IA générative : une approche concrète
Le 25 juin dernier, nous avons réuni une cinquantaine de dirigeants et responsables IT romands au Food Lab pour un petit-déjeuner consacré à un sujet devenu incontournable : l'intelligence artificielle générative.
Au travers de démonstrations concrètes, nous avons répondu à une question que beaucoup d'entreprises se posent aujourd'hui : comment profiter des bénéfices de l'IA tout en protégeant ses données et en respectant le cadre suisse ?
l'IA oui, mais pas à n'importe quel prix !
Les outils d'IA générative offrent un potentiel considérable. Pourtant, l'utilisation de données personnelles ou sensibles dans des plateformes publiques soulève des questions importantes en matière de confidentialité et de conformité à la nLPD.
L'objectif n'est pas de renoncer à l'IA, mais de l'utiliser de manière responsable et maîtrisée.
démonstration 1 : anonymiser un fichier avant de le confier à une IA
Première démonstration, présentée par Guillaume : un outil d'anonymisation qui retire ou pseudonymise les données personnelles d'un fichier avant son envoi dans une IA.
Concrètement, sur un transcript de réunion ou un document métier, les noms, prénoms, adresses, identifiants et toute information directement identifiante sont remplacés par des marqueurs neutres (« Personne 1 », « Personne 2 », « Société A », etc.) avant que le fichier ne quitte votre environnement.
Le résultat ?
Vous gardez la structure et le sens du document : l'IA peut le traiter utilement.
Vous évitez le transfert non maîtrisé de données personnelles vers un fournisseur d'IA.
Vous documentez une mesure technique que la nLPD attend de vous quand vous traitez ce type de données.
Ce n'est pas une solution magique. C'est un garde-fou simple, souvent oublié, qui change radicalement votre exposition.
démonstration 2 : générer une déclaration fiscale à partir de documents
Deuxième démonstration, produire une déclaration fiscale exploitable à partir d'une base de documents, sur le cas d'un résident célibataire genevois.
L'intérêt de cette démo n'est pas le résultat final ; il est dans le chemin pour y arriver.
Nous avons volontairement commencé par un mauvais prompt : une question vague, sans contexte, sans format attendu. Le résultat est, sans surprise, médiocre : générique, incomplet, parfois faux. C'est exactement ce qui se passe quand un collaborateur ouvre un chatbot et lui jette un document en espérant une réponse miracle.
Puis nous avons reconstruit le prompt par couches successives :
→ Un rôle clair confié à l'IA (« vous êtes un assistant qui prépare une déclaration fiscale genevoise »)
→ Un contexte précis (situation du contribuable, canton, année fiscale, particularités)
→ Un format de sortie structuré et vérifiable
→ Des garde-fous explicites : ce que l'IA doit refuser de faire, ce qu'elle doit signaler comme incertain, ce qu'elle doit demander à l'utilisateur
À chaque itération, la qualité du résultat s'améliore visiblement. Ce qui ressort de la démo : un prompt fiable n'est pas un coup de chance, c'est une méthode. Et cette méthode est apprenable par n'importe quel collaborateur formé, sans compétence technique avancée.
C'est tout l'enjeu de la diffusion de l'IA en entreprise : sans cadre de prompt, vous obtenez du bruit. Avec un cadre simple et reproductible, vous obtenez un outil de productivité réel.
démonstration 3 : un transcript de réunion qui devient un PV structuré et une liste de tâches
Troisième démonstration, et probablement la plus parlante pour les dirigeants présents : transformer un transcript de réunion en livrables exploitables.
Le scénario était volontairement banal : la mise en place d'imprimantes chez un client (sans données sensibles). À partir du transcript anonymisé, nous avons importé le fichier dans un projet Claude doté d'une compétence dédiée « PV de réunion ».
En une opération :
→ un PV au format Word, propre, structuré, avec les points discutés, les décisions et les arbitrages,
→ une liste de tâches avec responsables et échéances, prête à être suivie.
L'intérêt de la démarche tient autant dans le résultat que dans la méthode : nous travaillons à ce que vos collaborateurs restent dans un environnement maîtrisé plutôt que de multiplier les interfaces et les copier-coller hasardeux. Moins d'outils ouverts = moins d'angles morts pour vos données.
C'est aussi ce sur quoi nous testons en parallèle des automatisations plus poussées, pour enchaîner ces étapes jusqu'au planificateur de tâches de vos collaborateurs. À suivre lors d'un prochain rendez-vous.
passez à l’action
Notre conviction : l'infrastructure ne suffit pas, la gouvernance non plus ; il faut les deux.
Au-delà des démos, la vraie question reste celle de la gouvernance : qui prompte quoi, avec quelles données, hébergées où, et accessibles par qui ?
C'est la feuille de route que nous déroulons chez okam. avec nos clients PME :
→ Anonymisation des flux sensibles avant tout traitement par une IA tierce
→ Choix d'outils dont l'hébergement et les conditions d'usage sont compatibles avec la nLPD
→ Intégration progressive dans les environnements de travail existants (Microsoft 365, gestion documentaire, planification)
→ Sensibilisation des collaborateurs aux bons gestes — parce qu'aucune technologie ne remplace une équipe qui sait ce qu'elle fait
L'IA souveraine et conforme n'est pas un slogan : c'est un chantier d'architecture, de gouvernance et de pédagogie. Nous l'abordons brique par brique, avec vous.
Le prochain petit déj' okam. sera l'occasion de revenir sur les avancées concrètes de cette feuille de route.
D'ici là, si l'un des sujets abordés résonne avec une réflexion en cours chez vous : anonymisation, gouvernance IA, intégration dans M365. Parlons-en.
Un grand merci aux okamiens qui ont animé cette matinée, à toutes celles et ceux qui ont fait le déplacement, et au Food Lab pour l'accueil.
→ Pour échanger sur votre contexte : www.okam.ch/contact