"Le principal enjeu est la qualité et la disponibilité de la donnée"
Créer sa propre solution d’IA permet à une entreprise d’optimiser ses processus et à renforcer l’efficience. À condition toutefois de disposer de données fiables, de bien définir les processus et de soigner la structure de son environnement de données, explique le Prof. Dr Evangelos Xevelonakis de la Haute école de gestion de Zurich.
Une large majorité des employés suisses (89%) se servent quotidiennement de l’intelligence artificielle. C’est ce qui ressort d’un sondage du cabinet de conseil EY publié en mai 2026. Un nombre croissant de PME développent par ailleurs leurs propres outils d’IA afin de travailler sur leurs cas d’usage de façon ciblée, rapide et efficace. Cette démarche peut les aider à réduire les coûts de certaines démarches ou leur éviter de recourir à de la sous-traitance parfois onéreuse. Le traitement des données reste toutefois essentiel dans le développement de modèles d’IA internes à l’entreprise efficaces et sûrs, comme le souligne Evangelos Xevelonakis, directeur du Certificate of Advanced Studies (CAS) Agile Business Engineering à la Haute école de gestion de Zurich (HWZ).
Comment une PME peut-elle intégrer l’IA à ces processus et avec quelles attentes?
Evangelos Xevelonakis: Les PME commencent généralement par utiliser des modèles fondamentaux existant comme Gemini, Claude, DeepSeek ou des modèles de MistralAI. Cela permet déjà de rédaction d’e-mails, et de rapports, le resumé de documents, la recherche documentaire et le contenu marketing, par exemple. Ensuite, les entreprises peuvent ensuite ajouter des connaissances propres à l'entreprise via la génération augmentée et la récupération de données et à l'intégration dans les processus de travail. Avec un budget de départ de 10'000 francs, une PME peut déjà échafauder une solution d’IA utile ou un prototype pour des cas d’usage précis. Finalement, on peut envisager des modèles d'IA dédiés ou sur mesure si la valeur commerciale est claire et que l'échelle économique de l’entreprise justifie l’investissement.
Comment développer des modèles d'IA propriétaires efficaces?
Xevelonakis: Le principal enjeu est la qualité et la disponibilité de la donnée. Les PME doivent d’abord s’assurer de l’exactitude, de la cohérence et de l’actualité des données sur lesquelles elles souhaitent baser leur solution d’IA propriétaire. Il s’agit ensuite de rassembler ces sources, généralement dispersées entre plusieurs systèmes (fichiers Excel, outils financiers, base marketing, retours clients, etc.) en un environnement de données structuré et accessible, par exemple au sein d’un «data mart», ou une base de données analytique centralisée. Ce type d’outils est aujourd’hui disponible en «open source» à des prix relativement modestes.
L'automatisation des processus fait souvent craindre une perte de contrôle sur les opérations. Ce risque est-il réel?
Xevelonakis: Oui. Automatiser un processus mal conçu revient tout simplement à automatiser l'erreur à plus grande échelle et plus rapidement qu'auparavant. Avant de songer à une automatisation robotisée, il faut donc s'assurer que le processus soit bien défini, stable et bien contrôlé, par exemple en cartographiant notamment la réalité du processus, ou, lorsque la donnée disponible est insuffisante, une fouille des données. La démarche permet de repérer et réparer les inefficiences, les failles et les éventuelles erreurs avant que l’automatisation soit lancée.
Vous dirigez un programme de formation continue au carrefour des affaires, de la donnée et des technologies. En quoi consiste-t-il?
Evangelos Xevelonakis: Le Certificate of Advanced Studies permet aux professionnels expérimentés issus des domaines du commerce, de l'informatique, du marketing, du contrôle de gestion ou des opérations d’acquérir une solide compréhension de l'analyse de données ou d’approfondir leurs connaissances en la matière. Les participants apprennent comment utiliser l’analyse de données et l’IA pour apporter des solutions concrètes aux problèmes de l’entreprise. Nous enseignons comment repérer et définir les besoins de l’entreprise, les transformer en exigences claires et à déterminer à quel stade les données et l’IA peuvent créer une valeur mesurable. Certains apprennent aussi à préparer une analyse des données, développer des solutions basées sur l’IA. Les cas traités couvrent des domaines très variés: la banque et l'assurance, le ciblage marketing, la maintenance prédictive, ou encore l’exploration de processus (aussi appelée "process mining"), qui sert à analyser le déroulement réel d'un processus d'entreprise à partir des données déjà enregistrées dans les systèmes informatiques. Plusieurs projets ont ensuite été retenus pour une mise en œuvre concrète par l'entreprise.
Quelle application concrète a par exemple été développée récemment?
Xevelonakis: Nous avons mené un projet d'analyse pour une entreprise qui recevait de nombreux retours non structurés de ses clients. Le défi consistait à exploiter cette masse de texte brut, difficile à interpréter avec des méthodes classiques. Nous avons combiné des méthodes traditionnelles d’apprentissage et de traitement automatique du langage naturel (TALN) pour structurer et analyser les données, et de l’IA générative afin d’interpréter les résultats. Cette combinaison a rendu les processus de l'entreprise beaucoup plus efficaces.
Nous mobilisons différents outils, par exemple, Python et des plateformes low-code, ainsi que des modèles d’IA générative comme DeepSeek, des modèles de MistralAI ou encore ChatGPT pour vérifier le code et repérer les éventuelles erreurs. En cas de recours à des services d’IA externes, nous n’utilisons que du code non confidentiel, ou anonymisé, ce qui minimise le risque pour la protection des données.
La protection des données reste un enjeu central en matière d’IA. Comment la garantir?
Xevelonakis: Les entreprises doivent respecter les réglementations suisses en matière de transparence et de confidentialité des données. Elles peuvent par exemple faire appel à des prestataires de solutions «cloud», tout en garantissant par contrat que les données restent hébergées en Suisse. Chaque garantie supplémentaire a toutefois un coût, car elle limite la capacité disponible chez le prestataire. Il est aussi possible d’héberger localement des modèles pré-entraînés (comme des modèles de MistralAI, Llama ou encore Apertus, ndlr.) et de les combiner avec les données internes de l'entreprise, par exemple au moyen d’une architecture RAG hybride. Le niveau de protection approprié dépend principalement de la sensibilité des données et du secteur concerné. Le niveau de protection approprié dépend principalement de la sensibilité des données et du secteur concerné. Une banque ou une compagnie d’assurance a naturellement des exigences de confidentialité plus strictes qu’un petit commerçant local.
