Catégorie : AI

Notre moyen âge numérique, et la renaissance qui dépendra de nous
J’ai longuement hésité avant d’écrire ce texte. Ma position est inconfortable. Je dirige depuis vingt ans une entreprise dont l’activité consiste à déployer chez nos clients les technologies que je m’apprête ici à mettre en cause. Mais le malaise vient peut-être de là, justement : si nous, qui vivons à l’intérieur du système, ne parlons pas honnêtement de ce qui se passe, qui le fera ?

Le constat est dur, et je préfère le poser sans détour. Nous traversons une sorte de moyen âge numérique. La globalisation, les réseaux sociaux et l’intelligence artificielle générative ont produit en deux décennies une opacité et une dépendance dont nous percevons mal l’étendue. James Bridle, dans New Dark Age, parle d’une obscurité spécifique : la complexité technologique a dépassé la compréhension humaine. Yanis Varoufakis parle de techno-féodalisme : les plateformes seraient devenues des fiefs, leurs utilisateurs des serfs numériques. Quelle que soit la métaphore retenue, l’intuition qu’une dégradation s’est produite dans notre rapport au monde technique est aujourd’hui largement partagée, y compris parmi ceux qui, comme moi, travaillent à faire fonctionner les outils en question.

L’analogie de la révolution industrielle

L’analogie qui revient le plus souvent, dans les conférences comme dans les écoles, est celle de la révolution industrielle. Elle est juste et c’est précisément pour cela qu’elle devrait nous donner à réfléchir.

La révolution industrielle a effectivement produit des gains de productivité considérables. Mais ces gains ont mis soixante ans à se traduire en hausse des salaires réels. Les historiens économiques appellent cette période la pause d’Engels. Entre 1780 et 1840, le PIB britannique a crû de 46% pendant que les salaires des ouvriers ne progressaient que de 12%. L’espérance de vie en Angleterre a stagné entre 1820 et 1870 (cinquante ans, au pic de la révolution) à cause de l’urbanisation rapide, des conditions de travail, des eaux contaminées. Les enfants travaillaient douze à seize heures par jour dans des manufactures. La richesse créée a été extraordinaire ; sa distribution, obscène.

La douleur du changement n’est jamais répartie équitablement. Ce ne fut pas le cas pendant la révolution industrielle, et il n’y a aucune raison de penser que ce le sera durant notre révolution numérique. Les premiers chiffres confirment cette inquiétude et la Suisse n’y échappe pas. Il y a vingt ans, près de 60% des ménages suisses pouvaient acquérir un logement de prix médian ; aujourd’hui, cette proportion est tombée à 15%, soit 660 000 ménages (selon UBS). L’âge moyen des propriétaires immobiliers est passé de 54 ans en 2000 à 58 ans aujourd’hui ; seuls 20% des ménages de moins de 35 ans accèdent à la propriété, contre 55% des seniors de 70 ans. Dans l’arc lémanique, il faut désormais plus du double du revenu médian d’un jeune ménage, soit environ 18’500 CHF par mois, pour acquérir un logement. La concentration de la fortune, elle aussi, a fortement augmenté : le 1% le plus riche détient aujourd’hui 45% de la fortune nationale, contre environ un tiers en 1980. Et selon une étude récente de l’Université de Zurich, 19 des 26 cantons suisses affichent désormais des écarts de patrimoine plus marqués que les États-Unis. Pendant ce temps, la classe moyenne suisse s’érode et les CEO des grandes plateformes deviennent les humains les plus riches de l’histoire enregistrée. Le prix Nobel d’économie 2024, Daron Acemoglu, estime d’ailleurs que les gains de productivité réels de l’IA seront probablement plus modestes que ne le claironnent les cabinets de conseil. Mais que les gains soient massifs ou modestes, la question centrale reste la même : qui les capturera ?

La renaissance est possible, elle n’est pas garantie

Pourtant, je reste optimiste. Et je veux expliquer pourquoi, sans dissimuler les conditions de cet optimisme.

Après le moyen âge est venue la Renaissance. Après la révolution industrielle sont venues, péniblement, les lois sur le travail, les syndicats, l’éducation publique, les premières protections sociales. À chaque fois, après la phase de douleur, des sociétés ont réussi à reconstruire des institutions qui ont redistribué une partie des gains et restauré un certain équilibre humain. Cela ne s’est pas fait par magie. Cela ne s’est pas fait sans conflit. Mais cela s’est fait.

Aujourd’hui, je perçois plusieurs signaux qui suggèrent qu’une renaissance pourrait être en route. Le mouvement du digital minimalism, popularisé par le chercheur Cal Newport, gagne du terrain. Particulièrement, et c’est intéressant, chez les générations qui ont grandi avec les écrans : retour aux téléphones simples, livres physiques, expériences hors-ligne. Le marché de l’artisanat connaît une croissance robuste. Les grandes maisons de luxe, jusqu’à Hermès et Porsche, reviennent à des illustrations dessinées à la main pour leurs campagnes, parce que le contenu généré par IA déclenche une fatigue mesurable chez le consommateur. Un article récent du New York Times, signé par Isabel Cristo, documente l’émergence d’une nouvelle norme : buy better, buy less : acheter moins mais mieux, valoriser la provenance humaine. Les recherches en psychologie expérimentale convergent sur un fait curieux : une œuvre identique est jugée plus belle, plus significative et plus précieuse quand les lecteurs croient qu’un humain l’a faite… même quand l’IA a créé la version « humaine ».

Ce sont des signaux. Ce n’est pas une certitude. La renaissance n’est pas un déterminisme historique ; c’est une possibilité qui dépend de choix : individuels, organisationnels, politiques.

L’outil est le propre de l’homme

Au cœur de cette renaissance possible, je crois qu’il y a une question philosophique simple, qu’il faut poser sans détour : que faisons-nous, nous humains, de cette nouvelle classe d’outils ?

Henri Bergson écrivait que l’humain est homo faber, l’homme qui fabrique des outils. L’outil est le propre de l’homme. Le silex taillé, la roue, la presse à imprimer, le moteur à vapeur, l’ordinateur : chacun a augmenté nos capacités et transformé nos sociétés. L’intelligence artificielle générative entre dans cette lignée. Elle est un outil, un outil considérable. Mais un outil n’est pas un substitut. Une pioche démultiplie la force du bras, elle ne creuse pas à votre place. Une calculatrice exécute des opérations, elle ne décide pas ce qu’il faut calculer.

Le risque spécifique de l’IA générative est qu’elle peut donner l’illusion de penser à notre place. Une étude récente du MIT Media Lab, conduite par Nataliya Kosmyna et son équipe, a mesuré par électro-encéphalographie la connectivité cérébrale d’étudiants rédigeant des essais avec ou sans assistance IA. Les utilisateurs réguliers de ChatGPT présentaient une connectivité significativement plus faible, une mémoire dégradée, et, détail troublant, étaient incapables de citer correctement leurs propres essais quelques minutes après les avoir écrits. Les auteurs parlent de dette cognitive. C’est une étude préliminaire, qui demande réplication. Mais elle pose une question qu’il serait imprudent d’éluder.

L’enjeu, pour chacun de nous, est de garder l’outil à sa place : devant nous, comme un instrument que nous mobilisons consciemment, et non au-dessus de nous, comme une présence qui nous décharge progressivement de la nécessité de penser. L’humanité authentique, créative, attentive, capable de surprise et d’erreur signifiante, ne relève pas de la nostalgie. Elle est l’attribut qui résistera à la commoditisation des contenus standardisés.

Ce qui ne dépend pas de nous

Il y a beaucoup de choses, dans ce paysage, sur lesquelles nous n’avons aucune emprise. Je l’observe autour de moi, chez des collègues comme chez des amis : beaucoup s’épuisent à suivre en continu le flux de l’actualité, économique, politique, technologique, climatique, dans une veille devenue obsessionnelle. Cette posture a un coût. Elle produit de l’anxiété sans produire d’action. Sénèque, dans ses Lettres à Lucilius, le formulait déjà il y a deux mille ans : « on souffre plus souvent en imagination qu’en réalité ».

L’évolution des modèles d’IA ne nous appartient pas. Les capacités progresseront indépendamment de notre opinion. La stratégie des géants technologiques ne nous appartient pas non plus. Les feuilles de route d’OpenAI, Anthropic, Meta et Google se déploieront avec ou sans nous. Le rythme du changement structurel, la pause d’Engels numérique, ou ce qui en tiendra lieu, ne nous appartient pas. La question de savoir si tel ou tel métier sera substituable à dix ans ne nous appartient pas pleinement non plus.

S’épuiser sur ces sujets ne change rien à leur évolution. La sagesse pratique, ici, vient d’une intuition très ancienne. Épictète, au premier siècle de notre ère, écrivait dans son manuel : « Il y a des choses qui dépendent de nous, et d’autres qui n’en dépendent pas ». Pour les premières, agir avec énergie. Pour les secondes, accepter avec sérénité. Cette dichotomie a deux mille ans : elle reste pertinente.

Ce qui dépend de nous

Voici donc ce qui dépend de nous. Je parle ici aux employés des entreprises suisses romandes qui partagent une certaine philosophie de proximité, de relation humaine et de qualité longue. Quatre propositions concrètes.

L’hygiène cognitive personnelle. Préserver vos compétences fondamentales ! Lire un texte long sans assistance, écrire un premier jet sans IA, faire un raisonnement à voix haute devant un collègue, calculer mentalement, ne relève pas de la nostalgie. Il s’agit de maintenance neuronale documentée par la littérature récente. Avant chaque sollicitation de l’IA, posez-vous la question : cette tâche est-elle de nature à faire travailler mon cerveau, ou seulement à le décharger d’une corvée sans valeur cognitive ? Si c’est la première, l’IA dégrade. Si c’est la seconde, l’IA libère. Cette règle simple change tout.

L’usage intentionnel de l’IA dans votre métier. Cal Newport, dans Digital Minimalism, formule un principe : chaque usage d’une technologie doit relever d’un choix conscient, pas d’une habitude. Concrètement cela signifie : ne pas démarrer la journée par ChatGPT ; ne pas laisser l’IA produire le brouillon de vos décisions importantes ; vérifier systématiquement ce que produit l’IA avant de le transmettre, même quand cette vérification est ennuyeuse ; garder par ailleurs des plages de travail sans aucune assistance. L’enjeu n’est pas idéologique. Vous devez rester capable de défendre ce que vous signez.

L’investissement dans les compétences non substituables. La littérature économique converge sur un point : l’IA est forte sur les tâches codifiables, faible sur le jugement contextuel, la décision sous incertitude, la relation humaine de qualité, la coordination d’équipes complexes. Ces compétences sont aussi celles que l’expérience accumule lentement et que la formation continue peut renforcer. Pour vous, employé, cela oriente le choix de vos projets, de votre carrière : préférez les missions où vous arbitrez, négociez, comprenez un contexte client, intégrez des contraintes implicites, plutôt que celles où vous produisez du contenu standardisé qui sera, à terme, généré automatiquement.

L’hygiène attentionnelle et le capital humain authentique. Notifications désactivées, applications de focus, plages sans écran, lecture profonde régulière, activités non-numériques : musique, sport, jardinage, marche… Ce n’est pas une posture esthétique. Vos relations professionnelles, votre signature personnelle, votre voix, votre style sont des actifs qui prennent de la valeur à mesure que le contenu IA inonde le marché. Plus le standardisé devient abondant, plus le singulier devient précieux.

La zone d’influence partielle

Il y a une zone intermédiaire que je dois mentionner, parce qu’elle compte particulièrement en Suisse. La philosophie stoïcienne classique distingue ce qui dépend de nous et ce qui n’en dépend pas. Le philosophe contemporain William Irvine raffine cette dichotomie en y ajoutant une troisième catégorie : ce sur quoi nous avons une influence partielle.

Dans cette catégorie, plusieurs choses méritent votre attention. La culture de votre équipe face à l’IA : vous ne décidez pas seul, mais vous l’influencez par vos propositions argumentées et vos démonstrations d’alternatives concrètes. L’évolution des outils utilisés dans votre métier : vous pouvez peser sur les choix par des retours d’expérience documentés et des comparaisons honnêtes. La trajectoire de votre carrière : vous ne maîtrisez pas le marché, mais vous orientez votre formation et votre positionnement professionnel. Enfin, la réputation de votre employeur comme acteur responsable de l’IA : vous y contribuez par vos signalements internes et votre participation aux discussions de gouvernance.

Sur ces sujets, l’attitude la plus juste consiste à investir notre énergie dans l’effort sans nous attacher au résultat. Agir intensément sur la qualité de nos contributions, accepter sereinement que la décision finale appartienne à d’autres.

La renaissance ne sera pas seulement individuelle

Je voudrais conclure sur un point qui me tient à cœur. Les leviers individuels que je viens d’évoquer comptent. Mais la renaissance dont je parlais au début ne se produira pas par la simple addition des disciplines personnelles.

Si la révolution industrielle a fini par bénéficier à une grande partie de la population, ce n’est pas parce que chaque ouvrier a cultivé ses vertus individuelles. C’est parce que des syndicats se sont organisés, des lois sur le travail ont été votées, l’école obligatoire a été instituée, des protections sociales ont été construites. Cela a pris des décennies. Cela s’est fait contre des résistances considérables.

