Analyse datée de mai 2026

Rapport local INOVATIO 2026 L’IA en entreprise

État des lieux, risques et plan d’action pour les PME suisses.

En mai 2026, l’intelligence artificielle est déjà présente dans les outils de bureautique, les moteurs de recherche, les CRM, les plateformes de support client, les outils de développement, les systèmes RH et les solutions de veille. Son adoption structurée reste pourtant inégale, surtout dans les petites et moyennes organisations.

Ce dossier aide les PME suisses et romandes à lire les chiffres avec nuance, identifier des usages réalistes, anticiper les risques juridiques et organisationnels, et construire une première feuille de route.

Demander un audit ou un accompagnement IA Voir le plan en 90 jours

19,95 %

des entreprises de l’UE utilisaient l’IA en 2025.

Eurostat, entreprises de 10 employés et plus.

55,03 %

des grandes entreprises de l’UE utilisaient l’IA.

Eurostat, adoption par taille d’entreprise.

70,89 %

citent le manque d’expertise comme frein.

Eurostat, entreprises ayant envisagé l’IA sans l’adopter.

88 %

des répondants McKinsey déclarent un usage régulier.

Enquête mondiale, périmètre différent d’Eurostat.

Attention au périmètre. Eurostat mesure une statistique officielle sur les entreprises européennes de 10 employés et plus. McKinsey mesure une enquête mondiale auprès d’organisations et de répondants souvent plus exposés aux sujets de transformation. Ces chiffres ne doivent pas être comparés comme s’ils mesuraient la même réalité.

Résumé exécutif

Ce qu’une PME doit retenir en 2026

L’IA progresse très vite, mais l’adoption réelle dépend encore de la taille, des compétences et de la gouvernance.
Les PME sont souvent au stade test : usage individuel, pilote, assistant ponctuel, sans mesure systématique.
Les risques principaux sont humains, juridiques, données et gouvernance : la technologie n’est qu’une partie du sujet.
La bonne approche est progressive : commencer petit, documenter, mesurer, former, puis déployer seulement ce qui tient.

Les chiffres 2026

L’adoption de l’IA progresse, mais reste très inégale

Le mot “adoption” recouvre plusieurs réalités : utilisation individuelle ponctuelle, outil intégré dans une fonction métier, pilote interne ou transformation d’un processus. La lecture utile consiste donc à garder le périmètre de chaque source visible.

Graphique illustré montrant que 17 % des petites entreprises, 30,36 % des moyennes, 55,03 % des grandes et 19,95 % du total des entreprises de l’Union européenne utilisaient l’IA en 2025. — **Graphique 1 : Adoption IA UE par taille.** Source : Eurostat, données 2025, entreprises de l’UE avec au moins 10 employés ou indépendants.

La taille de l’entreprise change la capacité d’adoption

Eurostat mesure l’usage déclaré d’au moins une technologie d’IA dans les entreprises de l’Union européenne. La lecture la plus utile pour une PME romande n’est pas de se comparer à un grand groupe, mais de comprendre l’écart de maturité : les grandes structures disposent plus souvent d’équipes IT, de données structurées, de budgets de transformation et de processus de validation.

17 % des petites entreprises de l’UE utilisaient l’IA en 2025.
30,36 % des moyennes et 55,03 % des grandes entreprises l’utilisaient.
19,95 % correspond au total UE, tous segments d’entreprises inclus dans l’enquête.

Lecture modérée : l’IA est entrée dans le monde économique, mais l’adoption structurée reste encore très dépendante des ressources disponibles.

Le frein principal n’est pas l’envie, mais le cadre

Les entreprises qui ont déjà envisagé l’IA mais ne l’ont pas adoptée ne bloquent pas seulement sur le choix d’un outil. Les freins Eurostat montrent un besoin d’accompagnement : expertise, compréhension juridique, traitement des données et capacité à identifier un cas d’usage pertinent.

70,89 % citent le manque d’expertise.
52,52 % citent les incertitudes juridiques.
48,83 % citent les préoccupations données / vie privée.
20,68 % indiquent ne pas voir l’utilité pour leur entreprise.

Lecture PME : avant d’acheter une solution, il faut formuler les usages, classer les données et décider où l’humain valide.

Graphique illustré des principaux freins à l’adoption de l’IA dans l’Union européenne : manque d’expertise 70,89 %, incertitudes juridiques 52,52 %, données et vie privée 48,83 %, pas utile pour l’entreprise 20,68 %. — **Graphique 2 : Freins à l’adoption.** Source : Eurostat, entreprises de l’UE ayant envisagé l’IA sans l’adopter.

Graphique illustré des principales fonctions d’usage de l’IA dans les entreprises de l’Union européenne : marketing et ventes 34,70 %, administration et gestion 31,05 %, logistique 6,08 %. — **Graphique 3 : Fonctions d’usage principales.** Source : Eurostat, entreprises de l’UE utilisant déjà des technologies IA.

