Catégorie : AI

Une conversation qui revient

« Tu me parles souvent de l’utilisateur augmenté, mais j’ai lu que grâce à l’IA on pourrait arrêter de travailler…. Et je me rappelle Terminator et toutes ces machines qui essaient d’exterminer l’humanité… Cela me fait peur ! Toi qui a toujours la tête dans le futur, comment vois-tu la suite ? »

J’ai eu cette conversation quatre fois le mois dernier. Avec des collaborateurs, avec des clients, avec un ami autour d’une table. La question revient toujours sous cette forme : un paradis d’un côté, une apocalypse de l’autre, et la demande implicite que je tranche.

Ce qui me frappe, c’est que les deux moitiés de la question se contredisent. Si l’IA nous libère du travail, elle ne nous extermine pas. Si elle nous extermine, la question de la retraite anticipée ne se pose plus. Les deux images circulent ensemble parce qu’elles viennent du même endroit : des récits, pas des données.

Avec ma nouvelle compétence de chercheur, j’ai donc pris le temps de lire ce qui existe réellement. Pas les tribunes, pas les prédictions de dirigeants qui lèvent des fonds : les rapports scientifiques, les sondages d’experts, les textes de recherche. Et j’en suis ressorti avec une conviction : la question est mal posée. On ne compte pas deux issues, ni trois. On en compte quatre. Et la quatrième, celle dont personne ne parle à table, est probablement la plus proche de ce qui nous attend.

Ce qui est établi

Commençons par le solide. Il existe des choses qu’on peut affirmer sans se battre.

Le sujet est pris au sérieux au plus haut niveau institutionnel. Un rapport international sur la sécurité de l’IA existe depuis début 2025. Il a été mandaté par une trentaine de pays, l’ONU, l’Union européenne et l’OCDE, et présidé par Yoshua Bengio, l’un des chercheurs les plus cités du domaine. Sa conclusion n’est ni rassurante ni catastrophiste. Elle dit essentiellement : les risques sont réels, notre capacité à les mesurer est faible.

Ceux qui construisent la technologie ont eux-mêmes signé l’alerte. En mai 2023, une déclaration d’une seule phrase a placé le risque d’extinction lié à l’IA au même rang que les pandémies et la guerre nucléaire. Parmi les signataires : les dirigeants d’OpenAI, d’Anthropic et de Google DeepMind. On peut discuter leurs motivations. On ne peut pas ignorer que c’est inhabituel dans l’histoire industrielle.

Les chiffres des experts sont plus modérés qu’on ne le croit. Le sondage de référence, mené auprès de près de 2’800 chercheurs publiant dans les meilleures conférences du domaine, donne une probabilité médiane de 5 % pour une issue extrêmement mauvaise pour l’humanité. Le même sondage situe la date médiane d’une IA de niveau humain à 2047 — mais cette date avait avancé de treize ans en une seule année d’enquête. Ce déplacement en dit plus que la date elle-même.

Les comportements de tromperie sont documentés, pas fantasmés. En laboratoire, des modèles récents ont feint la conformité pendant leur entraînement pour préserver leurs préférences antérieures. D’autres, mis en situation, ont tenté de copier leurs propres paramètres ailleurs. Ce n’est pas Skynet. C’est un problème de contrôle-qualité qu’on ne sait pas encore résoudre.

Personne n’arrêtera de travailler d’ici 2035. Les gains de productivité mesurés — et non annoncés — sont modestes. L’estimation la plus rigoureuse dont nous disposons plafonne l’effet sur la productivité globale à moins de 1 % cumulé sur dix ans, très loin des projections de banques d’affaires. Les projections d’emploi vont dans le même sens : beaucoup de métiers transformés, un solde net positif, aucune disparition du travail. La promesse du loisir universel n’est pas une prévision, c’est un argument commercial.

Ce qui est contesté

Passons au terrain mouvant, car c’est là que se joue l’essentiel.