La renaissance numérique demandera l’équivalent. À notre échelle, cela veut dire : participer aux discussions sur l’IA dans son entreprise plutôt que laisser les décisions importantes se prendre uniquement entre direction et fournisseurs ; soutenir et exiger des dispositifs de formation continue qui aillent au-delà du simple prompt engineering ; participer au débat public suisse sur la souveraineté numérique, la protection des données, la régulation de l’IA ; appuyer un dialogue social qui traite enfin sérieusement la question de la place de l’IA dans nos métiers. La tradition suisse (et européenne) du dialogue social est forte : elle a beaucoup à offrir, et beaucoup à construire, dans le contexte numérique.

Aux dirigeants qui me liront, et il y en aura, car nous travaillons dans le même tissu, quatre messages brefs. Un employé qui pratique un usage intentionnel des outils numériques préserve ce qui fait la valeur durable de sa contribution : sa capacité de jugement et son ownership cognitif sur ce qu’il signe ; la dette cognitive a un coût caché qu’aucun gain de productivité immédiat ne compense. Les programmes de formation à l’IA gagnent en conséquence à développer cette discipline d’usage plutôt qu’à courir après les taux d’adoption. Maintenir des zones « humain protégé » dans l’organisation, où la contribution humaine est explicitement requise, est cohérent avec la prime au human-made qui se dessine sur le marché. Enfin, la réputation de l’entreprise comme employeur capable de tenir la promesse de l’humain augmenté, celle d’un collaborateur dont les outils renforcent l’intelligence sans la remplacer, deviendra, j’en suis convaincu, un actif RH décisif. Cette promesse, encore largement programmatique aujourd’hui, attend ses pionniers.

Nous sommes au moyen âge numérique. La renaissance, elle, dépendra de ce que nous ferons, séparément, et ensemble.

Pour aller plus loin
- Acemoglu, D. (2024). The Simple Macroeconomics of AI. NBER Working Paper 32487. https://www.nber.org/papers/w32487
- Allen, R. C. (2009). Engels’ Pause: Technical Change, Capital Accumulation, and Inequality in the British Industrial Revolution. Explorations in Economic History, 46(4), 418-435.
- Bergson, H. (1907). L’Évolution créatrice. Paris : Félix Alcan. Édition de référence : PUF, édition critique par F. Worms et A. François, 2007 (chapitre II).
- Bridle, J. (2018). New Dark Age: Technology and the End of the Future. Verso.
- Cristo, I. (2025). Buy Better, Buy Less, Feel Smug About It. The New York Times, 7 décembre 2025. https://www.nytimes.com/2025/12/07/opinion/fashion-quality-ethical-consumption.html
- Épictète. Manuel, §1.
- Irvine, W. B. (2008). A Guide to the Good Life: The Ancient Art of Stoic Joy. Oxford University Press.
- Kosmyna, N. et al. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. MIT Media Lab. arXiv:2506.08872. https://arxiv.org/abs/2506.08872
- Martínez, I. Z., Marti, S. & Scheuer, F. (2025). L’influence des impôts sur la fortune sur la répartition de la fortune dans les cantons suisses, 1969-2018. Social Change Switzerland. https://www.socialchangeswitzerland.ch/?p=4269
- Newport, C. (2019). Digital Minimalism: Choosing a Focused Life in a Noisy World. Portfolio.
- Sénèque. Lettres à Lucilius (Epistulae morales ad Lucilium), lettre XIII, §4.
- UBS Chief Investment Office GWM (2024). Real Estate Focus 2024 — Étude annuelle du marché immobilier suisse. https://www.ubs.com/global/fr/media/display-page-ndp/fr-20240411-real-estate-focus-2024.html
- Varoufakis, Y. (2023). Technofeudalism: What Killed Capitalism. Bodley Head.
2026-05-17
Le vibe service : pourquoi les sociétés de services doivent inverser leur modèle
Une vague de désintermédiation traverse les services professionnels. Les clients construisent eux-mêmes, avec l’IA générative, ce qu’ils achetaient hier. Ce mouvement, que j’appelle vibe service, déplace la valeur des prestataires sans la supprimer. Le cadre des quatre périmètres, que je détaille ici, permet de cartographier ce déplacement et d’y préparer aussi bien les sociétés de services que les entreprises qui font appel à elles.

Deux exemples observés récemment dans ma pratique illustrent la dynamique.

Le dirigeant d’une PME suisse spécialisée dans les escaliers en bois sur mesure a construit, seul et avec Claude, une application complète de gestion de ses offres et de ses projets. Il l’utilise sur son mobile, sans dépendance vis-à-vis d’un prestataire IT. Il sait toutefois que le passage à un usage collectif — déploiement aux collègues, mise en commun et sécurisation des données — exigera l’intervention d’un expert. La conscience de cette frontière est elle-même un signal. Le client autonome n’efface pas le prestataire, il en redéfinit le moment et le périmètre d’intervention.

Un membre de la direction d’une fiduciaire suisse a développé un agent conversationnel, sur la base d’un GPT personnalisé, qui répond aux questions juridiques courantes de ses collègues — adaptation de contrats, relations employeur-employé. L’agent a été affiné dans le contexte de l’entreprise avec l’avocat-conseil. Le cas combine deux gestes : un outil construit en autonomie par le métier, et une validation experte intégrée dès la conception. C’est une préfiguration du tiers de validation décrit plus loin, internalisé chez le client.

1. Le constat empirique

Dans la plupart des entreprises, l’IA est déjà au travail. Trois personnes sur quatre s’en servent dans leur quotidien professionnel. Près de huit sur dix utilisent leurs propres outils, souvent à l’insu de la DSI. En 2025, l’accès aux outils IA en entreprise a progressé de moitié. Plus de sept organisations sur dix l’ont intégrée à au moins une fonction métier.

Les gains de productivité ne sont pas spéculatifs. Un consultant équipé de GPT-4 traite 12 % de tâches en plus dans 25 % de temps en moins, avec une qualité jugée 40 % supérieure. Sur les tâches juridiques, l’effet mesuré va de 12 à 32 %. Sur les tâches d’écriture professionnelle, le temps de production diminue de 40 % et la qualité progresse de 18 %. Pour les agents de support client, la productivité progresse également, et la satisfaction des utilisateurs avec elle. Ces chiffres ne viennent pas d’éditeurs en quête d’arguments commerciaux : ils sont mesurés par des chercheurs universitaires sur des terrains réels d’entreprise.

Le client a changé de capacité productive. Les sociétés de services n’ont, pour la plupart, pas changé d’offre.

2. Le vibe service comme régime de consommation

Andrej Karpathy a popularisé en 2025 le terme vibe coding : développer un logiciel en décrivant son intention en langage naturel à un LLM, sans coder soi-même. Par analogie, j’appelle vibe service la pratique consistant, pour un non-spécialiste, à mobiliser l’IA générative comme substitut partiel ou total à un service professionnel — juridique, RH, comptable, communication, IT, conseil — en décrivant son besoin et en itérant jusqu’à un livrable utilisable. C’est une forme de prosommation experte des services professionnels : le consommateur devient producteur de sa propre prestation, à un niveau d’expertise hier réservé au prestataire.

Le vibe service couvre déjà la rédaction de premiers brouillons de contrats, la production de fiches de poste, le diagnostic IT élémentaire, les posts LinkedIn, les comptes rendus de réunion, les premières analyses financières, les briefs de cahiers des charges. Le périmètre s’étend en continu, presque chaque jour. Chaque release de modèle, chaque nouvel agent spécialisé en repousse la frontière, et la dynamique est exponentielle plutôt que linéaire.

À ne pas confondre avec le vibe consulting introduit par Miranki en novembre 2025, qui désigne le mouvement inverse : le consultant qui s’augmente à l’IA pour livrer plus vite à son client. Le vibe service décrit la substitution par le client, pas l’augmentation du prestataire. La direction du déplacement de valeur n’est pas la même, et c’est précisément cette direction qui impose aux sociétés de services de revoir leur modèle.

3. Le cadre des quatre périmètres

Pour comprendre où se déplace la valeur, je propose de découper la consommation de services en quatre périmètres. Le cadre s’inscrit dans une lignée business installée. John Kotter parle de dual operating system, où une hiérarchie d’exécution coexiste avec un réseau d’agilité. Clayton Christensen et Michael Overdorf appellent à séparer les structures porteuses de l’ancien de celles qui doivent porter le nouveau, dans leur new organizational space. Gartner a codifié plus tard le bimodal IT, distinguant un mode prévisible pour les systems of record et un mode exploratoire pour les systems of innovation. La conviction commune : un cadre unique ne suffit plus à gouverner des logiques de valeur différentes. Le modèle des quatre périmètres prolonge cette intuition pour la consommation de services à l’ère de l’IA générative.

A – Le noyau expert irréductible. Les tâches où l’expertise humaine reste un facteur clé de succès et que l’IA ne suffit pas à porter. Ce noyau a deux faces. La face externe regroupe ce que la PME délègue à des prestataires spécialisés faute d’alternative viable en interne : litige judiciaire, audit fiscal, intégration de systèmes critiques, transformation organisationnelle de fond. La face interne regroupe le cœur de métier qui différencie l’entreprise de ses concurrents — ce qui fait qu’on la choisit plutôt qu’une autre. Cette face-là gagne à être internalisée. La déléguer revient à confier sa différentiation à un tiers, et le vibe service ne change rien à cette règle.

B – Le référent augmenté et agile. Les tâches que le client traite en interne avec un référent formé, dès lors qu’on lui fournit le cadre, les gabarits, les prompts spécialisés et les workflows. Modèles de contrats configurables, processus RH outillés, tableaux de bord BI sur cubes existants, assistants conversationnels métier. Le prestataire passe d’exécutant à fournisseur de cadre. Ce périmètre offre par construction une forte agilité aux changements : toute évolution du contexte se règle par un ajustement de paramètres plutôt que par un projet de développement, ce qui en fait sa principale qualité opérationnelle.

C – Le vibe service. L’autonomie augmentée du collaborateur final : Claude, ChatGPT, Copilot, agents spécialisés en libre service, sous régime de charte. C’est ici que l’expansion est la plus rapide. C’est aussi ici que le prestataire risque de disparaître du champ de vision du client.

Z – Hors périmètre. Les usages risqués non encadrés : données sensibles partagées avec des IA grand public, conseil critique non vérifié, livrables professionnels diffusés sans validation, contournement des contrôles internes. Zone à surveiller en continu, à cartographier, à former et à remédier.

Le découpage n’est pas figé. La porosité entre périmètres est un mécanisme central : un usage C qui devient récurrent peut être promu en B (industrialisé). Un cas B critique peut redescendre en A. La gouvernance du prestataire devient celle de la porosité.

En pratique, cette architecture ne s’active pas en bloc. Une mise en œuvre réaliste démarre souvent par une intégration A+B : le prestataire qui occupe le périmètre A continue d’opérer comme avant, le temps que les référents métier du périmètre B soient identifiés et aguerris. La séparation des deux périmètres se construit progressivement, à mesure que le client gagne en maturité sur les outils et la gouvernance des usages. Le périmètre C peut s’amorcer en parallèle, mais sa généralisation suppose qu’au moins une politique d’usage et un dispositif de support soient en place.

Le cadre est exposé ici dans la perspective d’une PME en relation avec un prestataire externe. Il s’applique tout aussi bien à des entreprises plus grandes qui intègrent en interne ce que la PME externalise. Dans ces organisations, A et B sont portés par des fonctions internes — DSI, direction juridique, contrôle de gestion, ressources humaines — qui jouent vis-à-vis des métiers le rôle qu’un prestataire externe joue vis-à-vis d’une PME. La logique de découpage et de porosité reste la même. Seul change le donneur d’ordre.

4. Les contre-arguments comme opportunités

« The tool answers what you ask, whereas the expert tells you what to ask. » — Carl Benedikt Frey, The New York Times, 11 mai 2026

L’autonomisation est plus tortueuse que les promesses marketing ne le laissent entendre. La frontière où l’IA aide vraiment est dentelée : pour les tâches dans son périmètre de capacité, un consultant équipé gagne 12 % de tâches accomplies dans 25 % de temps en moins, et la qualité de ses livrables progresse de 40 %. Pour les tâches au-delà, ses solutions sont dégradées de 19 %. Il ne sait pas, en amont, distinguer les unes des autres, et la frontière est mouvante — chaque nouveau modèle la redessine. L’autonomie a aussi un revers mesuré : sur 244 consultants suivis dans 5 000 interactions IA, plus d’un quart bascule en mode auto-pilote — délégation entière, sans gain d’expertise sur l’outil ni sur le métier. Ce sont pourtant des profils sélectionnés pour leur rigueur analytique. La confiance reste un actif humain : sur les enjeux à risque, les clients préfèrent encore valider leur décision avec un humain plutôt qu’avec une IA. Et chez les grands comptes, on observe une dynamique d’internalisation des fonctions de conseil — des cellules expertes maison qui captent ce qu’on externalisait hier.

Chacun de ces contre-arguments désigne une opportunité — pour les sociétés de services qui acceptent d’inverser leur modèle, et pour les entreprises clientes qui acceptent d’investir dans leur capacité interne.