Les usages les plus naturels sont proches du quotidien

Les chiffres Eurostat confirment une approche pragmatique : les premières zones d’usage ne sont pas forcément spectaculaires. Elles se situent souvent dans la production de contenu, l’analyse de demandes, la synthèse, la recherche documentaire, la préparation commerciale ou l’administration.

34,70 % des entreprises utilisatrices d’IA l’emploient pour le marketing ou les ventes.
31,05 % l’emploient pour l’administration ou la gestion.
6,08 % l’emploient pour la logistique.

Lecture PME : commencer par des tâches relues par un humain, fréquentes et mesurables, plutôt que par une automatisation sensible.

Utiliser l’IA n’est pas transformer l’entreprise

McKinsey mesure un panel mondial d’organisations et de répondants, pas la même population qu’Eurostat. Le chiffre d’usage régulier est donc plus élevé, mais il révèle aussi une limite : beaucoup d’organisations utilisent l’IA sans l’avoir encore reliée à des processus, indicateurs et responsabilités à l’échelle de l’entreprise.

88 % des répondants déclarent un usage régulier dans au moins une fonction.
Près des deux tiers n’ont pas encore commencé à scaler l’IA à l’échelle de l’entreprise.
39 % déclarent un impact EBIT à l’échelle de l’entreprise.

Lecture PME : la valeur vient moins de l’activation d’un outil que du choix d’un processus, d’une mesure et d’une responsabilité claire.

Graphique illustré l’écart entre adoption et transformation : 88 % utilisent régulièrement l’IA dans au moins une fonction, environ deux tiers restent sans scaling à l’échelle de l’entreprise, et 39 % déclarent un impact EBIT à l’échelle de l’entreprise. — **Graphique 4 : Adoption ≠ transformation.** Source : McKinsey, The State of AI: Global Survey 2025.

Conclusion de lecture. Selon McKinsey, 62 % des répondants déclarent que leur organisation expérimente au moins les agents IA, 23 % déclarent scaler un système agentique quelque part dans l’entreprise, et pas plus de 10 % indiquent un scaling dans une fonction métier donnée. Ces chiffres confirment la même prudence : beaucoup testent l’IA, moins l’intègrent réellement, encore moins mesurent un impact global.

Freins PME

Pourquoi les PME hésitent

Lorsqu’une entreprise hésite, le problème n’est pas forcément le manque d’intérêt. Beaucoup n’ont pas besoin de plus d’outils, mais d’un cadre clair : savoir quoi tester, avec quelles données, dans quel but et avec quelle validation.

Manque d’expertise. Formuler un cas d’usage, comprendre les limites, mesurer le gain, choisir le bon outil.

Incertitude juridique. Distinguer information générale, conformité, responsabilité et obligations sectorielles.

Protection des données. Éviter l’envoi non cadré de contrats, données clients, RH ou informations sensibles.

Cas d’usage flous. Confondre curiosité, productivité individuelle et transformation réellement utile.

Peur du mauvais outil. Choisir une solution avant d’avoir clarifié les données, la validation et le risque.

Shadow AI. Des collaborateurs utilisent déjà des outils sans politique interne claire.

Le problème n’est pas seulement de choisir un outil, mais de savoir où l’intégrer.

Cas d’usage

Ce que l’IA peut faire concrètement

Ces exemples sont des usages d’assistance. Ils doivent être cadrés selon les données utilisées, le niveau de risque et la validation humaine nécessaire.

Direction / stratégie

Risque moyen Intermédiaire

Résumer un dossier complexe.
Préparer une note de décision.
Comparer des scénarios.
Structurer une offre.
Préparer une matrice risques / opportunités.

Administration

Risque faible Simple

Transformer des notes en procédure.
Résumer des emails longs.
Préparer une réponse standard.
Classer des demandes.
Générer des checklists.
Rechercher une information interne.

Marketing / communication

Risque moyen Simple

Préparer un calendrier éditorial.
Décliner une campagne.
Produire des premières versions de contenus.
Adapter le ton.
Analyser des commentaires.

Commercial

Risque moyen Intermédiaire

Préparer une proposition depuis un brief.
Résumer les besoins d’un prospect.
Créer une trame de rendez-vous.
Préparer objections et réponses.
Générer une synthèse après appel.

Support client

Risque moyen Intermédiaire

Préparer des réponses à valider.
Résumer l’historique client.
Classer les tickets.
Créer une FAQ dynamique.
Retrouver une procédure.

RH

Risque élevé Intermédiaire

Rédiger une annonce.
Préparer un onboarding.
Synthétiser des feedbacks anonymisés.
Préparer un support de formation.
Créer une grille d’entretien.

Recrutement, tri de CV et évaluation doivent rester cadrés, transparents et validés humainement.

