IA pour PME en Suisse romande : usages utiles et limites

L'IA arrive souvent par une démo, rarement par un problème clair

Vous l'entendez à chaque rendez-vous, dans chaque newsletter, dans les offres de fournisseurs : « l'IA va tout changer ». Un prestataire vous propose un « agent intelligent », un autre un « copilote », un troisième arrive avec des slides magnifiques, un budget à 80'000 CHF et pas un seul chiffre de résultat.

Vous n'êtes ni un geek, ni un naïf. Vous dirigez une entreprise de quinze personnes, et votre vraie question tient en une ligne : est-ce que ce truc peut me faire gagner du temps, oui ou non — et lequel exactement ?

Le bruit est tel qu'on ne sait plus où regarder. Cet article fait le tri à votre place, vu du terrain romand : ce qui marche vraiment dans une petite structure, ce qui reste du vent pour une PME, et la manière de démarrer sans se faire avoir.

Ce qui marche vraiment avec l'IA en PME

Le fil rouge de tout ce qui suit : l'IA s'attaque à une tâche précise, répétitive, avec quelqu'un qui valide à la fin. Aucune magie là-dedans. Du temps récupéré, mesurable.

Lire et extraire des documents

C'est, de loin, le gain le plus tangible. Une facture fournisseur, un contrat, un devis, un bon de livraison : l'IA lit le document, en sort les données utiles (montant, date, numéro TVA, fournisseur, échéance) et les range au bon endroit.

Prenez une régie qui reçoit deux cents factures de charges par mois, un bureau d'architectes qui doit extraire les postes d'une soumission, une fiduciaire qui ressaisit des justificatifs à longueur de journée. Dans chaque cas, la saisie manuelle passe de plusieurs heures à quelques minutes de relecture. C'est le même levier que celui qu'on détaille dans notre guide sur l'automatisation de la comptabilité en Suisse.

Mini-cas réaliste : une PME de négoce traite environ 180 factures fournisseurs par mois. Avant, deux personnes passaient près de 7 heures à relever montants, dates, fournisseurs et échéances. Avec extraction automatique puis validation humaine, le contrôle prend 1 h 30 à 2 h, et les erreurs de recopie chutent parce que la donnée n'est saisie qu'une fois.

Rédiger et synthétiser

L'IA n'écrit pas à votre place. Elle vous enlève la page blanche. Un premier jet d'offre commerciale, un compte-rendu de séance tiré de vos notes, le résumé d'un rapport de quarante pages, la reformulation d'un courrier en allemand pour un client de Berne. Vous corrigez, vous validez, vous gardez la main. Sur tout ce qui est rédactionnel et récurrent, le temps grappillé s'additionne vite.

Le support et la FAQ interne

Quand vos procédures, votre documentation et vos anciens échanges sont éparpillés sur trois disques et dans la tête de deux personnes, une IA bien configurée devient un moteur de recherche qui répond en français. « Quelle est notre marche à suivre pour un retour de marchandise ? » Le nouveau collaborateur a sa réponse en dix secondes au lieu d'aller déranger un collègue. Utile en interne, là où une réponse imparfaite ne coûte rien de grave.

Classer et trier des données

Trier des centaines d'emails entrants par type de demande, catégoriser des tickets, ranger des candidatures, étiqueter des avis clients. Ce sont des tâches mécaniques que personne n'aime faire et que l'IA traite en continu, sans fatigue ni baisse de régime.

Deuxième mini-cas : un service après-vente reçoit 80 à 120 emails par jour. L'IA distingue les urgences, les demandes de devis, les garanties et les questions administratives, puis prépare le bon classement. Le temps de tri descend d'environ 45 minutes par jour à moins de 10 minutes de contrôle, et les demandes urgentes ne restent plus coincées au milieu des messages ordinaires.

Analyser les données que vous avez déjà

Vous avez des années d'historique de ventes, de fréquentation, de stock qui dorment quelque part. L'IA aide à y lire des tendances : quels produits partent ensemble, quelle saisonnalité réelle, quels clients sont en train de décrocher. On ne lit pas dans une boule de cristal — on travaille sur du concret, du chiffre que vous possédez déjà. C'est le sujet qu'on creuse dans notre article sur la data science pour les entreprises suisses.

Ce qui déçoit souvent dans une PME

Maintenant, la partie que les vendeurs préfèrent éviter.

Le chatbot « qui remplace une personne ». Sur du support de première ligne, des questions simples et répétitives, un assistant tient la route. Mais le bot qui gère seul un client mécontent, négocie un délai ou rattrape un cas tordu reste peu fiable en production aujourd'hui, et il le restera un moment. Un chatbot qui répond à côté abîme votre image plus sûrement qu'une boîte mail un peu lente.

L'« agent autonome » qui gère tout seul. La démo est bluffante. En production, sur vos vrais processus et vos vrais cas particuliers, l'autonomie totale finit par déraper. Sur un sujet qui engage votre responsabilité, retirer le contrôle humain, c'est acheter un problème à crédit.

