aiko ouvre à Genève : faire fonctionner l’IA, pas seulement en parler

En Suisse, les entreprises n’ont plus besoin qu’on leur explique que l’IA va transformer leur activité. Elles le savent.

Le vrai sujet est devenu beaucoup plus concret : passer de l’intérêt pour l’IA à sa mise en œuvre. Par où commencer ? Quel cas d’usage mérite vraiment un investissement ? Les données sont-elles prêtes ? Comment passer d’une démonstration convaincante à un outil utilisé tous les jours ?

C’est pour répondre à ces questions qu’aiko ouvre un bureau à Genève, dirigé par Églantine Daguet.

L’objectif n’est pas d’ajouter une adresse sur une carte. Il est d’être au contact des entreprises suisses pour les aider à passer de l’intention à l’exécution.

Pourquoi Genève, et pourquoi maintenant ?

« L’ouverture de Genève arrive à un moment assez naturel dans le développement d’aiko », explique Adrien Fabry, cofondateur et directeur général du cabinet.

Depuis plusieurs années, aiko intervient sur toute la chaîne de valeur de l’IA : stratégie, data, développement, mise en production et accompagnement des équipes. Ce travail a permis de construire des méthodes et d’apprendre ce qui fait réellement réussir — ou échouer — un projet.

Le choix de Genève part aussi d’une réalité très simple : aiko connaît déjà le terrain.

Le cabinet dispose d’un premier réseau en Suisse. Adrien s’y rend régulièrement depuis plus de dix ans. Surtout, Églantine Daguet vit à Genève et travaille avec aiko depuis plus d’un an sur des sujets de stratégie, de conseil et de formation.

Le bureau ne part donc pas de zéro.

« Nous voulons construire une présence locale crédible, avec une consultante déjà implantée, un réseau existant et une bonne connaissance de l’écosystème », précise Adrien.

Cette présence compte particulièrement sur les projets d’IA. Pour comprendre pourquoi un processus bloque, comment les données circulent ou ce que les utilisateurs font réellement, il faut travailler avec les équipes. Pas seulement avec une présentation ou un cahier des charges.

Un marché suisse qui avance à plusieurs vitesses

Pour Églantine, le constat est clair : « Le marché suisse de l’IA a mûri dans ses intentions, mais pas encore dans son exécution. »

Certains grands groupes travaillent sur ces sujets depuis longtemps. Swiss Re utilise ses données pour améliorer ses modèles prédictifs. Zurich Insurance a mis cinq agents autonomes en production. Roche s’appuie sur l’IA générative pour concevoir de nouvelles molécules.

Les startups issues des écosystèmes de l’EPFL et de l’ETH sont également très avancées.

Mais une grande partie des PME reste encore au début du chemin. Elles voient ce que l’IA pourrait apporter, sans toujours savoir comment transformer cette intuition en projet utile.

Cet écart est particulièrement important en Suisse, où les PME représentent environ deux tiers des emplois. Si elles ne passent pas à l’action, une large partie de l’économie reste à quai.

Trois sujets accélèrent aujourd’hui la réflexion.

Le premier est l’arrivée de l’IA agentique. Un assistant propose une réponse. Un agent agit. Il peut chercher une information, déclencher une tâche ou intervenir dans un processus. Dès lors, la gouvernance ne peut plus être traitée après coup.

Le deuxième sujet est la souveraineté. Les entreprises veulent savoir où partent leurs données, comment elles sont utilisées et à quel fournisseur elles deviennent dépendantes. Cette préoccupation ne concerne plus seulement la finance ou la santé.

Enfin, les entreprises demandent des preuves. Elles veulent comprendre ce que l’IA change concrètement, ce qu’elle coûte et ce qu’elle rapporte.

En Suisse, le pragmatisme passe avant l’effet d’annonce

La France et la Suisse connaissent la même accélération technologique, mais leurs entreprises ne s’engagent pas toujours au même rythme.

En France, Bpifrance pousse depuis plusieurs années les PME à prendre le virage de l’IA. En Suisse romande, beaucoup d’entreprises ont préféré attendre des résultats démontrés avant d’investir.

Églantine n’y voit pas de l’attentisme : « Face à des investissements conséquents, elles attendaient un retour démontré avant de s’engager. »

Aujourd’hui, les lignes bougent. La Confédération et les cantons encouragent davantage l’intégration de l’IA. Les administrations publiques commencent elles aussi à lancer des initiatives. La volonté de construire une IA plus souveraine se concrétise notamment avec Apertus, le modèle de langage ouvert développé par l’EPFL, l’ETH et le CSCS.

Le marché ne cherche donc pas un nouveau discours sur le potentiel de l’IA. Il cherche une méthode pour avancer sans brûler les étapes.