Finance

Risque élevé Intermédiaire

Expliquer des écarts.
Transformer un export en synthèse.
Préparer un commentaire de gestion.
Détecter des anomalies simples.
Générer des résumés à partir de données fournies.

Juridique / conformité

Risque élevé Intermédiaire

Résumer un contrat.
Comparer deux versions.
Extraire des clauses sensibles.
Préparer une checklist.
Identifier les points à faire relire.

Informatique / développement

Risque moyen Avancé

Générer une première version de script.
Expliquer du code.
Documenter une fonction.
Créer des tests.
Analyser des logs.
Prototyper une interface.

Knowledge management

Risque moyen Avancé

Construire une base documentaire.
Créer un assistant sur documents validés.
Rechercher dans procédures et offres.
Transformer le savoir implicite en fiches.

Usages manuels

Avant d’intégrer l’IA : apprendre à s’en servir manuellement

Pour une PME, le premier contact avec l’IA ne sera généralement pas une API, un agent autonome ou une intégration complexe dans un logiciel métier. Il commencera souvent par un outil de chat : ChatGPT, Gemini, Microsoft Copilot, Claude, Mistral Le Chat ou un assistant similaire.

C’est une étape utile. Avant d’automatiser, il faut comprendre ce que l’IA sait faire, ce qu’elle rate, où elle fait gagner du temps, et quelles tâches restent trop sensibles ou trop ambiguës.

Résumer un document long ou extraire les points importants d’un PDF.

Reformuler un email sensible ou préparer une réponse client à relire.

Transformer des notes brutes en compte rendu ou en plan de réunion.

Comparer deux versions d’un texte, d’une offre ou d’une procédure.

Générer un brouillon de proposition commerciale ou une FAQ interne.

Préparer une liste de risques, une grille de relecture ou une formation interne.

Traduire ou adapter un texte en français, anglais ou allemand.

Créer des variantes de posts LinkedIn, scripts vidéo ou contenus de communication.

Ces usages manuels sont utiles pour apprendre, mais les résultats doivent être relus. Les données confidentielles ne doivent pas être envoyées dans n’importe quel outil, les sorties ne doivent pas être publiées sans validation, et l’outil peut produire une réponse fausse mais convaincante.

La première étape n’est pas de connecter l’IA à tous les outils de l’entreprise. La première étape est souvent d’apprendre à formuler de bonnes demandes, à vérifier les réponses et à identifier les tâches où l’IA apporte réellement quelque chose.

Progression PME

Trois niveaux d’adoption pour une PME

Une entreprise n’a pas besoin de passer directement à l’automatisation avancée. L’adoption peut se faire par paliers.

1. Usage manuel

L’utilisateur ouvre un assistant, colle un texte, pose une question, demande une reformulation ou génère un brouillon.

Avantage : rapide, peu coûteux, idéal pour apprendre.

Limite : peu intégré, dépend de l’utilisateur et peut créer un risque de données si mal encadré.

2. Usage assisté et cadré

L’entreprise fournit des comptes professionnels, une charte IA, des règles de validation, des exemples de demandes et une formation.

Avantage : meilleure cohérence, réduction du risque, montée en compétence.

Limite : encore peu automatisé et demande de la discipline.

3. Usage intégré

L’IA est connectée à des outils, documents ou processus internes avec droits, traçabilité et validation.

Avantage : gains plus structurants et meilleure scalabilité.

Limite : besoin de développement, sécurité, maintenance et mesure qualité.

Le bon chemin n’est pas forcément de commencer par l’intégration. Une PME peut d’abord apprendre manuellement, cadrer les usages, puis intégrer uniquement les cas où le gain est démontré.

Limites

Ce que l’IA ne doit pas faire seule

Les modèles peuvent produire une réponse claire, structurée et fausse. Ils peuvent aussi ignorer une nuance importante ou agir trop vite lorsqu’ils sont connectés à des outils. Les usages sensibles doivent rester assistés, documentés et validés.

Décisions RH, recrutement, évaluation ou accès à l’emploi.

Décisions juridiques ou avis présentés comme définitifs.

Décisions financières sensibles, crédit, sanction ou paiement critique.

Santé, informations médicales ou situations personnelles sensibles.

Surveillance, scoring, biométrie ou reconnaissance des émotions.

Publication de contenus, images, voix ou vidéos sans relecture.

Le Stanford AI Index 2026 rappelle aussi que les incidents IA documentés sont passés à 362 en 2025, contre 233 en 2024. Les agents IA progressent, mais peuvent encore échouer environ une fois sur trois dans certains benchmarks structurés. Pour une PME, cela plaide pour des prototypes supervisés et des validations explicites.

Règle simple : plus une décision a des conséquences humaines, financières, juridiques ou réputationnelles, plus l’IA doit rester dans un rôle d’assistance documentée, avec validation humaine.

