Former ses équipes à l'intelligence artificielle : ce que la pratique installée appelle

Note refondue le 25 mai 2026. Article initialement publié en février 2026 — refonte intégrale.

L'intelligence artificielle générative est désormais accessible à tous les collaborateurs d'une entreprise via de nombreux outils grand public et professionnels. Cette accessibilité a déclenché un mouvement spontané d'adoption. Elle a aussi révélé un écart croissant entre les organisations qui déploient des licences sans accompagnement et celles qui structurent une montée en compétence de leurs équipes. Cet écart ne se joue pas dans la technologie. Il se joue dans la qualité du dispositif de formation.

Cette note expose la mécanique observable de cette différence, identifie les phases d'une montée en compétence sérieuse, et qualifie ce que les PME suisses gagnent à clarifier dans leur approche.

Pourquoi la non-formation produit un coût qu'on ne voit pas

Dans une entreprise qui acquiert des licences d'outils alimentés par modèles génératifs sans accompagnement structuré, trois phénomènes s'installent en quelques mois.

Le taux d'adoption observé reste bas. Sur les déploiements suivis dans la pratique de cabinet, une part minoritaire des collaborateurs — typiquement ceux qui avaient déjà exploré ces outils à titre personnel — utilisent les licences de manière régulière. La majorité essaie une ou deux fois, n'identifie pas comment intégrer l'outil dans son travail, et revient à ses pratiques antérieures. Le ROI des licences acquises reste théorique.

L'usage parallèle d'outils non encadrés s'installe en sous-main. Les collaborateurs qui ont identifié une valeur opérationnelle aux outils alimentés par modèles, et qui ne disposent pas d'un cadre d'usage clair en interne, contournent les politiques de l'entreprise en utilisant les versions gratuites ou personnelles de ces outils. Cette pratique — souvent désignée par le terme shadow AI — produit des risques de conformité réels : transfert non documenté de données personnelles ou confidentielles vers des services tiers, usage non encadré dans des contextes où l'entreprise porte une responsabilité légale.

La confusion s'installe sur la pertinence des outils. Les collaborateurs qui ont fait des expériences décevantes — réponses imprécises, hallucinations non détectées, productions à corriger laborieusement — concluent que l'outil n'est pas utile, alors que c'est l'usage qui n'était pas approprié. Cette conclusion durcit la résistance au changement, parfois durablement.

Aucun de ces phénomènes ne se mesure facilement dans les états financiers de l'entreprise. Tous se révèlent à moyen terme, quand la concurrence ayant structuré son adoption affiche une productivité que l'organisation non formée n'arrive pas à atteindre.

Trois profils de collaborateurs à reconnaître avant de former

La pratique observable distingue trois profils de collaborateurs face aux outils alimentés par modèles. Cette distinction est utile au cadrage initial d'un programme de formation parce qu'une démarche identique pour tous échoue régulièrement.

Les collaborateurs déjà autonomes constituent une minorité. Ils ont exploré les outils à titre personnel, identifié des cas d'usage productifs, et utilisent désormais ces outils dans leur travail quotidien, parfois sans que la direction le sache. Leur rôle dans la formation est d'agir comme relais opérationnels auprès de leurs pairs, sous condition que cette contribution soit reconnue par l'organisation.

Les collaborateurs curieux constituent la part centrale. Ils ont entendu parler des outils, peut-être testé une ou deux fois, mais ils n'ont pas identifié comment les intégrer dans leurs tâches quotidiennes. Ce profil bénéficie le plus directement d'une formation structurée qui montre, sur leurs propres cas, comment passer de l'expérimentation occasionnelle à l'usage régulier.

Les collaborateurs réticents constituent la part qui demande la plus d'attention. Leur réticence n'est pas irrationnelle — elle s'appuie souvent sur des craintes sur l'emploi, sur la qualité des résultats produits, ou sur le sens du travail à venir. Traiter ces craintes avec sérieux, plutôt que les balayer par des argumentaires d'efficience, est constitutif d'une formation qui atteint l'ensemble de l'équipe et non seulement ceux qui s'y prêtaient déjà.

