affecter son personnel à des tâches nécessitant son expérience.

Sécurité de l'IA et autorisations système

Une application d'IA ne devrait disposer que des informations et des droits d'accès aux logiciels nécessaires à l'accomplissement de sa mission. Un outil destiné à répondre à des questions issues de manuels techniques n'a pas besoin d'accéder aux dossiers salariaux des employés. Une application de service client n'a pas besoin d'un accès illimité à la base de données financière de l'entreprise.

Les équipes de développement accordent parfois des droits d'accès étendus aux prototypes, car cela facilite les tests. Les équipes de sécurité doivent vérifier ces autorisations avant que les employés n'utilisent le système dans le cadre de leur travail quotidien.

Les entreprises devraient également définir des autorisations distinctes pour chaque action. Une application peut par exemple établir un bon de commande sans pour autant être autorisée à valider un paiement. Un système de service client peut mettre à jour les informations de compte courantes, tandis que les remboursements dépassant un montant fixe doivent toujours être effectués par un employé.

Les employés ont également besoin de règles claires concernant les services d'IA accessibles au public. Il est en effet très facile de coller un contrat client, une feuille de calcul ou un e-mail confidentiel dans un chatbot public, car cet outil permet de gagner du temps. L'entreprise doit donc indiquer à ses employés quels services ils sont autorisés à utiliser et quelles informations ils peuvent y saisir.

Une politique spécifique fournit aux employés des consignes plus claires que de leur demander simplement d“” utiliser l’IA de manière responsable ».

La réglementation de l'IA en Suisse

La Suisse ne dispose actuellement d'aucune loi globale régissant l'IA. Le droit suisse en vigueur s'applique toujours lorsque les entreprises y ont recours. La loi fédérale sur la protection des données régit le traitement pertinent des données à caractère personnel, tandis que le droit du travail, le droit de la propriété intellectuelle et les règles sectorielles peuvent également s'appliquer en fonction de la mission et du secteur d'activité.

En février 2025, le Conseil fédéral a décidé d’élaborer une législation ciblée sur l’IA plutôt que d’adopter un équivalent suisse direct de la loi européenne sur l’IA. Les autorités fédérales préparent actuellement un projet de consultation qui devrait être prêt pour la fin de l’année 2026.

Les entreprises n'ont pas besoin d'attendre l'adoption d'une nouvelle législation pour tenir des registres appropriés concernant leurs systèmes d'IA. Elles doivent savoir quelle application elles utilisent, quelles données celle-ci reçoit, quel prestataire traite ces informations et qui, au sein de l'entreprise, en est responsable.

Un système RH qui traite les informations relatives aux candidats nécessite un examen juridique et de sécurité différent de celui d'un outil marketing qui modifie le contenu d'un site web public.

À partir de quand la loi européenne sur l'IA s'applique-t-elle aux entreprises suisses ?

Une entreprise dont le siège social est situé en Suisse peut tout de même être soumise à certaines dispositions de la loi européenne sur l'IA. La réponse dépend du rôle de l'entreprise, du lieu où elle fournit le système et comment l'IA ou si sa production est utilisée au sein de l'Union européenne.

Les entreprises suisses devraient donc évaluer au cas par cas les systèmes liés à leurs activités au sein de l'UE, plutôt que de partir du principe qu'un siège social en Suisse les place automatiquement hors du champ d'application de la législation.

Plusieurs dispositions de la loi sont déjà en vigueur. Les exigences relatives aux modèles d'IA à usage général sont entrées en vigueur en août 2025, tandis que d'autres dispositions, notamment les règles de transparence prévues à l'article 50, sont entrées en vigueur le 2 août 2026.

Ces règles de transparence s'appliquent à certains systèmes d'IA qui interagissent directement avec des personnes, ainsi qu'à certaines formes de contenus générés ou modifiés par l'IA. Un fabricant suisse utilisant un modèle de prévision interne uniquement en Suisse sera donc soumis à un régime juridique différent de celui d'une entreprise technologique suisse commercialisant un service d'IA auprès de clients situés dans l'UE.

Déterminer dans quels cas les employés doivent encore prendre une décision

Les entreprises devraient également déterminer le niveau d'intervention humaine nécessaire pour chaque système d'IA en fonction des conséquences d'une erreur.