Cadre légal

Suisse, UE et bonnes pratiques

Cette section est une information générale, pas un avis juridique. Une PME doit vérifier son contexte exact avant une décision stratégique, juridique ou technique importante.

Suisse

Pas encore de loi IA générale complète actuellement, mais la LPD s’applique déjà aux traitements de données assistés par IA.

Union européenne

L’AI Act suit une approche par risque : pratiques interdites, systèmes à haut risque, transparence et obligations selon les usages.

PME suisse

Une entreprise suisse doit regarder l’AI Act si elle sert des clients européens, fournit des outils utilisés dans l’UE ou veut suivre un standard robuste.

Le droit n’est pas futur : une partie du cadre s’applique déjà

Le calendrier est important pour les PME suisses car il évite deux erreurs : attendre une loi suisse complète avant de cadrer les usages, ou croire que l’AI Act ne concerne jamais une entreprise hors UE. La LPD suisse s’applique déjà aux traitements de données, tandis que l’AI Act devient une référence pratique pour les usages à risque.

L’AI Act est entré en vigueur le 1er août 2024.
Les pratiques interdites et obligations de littératie IA s’appliquent depuis le 2 février 2025.
L’application générale est prévue au 2 août 2026, avec certaines règles à haut risque échelonnées jusqu’en 2027 ou 2028.

Lecture PME : même sans automatisation sensible, une charte IA, une classification des données et une validation humaine réduisent déjà le risque opérationnel.

Frise chronologique illustrée des principales dates du cadre réglementaire IA en Europe et en Suisse : entrée en vigueur de l’AI Act le 1er août 2024, pratiques interdites et littératie IA le 2 février 2025, règles GPAI le 2 août 2025, application générale le 2 août 2026, projet suisse annoncé en consultation fin 2026, obligations high-risk en 2027-2028. — **Graphique 5 : Calendrier réglementaire IA.** Sources : Commission européenne, Chancellerie fédérale suisse, PFPDT.

Pratiques interdites selon l’AI Act : repères de prudence

Pratique	Explication simple pour une PME
Manipulation ou tromperie nuisible	Influencer une personne de manière cachée ou manipulatoire avec risque de dommage.
Exploitation de vulnérabilités	Cibler un groupe en raison de l’âge, d’un handicap ou d’une situation vulnérable.
Social scoring	Noter des personnes ou groupes pour attribuer des avantages ou désavantages généralisés.
Prédiction individuelle de criminalité	Évaluer le risque qu’une personne commette une infraction sur base de profils personnels.
Scraping non ciblé pour reconnaissance faciale	Aspirer des images depuis internet ou CCTV pour créer des bases biométriques.
Reconnaissance des émotions au travail ou dans l’éducation	Déduire l’état émotionnel d’employés, élèves ou étudiants via IA.
Catégorisation biométrique sensible	Déduire religion, opinions politiques, orientation sexuelle ou traits protégés.
Identification biométrique temps réel dans l’espace public par les forces de l’ordre	Interdite sauf exceptions strictes prévues par le cadre européen.

Gouvernance PME

La maturité IA est une question de méthode

Une entreprise mature sait quels outils sont utilisés, par qui, avec quelles données, pour quelles finalités, avec quelle validation et quelle traçabilité.

Charte IA interne

Outils autorisés, données interdites, validation humaine, usages sensibles, contenus générés, procédure incident.

Registre des usages

Responsable, finalité, données utilisées, fournisseur, niveau de risque, mesure du gain, décision automatisée ou non.

Tests qualité

Jeux de tests, erreurs observées, validation métier, comparaison avant/après, critères d’arrêt ou de déploiement.

Formation

Bonnes pratiques données, limites, vérification, hallucinations, droits des personnes, publication responsable.

Niveau	Exemples	IA publique	IA souveraine / privée	Commentaire
Public	Texte de site, brochure, communiqué publié	Oui	Oui	Risque faible.
Interne	Procédures, notes non sensibles, modèles d’email	Avec prudence	Oui	Vérifier la politique de l’outil.
Confidentiel	Contrats, stratégie, données clients, offres non publiées	Non par défaut	Possible avec cadre	Nécessite choix fournisseur et règles.
Sensible	RH, santé, données personnelles fortes, sanctions, finances personnelles	Non	Seulement après analyse	Analyse d’impact possible.

À mettre en place en priorité : charte IA courte, classification des données, liste des outils autorisés, registre des usages, validation humaine obligatoire pour les contenus publiés et les décisions sensibles.

Suisse & souveraineté

La Suisse a une densité exceptionnelle de talents IA

Le Stanford AI Index 2026 place la Suisse en tête d’un classement : les “top AI authors & inventors” par 100’000 habitants. La Suisse atteint 110,45, devant Singapour à 109,51.

