Savez-vous quelle est la première question que nous posent nos prospects ?
On a installé ChatGPT, Copilot, on a fait des tests…mais maintenant, comment on industrialise ça dans notre organisation?
C’est presque mot pour mot ce que nous entendons, semaine après semaine, depuis que l’IA générative s’est démocratisée. Et c’est révélateur d’un phénomène bien connu dans le monde de l’IT : le fossé entre un outil grand public et un déploiement corporate.
Ce que nous observons sur le terrain, les chiffres le confirment : selon le GenAI Impact Report 20261, près de deux tiers des projets d’IA générative sont abandonnés après la phase pilote en Suisse.
Le problème n’est pas la technologie
Ce serait facile d’en conclure que l’IA générative ne tient pas ses promesses. Ce serait surtout faux. Car le même rapport montre que, pour les entreprises qui réussissent à dépasser le stade pilote, les résultats sont bien réels : 53% des entreprises sondées enregistrent une hausse de chiffre d’affaires d’au moins 5% grâce à l’IA. Dans le développement logiciel, les gains de productivité mesurés atteignent en moyenne 35%, avec un quart des entreprises qui dépassent même les 50%.
La question n’est donc pas de savoir si l’IA peut créer de la valeur. Elle peut. La question est de comprendre pourquoi deux entreprises sur trois n’y arrivent pas, et comment faire partie de la troisième.
Remettre les bœufs avant la charrue
On découvre l’IA générative par un outil grand public impressionnant en démonstration, et on cherche ensuite à quoi l’appliquer dans son organisation, plutôt que l’inverse. Sauf qu’entre tester ChatGPT sur son ordinateur personnel et déployer une solution IA à l’échelle d’une entreprise, il y a un monde : celui des données propres à l’organisation, des exigences de sécurité, de la gestion des droits d’accès, des processus métier…un monde que les outils grand public n’ont tout simplement pas été conçus pour adresser.
Chez Deeplink, nous avons d’abord cartographié les problématiques réelles, secteur par secteur et corps de métier par corps de métier : quels sont les vrais points de friction d’une PME, d’une administration publique, d’un service desk, d’une association? Ce travail a abouti à des solutions IA construites autour de cas d’usage métier identifiés, pas autour de capacités technologiques à valoriser. Chaque client peut ainsi identifier rapidement si une problématique correspond à une frustration réelle pour lui, avant même qu’on parle d’outil ou de plateforme.
Ce n’est qu’après ce cadrage que vient la démonstration. Dans cet ordre, pas l’inverse.
Embarquer les équipes, pas les convaincre après
La deuxième erreur récurrente : déployer une solution auprès des équipes plutôt qu’avec elles. Un outil imposé, même excellent, sera contourné. La résistance au changement n’est pas une question de mauvaise volonté, c’est une question de sens et d’appropriation.
Notre processus de déploiement repose sur six phases, pensées pour que la charge de travail soit partagée entre nos équipes et celles du client. Ce que nous apportons, c’est la méthode et l’infrastructure. Ce que le client apporte, c’est ce qu’aucun outil ne peut remplacer : sa base de connaissance, sa documentation, ses données métier, le savoir accumulé par ses équipes. C’est cette matière-là que nous valorisons et que nous mettons au cœur de la solution. Le produit final n’est pas une solution générique adaptée à la marge, c’est une solution construite avec les équipes concernées, validée par elles, et pensée pour durer au-delà du pilote.
Ce que nous retenons
Le marché suisse de l’IA générative entre dans une phase de maturité. Les organisations qui ont expérimenté commencent à trier : ce qui crée de la valeur durable d’un côté, ce qui était une démonstration impressionnante de l’autre. C’est une bonne nouvelle, pour celles qui ont une méthode solide derrière leur déploiement.
La fin de « l’expérimentation naïve »2, c’est le début de l’IA qui fonctionne vraiment.
- ICT – GenAI Impact Report 2026, Adesso Suisse (enquête auprès de 100 cadres dirigeants), juin 2026 ↩︎
- Le Temps, « Finie l’expérimentation naïve », citant la 3ᵉ édition de l’Observatoire de la Data et de l’IA en Suisse (Colombus Consulting, Oracle, HEG-Genève, 23 juin 2026 . ↩︎