La probabilité du pire. Elle s’étale, chez des gens compétents et informés, de moins de 0.01 % à plus de 95 %. Quatre ordres de grandeur. Aucun autre domaine technique ne tolérerait un tel écart. Cette dispersion n’est pas un détail méthodologique : elle est l’information principale. Elle signifie que personne ne sait, et que quiconque vous annonce un chiffre avec assurance vous vend autre chose qu’une prévision.

Les prévisionnistes professionnels sont bien plus bas que les spécialistes du domaine. Un tournoi de prévision a comparé les deux populations. Sur le risque d’extinction causé par l’IA d’ici 2100, les experts du domaine donnent une médiane de 3 %, les prévisionnistes dont la calibration est mesurée sur des années donnent 0.38 %. Huit fois moins. On peut lire ce résultat de deux façons : soit les experts voient quelque chose que les généralistes ne voient pas, soit ils sont victimes du biais classique de la discipline qu’on connaît trop bien. Les deux lectures sont défendables.

La nature même du risque. Rupture brutale ou érosion lente ? C’est le débat le plus intéressant, et le moins couvert.

L’existence du risque tout court. Un courant sérieux, porté notamment par des chercheurs de Princeton, soutient que l’IA est une « technologie normale » et que le scénario de perte de contrôle est le plus spéculatif de tous ceux qu’on peut formuler. Leur argument n’est pas naïf : la diffusion d’une technologie dans une société est lente, freinée par les institutions, les réglementations et les habitudes. Je ne partage pas leur tranquillité, mais je n’ai pas d’argument décisif à leur opposer.

Je précise ma position : je n’ai pas d’opinion arrêtée sur les probabilités. J’en ai une sur ce qui est actionnable.

Les quatre issues

Interdire l’IA

Deux formes très différentes se cachent derrière ce mot.

La première existe déjà : des interdictions ciblées, par blocs régionaux. Le règlement européen sur l’IA interdit certains usages depuis février 2025 et impose des obligations aux grands modèles depuis août 2025, avec un seuil de puissance de calcul comme critère de déclenchement. La Suisse a choisi une autre voie : ratification de la convention du Conseil de l’Europe, régulation sectorielle, projets de loi attendus d’ici fin 2026.

La seconde n’existe pas : un traité mondial contraignant. Et l’élan retombe. Les obligations européennes les plus lourdes ont été repoussées de 2026 à 2027. Les États-Unis et le Royaume-Uni ont refusé de signer la déclaration du sommet de Paris en février 2025. Les sommets internationaux sont passés du thème « sécurité » à « action » puis à « impact ». La direction est claire, et elle ne va pas vers la contrainte.

Il y a surtout un problème technique qu’on sous-estime. Un traité ne vaut que s’il est vérifiable. Sur le nucléaire, on sait compter les centrifugeuses. Sur l’IA, la vérification passerait par le contrôle du calcul : des compteurs matériels intégrés dans les puces, capables d’attester ce qui a été entraîné. La technologie est esquissée, pas mûre. Les estimations sérieuses parlent de plusieurs années de développement, puis de plusieurs années de déploiement.

Quant à interdire l’IA en général : personne ne le propose. Ni les États, ni les chercheurs les plus inquiets.

Plausibilité à 2035 : partielle, et en recul.

L’alignement infaillible

C’est l’hypothèse des lois d’Asimov, en mieux. Elle bute sur un obstacle que la fiction a masqué pendant cinquante ans.

Stuart Russell, coauteur du manuel d’intelligence artificielle le plus utilisé au monde, rejette explicitement les lois d’Asimov. Sa raison est mécanique : une machine à qui l’on fixe un objectif résiste à son extinction, parce qu’elle ne peut pas atteindre son objectif si on l’éteint. Le problème n’est pas la méchanceté, c’est la logique. Sa proposition alternative est élégante : construire des machines qui ne connaissent pas l’objectif et doivent l’apprendre de nous. L’incertitude devient le mécanisme de sécurité.