Un “AI author & inventor” n’est pas simplement une personne qui travaille dans l’IA. C’est un indicateur basé sur des productions observables liées à l’intelligence artificielle : publications, modèles, dépôts de données, brevets, inventions ou autres traces mesurables selon la méthodologie Stanford/Zeki. Ce n’est pas un recensement complet de tous les professionnels IA en Suisse.

Graphique illustré montrant que la Suisse atteint 110,45 top AI authors and inventors par 100’000 habitants en 2025, devant Singapour à 109,51. — Source : Stanford AI Index Report 2026, données Zeki Data 2025.

Graphique original du Stanford AI Index 2026 montrant les top AI authors and inventors par 100’000 habitants, avec la Suisse et Singapour en tête. — Graphique complémentaire issu du Stanford AI Index Report 2026. Citation : Stanford HAI, données Zeki.

Ce chiffre ne signifie pas que la Suisse domine l’IA mondiale, mais qu’elle dispose d’une densité exceptionnelle de talents IA rapportée à sa population. Pour la Suisse romande, cela se relie notamment à l’EPFL, l’ETH Zurich, le CSCS, la Swiss AI Initiative et Apertus comme exemple de modèle suisse ouvert.

Un écosystème suisse dense : recherche, Genève internationale, instituts spécialisés et entreprises

Le chiffre Stanford ne doit pas être lu isolément. Il s’inscrit dans un écosystème plus large : écoles polytechniques, universités, instituts de recherche, initiatives publiques, organisations internationales, startups, fournisseurs cloud et entreprises technologiques.

La Suisse n’est pas nécessairement le pays qui produit le plus de modèles commerciaux grand public. Son intérêt est ailleurs : densité de chercheurs, ingénieurs, instituts appliqués, acteurs de confiance numérique et projets orientés qualité, sécurité, confidentialité ou souveraineté.

AI for Good / ITU

Plateforme portée par l’ITU à Genève autour des standards, compétences, politiques publiques et usages de l’IA utiles à la société.

Idiap

Institut suisse basé à Martigny, actif en machine learning, traitement du signal, vision, speech processing et transfert technologique.

ISSCO / Fondation Dalle Molle

Tradition genevoise des technologies du langage, de la sémantique, de la cognition et de la traduction automatique.

CERN

Environnement scientifique où l’IA et le machine learning servent l’analyse de données, la détection et l’exploitation de volumes critiques.

Swiss Digital Initiative

Acteur genevois de la confiance numérique : transparence, qualité, protection des données et fiabilité des services numériques.

Infomaniak

Exemple suisse de fournisseur cloud et IA positionné sur des modèles open source, l’hébergement local/européen et la confidentialité annoncée.

Hivenet

Entreprise genevoise liée au cloud distribué, utile pour parler infrastructure, stockage, sobriété et alternatives au cloud centralisé.

À retenir : la Suisse dispose d’un écosystème IA crédible mais dispersé. Pour les PME, l’enjeu n’est pas de devenir OpenAI, mais de s’appuyer sur une culture locale de qualité, gouvernance et précision pour adopter l’IA de manière utile et maîtrisée.

Solutions

Toutes les IA ne se valent pas

Le bon choix dépend du type de données, du volume, du budget, du besoin de confidentialité, de la latence, de la maintenance et des compétences internes.

Option	Avantages	Limites	Cas d’usage
SaaS grand public / pro	Rapide, ergonomique, puissant	Dépendance fournisseur, données à cadrer	Rédaction, synthèse, productivité individuelle
Suite bureautique IA	Intégrée aux emails, documents, réunions	Risque de confondre confort et transformation	Travail quotidien, réunions, documents
API cloud	Intégrable dans un site ou outil métier	Développement et coûts variables	Assistant client, automatisation, recherche
API souveraine / Europe / Suisse	Meilleur alignement données et souveraineté	Choix de modèles parfois plus limité	Données sensibles, clients suisses, institutions
Open source hébergé	Contrôle et personnalisation	Maintenance, sécurité, performance	RAG, workflows internes, projets avancés
IA locale sur machine dédiée	Données sur site, offline possible	Coût, maintenance, énergie, compétences	Lab interne, prototypage sensible, tests
RAG documentaire	Réponses sur documents sélectionnés	Qualité dépendante du corpus et de l’indexation	Assistant interne, support, recherche documentaire

Compte personnel ou compte professionnel : ce n’est pas le même niveau de risque

Beaucoup de PME laissent leurs collaborateurs tester l’IA avec des comptes personnels. C’est compréhensible pour découvrir, mais ce n’est pas une base solide pour un usage professionnel régulier. Un compte Business, Team ou Enterprise peut apporter des contrôles administrateur, une gestion d’équipe, des règles de conservation, une meilleure séparation entre usages privés et professionnels, et des garanties de données qui dépendent du fournisseur, du contrat et de la configuration.