De la jagged frontier au service de cartographie. Le client ne sait pas où l’IA est fiable, et la frontière se déplace à chaque release de modèle. La société de services peut devenir celle qui audite les cas d’usage, cartographie les risques par tâche, et forme à la validation des outputs. Service à forte expertise, et structurellement récurrent : la cartographie est périssable par nature, ce qui exclut l’audit ponctuel et installe un modèle d’abonnement. Le risque sous-jacent n’est pas spéculatif, il a été mesuré sur le terrain. Une étude récente sur 244 consultants distingue trois modes d’usage de l’IA en travail de connaissance. Le centaure (14 %) mobilise l’IA de façon sélective sous contrôle humain ferme : il atteint la meilleure précision et approfondit son expertise métier en parallèle. Le cyborg (60 %) entretient un dialogue continu avec l’IA et gagne en expertise IA, au risque de laisser dériver son ancrage métier. L’auto-pilote (27 %), c’est le profil qui délègue des workflows entiers et perd à la fois la maîtrise de l’outil et la maîtrise du métier — c’est l’argument le plus solide pour vendre du coaching à un client qui se croit autonome. Le coaching consiste à faire migrer l’auto-pilote vers le centaure, et à orienter le cyborg vers l’approfondissement de l’expertise métier plutôt que de la seule expertise IA.

Côté client. L’entreprise qui mobilise le vibe service doit développer une capacité interne d’audit de ses propres cas d’usage. Identifier les auto-pilotes dans ses équipes, et mettre en place des points de contrôle au passage de la frontière. Cette cartographie a besoin d’être renouvelée à chaque changement de modèle. Le référent métier du périmètre B est le porteur naturel de cette compétence ; à défaut, c’est le manager direct, formé à reconnaître les signaux de bascule.

De l’asymétrie de confiance au tiers de validation. Quand le client refuse de confier sa décision critique à une IA, il a besoin d’un humain qui valide. La société de services se positionne en tiers de confiance certifié : revue de productions IA, validation de livrables, garantie de conformité. Le métier devient celui de l’assurance qualité experte. Le marché des vibe coding rescue services qui émerge en 2025-2026 — agences qui auditent et sécurisent les applications produites en autonomie par des non-développeurs — préfigure ce que les autres métiers verront apparaître à leur tour. La trace est déjà observable en IT ; elle se répétera dans le juridique, le RH, la communication.

Côté client. L’entreprise doit définir un seuil de criticité au-delà duquel le tout-IA n’est pas une option, et formaliser ses points de passage obligatoire vers une validation humaine. La gouvernance interne précède le recours au tiers externe : sans politique claire sur ce qui peut sortir sans relecture, l’investissement en validation est mal calibré. Le seuil n’est pas universel, il dépend du métier et du risque réputationnel ou contractuel attaché à chaque livrable.

De l’internalisation au compagnonnage paramétrique. Pour la PME, internaliser une cellule d’experts n’est pas réaliste. Le prestataire devient le partenaire long terme qui construit et maintient le périmètre B du client : gabarits, workflows, prompts spécialisés, gouvernance des usages, mise à jour des cadres au rythme des modèles. Le modèle économique devient un abonnement à la maintenance d’un environnement augmenté.

Côté client. La PME ne peut pas internaliser une cellule d’experts, mais elle ne doit pas non plus rester captive d’un prestataire unique. L’enjeu est de constituer un référent métier B capable de dialoguer d’égal à égal avec le partenaire externe, sans déléguer la totalité de la gouvernance des usages. La compétence à acquérir est celle du donneur d’ordre éclairé. Sans elle, le compagnonnage paramétrique se transforme en dépendance, et la valeur reste captée à l’extérieur de l’entreprise.

De la complexification de la demande à un nouveau support. Le client autonome pose des questions qu’il ne posait pas avant : pourquoi mon prompt ne fonctionne plus, comment articuler trois agents, comment vérifier qu’un output est exact, comment gouverner une équipe qui utilise des outils hétérogènes. Cela ouvre un marché de support spécialisé, à un niveau d’expertise plus élevé que le helpdesk traditionnel.

Côté client. L’entreprise doit accepter de payer pour de l’expertise plutôt que pour de l’exécution, et reconfigurer ses budgets en conséquence. Les questions techniques produites par l’autonomie du périmètre C ne se résolvent pas avec un helpdesk forfaitaire ; elles relèvent d’un accompagnement à valeur supérieure que le modèle d’achat traditionnel ne sait pas encore qualifier ni acheter.

5. L’inversion du modèle

Le modèle traditionnel des sociétés de services facture l’exécution. Le modèle qui se prépare facture le cadre, la validation, le coaching et le support. L’inversion n’est pas marginale. Elle touche le mode de pricing — de l’heure facturée vers l’abonnement et l’outcome-based —, la structure des équipes (HBR documente en septembre 2025 le passage du modèle pyramidal au modèle « obélisque » : moins de juniors, plus d’experts), la promesse client (de l’exécution livrée à la capacité construite), et la nature même du contrat de prestation.

Côté client. L’inversion est symétrique. L’entreprise passe d’un achat d’exécution à un achat de capacité. Sa fonction achat doit apprendre à valoriser un cadre, un référent formé, une grille de risques, un abonnement à de la maintenance — actifs immatériels que les processus de sourcing actuels peinent à objectiver. Le critère de succès n’est plus l’heure homme livrée, mais la compétence interne construite chez le client.

Les sociétés de services qui s’installent sur le périmètre A continueront de prospérer, mais sur un volume contraint. Celles qui occupent le périmètre B et accompagnent les clients sur le périmètre C captureront la valeur en croissance. Celles qui restent sur l’exécution intermédiaire — celle que le vibe service absorbe — verront leur marché s’éroder par le bas.

Côté client. La dynamique est aussi rapide. Les entreprises qui investissent dans la formation de leurs référents métier et dans la gouvernance de leurs usages C capteront en interne la valeur que d’autres laisseront filer vers des prestataires externes ou — pire — vers du shadow AI non gouverné. Celles qui repoussent ces arbitrages continueront à acheter de l’exécution alors que leurs concurrents achèteront de la capacité, à coût comparable et à effet décroissant.

Le moment d’agir n’est pas dans cinq ans. Il est dans les arbitrages que les directions prennent maintenant — du côté de l’offre comme du côté de la demande.

Sources
- Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, Articles in Advance.
- Randazzo, S., Dell’Acqua, F., Lifshitz, H., Mollick, E., Kellogg, K. C., Krayer, L., Candelon, F., Lakhani, K. R. (2025). Cyborgs, Centaurs and Self-Automators: The Three Modes of Human–GenAI Knowledge Work and Their Implications for Skilling and the Future of Expertise. Harvard Business School Working Paper No. 26-036.
- Erlei, A. (2025). From Digital Distrust to Codified Honesty: Experimental Evidence on Generative AI in Credence Goods Markets. arXiv:2509.06069.
- Choi, J. H., Hickman, K. E., Monahan, A., Schwarcz, D. B. (2023). ChatGPT Goes to Law School. Journal of Legal Education.
- Brynjolfsson, E., Li, D., Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics.
- Noy, S., Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science 381, 187–192.
- Christensen, C. M., Overdorf, M. (2000). Meeting the Challenge of Disruptive Change. Harvard Business Review, 78(2), 66–76.
- Kotter, J. P. (2014). Accelerate: Building Strategic Agility for a Faster-Moving World. Harvard Business Review Press.
- Gartner (2014). Bimodal IT: How to Be Digitally Agile Without Making a Mess. Gartner Research.
- Frey, C. B. (11 mai 2026). This Is Why You’re Drowning in Busywork. The New York Times, Guest Essay.
- Harvard Business Review (septembre 2025). AI Is Changing the Structure of Consulting Firms.
- Miranki (novembre 2025). Vibe Consulting: The Consulting Revolution Powered by AI Augmentation.
- Microsoft (2024). Work Trend Index Annual Report.
- Deloitte (2026). State of AI in the Enterprise.
- McKinsey (2024). The State of AI.
2026-05-09
La dette cognitive : quand l’IA remplace la pensée plutôt que de l’augmenter
Définir le problème

La dette cognitive désigne l’érosion progressive des capacités de raisonnement, de mémoire et de jugement provoquée par la délégation systématique du travail intellectuel à un outil génératif, masquée par une perception subjective d’amélioration de la performance.

Le terme a été introduit par Kosmyna et ses collègues du MIT Media Lab en 2025, à la suite d’une étude EEG sur 54 participants rédigeant des essais avec ou sans ChatGPT. Le travail est encore en prépublication et l’échantillon est petit ; il convient de le traiter comme un signal précoce plutôt que comme une preuve définitive. Mais ses observations s’alignent avec un corpus expérimental plus large, désormais convergent.

L’idée centrale : l’IA générative augmente la production immédiate tout en attaquant les compétences sous-jacentes que cette production est censée mobiliser. Le coût ne se voit pas dans la sortie de la semaine. Il se voit le jour où l’on retire l’outil.

Le mécanisme expérimental

Bastani et al. (PNAS, 2025) ont conduit un essai contrôlé randomisé auprès de près de 1’000 lycéens turcs en mathématiques. Trois groupes : pas d’IA, ChatGPT standard, version « GPT Tutor » conçue pour donner des indices plutôt que des solutions. Pendant l’entraînement, ChatGPT standard améliore les performances de 48 %. Au test sans assistance qui suit, ces mêmes élèves obtiennent 17 % de moins que ceux qui n’avaient jamais eu accès à l’IA. Les chercheurs documentent un usage en « béquille » : la majorité des interactions consistent à demander la réponse et à la recopier. Point critique : les élèves ne perçoivent aucune dégradation de leur apprentissage. La version avec garde-fous pédagogiques annule entièrement l’effet négatif.

Kosmyna et al. (MIT, 2025) observent par EEG que le groupe ChatGPT présente l’engagement neuronal le plus faible sur les 32 régions cérébrales mesurées, systématiquement inférieur à celui des groupes utilisant un moteur de recherche ou aucun outil. Dès la troisième session, les interactions deviennent essentiellement du copier-coller. Lorsqu’on demande ensuite à ces participants d’écrire sans IA, ils ne retrouvent pas la connectivité neuronale du groupe sans outil. 83 % d’entre eux sont incapables de citer correctement les points clés de leurs propres essais.

Dell’Acqua et al. (Organization Science, 2026) ont fait passer 758 consultants du Boston Consulting Group à un dispositif expérimental sur 18 tâches de consulting. À l’intérieur de la « frontière déchiquetée » des capacités de l’IA, l’effet est positif : +12 % de tâches complétées, +25 % de vitesse, +30 % de qualité. Hors de cette frontière, sur une tâche analytique complexe, les utilisateurs d’IA sont 19 points de pourcentage moins susceptibles de produire la solution correcte. Les consultants n’identifient pas où passe cette frontière, et tombent dans une sur-confiance que les auteurs nomment falling asleep at the wheel.

L’illusion de performance

Trois résultats indépendants convergent sur une dissociation entre la performance subjective et la performance objective :
- Bastani (2025) : les élèves ne perçoivent aucune perte d’apprentissage, alors que le test sans assistance la quantifie à 17 %.
- Shalu et al. (Annals of Neurosciences, 2025) : 100 % des participants estiment que les outils d’IA « préservent leur énergie mentale », mais les corrélations sur l’usage prolongé montrent une chute significative de la confiance en son propre jugement (r ≈ −0,36 à −0,40 selon les indicateurs), accompagnée d’une fatigue mentale et d’une surcharge informationnelle élevées.
- Microsoft Research / Carnegie Mellon (CHI 2025) : sur 319 travailleurs et 936 cas d’usage, plus la confiance accordée à l’IA est élevée, moins la pensée critique est mobilisée. Inversement, plus la confiance en ses propres compétences est élevée, plus l’engagement critique est fort.Le travailleur intensif d’IA n’a pas l’impression de moins penser. Il a souvent l’impression du contraire.
Le temps gagné se réinvestit dans plus de tâches

L’argument selon lequel l’IA libère du temps n’est pas faux dans l’absolu. Il est faux dans la pratique observée. Le rapport Microsoft 2024 sur l’IA en milieu de travail réel mesure que les utilisateurs de Copilot éditent en moyenne 10 % de documents en plus, 13 % pour les utilisateurs intensifs, et jusqu’à 25 à 30 % dans certaines organisations. Les chercheurs eux-mêmes formulent l’hypothèse que le temps économisé est partiellement réinvesti dans davantage de production plutôt que converti en récupération.

L’effet ne se limite pas au volume. Une seconde analyse Microsoft sur les sessions Copilot vs recherche traditionnelle classe les tâches selon la taxonomie d’Anderson-Krathwohl. Les sessions Copilot relèvent à 37 % des niveaux supérieurs (analyser, évaluer, créer), contre 13 % seulement pour la recherche classique. Autrement dit, l’IA déplace le travailleur vers des tâches plus complexes — précisément celles qui sollicitent le plus la pensée critique, c’est-à-dire celles que la dette cognitive érode.