La cartographie de ces profils, par un questionnaire bref et anonyme, constitue généralement la première étape d'un programme sérieux.

Trois phases d'une montée en compétence sérieuse

Au-delà de la cartographie initiale, une montée en compétence structurée se déploie en trois phases successives.

La sensibilisation d'abord. Cette phase pose le cadre commun : ce que les outils alimentés par modèles font et ne font pas, comment ils fonctionnent dans leurs grandes lignes, quels sont les cas d'usage opérationnels typiques pour le métier de l'entreprise, quelles sont les bonnes pratiques de confidentialité et de conformité. Cette phase ne demande pas une expertise technique des participants. Elle se conduit collectivement, en deux ou trois sessions courtes, et elle aligne l'équipe sur une vision commune.

La pratique guidée ensuite. Cette phase est la plus structurante. Elle consiste à faire pratiquer les outils sur des cas réels de l'entreprise, dans un cadre où les collaborateurs peuvent essayer, échouer, ajuster, sans risque pour leurs résultats opérationnels. Les ateliers par métier — un format pour les fonctions marketing, un pour les fonctions finance, un pour les fonctions techniques — permettent une montée en compétence ciblée. La pratique enseigne ce que la théorie ne peut transmettre : la formulation des prompts, la vérification des résultats, l'intégration dans le flux de travail existant.

L'autonomie progressive complète la séquence. Cette troisième phase consiste à laisser les collaborateurs identifier eux-mêmes les cas d'usage dans leurs propres tâches, à organiser des sessions de partage entre pairs pour diffuser les pratiques qui fonctionnent, à construire une bibliothèque de prompts interne qui capitalise les approches éprouvées. Cette phase ne se conduit pas en mode formation classique — elle se conduit en mode communauté de pratique, sur une durée plus longue.

Quatre niveaux de compétence à structurer

Au-delà des phases temporelles, la structuration d'une compétence durable s'appuie sur quatre niveaux progressifs, applicables à tout métier.

Le niveau découverte correspond à la compréhension des principes : ce qu'est un modèle de langage, comment il produit ses réponses dans les grandes lignes, ce qui en distingue les usages pertinents des usages risqués. Un collaborateur à ce niveau peut expliquer en termes simples ce que l'outil fait, sans nécessairement l'utiliser quotidiennement.

Le niveau utilisation correspond à la pratique régulière : formuler des prompts efficaces, évaluer la qualité des réponses, respecter les règles de confidentialité, intégrer l'outil dans deux ou trois tâches hebdomadaires. Ce niveau constitue l'objectif minimal d'une formation sérieuse pour la majorité des collaborateurs.

Le niveau intégration correspond à la sophistication de la pratique : combinaison de plusieurs outils, prompts complexes en chaîne de pensée, intégration dans les flux de travail existants, gain de temps mesurable. Ce niveau est atteint par les collaborateurs qui investissent dans la pratique au-delà du minimum, et il distingue les utilisateurs efficaces des utilisateurs occasionnels.

Le niveau innovation complète la hiérarchie : identification de nouveaux cas d'usage, contribution à la bibliothèque interne de prompts, formation des pairs, participation à l'évolution des outils utilisés dans l'organisation. Ce niveau concerne une minorité de collaborateurs, et il mérite d'être reconnu et valorisé comme une compétence à part entière.

Traiter les résistances comme un sujet, pas comme un obstacle

Les résistances à l'adoption sont fréquentes, légitimes, et porteuses d'informations sur la qualité du dispositif de formation. Trois résistances classiques méritent un traitement structuré.