Niveau	Exemple d’usage	Avantages	Limites
Compte gratuit personnel	Tests, curiosité, usages non sensibles	Facile, rapide, sans coût	Peu adapté aux données d’entreprise, contrôle admin limité.
Compte payant individuel	Productivité personnelle	Meilleurs modèles ou fonctionnalités selon fournisseur	Toujours lié à une personne, gouvernance limitée.
Compte Business / Team	Usage PME structuré	Gestion d’équipe, espaces partagés, meilleure confidentialité selon fournisseur	Nécessite règles internes, formation et validation.
Compte Enterprise	Déploiement large	SSO, sécurité, data controls, support et conformité selon contrat	Coût, configuration, conduite du changement.
LLM interne ou souverain	Données sensibles, RAG interne, besoin de contrôle	Maîtrise accrue et intégration métier possible	Coût technique, maintenance, choix des modèles.

Repères fournisseurs à vérifier avant décision : OpenAI indique que les données des offres Business/Enterprise/API ne sont pas utilisées pour entraîner les modèles par défaut ; Microsoft précise que Copilot respecte les permissions Microsoft 365 et que les prompts, réponses et données Graph ne servent pas à entraîner les modèles de fondation ; Google rappelle que les usages Gemini grand public peuvent impliquer conservation, collecte ou revue humaine selon les paramètres, et recommande de ne pas saisir d’informations confidentielles non destinées à ces traitements.

Infomaniak AI Services

Exemple local/souverain à étudier : API compatible OpenAI, modèles open source, hébergement Europe/Suisse et confidentialité annoncée par le fournisseur. Pour un assistant documentaire, prévoir une architecture RAG plutôt qu’un entraînement personnalisé.

Apertus

Signal suisse important porté par la Swiss AI Initiative avec l’EPFL, l’ETH Zurich et le CSCS. Ce n’est pas une solution miracle pour chaque PME, mais un repère stratégique pour l’IA ouverte et souveraine.

Mettre à disposition un assistant IA interne

Une entreprise peut mettre à disposition un assistant IA interne via un compte Business/Enterprise, une solution hébergée sur une infrastructure choisie, ou un modèle open source déployé localement ou sur cloud privé.

L’intérêt n’est pas seulement d’avoir un chatbot. L’objectif est de créer un assistant qui connaît un périmètre autorisé : procédures, offres, documents publics, modèles de réponse, fiches produits, références ou notes internes non sensibles.

Assistant sur procédures, offres et références.
Aide à l’onboarding ou au support commercial.
Recherche documentaire sur corpus validé.
Rédaction conforme au ton de l’entreprise.

Point clé : ne pas tout indexer. Droits d’accès, sources maîtrisées, validation humaine et mesure qualité restent nécessaires.

Faire tourner un modèle localement : possible, mais pas magique

Des outils comme Ollama, LM Studio ou llama.cpp rendent l’inférence locale plus accessible. Un PC récent, une workstation ou une machine spécialisée peuvent faire tourner certains modèles open source, selon la taille du modèle et le matériel.

Le local peut être intéressant pour confidentialité, expérimentation ou indépendance. Il ne garantit pas automatiquement de meilleures performances, une sécurité par défaut, un coût inférieur ou la connaissance des documents internes.

Petit niveau local : synthèse simple, classification, extraction, prototypage.
Niveau avancé : GPU puissant, RAG local plus robuste, maintenance à prévoir.
Niveau spécialisé : machines comme NVIDIA DGX Spark pour développement IA local, à évaluer comme infrastructure professionnelle.

Le choix d’un outil IA ne doit pas seulement se faire sur la qualité du modèle. Il doit intégrer les conditions de données, l’administration, la sécurité, la localisation, le support, le coût complet et les compétences internes.

Cartographie

Risques à cartographier

Données

Exemple : contrat client copié dans un outil public. Réduction : classification et liste d’outils autorisés.

Juridique

Exemple : réponse IA présentée comme avis définitif. Réduction : disclaimer, validation professionnelle, registre.

Métier

Exemple : automatiser un processus déjà mal cadré. Réduction : prototype limité, mesure et décision d’arrêt possible.

Sécurité

Exemple : agent connecté qui effectue une action externe non prévue. Réduction : permissions minimales et supervision.

Réputation

Exemple : contenu faux publié sans relecture. Réduction : validation humaine obligatoire avant publication.

Plan d’action PME

Comment commencer sans improviser : un plan en 90 jours

Une PME peut avancer par étapes : observer, cadrer, tester, mesurer, puis décider.

0-15 jours : diagnostic

Objectifs : cartographier les usages existants, outils, comptes et données.

Questions : les collaborateurs utilisent-ils déjà ChatGPT, Gemini, Copilot ou Claude avec des comptes personnels ? Quels types de données y sont entrés ? Existe-t-il une règle claire sur ce qui peut ou non être envoyé ?