Le premier piège : commencer par l’outil

Une entreprise choisit un outil d’IA générative. Elle l’ouvre à ses collaborateurs. Elle organise quelques formations. Six mois plus tard, quelques personnes l’utilisent pour résumer des documents ou rédiger des messages, mais les processus de l’entreprise n’ont pas changé.

C’est un scénario fréquent.

Le problème vient rarement de l’outil. Il vient du point de départ.

Acheter une solution avant d’avoir identifié les irritants métiers conduit souvent à des usages dispersés, difficiles à mesurer et sans effet durable sur les opérations.

L’excès inverse est tout aussi risqué : automatiser trop vite, sans règles, sans contrôle humain et sans accompagnement des équipes.

Pour Églantine, la bonne méthode tient en quatre étapes : « Partir des irritants du terrain avec les équipes, tester rapidement, prouver le ROI, puis déployer à l’échelle. »

Avant de parler de modèle ou d’agent, il faut donc poser quelques questions simples :

• Où les équipes perdent-elles du temps ?
• Quelles tâches génèrent des erreurs ou des reprises ?
• Quelles données sont réellement disponibles ?
• Quel résultat veut-on améliorer ?
• Comment saura-t-on que le projet fonctionne ?

C’est le rôle du diagnostic IA et data (nouvelle fenêtre) proposé par le bureau de Genève. Il permet de sélectionner les cas d’usage qui méritent un investissement, d’identifier les données nécessaires et de définir les règles de gouvernance avant de développer.

Le deuxième piège : sous-estimer les données et la production

Une démonstration avec un grand modèle de langage peut être prête en quelques jours. La mettre en production est une autre histoire.

Il faut connecter l’IA aux données réelles, gérer les droits d’accès, sécuriser les flux, définir les cas dans lesquels elle ne doit pas répondre, mesurer sa performance et prévoir ce qui se passe lorsqu’elle se trompe.

C’est là que commence l’AI Engineering.

« Un sujet présenté au départ comme un problème de modèle peut finalement devenir un sujet de data, de processus ou d’adoption », souligne Adrien.

Aucune IA ne corrige une donnée absente, un système d’information cloisonné ou un processus mal défini. Et si les équipes ne comprennent pas la solution ou n’ont pas confiance en elle, elles ne l’utiliseront pas.

Pour aiko, aller jusqu’à la production signifie donc construire tout ce qui entoure le modèle : architecture, connexions aux systèmes existants, contrôles, suivi des performances et intégration dans le travail quotidien.

Garder le contrôle sans tout reconstruire

La souveraineté ne veut pas dire que chaque entreprise doit développer son propre modèle.

Elle consiste à décider où placer le curseur.

Pour certains usages, une API sécurisée vers un grand modèle sera suffisante. Pour d’autres, il faudra un modèle privé hébergé dans un cloud maîtrisé. Les cas les plus sensibles pourront nécessiter une architecture installée directement dans l’environnement du client.

aiko travaille avec plusieurs fournisseurs, modèles et architectures. Le cabinet n’a donc pas intérêt à imposer une technologie particulière. Son rôle est de trouver le bon équilibre entre performance, contrôle, coût et simplicité.

Cette logique rejoint son approche de l’IA sobre. Le modèle le plus puissant n’est pas toujours le meilleur choix. Pour une tâche précise, un modèle plus petit peut être moins cher, plus facile à héberger et suffisamment performant.

Société à mission et certifiée B Corp (nouvelle fenêtre), aiko cherche à intégrer cette sobriété dès la conception des solutions, plutôt que d’en faire une correction tardive.

Un bureau pour travailler au contact des entreprises suisses

À Genève, aiko veut combiner quatre choses : une équipe proche du terrain, une capacité à parler stratégie avec les dirigeants, une expertise technique sur les systèmes data complexes et un accompagnement jusqu’à l’utilisation réelle par les équipes.

Le cabinet se positionne ainsi entre les grandes structures de conseil, parfois trop lourdes pour certains projets, et les acteurs spécialisés sur une seule partie du problème.

« Notre porte d’entrée, c’est le diagnostic IA et data (nouvelle fenêtre) », explique Églantine. « Avant de parler d’agents ou de modèles, il faut savoir où en sont les données, quels cas d’usage méritent un investissement et quelle gouvernance mettre en place. »

Le bureau de Genève part de cette idée simple : une entreprise n’a pas besoin d’un projet d’IA supplémentaire. Elle a besoin de résoudre un problème concret, de mesurer le résultat et de disposer d’une solution qu’elle pourra vraiment utiliser.

C’est sur ce passage entre l’envie d’avancer et la réalité du terrain qu’aiko veut travailler en Suisse.