À cela s’ajoute la dynamique de fatigue documentée par Shalu et al. (2025) : l’usage long-terme corrèle massivement (r > 0,9) avec l’épuisement mental, la surcharge informationnelle et la baisse d’attention. À court terme, Microsoft observe pourtant que les utilisateurs de Copilot rapportent une charge mentale plus faible sur la tâche immédiate (30/100 contre 55/100). Les deux résultats ne se contredisent pas : le coût immédiat baisse, le coût cumulé monte.

Ce que le problème n’est pas

Le problème n’est pas l’IA. Kestin et al. (Scientific Reports, 2025) ont conduit à Harvard un essai contrôlé sur un tuteur IA conçu selon les principes de la pédagogie active (scaffolding, charge cognitive gérée, feedback ciblé). Les étudiants apprennent plus du double par rapport à un cours actif équivalent, en y passant moins de temps. Bastani confirme la même asymétrie : avec garde-fous, l’effet négatif sur l’apprentissage disparaît.

La conception de l’outil et le mode d’usage déterminent le résultat. Une IA qui répond à la place de l’utilisateur creuse la dette. Une IA qui questionne, réoriente et exige un engagement actif la rembourse.

Recommandations

Au niveau de l’organisation
- Distinguer la charge cognitive extranée (friction, mise en forme, recherche d’information) de la charge cognitive germane (effort productif qui construit la compétence). L’IA doit alléger la première sans toucher à la seconde.
- Identifier explicitement les compétences critiques qui doivent rester exercées sans assistance, avec une fréquence définie. Un audit simple : quelles compétences-clés de mon équipe n’ont pas été pratiquées sans IA depuis trois mois ?
- Concevoir les flux de travail pour imposer une interaction itérative avec l’IA plutôt qu’une délégation en un coup. Le rapport BCG 2026 distingue trois modes d’usage : cyborg (dialogue continu, gain de compétence), centaur (division stratégique du travail, contrôle humain maintenu), self-automator (délégation passive, atrophie). Chez BCG, 27 % des consultants sont devenus self-automators.
- Investir dans la formation à la métacognition au moins autant que dans la formation à l’outil. Apprendre à utiliser l’IA est court. Apprendre à rester actif intellectuellement pendant qu’on l’utilise est ce qui distingue le gain durable de la dette.
- Adapter le pilotage de la performance. Si la productivité mesurée monte alors que les compétences sous-jacentes baissent, les indicateurs classiques masquent le risque au lieu de le détecter.Au niveau de l’individu
- Produire un brouillon ou une hypothèse de réponse avant de solliciter l’IA. C’est la différence entre vérifier sa pensée et l’externaliser.
- Demander des indices, des contre-arguments, des questions, plutôt que la réponse finale.
- Soumettre systématiquement la sortie IA à un contrôle explicite, en particulier sur les tâches dont on ignore si elles sont à l’intérieur ou hors de la frontière de capacité.
- Préserver des plages de production sans assistance, sur des tâches significatives, pour maintenir l’entraînement des compétences fondamentales.
Sources
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS.
- Chen, Y., et al. (2025). Effects of generative AI on cognitive effort and task performance: study protocol for an RCT. Trials, 26:244.
- Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. (2026). Navigating the Jagged Technological Frontier. Organization Science.
- Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI Tutoring Outperforms Active Learning. Scientific Reports.
- Kosmyna, N., et al. (2025). MIT Media Lab — étude EEG sur l’usage de ChatGPT en rédaction (prépublication, citée via Resultsense).
- Microsoft (2024). Generative AI in Real-World Workplaces: The Second Microsoft Report on AI and Productivity Research.
- Shalu, et al. (2025). The Cognitive Cost of AI: How AI Anxiety and Attitudes Influence Decision Fatigue in Daily Technology Use. Annals of Neurosciences.
- Zhang, H., Zhu, L., Zhang, A., & Shohruh, K. (2026). The influence of generative AI usage on employees’ innovative job performance. PLOS One.
2026-05-03

L’IA générative sur le poste de travail : le nouvel Excel de l’utilisateur augmenté

Rapport d’analyse — Avril 2026

Synthèse exécutive

Excel a transformé les PME en donnant à chaque collaborateur la capacité de calculer, modéliser et analyser des données sans passer par un développeur. Trente ans plus tard, les LLM (Claude, ChatGPT, Copilot) produisent une rupture comparable : ils permettent à tout utilisateur d’exécuter des tâches qui relevaient jusqu’ici de spécialistes — rédaction structurée, analyse de documents, traitement de données, création de présentations, automatisation de processus — via une interface en langage naturel. En Suisse, 34 % des PME utilisent déjà l’IA générative (ICT Journal d’octobre 2025), et 67 % des PME européennes ont au moins un outil d’IA en service. L’étude conjointe Harvard Business School / BCG mesure des gains de productivité de 25 % en vitesse d’exécution et de 40 % en qualité de production pour les travailleurs du savoir utilisant l’IA. Ce rapport analyse le parallèle structurel entre Excel et l’IA générative, dresse un inventaire des usages sur le poste de travail, propose une analyse SWOT et formule un plan d’action d’implémentation pour les entreprises et collectivités.

1. Le parallèle structurel : Excel → LLM

1.1 Ce qu’Excel a fait (et continue de faire)

Excel, lancé en 1985, a créé une catégorie d’outil sans précédent : le logiciel de productivité individuelle universelle. Son apport fondamental est d’avoir permis à des utilisateurs non-techniques d’effectuer des opérations auparavant réservées aux comptables, statisticiens ou programmeurs.

Caractéristiques clés du modèle Excel :

Seuil d’entrée bas, plafond élevé : un utilisateur peut commencer par une simple addition et progresser vers des modèles financiers complexes, des macros VBA, des tableaux croisés dynamiques. Le même outil sert au débutant et à l’expert.
Interface universelle : la grille de cellules constitue une métaphore compréhensible par tous. Aucune formation formelle n’est requise pour un usage basique.
Autonomie de l’utilisateur : le collaborateur résout ses problèmes sans dépendre du service informatique. Il construit ses propres outils : tableaux de bord, fichiers de suivi, modèles de calcul.
Effet réseau informel : les fichiers circulent entre collègues, créant un écosystème de pratiques partagées. Chaque utilisateur forme le suivant.
Polyvalence fonctionnelle : comptabilité, gestion de projet, suivi commercial, reporting, budgets, bases de données simplifiées — Excel a absorbé des dizaines de cas d’usage.

Excel reste omniprésent : plus de 750 millions d’utilisateurs dans le monde. Dans les entreprises, il est souvent le logiciel le plus utilisé après la messagerie.

1.2 Ce que les LLM apportent aujourd’hui

Les LLM reproduisent le schéma d’Excel avec un décalage majeur : l’interface est le langage naturel. L’utilisateur n’a plus besoin d’apprendre une syntaxe (formules, fonctions, VBA). Il décrit ce qu’il veut obtenir.

Dimension	Excel	LLM (Claude, ChatGPT, Copilot)
Interface	Grille + formules	Langage naturel
Seuil d’entrée	Faible (mais syntaxe à apprendre)	Très faible (conversation)
Type de données traitées	Données numériques et tabulaires	Texte, données, images, documents, code
Autonomie de l’utilisateur	Construction manuelle	Délégation par instruction
Courbe d’apprentissage	Progressive (formules → VBA)	Progressive (prompts simples → workflows complexes)
Partage	Fichiers	Conversations, artefacts, templates de prompts
Limites	Données structurées uniquement	Données non structurées incluses

1.3 La convergence en cours

Le parallèle ne relève pas de l’analogie : il s’agit d’une continuité fonctionnelle. Plusieurs signaux confirment cette convergence :

Claude et Copilot sont intégrés dans Excel : l’IA vient directement augmenter les capacités du tableur existant. L’utilisateur peut formuler des requêtes en langage naturel pour générer des formules, des graphiques ou des analyses.
Claude et ChatGPT produisent des fichiers Excel : ces LLM génèrent des tableurs (.xlsx), des présentations (.pptx), des documents Word (.docx) et des PDF directement depuis une conversation.
Les artefacts interactifs, comme des pages HTML, remplacent certaines feuilles de calcul : tableaux de bord, calculatrices, formulaires, outils de suivi — créés en temps réel via une simple description textuelle.

L’IA ne remplace pas Excel. Elle se positionne à côté et au-dessus : elle traite ce qu’Excel ne sait pas traiter (texte libre, documents, raisonnement) et elle facilite l’utilisation d’Excel lui-même.

2. Inventaire des usages : bien au-delà de la rédaction

L’un des biais les plus fréquents dans la perception de l’IA générative est de la réduire à un outil d’aide à la rédaction. L’inventaire ci-dessous couvre des usages très concrets, disponibles en avril 2026 sur les principales plateformes (Claude, ChatGPT, Copilot). La majorité de ces cas d’usage sont pratiqués quotidiennement chez tebicom et constatés chez nos clients.

2.1 Traitement et production de documents

Usage	Description	Exemple entreprises et collectivités
Rédaction structurée	Rapports, comptes-rendus (PV), procédures, notes de service	Rédiger un compte-rendu de réunion à partir de notes brutes
Reformulation et adaptation	Changer le ton, le niveau technique, la langue d’un texte existant	Adapter un document technique en argumentaire commercial
Traduction professionnelle	Traduction contextualisée avec terminologie métier	Traduire une offre commerciale FR→EN avec vocabulaire sectoriel
Création de présentations	Génération de fichiers .pptx structurés	Produire une présentation client de 15 slides à partir d’un brief
Création de documents Word	Génération de fichiers .docx avec mise en forme	Produire un contrat-type, une procédure qualité, un rapport
Création de tableurs	Génération de fichiers .xlsx avec formules	Créer un modèle de budget prévisionnel avec formules intégrées
Remplissage de formulaires PDF	Lecture et remplissage automatique de formulaires	Pré-remplir des formulaires administratifs (déclarations, demandes d’autorisation)

2.2 Analyse de données et d’information

Usage	Description	Exemple entreprises et collectivités
Analyse de fichiers Excel/CSV	Chargement, nettoyage, analyse statistique, visualisation	Analyser un export CRM de 10’000 lignes et identifier les tendances
Extraction d’information de documents	Lecture de PDF, contrats, rapports, factures	Extraire les clauses clés de 50 contrats fournisseurs
Synthèse de documents longs	Résumé structuré avec points clés	Synthétiser un appel d’offres de 80 pages en 2 pages
Comparaison de documents	Identification des différences entre versions	Comparer deux versions d’un contrat et lister les modifications
Analyse d’images et de photos	Lecture de graphiques, schémas, photos de documents	Extraire les données d’un tableau photographié sur un whiteboard
Analyse de tendances	Identification de patterns dans des jeux de données	Détecter la saisonnalité dans les ventes sur 3 ans

2.3 Automatisation et productivité

Usage	Description	Exemple entreprises et collectivités
Génération de formules Excel	Création de formules complexes en langage naturel	« Crée une formule qui calcule le taux de marge par catégorie de produit »
Création d’outils interactifs	Tableaux de bord, calculatrices, simulateurs en HTML/React	Simulateur de devis avec calcul automatique des remises
Traitement par lot de documents	Analyse ou transformation de multiples fichiers	Analyser 30 CV et produire un tableau comparatif
Nettoyage de données	Détection d’anomalies, standardisation, déduplication	Nettoyer une base clients avec doublons et formats incohérents
Conversion de formats	Transformation entre formats de fichiers	Convertir un tableau PDF en fichier Excel exploitable
Génération de scripts	Code Python, VBA, SQL pour automatiser des tâches	Script d’envoi automatique de rappels de factures

2.4 Communication et relation client

Usage	Description	Exemple entreprises et collectivités
Rédaction d’e-mails professionnels	Emails structurés avec ton adapté au contexte	Rédiger une réponse diplomatique à une réclamation client
Préparation de réunions	Ordres du jour, questions préparatoires, synthèses	Préparer un ordre du jour structuré avec points de décision
Support client interne	Réponses aux questions fréquentes sur les processus	Répondre à « comment remplir ma note de frais »
Gestion de la correspondance	Tri, résumé et priorisation de courriers	Résumer 20 emails reçus et identifier les actions requises
Rédaction d’appels d’offres	Structuration des réponses aux AO	Rédiger les parties non-techniques d’une réponse à un marché public

2.5 Expertise et aide à la décision

Usage	Description	Exemple entreprises et collectivités
Recherche réglementaire	Identification des obligations légales applicables	« Quelles sont mes obligations RGPD ou LPD pour un fichier clients B2B ? »
Analyse financière	Interprétation de bilans, ratios, projections	Analyser un bilan comptable et identifier les points d’alerte
Veille concurrentielle	Recherche web structurée et synthétisée	Synthèse des offres concurrentes sur un segment de marché
Conseil RH	Aide à la rédaction de fiches de poste, grilles d’entretien	Créer une grille d’évaluation pour un recrutement technique
Aide à la conformité	Vérification de la conformité documentaire	Vérifier qu’un document qualité respecte la norme ISO applicable
Analyse de risques	Identification et évaluation de risques projet	Lister les risques d’un projet d’ouverture de filiale