Livrables : liste des outils, première classification des données, politique provisoire sur comptes personnels et 3 à 5 opportunités de tests.

Erreurs à éviter : ignorer le shadow AI ou commencer par un outil avant de connaître les données.

15-30 jours : choix des cas d’usage

Objectifs : distinguer les cas manuels, assistés et intégrés.

Questions : quelle tâche peut être testée manuellement ? Quel usage mérite un compte professionnel ? Quel cas justifierait ensuite un assistant interne ou une intégration ?

Livrables : liste priorisée, responsable, données utilisées, niveau d’adoption, critères de succès et risques associés.

Erreurs à éviter : automatiser trop tôt un cas qui n’a pas encore démontré de valeur en usage manuel.

30-60 jours : prototype tangible

Objectifs : comparer un outil de chat généraliste avec un assistant documentaire simple sur un petit corpus interne non sensible.

Questions : que produit chaque approche ? Quelle différence entre IA manuelle et IA intégrée ? Un modèle local est-il justifié par un besoin réel de confidentialité ou de contrôle ?

Livrables : assistant documentaire limité, grille de test qualité, comparaison de 2 ou 3 outils, mini intégration API si nécessaire, mesure temps gagné / qualité / taux d’erreur.

Erreurs à éviter : déployer sans jeu de tests, sans scénario d’erreur ou avec un corpus trop large.

60-90 jours : gouvernance et déploiement

Objectifs : transformer un test en usage maîtrisé.

Questions : comptes personnels interdits ou tolérés seulement pour données publiques ? Quels outils autorisés ? Faut-il fournir des comptes Business/Team ? Quelles règles de conservation, validation et partage ?

Livrables : charte IA v1, registre des usages, formation courte, décision de déploiement, politique comptes pro et roadmap 6 mois.

Erreurs à éviter : confondre adoption d’un outil et responsabilité interne.

6-12 mois : industrialisation prudente

Objectifs : passer de l’expérimentation utile à une capacité durable.

Questions : quels prototypes méritent d’être étendus ? Quelles intégrations sont nécessaires ? Faut-il envisager RAG, API, cloud souverain ou local ?

Livrables : assistant documentaire, automatisation supervisée, intégration CRM ou intranet, formation continue, gouvernance avancée.

Erreurs à éviter : étendre un prototype dont le risque, la qualité ou la maintenance ne sont pas maîtrisés.

Fiche PME

Checklist IA pour PME : premières questions à se poser

Cette section est pensée pour l’impression. Elle reprend les contrôles de départ avant audit, atelier ou prototype.

A. Situation actuelle

Quels outils IA sont déjà utilisés ?
Par qui et pour quelles tâches ?
Avec quelles données ?
Les collaborateurs savent-ils quelles données éviter ?

B. Données

Données publiques, internes, confidentielles, sensibles ?
Données clients, RH, juridiques ou financières protégées ?
Lieu de traitement ou stockage connu ?

C. Cas d’usage

Tâches répétitives chronophages ?
Rédaction, synthèse ou reformulation fréquentes ?
Documents internes difficiles à retrouver ?
Tests possibles à risque faible ?

D. Risques

Impact humain, juridique ou réputationnel ?
Risque de réponse fausse mais plausible ?
Validation humaine prévue ?
Procédure d’incident existante ?

E. Gouvernance

Charte IA interne ?
Liste d’outils autorisés ?
Registre des usages IA ?
Formation de base ?
Relecture avant publication ?

F. Prototype

Assistant documentaire limité.
Compte rendu automatisé.
Workflow avec validation humaine.
Comparaison de 2 ou 3 outils.
Mini intégration API.
Mesure temps gagné, taux d’erreur, satisfaction.

G. Décision après test

Le prototype fait-il gagner du temps ?
Les résultats sont-ils fiables ?
Le risque est-il acceptable ?
Les coûts sont-ils maîtrisés ?
Faut-il abandonner, améliorer ou déployer ?

Approche INOVATIO

Transformer le sujet IA en usages concrets

Notre approche n’est pas de remplacer votre métier par l’IA. Elle consiste à identifier les endroits où l’IA peut réellement augmenter vos équipes : mieux chercher, mieux synthétiser, mieux produire, mieux répondre, mieux décider : sans perdre le contrôle.

Audit IA PME : usages existants, risques, outils, opportunités.

Atelier cas d’usage : sensibilisation, démonstrations, exercices, limites.

Prototype : assistant documentaire, workflow de contenu, intégration API.

Gouvernance : charte IA, classification, registre, validation humaine.

Communication augmentée : contenus, scripts, synthèses, newsletters, contrôle éditorial humain.

Vous ne savez pas par où commencer ?

INOVATIO peut vous aider à faire le tri entre les usages simples, les outils disponibles immédiatement, les comptes professionnels à mettre en place, les assistants internes à prototyper et les intégrations plus avancées.

