De quoi il s'agit
Il y a quelques années encore, la question dans la plupart des PME était : « Devons-nous vraiment utiliser l'IA ? » En 2026, la question utile est plutôt : « Où l'IA crée-t-elle une vraie valeur chez nous — et nos collaborateurs sont-ils assez compétents pour l'utiliser ? »
La disponibilité de la technologie n'est presque plus le facteur limitant. L'IA générative est intégrée aux suites bureautiques, aux moteurs de recherche, aux CRM, aux environnements de développement, aux outils de design et aux applications métier spécialisées. En parallèle, les agents IA, la retrieval-augmented generation (RAG), le vibe coding et les workflows automatisés ouvrent des possibilités qui dépassent largement la rédaction d'un texte avec ChatGPT.
C'est précisément là que se creuse le nouvel écart : les outils progressent vite. Les compétences, les processus et la gouvernance ne suivent pas automatiquement le même rythme.
L'OCDE cite le manque de compétences comme l'un des obstacles centraux à l'adoption de l'IA : plus de la moitié des PME qui n'utilisent pas encore l'IA générative mentionnent des capacités insuffisantes comme frein. Dans le même temps, seule une petite partie des collaborateurs a besoin de connaissances hautement spécialisées en développement IA. Pour la majorité, ce qui compte, ce sont les compétences numériques, la compréhension des données, l'esprit critique, la résolution de problèmes, la créativité et la capacité à utiliser l'IA correctement dans son propre contexte de travail (OCDE, 2026a, 2026b).
Pour les directions, la conclusion est la suivante : tout le monde n'a pas à construire des systèmes RAG ni à programmer un agent. Mais les équipes doivent comprendre quel outil convient à quelle tâche, comment naissent de bons résultats, quand un output doit être vérifié, quelles données n'ont rien à faire dans n'importe quel système, et à quel moment un chatbot devient un processus agentique porteur de risques supplémentaires. La compétence IA n'est donc pas une compétence unique, mais un modèle de compétences à plusieurs niveaux.
Cet article montre quelles capacités sont concrètement pertinentes pour les PME suisses, comment les structurer sur six niveaux et comment les dirigeants peuvent en tirer un agenda d'apprentissage et de mise en œuvre réaliste.
Pourquoi les compétences IA deviennent un facteur concurrentiel pour les PME
L'OCDE décrit les compétences comme l'un des facteurs décisifs pour savoir si une entreprise tire réellement des gains de productivité de l'IA. Plus de la moitié des PME sans IA générative citent le manque de capacités comme obstacle. En même temps, les entreprises indiquent que l'IA peut partiellement compenser des lacunes existantes en compétences et en personnel. L'IA crée donc de nouvelles exigences de compétences tout en aidant à réduire des goulets d'étranglement existants (OCDE, 2026a).
Pour les PME, c'est particulièrement pertinent. Elles disposent généralement de moins de rôles spécialisés que les grandes entreprises. Marketing, vente, opérations, RH ou direction doivent souvent évaluer et déployer de nouvelles technologies en plus des affaires courantes. Un « département IA » séparé est rarement la réponse réaliste.
L'OCDE montre aussi que la plupart des collaborateurs n'ont pas besoin de connaissances IA très spécialisées. Moins de 1 % des actifs ont besoin de compétences IA avancées et spécifiques ; ce qui est largement pertinent, ce sont les compétences numériques, l'analyse et l'interprétation des données, ainsi que des capacités complémentaires comme la résolution de problèmes, la créativité, l'innovation et le management (OCDE, 2026b).
À retenir pour les PME : La question stratégique n'est pas de savoir combien de collaborateurs deviendront des « experts en IA ». Ce qui compte, c'est que les bonnes personnes disposent, pour leur rôle, du bon niveau de compétence IA.
Savoir utiliser l'IA, c'est plus que bien prompter
Le prompting reste important. Mais réduire la compétence IA à « écrire de bons prompts » revient à n'en mesurer qu'une fraction. En pratique, il faut au moins six champs de compétences.
1. AI literacy — comprendre ce que l'IA peut et ne peut pas faire
L'AI literacy commence par une compréhension de base réaliste : qu'est-ce que l'IA générative ? Comment naissent les réponses ? Pourquoi un modèle peut-il formuler de façon convaincante et se tromper malgré tout ? Quelle est la différence entre un modèle, une interface de chat, un agent et un outil ? Ces bases comptent, parce que de faux modèles mentaux conduisent à de mauvaises décisions.
La Commission européenne cite, parmi les questions minimales d'une initiative d'AI literacy : qu'est-ce que l'IA, comment fonctionne-t-elle, quelle IA est utilisée dans l'organisation, et quelles opportunités et quels risques existent ? Le rôle, les connaissances techniques préalables, l'expérience et le contexte d'utilisation doivent également être pris en compte (Commission européenne, 2026).