Un collaborateur qui utilise l'IA pour réécrire un e-mail interne peut relire le brouillon avant de l'envoyer. Un paiement signalé comme pouvant constituer une fraude nécessite une enquête approfondie. Le collaborateur doit pouvoir identifier les détails de la transaction à l'origine de l'alerte et avoir accès aux dossiers du fournisseur nécessaires pour les vérifier.

Le recrutement, le crédit, la sécurité, les obligations réglementaires en matière de reporting et les décisions financières importantes peuvent également nécessiter qu’un salarié examine les éléments disponibles avant que l’entreprise n’agisse. Une étape d’approbation humaine ne fonctionne que si la personne chargée de l’examen dispose de suffisamment de temps et d’informations pour prendre une décision en toute indépendance. Si un salarié doit approuver chaque jour des centaines de recommandations générées par l’IA, cet examen risque de se transformer en une simple succession de clics routiniers.

La direction devrait donc désigner la personne ou le poste chargé(e) de prendre la décision finale et préciser ce que le logiciel peut faire sans autorisation.

Tester l'IA avant sa mise en œuvre au quotidien

Un test pilote permet de déterminer si un modèle est capable d'accomplir une tâche dans les conditions d'essai. Le travail quotidien introduit davantage de variations.

Les employés mettent en ligne des documents imprévus. Les clients posent des questions que l'équipe de test n'avait pas prévues. Les données de l'entreprise changent. Un autre fournisseur de logiciels met à jour son système. Le fournisseur d'IA publie une nouvelle version de son modèle.

L'entreprise doit déterminer qui est chargé d'enquêter sur les résultats erronés, qui est habilité à désactiver l'application, comment les développeurs testent les mises à jour et quels fichiers journaux l'entreprise conserve.

Pour les tâches ayant des implications financières, juridiques ou opérationnelles plus importantes, les entreprises peuvent dans un premier temps utiliser l'IA en parallèle du système actuel.

Un modèle de suivi des paiements peut signaler des transactions sans les bloquer. Un modèle de prévision peut établir des prévisions tout en permettant au service financier de continuer à utiliser sa méthode actuelle. Un logiciel de maintenance peut alerter les ingénieurs sans arrêter automatiquement les équipements.

Les employés peuvent comparer les résultats fournis par l'IA avec les décisions réelles et consigner les types d'erreurs qui se produisent.

L'entreprise pourra automatiser davantage de tâches une fois que le système fonctionnera de manière fiable et que les employés auront compris où il commet encore des erreurs.

Liste de contrôle pour la mise en œuvre de l'IA en entreprise

1. Choisissez un métier clairement défini

Choisissez des tâches qui prennent un temps mesurable, donnent lieu à des erreurs fréquentes ou obligent les employés à rechercher de grandes quantités d'informations.

2. Enregistrer les performances actuelles

Évaluez la durée de traitement, les coûts, les erreurs ou tout autre indicateur pertinent avant de mettre en place l'IA.

3. Vérifier les données

Vérifiez que les données sont suffisamment précises pour les besoins du projet et que l'entreprise peut les utiliser en toute légalité et en toute sécurité.

4. Tester des cas concrets

Mentionnez les documents incomplets, les demandes inhabituelles et les cas où les employés expérimentés doivent faire preuve de discernement.

5. Restreindre l'accès

N'accordez à l'application que les informations et les autorisations logicielles nécessaires à son fonctionnement.

6. Demandez à des collaborateurs expérimentés d'examiner les résultats

Les collaborateurs qui effectuent déjà ce travail sont en mesure de repérer des erreurs qui peuvent paraître tout à fait raisonnables aux yeux des développeurs ou des responsables n'appartenant pas au service.

7. Comparer le nouveau processus à l'ancien

Évaluez la précision des mesures, le temps de travail des employés, les coûts d'exploitation et la charge de travail manuel restante.

8. Automatiser certaines étapes

N'autorisez le logiciel à effectuer des tâches de manière autonome que si l'entreprise accepte les conséquences d'une éventuelle erreur.