L’objectif n’est pas de connecter l’IA partout. L’objectif est d’identifier les endroits où elle apporte une valeur réelle, avec un niveau de risque acceptable.

Atelier découverte IA pour PME

Audit des usages IA existants

Charte IA interne

Formation aux usages manuels

Choix d’outils et comptes professionnels

Prototype d’assistant documentaire

Réflexion IA locale ou souveraine

Intégration API ou RAG

Demander un audit ou un accompagnement IA

Méthodologie & sources

Des chiffres à lire avec leur contexte

Les chiffres proviennent de sources de nature différente : statistiques officielles, enquêtes internationales, rapports de recherche, textes réglementaires et documentation fournisseurs. Ils ne doivent pas toujours être comparés directement.

Cette analyse est datée de mai 2026. Les technologies d’intelligence artificielle, les modèles disponibles, les pratiques d’entreprise et les cadres réglementaires évoluent rapidement. Les chiffres, obligations et recommandations doivent être vérifiés avant toute décision stratégique, juridique ou technique importante.

Source	Date	Nature	Périmètre	Ce que cela mesure	À utiliser pour
Eurostat : Use of artificial intelligence in enterprises	Données 2025, extraction déc. 2025	Statistique officielle	Entreprises UE de 10 employés ou plus	Adoption IA, usages, freins	Chiffres européens PME / entreprises
McKinsey : The State of AI 2025	5 nov. 2025	Enquête internationale	Organisations / répondants mondiaux	Usage régulier, scaling, impact business	Nuancer adoption vs transformation
Stanford AI Index Report 2026	Avril 2026	Rapport de recherche global	Monde, multiples datasets	R&D, talents, économie, risques, gouvernance	Tendances globales et mise en perspective
Commission européenne : AI Act	Application échelonnée 2024-2028	Source réglementaire officielle	Union européenne	Cadre légal IA par niveau de risque	Calendrier, pratiques interdites, obligations
Chancellerie fédérale suisse : IA / PFPDT	LPD en vigueur depuis 2023, communication PFPDT 8 mai 2025	Sources officielles suisses	Suisse	Cadre suisse, LPD, évolution réglementaire	Cadre local suisse
Infomaniak AI Services	Consulté pour le dossier mai 2026	Documentation fournisseur	Suisse / Europe selon services	Services IA, hébergement, confidentialité annoncée	Exemple de solution locale
Swiss AI Initiative / Apertus	Consulté pour le dossier mai 2026	Projet suisse IA	Suisse	Modèle ouvert suisse, recherche, souveraineté	Illustration de souveraineté IA
AI for Good / ITU	Consulté pour le dossier mai 2026	Plateforme internationale	Genève / ONU / ITU	Standards, compétences, politiques publiques et usages IA	Écosystème IA genevois
Idiap Research Institute	Consulté pour le dossier mai 2026	Institut suisse de recherche	Martigny / Suisse romande	IA appliquée, machine learning, speech, vision, transfert technologique	Écosystème romand
Fondation Dalle Molle / ISSCO	Consulté pour le dossier mai 2026	Institut / fondation	Genève	Langage, sémantique, cognition, traduction automatique	Histoire locale des technologies du langage
CERN	Consulté pour le dossier mai 2026	Organisation scientifique	Meyrin / Genève	Recherche scientifique, données massives, machine learning	Exemple d’usage scientifique avancé
Swiss Digital Initiative	Consulté pour le dossier mai 2026	Initiative de confiance numérique	Genève / Suisse	Confiance, transparence, qualité numérique	Gouvernance et confiance IA
Hivenet	Consulté pour le dossier mai 2026	Entreprise cloud	Genève / cloud distribué	Infrastructure, stockage, calcul distribué	Souveraineté et alternatives cloud
OpenAI Business data privacy	Consulté pour le dossier mai 2026	Documentation fournisseur	Offres Business / Enterprise / API	Confidentialité, sécurité, données et entraînement selon offre	Comparaison comptes personnels et professionnels
Microsoft 365 Copilot privacy	Consulté pour le dossier mai 2026	Documentation fournisseur	Microsoft 365 Copilot	Données, permissions, sécurité et confidentialité Copilot	Comptes professionnels et environnement Microsoft
Google Gemini Apps Privacy Hub	Consulté pour le dossier mai 2026	Documentation fournisseur	Gemini Apps	Collecte, conservation, revue humaine et précautions données	Limites des usages grand public
NVIDIA DGX Spark	Consulté pour le dossier mai 2026	Documentation fournisseur	Infrastructure IA locale	Machine spécialisée pour développement IA local	Exemple d’infrastructure locale avancée

Ce contenu est informatif et ne constitue pas un avis juridique. Toute obligation doit être vérifiée avec les sources officielles et, si nécessaire, un conseil professionnel.