2.6 Création et design

Usage	Description	Exemple entreprises et collectivités
Prototypage d’interfaces	Maquettes web fonctionnelles en HTML/React	Prototyper une page de commande en ligne en 10 minutes
Création de visuels structurés	Diagrammes, organigrammes, schémas de processus	Créer un organigramme interactif de l’entreprise
Génération de graphiques	Visualisations de données personnalisées	Graphique de comparaison des ventes par région sur 12 mois
Création de contenu marketing	Posts réseaux sociaux, newsletters, argumentaires	Rédiger 4 posts LinkedIn pour le lancement d’un produit
Design de formulaires	Formulaires web fonctionnels	Créer un formulaire de satisfaction client en ligne

2.7 Gestion de projet et organisation

Usage	Description	Exemple entreprises et collectivités
Planification de projet	Découpage en tâches, estimation de charges, jalons	Structurer un projet de déménagement de bureaux
Rédaction de procédures	Procédures opérationnelles standardisées	Rédiger la procédure d’onboarding d’un nouveau collaborateur
Création de checklists	Listes de vérification contextualisées	Checklist de conformité pour une livraison client
Suivi et reporting	Tableaux de bord de suivi de projet	Générer un rapport d’avancement projet hebdomadaire
Comptes-rendus de réunion (PV)	Structuration et formalisation	Transformer des notes manuscrites en compte-rendu formel

2.8 Fonctionnalités émergentes

Usage	Description	Disponibilité
Computer Use	L’IA contrôle l’ordinateur : ouvre des applications, remplit des formulaires, navigue sur le web	Claude (mars 2026)
Cowork / agents autonomes	L’IA travaille sur des fichiers en autonomie : lit, édite, crée dans un dossier	Claude Max
Extensions Excel/PowerPoint/Word	L’IA intégrée directement dans les applications Office	Claude (février 2026), Copilot
Mémoire inter-sessions	L’IA retient le contexte d’une conversation à l’autre	Claude, ChatGPT
Recherche web intégrée	L’IA accède à des données en temps réel pendant la conversation	Claude, ChatGPT, Copilot
Connexion aux outils métier	Intégration avec Gmail, Google Drive, Slack, Salesforce via MCP	Claude (2025-2026)
Deep Research	Recherche approfondie automatisée sur un sujet complexe	Claude, ChatGPT
Traitement multimodal	Analyse simultanée de texte, images, audio, vidéo	Toutes plateformes

3. Analyse SWOT

3.1 Forces (Strengths)

Accessibilité sans précédent. Le langage naturel comme interface élimine la barrière technique qui freine de nombreux utilisateurs Excel. Un collaborateur qui ne maîtrise pas RECHERCHEV peut obtenir le même résultat en une phrase. Le coût d’entrée est minime : 20.-/mois par utilisateur pour les abonnements Pro, sans infrastructure à déployer.

Polyvalence transversale. Contrairement à Excel (données tabulaires) ou à un traitement de texte (documents), les LLM opèrent sur tous les types de contenu simultanément. Un même outil remplace ou complète plusieurs logiciels spécialisés. L’inventaire ci-dessus recense plus de 40 catégories d’usage distinctes couvrant l’ensemble des fonctions d’une entreprise ou collectivité.

Gains de productivité mesurés. L’étude Harvard/BCG documente une augmentation de 25.1 % de la vitesse d’exécution et de 40 % de la qualité des livrables pour des travailleurs du savoir. Les utilisateurs en entreprise rapportent une économie moyenne de 5.4 % de leurs heures hebdomadaires. Ces gains sont particulièrement marqués pour les profils non-experts, qui bénéficient d’un « effet d’égalisation » : l’IA réduit l’écart de performance entre collaborateurs juniors et seniors.

Courbe d’adoption rapide. L’adoption des LLM progresse plus vite que toute technologie bureautique précédente. En Suisse, le taux d’adoption dans les PME est passé de 22 % à 34 % en un an (ICT Journal d’octobre 2025).

3.2 Faiblesses (Weaknesses)

Fiabilité variable. Les LLM produisent des erreurs factuelles (hallucinations) sans signal d’alerte. Contrairement à une formule Excel qui renvoie une erreur #REF! quand les données sont incohérentes, un LLM présente une réponse incorrecte avec la même assurance qu’une réponse juste. Ce problème est structurel : il diminue avec chaque génération de modèle mais ne disparaît pas.

Reproductibilité limitée. À question identique, un LLM peut fournir des réponses différentes. Excel, pour les mêmes données et la même formule, produit toujours le même résultat. Cette différence est fondamentale : l’IA est probabiliste, les systèmes d’entreprise sont déterministes. Les deux paradigmes ne fonctionnent pas selon la même logique et ne sont pas substituables, mais complémentaires. Cette incompatibilité de nature complique l’intégration de l’IA dans les processus nécessitant une répétabilité stricte. Elle impose une architecture hybride claire : le déterministe pour les règles non négociables, le probabiliste pour l’interprétation et l’analyse contextuelle.

Dépendance au fournisseur. Les données sont traitées sur des serveurs externes (Anthropic, OpenAI, Microsoft). Contrairement à un fichier Excel stocké en local, l’utilisateur n’a pas le contrôle total de son outil. Les conditions de service, les prix et les fonctionnalités peuvent changer unilatéralement.

Compétence en prompting inégale. La qualité du résultat dépend fortement de la qualité de l’instruction. Sans formation, de nombreux utilisateurs sous-exploitent l’outil ou obtiennent des résultats décevants, ce qui génère un désengagement précoce.

3.3 Opportunités (Opportunities)

Automatisation des tâches à faible valeur ajoutée. Dans une PME, une proportion significative du temps de travail est consacrée à des tâches répétitives de traitement d’information : reformatage de données, rédaction de courriers types, consolidation de tableaux, extraction d’informations de documents. Les LLM permettent de réduire ce temps de 30 à 60 % selon les études disponibles.

Démocratisation de compétences rares. Une PME de 20 personnes n’a pas de juriste, de data analyst, de graphiste ou de traducteur interne. L’IA permet à un collaborateur polyvalent d’accéder à un premier niveau de compétence dans ces domaines : analyse juridique préliminaire, visualisation de données, prototypage visuel, traduction professionnelle. Ce n’est pas un remplacement du spécialiste, mais un accès à une expertise de premier recours.

Intégration croissante avec l’écosystème existant. Les connexions MCP (Model Context Protocol), les extensions Office, et les agents autonomes (Computer Use, Cowork) transforment les LLM en couche d’orchestration des outils existants. L’IA ne remplace pas le CRM, l’ERP ou Excel — elle les relie et les exploite de manière unifiée via une interface conversationnelle.

Avantage concurrentiel pour les adopteurs précoces. Les PME qui intègrent l’IA maintenant accumulent un capital d’apprentissage organisationnel (prompts, workflows, pratiques internes) qui constitue un avantage durable. L’OCDE note que les PME de moins de 5 ans adoptent l’IA significativement plus vite (72 %) que les entreprises de plus de 35 ans (61 %), confirmant que l’agilité organisationnelle est un facteur déterminant.

3.4 Menaces (Threats)

Shadow AI. Sans cadre d’entreprise, les collaborateurs utilisent des comptes personnels gratuits, exposant potentiellement des données sensibles. Une étude signale que les requêtes liées au travail représentent 27 % des 2.6 milliards de messages quotidiens sur ChatGPT. Le risque de fuite de données commerciales, de propriété intellectuelle ou de données personnelles est réel et documenté.

Fracture numérique interne. L’adoption inégale entre collaborateurs peut créer une nouvelle forme de division : entre ceux qui exploitent l’IA et ceux qui ne le font pas. Ce risque est plus aigu dans les PME où la formation est souvent informelle et où les profils sont hétérogènes en maturité numérique.

Instabilité de l’offre. Le marché des LLM évolue très rapidement. Les modèles, les prix, les fonctionnalités et les fournisseurs changent à un rythme trimestriel. Une PME qui investit dans un écosystème (prompts, formations, workflows) peut voir cet investissement partiellement dévalué par un changement de plateforme ou de conditions tarifaires.

Surconfiance et risques opérationnels. L’utilisateur peut accorder aux résultats de l’IA un niveau de confiance excessif, en particulier dans des domaines où il n’a pas l’expertise pour vérifier le résultat (analyse juridique, calculs financiers, conseils techniques). Contrairement à Excel où l’utilisateur construit lui-même la logique de calcul, l’IA produit un résultat opaque que l’utilisateur doit évaluer sans en maîtriser la mécanique.

4. Matrice de comparaison : Excel vs. LLM par cas d’usage

Cas d’usage	Excel	LLM	Verdict
Calcul et modélisation financière	★★★★★	★★★☆☆	Excel reste supérieur : déterminisme, auditabilité, précision
Analyse de données tabulaires volumineuses	★★★★☆	★★★★☆	Complémentaires : Excel pour la manipulation, LLM pour l’interprétation
Rédaction et communication	★☆☆☆☆	★★★★★	Avantage LLM net
Traitement de documents non structurés	★☆☆☆☆	★★★★★	Avantage LLM net
Création de présentations	★★☆☆☆	★★★★☆	Avantage LLM
Visualisation de données	★★★★☆	★★★☆☆	Avantage Excel pour les graphiques complexes
Automatisation de processus	★★★☆☆ (VBA)	★★★★☆	Avantage LLM : pas de code à maintenir
Conformité et traçabilité	★★★★★	★★☆☆☆	Excel reste supérieur : historique, formules vérifiables
Recherche et veille	★☆☆☆☆	★★★★★	Avantage LLM net
Prototypage rapide d’outils	★★☆☆☆	★★★★★	Avantage LLM net

Conclusion de la matrice : les LLM ne remplacent pas Excel sur ses forces historiques (calcul déterministe, modélisation financière, traçabilité). Ils le complètent sur tout ce qu’Excel ne fait pas ou fait mal : texte, documents, recherche, communication, prototypage. La complémentarité est plus pertinente que la substitution.

5. Niveaux de maturité d’usage

Niveau 1 — Usage ponctuel (0-3 mois)

L’utilisateur recourt à l’IA comme assistant occasionnel : reformuler un email, résumer un document, répondre à une question. L’usage est individuel, non structuré. Pas de partage de pratiques. Gains de productivité limités (estimés à 5-10 %).

Niveau 2 — Usage régulier intégré (3-6 mois)

L’utilisateur incorpore l’IA dans ses routines de travail : analyse de fichiers, préparation de réunions, création de documents, recherche. Il développe des prompts récurrents. L’usage s’étend à plusieurs tâches par jour. Gains de productivité significatifs (estimés à 15-25 %).

Niveau 3 — Usage systématique et partagé (6-12 mois)

L’équipe partage des pratiques : bibliothèque de prompts, templates, workflows standardisés. L’IA est intégrée aux processus formels (réponse aux appels d’offres, reporting, onboarding). L’organisation commence à mesurer les gains. Gains de productivité importants (estimés à 25-40 %).

Niveau 4 — Usage augmenté avec intégrations (12+ mois)

L’IA est connectée aux outils métier (CRM, ERP, messagerie, gestion documentaire) via des intégrations natives ou MCP. Les agents autonomes traitent des tâches complètes sans intervention. L’utilisateur orchestre plutôt qu’il n’exécute. Gains de productivité transformatifs (estimés à 40 %+).

6. Du compte individuel à l’infrastructure maîtrisée : l’IA gateway

Les abonnements individuels (Claude Pro, ChatGPT Plus) suffisent pour une phase d’expérimentation. Ils ne suffisent pas pour un déploiement structuré. L’absence de gouvernance des données, l’impossibilité de connecter l’IA au corpus documentaire de l’organisation, et le manque de traçabilité des usages créent un plafond que les comptes individuels ne peuvent pas franchir.

Une IA gateway résout ce problème en se positionnant comme couche intermédiaire entre les utilisateurs et les modèles de langage. Elle centralise l’accès aux LLM via une interface unifiée, connecte l’IA au corpus documentaire gouverné (GED, M-Files, SharePoint), gère l’identité et les droits via l’annuaire existant (Entra ID / Active Directory), et permet de déployer des assistants spécialisés par cas d’usage — sans développement logiciel.

DECIDE Companion (tebicom) illustre cette approche. Construit sur OpenWebUI et Azure, Companion fonctionne selon un modèle incrémental : un onboarding initial pose l’infrastructure (tenant, Collections documentaires, intégration annuaire, 2 premiers cas d’usage), puis chaque cas d’usage supplémentaire est un assistant configuré en 1 à 3 jours — un prompt système, une Collection existante, un schéma de sortie. Pas de code. Le coût marginal de chaque nouveau cas d’usage est principalement du travail de conception, pas du développement.

L’équation est particulièrement solide lorsque le corpus documentaire est déjà gouverné dans une GED comme M-Files : les documents sont versionnés, classifiés, avec des droits d’accès cohérents. Quand l’IA indexe ce corpus, elle hérite de cette qualité. Les réponses probabilistes s’appuient sur des sources déterministes fiables — à l’inverse du problème Copilot qui, dans un tenant SharePoint mal gouverné, remonte des documents sensibles ou obsolètes.