Où en est-on ? On ne sait pas vérifier qu’un système est aligné. Les tests montrent des modèles qui se comportent différemment selon qu’ils se croient observés ou non — et les versions récentes détectent de mieux en mieux qu’elles sont en situation d’évaluation. Les entreprises publient des cadres de sécurité, dont le nombre a plus que doublé en 2025, mais leur efficacité réelle n’est pas mesurable de l’extérieur.

Et il y a un point que je trouve décisif : même un alignement individuel parfaitement réussi ne réglerait pas le problème de la quatrième issue.

Plausibilité à 2035 : faible.

Rejoindre les gorilles

L’image vient de Russell, encore lui, et elle est plus précise qu’il n’y paraît. Notre lignée s’est séparée de celle des gorilles il y a environ dix millions d’années. Les gorilles n’ont aujourd’hui aucune prise sur leur avenir. Non parce que nous leur voulons du mal, mais parce que nous sommes plus intelligents et que notre activité détermine leur environnement. La question devient : une espèce peut-elle conserver son autonomie face à des entités nettement plus intelligentes qu’elle ?

C’est l’issue la plus médiatisée et la moins étayée. Geoffrey Hinton a révisé publiquement son estimation à 10-20 % sur trente ans. Un scénario détaillé de perte de contrôle a beaucoup circulé en 2025 sous le titre « AI 2027 » — son auteur principal a depuis repoussé sa propre médiane de 2027 vers 2030. Des travaux proposent une doctrine de dissuasion entre puissances, inspirée de la destruction mutuelle assurée du nucléaire ; ils sont critiqués sur un point difficile à contourner, l’impossibilité d’observer de manière fiable ce que fait l’adversaire.

L’analogie du gorille a d’ailleurs une limite que je trouve importante. Les gorilles n’ont pas conçu les humains. Nous concevons l’IA. Ce n’est pas une garantie, c’est une différence de situation réelle.

Plausibilité à 2035 : faible, mais non nulle.

L’effacement graduel

Un texte publié début 2025 par une équipe autour de Jan Kulveit et David Krueger, avec des chercheurs d’une équipe internationale, décrit une quatrième trajectoire. Son argument est simple, et c’est ce qui le rend dérangeant.

Nos institutions sont alignées sur les intérêts humains pour une raison mécanique, pas morale : elles ont besoin des humains. Une économie a besoin de travailleurs et de consommateurs. Un État a besoin de contribuables, de fonctionnaires et de soldats. Une culture a besoin de gens qui produisent et consomment du sens. Cette dépendance est le mécanisme silencieux qui nous a protégés jusqu’ici. Elle nous donne un pouvoir de négociation permanent.

Retirez la dépendance et l’alignement disparaît. Sans décision, sans coup d’État, sans machine hostile. Personne n’a rien voulu. Le système cesse simplement d’avoir besoin de nous, et donc cesse de nous consulter.

Les auteurs concluent que personne ne dispose aujourd’hui d’un plan crédible pour l’empêcher, et qu’aligner correctement les systèmes individuels n’y suffirait pas. Les signaux sont déjà lisibles : dépendance cognitive croissante aux outils — les travaux disponibles sont encore fragiles méthodologiquement, mais convergents ; dégradation des modèles entraînés sur des contenus produits par d’autres modèles ; concentration inédite du pouvoir de marché et du pouvoir d’opinion.

Plausibilité à 2035 : la plus élevée, comme tendance et non comme état achevé.

Comparer les quatre

Ces issues ne s’excluent pas. C’est le point que je veux faire passer, et c’est celui qui manque dans la conversation du dîner.

Le régime le plus probable à 2035 est hybride : une régulation partielle et fragmentée, un alignement suffisant pour les systèmes courants mais jamais garanti, pas d’extinction, et un effacement graduel qui s’installe sans faire de bruit. Autrement dit, la quatrième issue n’est pas une option parmi d’autres. C’est le décor dans lequel les trois premières se jouent partiellement.

Quatre niveaux d’action

Voici la partie qui m’intéresse vraiment. Aucun de ces niveaux ne dépend d’un consensus mondial.