2. Choix des outils — toutes les tâches n'ont pas leur place dans le même chat
Une erreur de productivité fréquente consiste à résoudre chaque problème avec l'outil que l'on connaît déjà. Apprentissage adossé à des sources, recherche web actuelle, génération d'images, vidéo, clonage vocal, coding et automatisation de processus imposent des exigences différentes. La compétence IA se voit donc aussi dans le fait de comprendre d'abord le cas d'usage, puis de choisir l'outil.
Pour une PME, cette capacité économise immédiatement du temps et de l'argent : l'outil le plus puissant ou le plus connu n'est pas automatiquement le meilleur — le meilleur est celui qui convient à la source de données, à l'output, aux intégrations, au risque et au processus de travail.
3. Prompting et context engineering
De bons résultats ne dépendent pas seulement de la question, mais du contexte. Objectif, rôle, informations de fond pertinentes, format souhaité, critères de qualité et limites doivent être fournis de manière à ce que le modèle puisse comprendre la tâche. À un niveau avancé s'ajoute le context engineering : quelles informations ont vraiment leur place dans le contexte ? Quels documents sont fournis via retrieval ? Quelles descriptions d'outils sont nécessaires — et lesquelles ne produisent que des tokens inutiles ?
Pour approfondir : Prompt engineering pour PME — avec des frameworks et des exemples concrets pour des outputs directement utilisables.
4. Vérification critique, protection des données et gouvernance
Un output linguistiquement convaincant n'est pas une preuve de qualité. Les collaborateurs doivent reconnaître quand une vérification des sources, un principe des quatre yeux ou une validation humaine sont nécessaires. Tout aussi importante est la question de savoir quelles données peuvent être saisies dans quel système. Dès que l'IA touche aux données clients, aux contrats, aux bases de connaissances internes ou aux systèmes opérationnels, une question individuelle de productivité devient une question de gouvernance.
AHEAD OF TIME accompagne les entreprises sur ce terrain avec KI-Transformation, Education & Engineering — de l'audit du stack d'outils aux directives et au classement AI Act, jusqu'à la formation et la mise en œuvre technique.
5. Comprendre les agents, le RAG et les automatisations
L'usage avancé de l'IA se déplace du prompt isolé vers le système. Un setup RAG relie un modèle à des sources de connaissances choisies. Le tool calling donne accès à des fonctions définies. Les systèmes agentiques peuvent planifier plusieurs étapes, appeler des outils et poursuivre le travail en fonction de résultats intermédiaires.
Tout le monde n'a pas besoin de savoir construire ces architectures. Mais les dirigeants et les responsables de processus devraient comprendre ce qui change : un système qui ne fait que proposer un texte a un profil de risque différent d'un agent qui envoie des e-mails, modifie des données CRM ou déclenche des commandes.
Des exemples concrets se trouvent dans le cluster thématique IA & automatisation — agents IA, systèmes multi-agents et setups d'automatisation pour PME inclus.
6. Efficience en tokens, en coûts et en énergie
Utiliser l'IA avec compétence, c'est aussi ne pas consommer de compute inutilement. Des contextes longs et redondants, des outputs inutilement verbeux ou un grand modèle de raisonnement pour des tâches triviales augmentent les coûts sans améliorer la qualité. Dans les applications basées sur API et facturées au token, cette compétence devient directement économique.
L'objectif n'est pas « le moins de tokens possible », mais : le moins de compute inutile possible, à la qualité qu'exige le cas d'usage. Cela suppose des contextes épurés, des longueurs d'output adaptées, la mise en cache des contenus récurrents et le choix du plus petit modèle qui atteint le standard de qualité de manière fiable.
Toutes les personnes d'une PME n'ont pas besoin de la même compétence IA
Un modèle de compétences pertinent est basé sur les rôles. La direction prend d'autres décisions que le marketing, les RH ou une équipe de développement. Des formations obligatoires uniformes pour tous créent des bases, mais ne remplacent pas un approfondissement lié au rôle.
| Rôle | Compétences IA particulièrement pertinentes | Question typique |
|---|---|---|
| Direction | Opportunités/risques, gouvernance, priorisation des cas d'usage, décisions d'investissement | Où l'IA crée-t-elle un impact business mesurable — et quel risque acceptons-nous ? |
| Marketing & vente | Recherche, contenu, choix des outils, prompting, automatisations, contrôle qualité | Quelles tâches peut-on accélérer sans perte de marque ni de qualité ? |
| RH & people | AI literacy, protection des données, policies, formation, human oversight | Quels rôles ont besoin de quelles compétences, et comment éviter l'IA fantôme ? |
| Opérations | Analyse de processus, automatisations, agents, qualité des données, exception handling | Où l'automatisation vaut-elle la peine, et où un humain doit-il décider ? |
| IT / développement | API, RAG, agents, MCP, vibe coding, sécurité, évaluation | Comment intégrer l'IA de façon contrôlée dans les systèmes et les droits existants ? |
Six niveaux : un modèle de compétences IA praticable
Pour le KI-Kompetenz-Check d'AHEAD OF TIME, nous utilisons un modèle progressif à six niveaux autonomes. Il ne s'agit pas de classer les personnes en « bonnes » et « mauvaises », mais de rendre visible ce qui est déjà acquis et où se situe la prochaine étape d'apprentissage utile. Chaque niveau possède son propre catalogue de questions ; qui atteint le seuil débloque le suivant.