La crainte pour l'emploi d'abord. Cette crainte n'est pas irrationnelle dans un contexte où le discours public oscille entre enthousiasme et catastrophisme sur l'impact des modèles génératifs. Le traitement productif consiste à expliquer factuellement ce que les outils absorbent — des tâches, pas des métiers — et à montrer concrètement comment le temps libéré sur ces tâches peut être réinvesti dans des activités à plus forte valeur ajoutée que le collaborateur identifie lui-même.

Le doute sur la qualité des résultats ensuite. Cette résistance est juste : les modèles génératifs produisent effectivement des résultats imparfaits, parfois faux, qu'il faut savoir évaluer. Le traitement consiste à intégrer dès la formation initiale la pratique de la vérification systématique, plutôt que de promettre une fiabilité que les outils ne garantissent pas.

Le manque de temps déclaré complète la liste. « Je n'ai pas le temps d'apprendre » est rarement la vraie raison ; c'est plus souvent l'expression d'une priorisation en tension avec d'autres exigences. Le traitement productif consiste à intégrer la formation dans le temps de travail, à mesurer les gains opérationnels qui en résultent, et à reconnaître explicitement l'investissement initial comme un travail légitime, pas comme une dépense personnelle du collaborateur.

Les spécificités du contexte suisse

Trois caractéristiques du marché suisse modifient l'approche de la formation à l'intelligence artificielle.

Le multilinguisme structurel d'abord. Les entreprises suisses opèrent souvent en deux à quatre langues, et la formation doit couvrir les spécificités de la pratique multilingue : quand prompter dans la langue source, quand prompter dans la langue cible, comment gérer les nuances culturelles que les modèles ne portent pas par défaut. Cette dimension n'est pas anecdotique dans un pays où la qualité éditoriale dans chaque langue est attendue.

Le cadre réglementaire structuré par la Loi fédérale sur la protection des données^[1] ensuite. La formation doit intégrer un volet conformité substantiel : quelles données peuvent être soumises à un outil alimenté par modèle, quels outils sont approuvés par l'organisation, comment anonymiser les informations sensibles, comment documenter les traitements. Cette dimension juridique distingue les organisations qui adoptent les outils sérieusement de celles qui s'exposent à des risques que l'évolution du droit révélera progressivement.

Le tissu dominé par les PME complète la liste. Une part substantielle des entreprises suisses ne dispose pas d'un département de formation interne, ni d'un département IT dédié à l'accompagnement des collaborateurs sur les outils numériques. Cette structure appelle des dispositifs externes adaptés à la taille — programmes courts et pragmatiques, format mixte présentiel et distanciel, accompagnement post-formation prolongé — qui diffèrent des programmes conçus pour les grandes structures.

La discipline qui distingue le sérieux

Former une équipe à l'intelligence artificielle n'est pas une question d'enthousiasme ni d'expertise technique de la direction. C'est une question de discipline opérationnelle. Les entreprises qui réussissent leur adoption posent quatre arbitrages clairs en amont : qui prend en charge l'accompagnement, sur quelle durée, avec quels objectifs mesurables, avec quel cadre de gouvernance pour les usages.

Cette discipline ne demande pas un budget substantiel pour produire ses effets. Elle demande une attention soutenue de la direction, une reconnaissance explicite de l'investissement en temps des collaborateurs, et une patience sur la durée nécessaire à l'autonomisation effective des équipes. Cette patience distingue, là encore, les organisations qui consolident une compétence durable de celles qui empilent les licences sans en tirer la valeur disponible.

L'intelligence artificielle ne transforme pas une organisation par sa seule présence dans les outils. Elle la transforme par la qualité de la pratique que les collaborateurs en font, et cette pratique se construit dans le temps long de la formation et de l'accompagnement.

Sources

[1] Loi fédérale sur la protection des données (LPD), révision du 25 septembre 2020, entrée en vigueur le 1ᵉʳ septembre 2023. www.fedlex.admin.ch/eli/cc/2022/491/fr [↩]

Jérôme Deshaie est CEO de MCVA Consulting SA, cabinet suisse de conseil stratégique en intelligence artificielle, basé en Valais.