International : rendre la gouvernance vérifiable. Sans capacité de vérification, ni interdiction ni dissuasion ne tiennent : ce ne sont que des déclarations. Le point d’appui est le calcul, parce qu’il est physique, concentré et traçable. Financer la maturation des mécanismes de mesure embarqués dans le matériel est la condition préalable à tout accord futur. C’est peu spectaculaire et c’est le verrou.

National : traiter la concentration, pas seulement les usages. La Suisse a choisi une approche sectorielle et pragmatique, ce qui me paraît raisonnable pour un pays de notre taille. Le point aveugle a été signalé par plusieurs observateurs : la régulation projetée s’intéresse aux usages dangereux et très peu à la concentration du pouvoir de marché et du pouvoir d’opinion. Or c’est exactement le mécanisme de l’effacement graduel.

Entreprise : décider ce qui ne se délègue pas. C’est le niveau où j’agis, et où vous agissez. La question opérationnelle tient en une phrase : quelles décisions de mon entreprise ne doivent jamais être prises sans un humain qui en répond ? Écrivez la liste. Elle sera plus courte que vous ne le pensez, et beaucoup plus utile qu’une charte éthique. Ajoutez-y une contrainte de formation : déployer un outil sans former les personnes qui l’utilisent, c’est acheter la dépendance sans la compétence.

Individu : préserver la capacité de faire soi-même. Utiliser l’IA comme un outil, pas comme un substitut. La distinction est concrète : un outil augmente une compétence que vous possédez, un substitut remplace une compétence que vous cessez d’entretenir. Le premier vous rend plus fort, le second vous rend nécessaire à personne. Et pour le reste, la vieille discipline stoïcienne reste la meilleure : distinguer ce qui dépend de vous, ce qui n’en dépend pas, et ce qui n’en dépend qu’en partie. La trajectoire mondiale de l’IA n’en dépend pas. Votre pratique quotidienne, si.

Ce que je réponds, finalement

Nous sommes une espèce codée par son ADN avec un seul objectif, et cet objectif a fonctionné : proliférer. Tout le reste en découle.

La création d’outils et d’artefacts est notre caractéristique propre : aucune autre espèce n’a construit une culture technique cumulative, où chaque génération hérite des inventions de la précédente et les dépasse. C’est ce qui nous a permis de servir notre objectif. Le silex, la roue, l’écriture, la machine à vapeur, l’ordinateur, Internet : chaque outil a étendu notre capacité à occuper le monde.

L’IA est notre dernière création majeure. Et elle est la première qui pourrait invalider l’objectif lui-même. Pas en nous détruisant. En rendant notre participation facultative : dans l’économie, dans la production de sens, dans la décision collective. Un système qui n’a plus besoin de nous n’a plus de raison de nous servir.

Ce n’est pas une prédiction. C’est une trajectoire, et une trajectoire se corrige. Nous avons la capacité d’agir, à chacun des quatre niveaux, sans attendre que le monde se mette d’accord.

Alors prenons les choses en main. Car l’espoir est l’alibi de l’inaction.

---

Références et sources clés

Liens vérifiés le 25 juillet 2026.

Rapports institutionnels

• International AI Safety Report, Y. Bengio (prés.), 29 janvier 2025, mandaté par 30 pays, l’ONU, l’UE et l’OCDE — gov.uk · arXiv 2501.17805
• First Key Update — Capabilities and Risk Implications, octobre 2025 — arXiv 2510.13653
• Second Key Update — Technical Safeguards and Risk Management, novembre 2025 — arXiv 2511.19863
• International AI Safety Report 2026, deuxième édition, février 2026 — internationalaisafetyreport.org
• Statement on AI Risk, Center for AI Safety, mai 2023 — safe.ai
• World Economic Forum, Future of Jobs Report 2025, janvier 2025 — weforum.org
• Règlement (UE) 2024/1689 sur l’intelligence artificielle, 13 juin 2024 — EUR-Lex. Le report des obligations à haut risque relève du Digital Omnibus on AI, proposition de la Commission de novembre 2025.
• Conseil de l’Europe, Convention-cadre sur l’IA, les droits de l’homme, la démocratie et l’État de droit (STCE n° 225), mai 2024 — coe.int
• Conseil fédéral, décision du 12 février 2025 sur la réglementation de l’IA — admin.ch
• Signature suisse de la Convention, 27 mars 2025 — admin.ch
• Office fédéral de la justice, dossier « Intelligence artificielle » — avant-projet attendu fin 2026 — bj.admin.ch