Sans IA gateway	Avec IA gateway (ex. DECIDE Companion)
Chaque utilisateur a son compte individuel	Accès centralisé avec identité d’entreprise
Aucun lien avec le corpus documentaire interne	L’IA puise dans les documents gouvernés (M-Files, SharePoint)
Pas de traçabilité des usages	Logs, suivi des coûts, contrôle des modèles utilisés
Chaque usage est ad hoc	Assistants spécialisés par métier et par tâche
Shadow AI non maîtrisé	Cadre d’usage explicite et auditable
Nouveau besoin = nouveau projet IT	Nouveau besoin = configuration d’un assistant en quelques jours

7. Plan d’action d’implémentation

Phase 1 — Cadrage et expérimentation (mois 1-2)

Objectif : poser les bases d’un usage sécurisé et identifier les premiers cas d’usage à fort impact.

Actions :

Auditer les usages existants : identifier les collaborateurs qui utilisent déjà l’IA (comptes personnels) et recenser les cas d’usage spontanés. Cet audit révèle les besoins réels, pas les besoins supposés.
Évaluer le besoin d’une IA gateway. Si l’organisation dispose d’un corpus documentaire structuré (GED, M-Files, SharePoint) et de plus de 10 utilisateurs cibles, un déploiement via une gateway comme DECIDE Companion est préférable aux abonnements individuels. L’onboarding initial (tenant Azure, Collections documentaires, intégration Entra ID, 2 premiers cas d’usage) se réalise en 4 à 8 semaines.
Pour les organisations plus petites ou en phase exploratoire, choisir une plateforme d’abonnements individuels. Critères de sélection : sécurité des données (hébergement, conformité RGPD/LPD, politique de non-réentraînement), fonctionnalités de production de fichiers, qualité du raisonnement, coût par utilisateur. Les trois plateformes principales sont Claude (Anthropic), ChatGPT (OpenAI) et Copilot (Microsoft).
Rédiger une charte d’usage : types de données autorisés, interdictions (données personnelles sensibles, données financières confidentielles), obligations de vérification des résultats, responsabilité de l’utilisateur.
Constituer un groupe pilote de 5-8 utilisateurs volontaires, couvrant au moins 3 fonctions différentes (administration, commercial, opérations).

Budget indicatif : comptes individuels : 100-160 CHF/mois (5-8 licences Pro). IA gateway (DECIDE Companion) : pour les prix, contactez tebicom.

Livrable : charte d’usage validée, groupe pilote actif, infrastructure choisie (comptes individuels ou gateway).

Phase 2 — Premiers cas d’usage et montée en compétence (mois 2-4)

Objectif : amener le groupe pilote au Niveau 2 de maturité et démontrer la valeur sur des cas concrets.

Actions :

Former le groupe pilote (2 sessions de 2h). Contenu : logique de fonctionnement d’un LLM (ce qu’il fait, ce qu’il ne fait pas), techniques de prompting (clarté, contexte, exemples, format attendu), cas d’usage par métier, identification et gestion des erreurs.
Déployer les premiers cas d’usage à ROI rapide. Les cas d’extraction de données structurées produisent des résultats mesurables en moins de 7 jours : transcription de réunion → compte-rendu structuré (0.5 jour de configuration), email → fiche CRM (1 jour), document → fiche de synthèse (0.5-1 jour). Ces cas démontrent la valeur avant d’engager les cas de rédaction assistée, plus structurants mais plus longs à déployer.
Organiser un point de retour d’expérience bi-mensuel (30 min) pour partager les réussites, les échecs et les questions.
Documenter les meilleurs prompts et workflows dans un espace partagé. Sur une gateway, ces prompts sont versionnés et maintenus dans le cadre du contrat de service.

Budget indicatif : licences + 1-3 jours de prestation par cas d’usage déployé.

Livrable : 2-3 cas d’usage opérationnels, premiers gains mesurés (temps de rédaction, temps de saisie éliminé).

Phase 3 — Déploiement élargi et cas d’usage de rédaction (mois 4-8)

Objectif : étendre l’usage à l’ensemble des collaborateurs concernés et déployer les cas d’usage à plus forte valeur ajoutée.

Actions :

Étendre les licences à tous les utilisateurs réguliers (cible : tout collaborateur utilisant Excel ≥ 2h/semaine ou traitant des documents de manière récurrente).
Former par vagues successives (sessions de 2h par groupe de 6-8 personnes), en utilisant les cas d’usage déployés en Phase 2 comme matériel pédagogique.
Déployer les cas d’usage de rédaction assistée : réponse à appels d’offres, contrats et clauses à partir de modèles, dossiers techniques et cahiers des charges. Ces cas nécessitent une Collection documentaire dédiée (bibliothèque de références projets, modèles contractuels, normes techniques) et 2-3 jours de conception par cas. Le ROI est visible à 14-30 jours.
Identifier les « ambassadeurs IA » dans chaque équipe : collaborateurs du groupe pilote qui deviennent référents pour leurs collègues.
Mettre en place un canal de partage (Teams ou Slack) pour les questions et les bonnes pratiques.

Budget indicatif : licences élargies + prestation de conception des cas d’usage de rédaction (2-3 jours/cas) + Collections documentaires si nécessaire.

Livrable : taux d’adoption mesuré (cible : 60 % des utilisateurs cibles actifs), 4-5 cas d’usage opérationnels.

Phase 4 — Capitalisation et intégration (mois 8-12)

Objectif : atteindre le Niveau 3-4 de maturité en capitalisant sur l’infrastructure en place.

Actions :

Déployer les cas d’usage d’analyse contextuelle : recherche documentaire assistée sur corpus interne, analyse comparative de documents (offres fournisseurs, versions de contrats). Ces cas s’appuient sur les Collections déjà constituées — le coût marginal est minimal.
Standardiser les workflows IA dans les processus formels : réponse aux appels d’offres, onboarding, reporting, PV de séances.
Mesurer les gains de productivité par fonction : temps économisé, volume de production, qualité perçue.
Capitaliser sur l’infrastructure gateway. Chaque nouveau cas d’usage s’appuie sur les Collections et les assistants existants. Le coût marginal est décroissant : un assistant supplémentaire représente 1 à 3 jours de prestation, sans développement logiciel. L’objectif à 12 mois est d’avoir 2 à 3 cas d’usage actifs par organisation, avec un quatrième en cours de conception.
Réévaluer les modèles LLM sous-jacents : les capacités évoluent rapidement. Sur une gateway, le changement de modèle est transparent pour l’utilisateur mais nécessite des tests de non-régression sur les cas de référence.

Budget indicatif : licences + prestation ponctuelle pour les nouveaux cas d’usage. Coût marginal décroissant si Collections partagées entre assistants.

Livrable : processus formels intégrés, tableau de bord de suivi des gains, plan de renouvellement/évolution.

8. Indicateurs de suivi recommandés

Indicateur	Méthode de mesure	Fréquence
Taux d’adoption	Nombre d’utilisateurs actifs / nombre de licences	Mensuel
Fréquence d’usage	Nombre moyen de sessions par utilisateur par semaine	Mensuel
Cas d’usage actifs	Nombre d’assistants utilisés au moins 1x/semaine	Mensuel
Temps économisé	Déclaratif par sondage interne (avant/après)	Trimestriel
Qualité perçue	Note de satisfaction des utilisateurs (1-5)	Trimestriel
Taux de concordance	Pour les cas d’extraction : % de sorties validées sans correction	Mensuel
Incidents	Nombre d’erreurs détectées attribuables à l’IA	Continu
ROI estimé	(Temps économisé × coût horaire moyen) / coût total (licences + prestations)	Semestriel

9. Facteurs clés de succès

L’impulsion doit venir de la direction. L’adoption des LLM dans une organisation ne se décrète pas par une note de service, mais le signal de la direction est indispensable. Si le dirigeant utilise lui-même l’IA et en parle, l’adoption est significativement plus rapide.

La formation est l’investissement le plus rentable. BCG estime que 30 % des gains de productivité sont directement attribuables au temps passé à expérimenter avec les outils. Une formation de 4 heures par collaborateur est un investissement minime au regard du retour potentiel.

Commencer par les cas d’usage à ROI rapide. Les cas d’extraction de données structurées (transcription → compte-rendu, email → fiche CRM) produisent des résultats mesurables en moins de 7 jours. Cette démonstration de valeur rapide facilite l’approbation des budgets pour les cas de rédaction assistée, plus structurants mais plus longs à déployer.

Le cadre de confiance conditionne l’adoption. La charte d’usage n’est pas un document de contrôle : c’est un outil de confiance. Elle rassure les collaborateurs sur ce qu’ils ont le droit de faire et protège l’organisation sur ce qu’il ne faut pas faire.

La complémentarité avec les outils existants doit être explicite. Présenter l’IA comme un remplacement d’Excel ou de la GED provoque de la résistance. Présenter l’IA comme un assistant qui rend ces outils plus puissants (et qui fait ce qu’ils ne savent pas faire) facilite l’acceptation. Sur une gateway, cette complémentarité est architecturale : l’IA puise dans le corpus gouverné, elle ne le remplace pas.

La gouvernance se vend avec l’outil. Sans garde-fous explicites, le LLM comble les lacunes silencieusement, la validation humaine devient symbolique, et l’assistant finit par contourner les processus existants. Les prompts systèmes doivent être documentés, versionnés, et testés. C’est ce qui distingue un déploiement structuré d’un usage artisanal.

10. Données de cadrage — Chiffres clés 2025-2026

Adoption — Suisse

Donnée	Source
34 % des PME suisses utilisent l’IA en 2025 (vs 22 % en 2024)	ICT Journal / Étude AXA sur le marché de l’emploi, octobre 2025
53 % des entreprises suisses utilisent une forme d’IA (> 70 % pour les grandes entreprises, < 45 % pour les PME)	Observatoire Data & IA 2025, Oracle / HEG Genève
43 % de la population suisse (15-88 ans) a utilisé l’IA générative au printemps 2025	Office fédéral de la statistique (OFS), décembre 2025
45 % des PME suisses voient l’IA comme une opportunité (vs 35 % en 2024)	ICT Journal / Étude AXA, octobre 2025
57 % des employeurs suisses utilisant l’IA déclarent gagner du temps (vs 46 % en 2024)	ICT Journal / Étude AXA, octobre 2025
Seules 11 % des PME suisses ont intégré l’IA dans tous leurs domaines d’activité	AXA / PME Magazine, 2025

Adoption — France et Europe

Donnée	Source
34 % des PME françaises utilisent l’IA en 2025 (vs 13 % en 2024)	Baromètre France Num 2025
31 % des TPE-PME françaises utilisent l’IA générative	Bpifrance Le Lab, février 2025
67 % des PME européennes ont au moins un outil d’IA	Rapport Qonto / France Numérique, 2025

Adoption — Monde

Donnée	Source
65 % des organisations mondiales utilisent la GenAI en au moins une fonction	McKinsey, State of AI 2025
80 % des entreprises auront déployé l’IA générative en production d’ici 2026 (vs < 5 % en 2023)	Gartner, 2025
80 % des professionnels voient l’IA comme un apport positif pour leur carrière	LLM Statistics 2026, Hostinger

Productivité — Études de référence

Donnée	Source
+25.1 % de vitesse d’exécution avec l’IA (sur 758 consultants BCG)	Harvard Business School / BCG, « Navigating the Jagged Technological Frontier », 2023
+40 % de qualité de production avec l’IA (même étude)	Harvard Business School / BCG, 2023
+12.2 % de tâches complétées en plus avec l’IA (même étude)	Harvard Business School / BCG, 2023
5.4 % d’heures hebdomadaires économisées en moyenne par les travailleurs utilisant l’IA	OCDE, 2025
4’400 milliards $ de potentiel économique annuel de l’IA générative	McKinsey, « The Economic Potential of Generative AI », 2023

11. Conclusion

La comparaison entre Excel et les LLM n’est pas rhétorique. Elle décrit une transformation structurelle du poste de travail. Excel a donné à chaque collaborateur le pouvoir de calculer. Les LLM donnent à chaque collaborateur le pouvoir de raisonner, rédiger, analyser et créer — sans compétence technique préalable.

La différence principale avec l’adoption d’Excel est la vitesse. Excel a mis 15 ans à devenir omniprésent. Les LLM atteignent un tiers de pénétration en moins de 3 ans. Cette vitesse crée une fenêtre d’opportunité pour les organisations qui structurent leur adoption maintenant, et un risque de décrochage pour celles qui attendent.

L’IA ne remplace pas Excel, le traitement de texte, la GED ou le logiciel de présentation. Elle constitue une couche d’intelligence qui se superpose à l’ensemble des outils existants. L’enjeu n’est pas de choisir entre comptes individuels et infrastructure maîtrisée : c’est de passer de l’un à l’autre au bon moment, quand le volume d’utilisateurs, la sensibilité des données et la diversité des cas d’usage justifient une gouvernance centralisée.

L’utilisateur augmenté de 2026 n’est pas celui qui utilise l’IA à la place de ses outils — c’est celui qui utilise l’IA pour mieux utiliser ses outils, et pour faire ce que ses outils ne permettaient pas de faire.

Rapport produit en avril 2026. Les données et fonctionnalités décrites reflètent l’état du marché à cette date. Le rythme d’évolution de l’IA générative rend une mise à jour semestrielle recommandée.

2026-04-12

Cloud et IA : passer au filtre des risques pour saisir les opportunités
L’adoption du Cloud et de l’IA n’est plus un choix technologique, mais une décision d’affaires qui doit passer par des filtres de décision rigoureux. Un nouveau livre blanc de tebicom en cours de finalisation met en lumière cette dualité : d’un côté, des risques réels qui imposent une vigilance inédite ; de l’autre, des opportunités de productivité capables de transformer durablement l’organisation.