L'IA branchée sur des données sales ou inexistantes. C'est l'erreur la plus chère. Si vos données vivent entre trois Excel, un vieux logiciel et la mémoire de votre comptable, aucune IA ne fera de miracle. Ce que vous lui donnez en désordre, elle vous le ressort en désordre.

Le projet à 80'000 CHF avant le moindre résultat. Quand on vous propose un chantier de six mois « pour transformer l'entreprise par l'IA » sans un seul résultat mesurable au bout de quatre semaines, méfiance. Une PME n'a pas à financer la courbe d'apprentissage de son prestataire.

La règle Altinova : un processus, pas « l'IA »

Notre conviction tient en une phrase : on ne déploie pas « de l'IA », on règle un processus précis et mesurable.

« On va mettre de l'IA dans l'entreprise » ne veut rien dire. « On veut diviser par trois le temps de saisie des factures fournisseurs » est un objectif. On le chiffre avant, on le mesure après, on sait si ça a marché.

Et il y a une question qu'on pose toujours en premier, parce qu'en Suisse elle bloque plus de projets qu'elle n'en débloque : où vont vos données ?

La nLPD, avant tout le reste

Envoyer des factures clients, des contrats ou des dossiers RH à un modèle d'IA, c'est confier des données personnelles à un sous-traitant. La nouvelle loi sur la protection des données (nLPD, en vigueur depuis septembre 2023) encadre précisément ce point. Concrètement, trois questions avant de brancher quoi que ce soit :

Où tourne le modèle ? Une API grand public envoie souvent vos données aux États-Unis. Pour des données sensibles, on privilégie un hébergement en Suisse ou dans l'UE, voire un modèle qui tourne sur votre propre infrastructure.
Le sous-traitant est-il sous contrat ? La nLPD vous oblige à encadrer la sous-traitance. Pas de fournisseur d'IA sérieux sans contrat de traitement des données et garanties écrites.
Quelles données ont vraiment besoin de partir ? Souvent, on peut anonymiser ou masquer ce qui est sensible avant que ça ne quitte la maison.

Une fiduciaire ou une régie qui ignore ces trois points achète un risque juridique en croyant gagner du temps. C'est exactement le genre de garde-fou qu'on cadre dès le départ, et qu'on détaille dans notre article sur la nLPD et la conformité d'un site web.

Données propres, humain dans la boucle

Une fois le cadre légal posé, deux principes : la donnée doit être rangée avant d'être automatisée, et un humain valide ce qui engage l'entreprise. Mettre de l'ordre dans les données représente souvent la moitié du travail. C'est moins spectaculaire qu'une démo de chatbot, mais c'est ce qui sépare un outil qui tient des années d'un gadget abandonné au bout d'un mois. Quand c'est la donnée elle-même qui coince, on passe par notre service d'analyse de données pour la remettre d'aplomb avant d'aller plus loin.

L'IA en PME : combien ça coûte et en combien de temps

Oubliez le grand projet d'un an. Pour une PME, la bonne approche, c'est le prototype.

On prend un processus, un seul. On construit une première version en deux à quatre semaines. On la teste sur vos vrais documents, pas sur une démo arrangée. Vous voyez le résultat avant d'engager quoi que ce soit de lourd. Si ça gagne du temps, on consolide et on passe à l'échelle. Si ça ne tient pas ses promesses, vous l'avez su pour un budget modeste, et vous décidez en connaissance de cause.

C'est petit, mesuré, et contrôlé par les personnes qui connaissent le métier. À nos yeux, c'est la seule façon saine d'aborder l'IA quand on n'a pas un département R&D sous la main. La logique est la même que pour nos projets d'automatisation : un pas après l'autre, chiffres à l'appui.

Quand l'IA n'est pas la réponse

Et puis il y a les fois où l'IA n'apporte rien de plus.

Parfois, un bon tableur bien construit règle le problème. Parfois, une automatisation toute bête suffit largement : un email qui part automatiquement, deux outils qu'on relie, une règle de tri. Aucun modèle d'IA là-dedans. Mettre de l'IA là où un script de dix lignes ferait l'affaire, c'est se compliquer la vie et la facture pour rien.

On le dira quand c'est le cas. Ça nous coûte une vente de temps en temps, et ça évite surtout de poser un outil lourd là où une automatisation simple suffisait.

L'IA n'est pas la baguette magique des conférences. Ce n'est pas non plus une mode qu'on peut ignorer. C'est un outil parmi d'autres, excellent sur certaines tâches, à côté de la plaque sur beaucoup d'autres. Tout se joue dossier par dossier — pas en slogan, et certainement pas sur une planche de slides.

Vous avez un processus candidat ? Écrivez-nous avec trois exemples réels — une facture, un email, un document anonymisé — et on vous répond avec le test IA le plus court à mener, ou la raison de ne pas en faire.