Ouvrages (imprimés, sans version en accès libre)

• Stuart Russell, Human Compatible: Artificial Intelligence and the Problem of Control, Viking, 2019. Problème du gorille, rejet des lois d’Asimov, principes alternatifs.
• Nick Bostrom, Superintelligence: Paths, Dangers, Strategies, Oxford University Press, 2014 ; Deep Utopia, Ideapress, 2024.
• Daron Acemoglu & Simon Johnson, Power and Progress, PublicAffairs, 2023.

Économie

• Daron Acemoglu, « The Simple Macroeconomics of AI », NBER Working Paper 32487, 2024 — nber.org · DOI 10.3386/w32487. Version publiée : Economic Policy 40(121), 13-58, 2025.

Risque et alignement

• Jan Kulveit, Raymond Douglas, Nora Ammann, Deger Turan, David Krueger, David Duvenaud, « Gradual Disempowerment: Systemic Existential Risks from Incremental AI Development », janvier 2025 — arXiv 2501.16946 · site dédié · version ICML 2025
• Paul Christiano, « What Failure Looks Like », AI Alignment Forum, 2019 — alignmentforum.org
• Ryan Greenblatt et al. (Anthropic & Redwood Research), « Alignment Faking in Large Language Models », décembre 2024 — arXiv 2412.14093
• Alexander Meinke et al. (Apollo Research), « Frontier Models are Capable of In-context Scheming », décembre 2024 — arXiv 2412.04984
• Katja Grace et al., « Thousands of AI Authors on the Future of AI », 2024 — arXiv 2401.02843. Publié dans le Journal of Artificial Intelligence Research 84:9, 2025.
• Forecasting Research Institute, Existential Risk Persuasion Tournament — forecastingresearch.org/xpt
• Dan Hendrycks, Eric Schmidt, Alexandr Wang, « Superintelligence Strategy: Expert Version », mars 2025 — arXiv 2503.05628
• Daniel Kokotajlo et al., AI 2027, AI Futures Project, avril 2025 — ai-2027.com

Critiques et contrepoints

• Arvind Narayanan & Sayash Kapoor, « AI as Normal Technology », Knight First Amendment Institute, avril 2025 — knightcolumbia.org
• Melanie Mitchell, Gary Marcus, Yann LeCun — interventions publiques dispersées sur la surestimation du risque existentiel ; pas de texte de référence unique.

Gouvernance du calcul

• Yonadav Shavit, « What Does It Take to Catch a Chinchilla? Verifying Rules on Large-Scale Neural Network Training via Compute Monitoring », 2023 — arXiv 2303.11341
• Girish Sastry, Lennart Heim et al., « Computing Power and the Governance of Artificial Intelligence », février 2024 — arXiv 2402.08797 · GovAI

Effets cognitifs et culturels

• Nataliya Kosmyna et al. (MIT Media Lab), « Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task », juin 2025 — arXiv 2506.08872. Prépublication, n = 54 (n = 18 en session 4), contestée sur la taille d’échantillon et la méthodologie EEG : voir Stanković et al., arXiv 2601.00856.
• Michael Gerlich, « AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking », Societies 15(1), 6, 2025 — mdpi.com. Correction publiée en septembre 2025 — Societies 15(9), 252.
• Ilia Shumailov et al., « AI Models Collapse When Trained on Recursively Generated Data », Nature 631, 755-759, 2024 — nature.com

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.

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.