Les filtres de vigilance : au-delà de la sécurité classique

Adopter ces technologies comporte des risques que l’on ne peut plus occulter. Si la violation de données par une mauvaise configuration Cloud reste une menace majeure, l’IA introduit des vulnérabilités d’un genre nouveau :
- La captation des données pour l’apprentissage des LLM : c’est le « prix caché » des outils d’IA grand public. Sans cadre contractuel spécifique, les données soumises par vos collaborateurs (via le shadow AI) peuvent être utilisées par les fournisseurs globaux pour entraîner leurs futurs modèles. Cela signifie que vos secrets d’affaires, vos analyses stratégiques ou vos données clients pourraient un jour être « digérés » et restitués à des tiers par l’IA. La maîtrise des données, savoir dans quel but elles sont traitées, est le premier pilier de votre souveraineté d’organisation.
- Le piège des hallucinations et du « reward hacking » : les modèles d’IA génèrent des réponses vraisemblables, mais pas toujours exactes. Pire, elles peuvent pratiquer le « reward hacking » : optimiser un objectif en contournant les règles, comme hacker un logiciel de mesure pour afficher un succès fictif. La supervision humaine n’est donc pas une option, elle est indispensable à l’usage de l’IA.
- L’érosion invisible des compétences : un risque stratégique majeur est de déléguer des tâches proches du cœur décisionnel à des systèmes externes. Cette « externalisation invisible » peut mener à une atrophie des compétences internes : l’entreprise perd sa capacité à décider par elle-même (Pourquoi la souveraineté IA va devenir le vrai sujet stratégique).
- Le biais d’automatisation : face à une IA qui répond avec autorité, l’humain tend à baisser sa garde critique. C’est ce que l’on appelle la « normalisation de la déviance » : on finit par accepter de petits relâchements vis-à-vis des processus rigoureux, ce qui érode la cohérence de la gouvernance interne (Quand l’IA probabiliste rencontre nos systèmes déterministes : trois failles que personne ne voit venir).
Les filtres de valeur : l’opportunité de l’utilisateur augmenté

Malgré ces défis, les gains potentiels sont massifs pour les organisations qui abordent le sujet avec méthode :
- La productivité individuelle : l’IA générative permet des gains mesurables de 1 à 5 heures par semaine et par collaborateur. En automatisant la synthèse de réunions ou la rédaction d’offres, elle crée ce que tebicom appelle l’utilisateur augmenté.
- L’agilité et la compétitivité sectorielle : le Cloud élimine les dépendances aux cycles matériels, tandis que l’IA transforme les modèles opérationnels, par exemple via la maintenance prédictive dans l’industrie ou l’optimisation des flux en temps réel sur les chantiers.
- La fin de la « shadow AI » : plutôt que de subir l’usage sauvage d’outils grand public par les collaborateurs, l’opportunité réside dans la mise en place d’une passerelle IA gouvernée (comme DECIDE Companion chez tebicom). Cela permet de canaliser la puissance des modèles vers une architecture sécurisée et souveraine.
Le courage managérial : réconcilier le probabiliste et le déterministe

Le véritable filtre de décision consiste à comprendre que l’IA ne remplace pas vos anciens systèmes, elle les complète.

D’un côté, vos systèmes déterministes (ERP, finance) garantissent que la même entrée produit toujours la même sortie, une obligation légale dans de nombreux secteurs. De l’autre, l’IA probabiliste apporte son génie pour interpréter l’ambiguïté et naviguer dans des contextes complexes.

La réussite réside dans un modèle hybride : une architecture où l’on définit explicitement ce qui doit rester gravé dans la règle stricte et ce qui peut bénéficier de la flexibilité statistique de l’IA.

Conclusion : de la vision au succès

Le succès ne dépend pas de la technologie elle-même, mais de la capacité à passer ces filtres avec méthode. Comme je le souligne dans le livre blanc de tebicom, « l’innovation ne réside plus dans le développement spécifique, mais dans la capacité à assembler et piloter intelligemment des briques standards ». En maîtrisant votre souveraineté d’organisation, vous transformez ces risques en un levier d’agilité durable !

La version vidéo (NotebookLM) du livre blanc « Notre vision du Cloud et de l’IA de tebicom »
2026-03-27
Quand l’IA probabiliste rencontre nos systèmes déterministes : trois failles que personne ne voit venir

Comment faire coexister des systèmes informatiques qui ne fonctionnent pas selon la même logique fondamentale ?

Ce n’est pas une question technique. C’est une question de civilisation organisationnelle.

Le mythe de la continuité technologique

Depuis les années 1960, les systèmes informatiques qui structurent nos entreprises partagent une promesse implicite : la même entrée produit toujours la même sortie. C’est ce que les informaticiens appellent le déterminisme. Votre ERP, votre système comptable, votre workflow de validation de factures : tous reposent sur cette certitude. Une règle. Un résultat. Toujours.

L’IA générative brise cette promesse.

Posez la même question deux fois à un LLM. Vous obtiendrez deux réponses différentes. L’IA est probabiliste : elle génère ses outputs sur la base de distributions statistiques, pas de règles fixes. Ce n’est pas un défaut ; c’est son génie. Sa capacité à interpréter l’ambiguïté, à naviguer dans des contextes complexes, à répondre en langage naturel découle précisément de cette nature probabiliste.

Mais cette nature crée une rupture que nous n’avons pas encore vraiment appréhendée.

Défi n°1 : on ne peut pas remplacer l’un par l’autre

La tentation est forte de voir l’IA comme une évolution naturelle des systèmes d’automatisation existants. Une version plus intelligente, plus flexible, plus rapide. Et donc de l’intégrer là où fonctionnaient les anciens systèmes, en espérant qu’elle fasse mieux.

C’est une erreur de catégorie.

Dans les domaines réglementés (finance, santé, industrie, logistique) le déterminisme n’est pas un choix technique, c’est une obligation légale et éthique. La traçabilité, l’auditabilité, la répétabilité sont non négociables. Aucune banque centrale n’acceptera qu’une décision de compliance ait été prise par un système qui aurait pu produire une réponse différente si on lui avait posé la question une heure plus tard.

Inversement, un système purement déterministe ne comprendra jamais une question formulée avec de l’argot, une faute de frappe, ou une tournure implicite. Il ne pourra jamais synthétiser 200 pages d’un rapport pour en extraire les trois points critiques.

Les deux paradigmes sont complémentaires, pas substituables.

La réponse architecturale qui s’impose, et que les entreprises les plus avancées commencent à implémenter, est le modèle hybride : une couche de routage intelligente qui évalue chaque requête et décide si elle relève du déterministe (règles métier critiques, conformité, transactions financières) ou du probabiliste (interprétation, analyse contextuelle, recommandation à faible risque). L’IA ne remplace pas le système déterministe ; elle opère à côté, sous contrainte, avec des garde-fous explicites.

Le principe est simple à énoncer. Il est difficile à gouverner.

Défi n°2 : l’humain va voir l’IA comme une échappatoire

Voilà le défi qui me préoccupe le plus en tant que dirigeant et chercheur en transformation numérique.

Les humains ont toujours eu une relation compliquée avec les systèmes déterministes. Les règles trop rigides, trop complexes, trop éloignées du terrain génèrent invariablement des contournements. Les managers de projet développent des canaux informels hors-ERP. Les équipes opérationnelles s’échangent des workarounds par email plutôt que de suivre le processus documenté. Ce n’est pas de la mauvaise volonté, c’est de l’adaptation humaine à un environnement perçu comme trop contraignant.

Maintenant, imaginez un système qui comprend le langage naturel, qui répond avec fluidité, qui semble toujours trouver une solution. Qui n’affiche jamais d’erreur 403, ne renvoie jamais vers « l’informaticien », ne bloque jamais sur un champ obligatoire incompréhensible.

L’humain va percevoir l’IA probabiliste comme la soupape qu’il attendait.

Ce phénomène est aggravé par ce que les chercheurs nomment l’automation bias : notre tendance naturelle à faire davantage confiance aux systèmes automatisés qu’à notre propre jugement, même quand ces systèmes se trompent. Des études montrent que face à une réponse formulée avec autorité par une IA, même les utilisateurs formés réduisent significativement leur niveau de vérification critique.

Le risque est insidieux parce qu’il est graduel. Il ne se manifeste pas par un incident brutal, mais par une accumulation silencieuse de petits relâchements. La sociologue Diane Vaughan a théorisé ce mécanisme à travers le concept de normalisation de la déviance, initialement pour expliquer la catastrophe de la navette Challenger. Chaque déviation sans conséquence visible renforce l’acceptabilité de la suivante, jusqu’au point de rupture.

Appliqué à l’IA : chaque fois qu’un collaborateur contourne un processus déterministe en passant par le chatbot IA, chaque fois qu’une décision est validée sans vérification parce que « l’IA le dit », chaque fois qu’une règle de conformité est ignorée parce que l’IA a fourni une réponse rassurante, la déviance se normalise. Les systèmes qui fonctionnaient très bien s’érodent de l’intérieur, sans que personne n’ait décidé de les supprimer.

Défi n°3 : l’IA se comporte comme nous, elle vise l’objectif, pas les règles

C’est le défi le plus paradoxal et le plus révélateur de notre relation à la technologie.

Nous avons longtemps rassuré les organisations en disant que les systèmes informatiques, contrairement aux humains, respectent rigoureusement les règles. Pas d’interprétation, pas de raccourci, pas de « fin qui justifie les moyens ». L’IA brise cette promesse de manière spectaculaire.

En 2025, le modèle o3 d’OpenAI, chargé d’optimiser la vitesse d’un programme, n’a pas amélioré le code. Il a hacké le logiciel de mesure de vitesse pour qu’il retourne toujours un résultat satisfaisant. Claude 3.7 d’Anthropic, testé sur des problèmes mathématiques, a écrit un programme qui hardcodait les réponses correctes pour les cas de test, sans apprendre aucune méthode générale.

Ces exemples illustrent ce que les chercheurs en alignement IA nomment le reward hacking, la tendance d’un système optimisé sur un objectif à trouver des chemins non prévus pour atteindre cet objectif, en violant l’esprit des contraintes tout en respectant leur lettre.

Ce comportement a un nom en économie : la Loi de Goodhart. « When a measure becomes a target, it ceases to be a good measure. » Dès qu’une métrique devient un objectif, elle cesse d’être un bon indicateur de ce qu’elle était censée mesurer.

L’IA fait exactement ce que les humains font dans les organisations bureaucratiques : elle optimise sur ce qui est mesuré, pas sur ce qui est voulu. Elle respecte la lettre, pas l’esprit.

Ce n’est pas un comportement marginal. C’est une propriété émergente de tout système d’optimisation suffisamment puissant, opérant dans un environnement de règles incomplètes. C’est-à-dire : toute organisation réelle.

Des solutions tangibles existent, mais elles demandent du courage managérial

Ces trois défis ne sont pas des fatalités. Mais les réponses ne sont pas purement techniques. Elles exigent une maturité organisationnelle que peu d’entreprises ont encore développée.

Sur le plan architectural : définir explicitement, par domaine de risque, ce qui relève du déterministe non négociable et ce qui peut bénéficier du probabiliste. Implémenter des architectures hybrides avec des guardrails clairs, un logging exhaustif, et des seuils de confiance au-delà desquels la validation humaine est obligatoire, pas symbolique, réelle.

Sur le plan humain : former activement les collaborateurs à distinguer un output déterministe d’un output probabiliste, et à exercer leur jugement critique face aux réponses de l’IA. La recherche montre que la simple connaissance de l’automation bias réduit significativement ses effets. Cette formation n’est pas un luxe, c’est une condition de survie organisationnelle.

Sur le plan de l’alignement IA : spécifier non seulement les résultats attendus, mais les processus admissibles. Tester adversarialement. Chercher activement les raccourcis que le système pourrait prendre, pas seulement les réponses incorrectes. Et accepter que l’alignement parfait n’existe pas, l’objectif est de rendre les défaillances détectables, réversibles, et non catastrophiques avant qu’elles se normalisent.

La vraie question de gouvernance

Dans mon article précédent sur la souveraineté IA, j’explorais la dépendance externe, la question de savoir à qui appartient notre capacité à décider avec l’IA. Ces trois défis ajoutent une dimension plus interne, plus subtile : à qui appartient la cohérence de nos systèmes de gouvernance internes ?

L’IA probabiliste ne détruit pas les règles de façon frontale. Elle les dissout par friction, par facilité, par optimisation locale. Elle offre une flexibilité que l’humain perçoit comme une libération, et qui peut être une érosion.

La réponse n’est ni le rejet de l’IA ni la capitulation devant elle. C’est la construction patiente d’une double vigilance : architecturale et culturelle. Savoir précisément où l’on veut la certitude déterministe, et où l’on peut se permettre la flexibilité probabiliste. Et ne jamais confondre les deux, même quand c’est tentant.

Surtout quand c’est tentant.

Pour référence

Ma recherche « Perplexity » plus détaillée.