9. Continuez à effectuer des mesures après le lancement

Les données de l'entreprise, les conditions d'exploitation et les versions du modèle sont susceptibles d'évoluer. Les équipes doivent continuer à vérifier les performances une fois que les collaborateurs ont commencé à utiliser le système.

À quoi les entreprises suisses doivent-elles se préparer pour l'avenir ?

Les entreprises intègrent de plus en plus l'IA à leurs données internes et à leurs logiciels. Les employés continueront à utiliser des outils permettant de rédiger, de résumer et de rechercher des documents, tandis que de nouvelles applications viendront compléter le dispositif en mettant à jour les dossiers, en vérifiant les transactions et en prenant en charge certaines tâches routinières.

Les entreprises utiliseront probablement plusieurs modèles plutôt qu'un seul pour chaque tâche. Les grands modèles peuvent prendre en charge l'analyse de documents complexes ou des instructions compliquées, tandis que les modèles plus petits peuvent traiter les tâches courantes de classification et d'extraction à moindre coût.

Les fabricants continueront à exploiter certains modèles similaires aux équipements de production lorsqu'ils auront besoin d'une réactivité accrue ou qu'ils souhaiteront conserver les données de production au sein même de l'usine.

Les systèmes d’IA capables de modifier des données ou de déclencher d’autres logiciels nécessitent des autorisations plus strictes que les outils qui se contentent de générer du texte. Les entreprises ont toujours besoin de données précises, de responsabilités clairement définies, d’un accès contrôlé et d’indicateurs permettant de déterminer si le nouveau système a amélioré le travail. Une entreprise qui maîtrise un processus existant peut tester si l’IA est en mesure de supprimer certaines étapes manuelles spécifiques. Si ses dossiers sont incohérents, si les responsabilités ne sont pas clairement définies ou si trop de systèmes disposent d’un accès illimité aux données de l’entreprise, la direction doit corriger ces problèmes avant d’accorder davantage de pouvoirs à l’IA.

Les entreprises suisses n'ont pas besoin de se lancer d'emblée dans un programme d'IA à l'échelle de l'entreprise. Elles peuvent choisir une tâche coûteuse, fastidieuse ou source d'erreurs, évaluer la manière dont les employés l'effectuent aujourd'hui et vérifier si l'IA permet d'obtenir un meilleur résultat.

Pour en savoir plus sur Supralogic

Le déficit de productivité lié à l'IA

Pourquoi des entreprises utilisant des outils d'IA similaires peuvent afficher des résultats de productivité très différents, et pourquoi le simple fait de les déployer ne donne que peu d'indications à la direction sur le retour sur investissement.

Les entreprises prennent conscience du coût de l'inférence IA

Analyse détaillée des coûts informatiques générés à chaque fois qu'un modèle d'IA traite une requête, notamment la sélection du modèle, l'utilisation de jetons et le coût par tâche effectuée.

Votre agent IA a besoin de son propre périmètre de sécurité

Comment les entreprises peuvent limiter l'accès des agents IA grâce à des identités distinctes, des autorisations restreintes, des identifiants temporaires, des contrôles réseau, des journaux d'activité et des procédures d'arrêt d'urgence.

La souveraineté numérique relève d'un choix d'architecture

Pourquoi le fait de stocker des données en Suisse ne garantit pas en soi à une entreprise le contrôle de sa technologie, et quelles sont les dépendances liées au cloud, à l'identité, au chiffrement et aux fournisseurs que les entreprises devraient examiner.

La sécurité de l'IA s'intègre désormais dans les puces

Comment l'informatique confidentielle permet de protéger les informations sensibles pendant leur traitement par l'infrastructure d'IA, en particulier lorsque les entreprises ont recours à une infrastructure informatique externe.

Votre usine dispose de données. Cela ne signifie pas pour autant qu’elle soit prête pour l’IA.

Pourquoi les entreprises industrielles peuvent disposer de grandes quantités de données de production sans pour autant disposer de données cohérentes et exploitables pour l'apprentissage automatique.

Pourquoi l'IA industrielle passe du cloud à l'usine

Pourquoi les fabricants exécutent-ils de plus en plus certaines tâches d’IA à proximité des équipements de production lorsque le temps de réponse, la connectivité ou le contrôle des données de production rendent le traitement à distance dans le cloud inadapté ?.