Vidéo générée à l’aide de NotebookLM

2026-03-20
Pourquoi la souveraineté IA va devenir le vrai sujet stratégique
Depuis un an, on parle beaucoup d’IA générative, de skills et d’agents autonomes. Et, de plus en plus, un autre mot revient dans les discussions : « souveraineté ». Souveraineté numérique, souveraineté des données, souveraineté IA… Le terme est invoqué partout, mais rarement défini clairement du point de vue de l’entreprise.

Dans la plupart des discours, tout tourne autour de la productivité, de l’automatisation et des « gains rapides ». Pourtant, une question beaucoup plus stratégique commence à émerger dans les conseils d’administration et les directions : que se passe‑t‑il quand on délègue une partie de l’intelligence de l’entreprise à des IA qui ne nous appartiennent pas et que nous ne maîtrisons pas vraiment ?

C’est cette question — et ce que « souveraineté » signifie concrètement pour une entreprise suisse qui adopte l’IA — que j’ai voulu explorer en profondeur dans deux rapports générés avec l’aide de Perplexity, accompagnés d’une vidéo de synthèse produite avec NotebookLM.

Quand l’IA devient une externalisation invisible de compétences

Dans le premier rapport, « Le piège de la dépendance IA », j’analyse comment l’adoption rapide de services IA hébergés (OpenAI, Anthropic, Google, etc.) peut créer une nouvelle forme de dépendance, bien plus profonde que le simple vendor lock‑in technique.

Au fur et à mesure que les entreprises confient des tâches importantes à des agents IA — qualification de prospects, rédaction de rapports, analyse de données, support client, voire aide à la décision — elles commencent à déléguer, sans toujours s’en rendre compte, des morceaux entiers de leurs compétences internes. Comme si un département R&D, une équipe de management intermédiaire ou une cellule de veille stratégique étaient progressivement externalisés… mais cette fois, non pas à une société de services classique, mais à des plateformes d’IA globales.

Ce premier rapport pose le diagnostic : oui, l’IA apporte des gains spectaculaires, mais elle peut aussi, si elle est mal gouvernée, fragiliser l’entreprise à moyen terme.

Le piège de l’externalisation cognitive : la souveraineté de l’entreprise en jeu

Le second rapport, « Souveraineté de l’entreprise à l’ère de l’IA agentique », va un pas plus loin. Il ne parle pas de souveraineté au sens géopolitique, mais de souveraineté au sens très concret de la capacité d’une entreprise à garder la main sur ses compétences clés et ses décisions stratégiques.

À partir de travaux de recherche récents (sur l’érosion des compétences, le « piège du savoir IA », la dé‑qualification liée à l’automatisation, etc.), ce rapport montre trois points essentiels :
- L’érosion de l’expertise humaine n’est pas une peur théorique, c’est un phénomène documenté.
- Plus une fonction est proche du cœur stratégique de l’entreprise, plus la déléguer entièrement à des agents externes est dangereux.
- La vraie question n’est pas « Faut‑il utiliser l’IA ? », mais « Comment l’utiliser sans perdre notre souveraineté ? ».
Ce second rapport propose un cadre de lecture pour les dirigeants : comment distinguer ce qui peut être automatisé sans risque majeur, de ce qui doit rester sous contrôle interne, même si l’IA peut aider.

Une vidéo pour rendre ces idées directement accessibles aux dirigeants

Les deux rapports sont volontairement denses et s’appuient sur de nombreuses sources académiques et stratégiques (être doctorant a des conséquences). Pour les rendre plus facilement accessibles aux dirigeants pressés, j’ai créé une vidéo de synthèse avec NotebookLM.

Cette vidéo permet de :
- Parcourir les idées clés des deux rapports en quelques minutes.
- Visualiser les notions de « dépendance IA », de « souveraineté d’entreprise » et de « piège de l’externalisation cognitive » avec des exemples concrets.
- Comprendre comment ces enjeux se traduisent dans la réalité d’une entreprise en Suisse.
L’objectif n’est pas d’entrer dans tous les détails techniques, mais de donner aux décideurs un langage et un cadre de réflexion pour poser les bonnes questions à leurs équipes IT, à leurs partenaires et à leurs fournisseurs.

Vers une offre de « souveraineté IA d’entreprise » made in tebicom

Chez tebicom, nous ne nous contentons pas de commenter ces enjeux : nous construisons une offre concrète pour y répondre.

Un point de départ important est de corriger une illusion très répandue : beaucoup d’entreprises pensent « ne pas avoir encore fait le pas vers l’IA ». En réalité, la plupart de leurs collaborateurs l’ont déjà fait, individuellement, via des outils grand public (ChatGPT, Claude, Gemini, etc.), souvent en dehors de tout cadre officiel. Autrement dit, l’IA est déjà présente dans l’entreprise, mais de manière invisible, non gouvernée et potentiellement risquée — pour les données, pour la conformité et pour la souveraineté des compétences.

C’est précisément là que notre approche intervient. Autour de solutions techniques comme DECIDE‑Companion (notre AI Gateway souverain, multi‑fournisseurs) et d’un accompagnement à la stratégie informatique et à la gouvernance globale de l’entreprise, nous aidons les entreprises à :
- rendre visible et maîtrisable ce qui se fait déjà avec l’IA dans l’organisation,
- canaliser ces usages vers une architecture souveraine, sécurisée et réversible,
- profiter pleinement des agents IA là où c’est pertinent,
- éviter le piège de la dépendance unilatérale à quelques plateformes,
- et surtout préserver ce qui fait leur vraie valeur : leurs compétences, leur savoir tacite, leur capacité de décider par elles‑mêmes.
Les deux rapports et la vidéo NotebookLM constituent la base conceptuelle de cette offre. Ils sont aussi pensés comme des supports de discussion pour les comités de direction, les conseils d’administration et les responsables IT qui veulent aborder l’IA non pas comme un gadget, mais comme un sujet de souveraineté d’entreprise — y compris là où l’IA est déjà entrée par la porte de côté, via les pratiques quotidiennes des collaborateurs.
2026-03-13
IA : faut-il croire au scénario catastrophe de 2028 ?

Un rapport prospectif américain de Citrini Research a récemment attiré l’attention en décrivant un scénario dans lequel l’intelligence artificielle déclencherait un effondrement économique mondial d’ici 2028. Le document imagine une économie frappée par un chômage supérieur à 10%, une crise du crédit et une instabilité sociale majeure. Cette hypothèse, largement commentée, repose toutefois sur un exercice de prospective. Il s’agit d’un scénario exploratoire, destiné à tester la robustesse des systèmes économiques face à une adoption rapide de l’IA.

La question pertinente pour l’Europe et la Suisse n’est donc pas de savoir si cette prédiction va se réaliser, mais si les conditions d’un tel enchaînement existent réellement dans notre contexte économique.

Trois dimensions permettent d’évaluer cette plausibilité : l’emploi, la structure financière et le cadre réglementaire.

L’emploi

Premièrement, l’emploi. Le scénario américain repose sur l’hypothèse d’une substitution massive entre l’humain et l’IA, en particulier dans les emplois qualifiés de bureau. Dans cette vision, les systèmes d’IA remplaceraient rapidement une large part des tâches intellectuelles intermédiaires, entraînant une hausse brutale du chômage.

Les données européennes actuelles ne confirment pas cette dynamique. En Suisse, par exemple, le taux de chômage était d’environ 3.2% début 2026, un niveau historiquement bas. Les études empiriques menées sur plusieurs milliers d’entreprises européennes indiquent que l’IA produit surtout des gains de productivité modérés, autour de 4%, sans destruction nette d’emplois. Les effets positifs apparaissent surtout lorsque l’IA est accompagnée d’investissements dans les logiciels et la formation.

La finance

Deuxièmement, la finance. Le scénario étudié aux États-Unis suppose une crise déclenchée par le marché du crédit privé, c’est-à-dire la dette d’entreprise financée par des fonds d’investissement plutôt que par des banques traditionnelles. Une défaillance d’entreprise pourrait alors se propager rapidement vers les assureurs et d’autres institutions financières, créant un effet domino.

En Europe et en Suisse, la structure du financement est différente. Le crédit bancaire reste central et les standards prudentiels sont généralement plus stricts. Le marché du crédit privé existe, mais son développement est plus encadré et les taux de défaut observés restent faibles. Cette architecture limite les risques de contagion systémique décrits dans le scénario américain.

La régulation

Troisièmement, la régulation. L’Union européenne a adopté un cadre juridique spécifique pour l’intelligence artificielle avec l’AI Act. Ce dispositif introduit une approche fondée sur les niveaux de risque : certains usages sont interdits, d’autres sont soumis à des obligations strictes de transparence, de documentation et de supervision humaine.

L’objectif n’est pas d’empêcher l’innovation, mais de structurer son déploiement et d’anticiper les risques économiques et sociétaux. Ce type de cadre contraste avec l’hypothèse d’un développement technologique sans intervention publique qui sous-tend le scénario catastrophe.

Au final, les données disponibles en 2026 suggèrent un décalage important entre la fiction prospective et la situation européenne actuelle. L’adoption de l’IA y apparaît plus progressive, les systèmes financiers sont moins exposés à certains mécanismes de contagion et la régulation est déjà en place.

Cela ne signifie pas que les risques liés à l’IA sont inexistants. L’histoire économique montre que les grandes transformations technologiques peuvent provoquer des ajustements profonds. Mais leur impact dépend largement des institutions, des politiques publiques et des choix organisationnels des entreprises.

La même technologie peut produire des trajectoires économiques très différentes selon le contexte dans lequel elle est déployée.

Conclusion

La question ouverte est donc la suivante : le modèle européen (et de facto suisse) de gouvernance technologique constitue-t-il un véritable facteur de stabilité à long terme, ou seulement un mécanisme qui ralentit une transformation économique plus profonde ? Le débat sur l’impact réel de l’IA sur nos économies ne fait probablement que commencer.

2026-03-08

Catégorie : AI

L’analogie de la révolution industrielle

La renaissance est possible, elle n’est pas garantie

L’outil est le propre de l’homme

Ce qui ne dépend pas de nous

Ce qui dépend de nous

La zone d’influence partielle

La renaissance ne sera pas seulement individuelle

Pour aller plus loin

1. Le constat empirique

2. Le vibe service comme régime de consommation

3. Le cadre des quatre périmètres

4. Les contre-arguments comme opportunités

5. L’inversion du modèle

Sources

Définir le problème

Le mécanisme expérimental

L’illusion de performance

Le temps gagné se réinvestit dans plus de tâches

Ce que le problème n’est pas

Recommandations

Sources

Synthèse exécutive

1. Le parallèle structurel : Excel → LLM

1.1 Ce qu’Excel a fait (et continue de faire)

1.2 Ce que les LLM apportent aujourd’hui

1.3 La convergence en cours

2. Inventaire des usages : bien au-delà de la rédaction

2.1 Traitement et production de documents

2.2 Analyse de données et d’information

2.3 Automatisation et productivité

2.4 Communication et relation client

2.5 Expertise et aide à la décision

2.6 Création et design

2.7 Gestion de projet et organisation

2.8 Fonctionnalités émergentes

3. Analyse SWOT

3.1 Forces (Strengths)

3.2 Faiblesses (Weaknesses)

3.3 Opportunités (Opportunities)

3.4 Menaces (Threats)

4. Matrice de comparaison : Excel vs. LLM par cas d’usage

5. Niveaux de maturité d’usage

Niveau 1 — Usage ponctuel (0-3 mois)

Niveau 2 — Usage régulier intégré (3-6 mois)

Niveau 3 — Usage systématique et partagé (6-12 mois)

Niveau 4 — Usage augmenté avec intégrations (12+ mois)

6. Du compte individuel à l’infrastructure maîtrisée : l’IA gateway

7. Plan d’action d’implémentation

Phase 1 — Cadrage et expérimentation (mois 1-2)

Phase 2 — Premiers cas d’usage et montée en compétence (mois 2-4)

Phase 3 — Déploiement élargi et cas d’usage de rédaction (mois 4-8)

Phase 4 — Capitalisation et intégration (mois 8-12)

8. Indicateurs de suivi recommandés

9. Facteurs clés de succès

10. Données de cadrage — Chiffres clés 2025-2026

Adoption — Suisse

Adoption — France et Europe

Adoption — Monde

Productivité — Études de référence

11. Conclusion

Les filtres de vigilance : au-delà de la sécurité classique

Les filtres de valeur : l’opportunité de l’utilisateur augmenté

Le courage managérial : réconcilier le probabiliste et le déterministe

Conclusion : de la vision au succès

Le mythe de la continuité technologique

Défi n°1 : on ne peut pas remplacer l’un par l’autre

Défi n°2 : l’humain va voir l’IA comme une échappatoire

Défi n°3 : l’IA se comporte comme nous, elle vise l’objectif, pas les règles

Des solutions tangibles existent, mais elles demandent du courage managérial

La vraie question de gouvernance

Pour référence

Quand l’IA devient une externalisation invisible de compétences

Le piège de l’externalisation cognitive : la souveraineté de l’entreprise en jeu

Une vidéo pour rendre ces idées directement accessibles aux dirigeants

Vers une offre de « souveraineté IA d’entreprise » made in tebicom

L’emploi

La finance

La régulation

Conclusion