Niveau 1 — Débutant·e en IA Vous connaissez certains termes et outils, mais la vue d'ensemble se construit encore. Le levier principal aujourd'hui, ce sont les fondamentaux : ce que fait réellement un modèle de langage, où il est fiable et où il ne l'est pas.
Niveau 2 — Utilisateur·rice d'IA Vous utilisez déjà des outils d'IA et prenez des décisions utiles au quotidien. Il vous manque encore la dimension systématique : quel outil dans quel cas, et comment vérifier les résultats de façon fiable.
Niveau 3 — Niveau avancé en IA Vous maîtrisez le paysage des outils, connaissez les sources d'erreur typiques et savez évaluer les résultats. L'étape suivante va vers la construction : vos propres processus, contexte et guardrails plutôt que des requêtes isolées.
Niveau 4 — Intégrateur·rice IA Vous n'utilisez plus l'IA outil par outil : vous reliez les outils en flux de travail, où les données circulent d'un système à l'autre et où les étapes s'enchaînent. Le prochain levier est de rendre ces chaînes fiables et traçables.
Niveau 5 — Architecte IA Vous construisez vous-même : agents, automatisations, chemins de données. Vous connaissez non seulement les outils mais aussi leurs points de rupture : droits, reprises, cas d'erreur. L'étape suivante mène de la technique vers l'organisation.
Niveau 6 — Stratège IA Vous pensez l'IA à partir de l'organisation : qui a le droit de faire quoi, sur quoi repose une décision, quelles dépendances une entreprise accepte. C'est le niveau où l'IA soit porte ses fruits, soit coûte cher.
Pourquoi six niveaux plutôt que quatre ? Parce que sinon les sauts sont trop grands. Entre « utilise les outils avec assurance au quotidien » et « évalue des architectures » se logent en pratique deux compétences très différentes : relier des outils en flux de travail (intégration), et construire et exploiter soi-même ces flux (architecture). Et au-dessus se trouve encore un niveau distinct, non pas technique mais organisationnel : droits, bases de décision, dépendances.
En complément, des dimensions de compétence spécifiques peuvent être évaluées séparément — terminologie IA, choix des outils, ou usage efficient des tokens, des coûts et de l'énergie. C'est utile, parce qu'une personne peut très bien prompter et présenter malgré tout de nettes lacunes en protection des données ou en sélection d'outils.
→ Faire le KI-Kompetenz-Check maintenant — six niveaux, un catalogue de questions par niveau, et à la fin un positionnement avec une prochaine étape d'apprentissage concrète. Une vue d'ensemble des deux checks — maturité de l'entreprise et connaissances IA personnelles — montre lequel correspond à votre situation de départ.
Compétence IA, gouvernance et AI literacy
Pour les entreprises en lien avec le marché européen s'ajoute une dimension réglementaire. L'article 4 de l'EU AI Act oblige les fournisseurs et les déployeurs de systèmes d'IA à prendre des mesures pour développer les compétences en IA des personnes qui travaillent avec ces systèmes pour leur compte. La Commission européenne insiste sur une approche fondée sur le contexte et le risque : connaissances techniques, expérience, formation, contexte d'utilisation concret et risques des systèmes déployés doivent être pris en compte (Commission européenne, 2026).
Important pour les PME suisses : l'EU AI Act ne s'applique pas de façon générale à toute entreprise en Suisse. Le fait que des obligations s'appliquent, et lesquelles, dépend du rôle, du système et du lien avec l'UE. Indépendamment de l'applicabilité juridique, l'idée de fond est économiquement pertinente : qui déploie de l'IA devrait rendre les collaborateurs concernés capables de comprendre les opportunités, les limites et les risques des systèmes réellement utilisés.
La Commission ne prescrit pas non plus que chaque personne atteigne le même niveau de compétence. Des étapes et des approches d'apprentissage différentes peuvent explicitement être appropriées. C'est précisément pour cela qu'un modèle par rôle et par niveau convient mieux aux PME qu'un cours standard unique pour tous (Commission européenne, 2026).
Ce que les directions devraient faire maintenant
- Rendre visible où l'IA est déjà utilisée. Ne pas se limiter aux outils sous licence officielle. L'usage informel dans les équipes fait aussi partie de la situation de départ.
- Ne pas confondre compétence et accès aux outils. Une licence ChatGPT, Copilot ou Gemini n'est pas encore un concept d'habilitation. Vérifiez si les collaborateurs comprennent les risques, les règles de données et le contrôle qualité.
- Prioriser les rôles et les cas d'usage. Commencez là où l'IA est souvent utilisée, ou là où l'impact et les risques sont élevés.
- Mesurer l'écart de compétences et définir des parcours d'apprentissage. Des bases pour tous, un approfondissement selon le rôle et le besoin. Évaluation et formation vont ensemble.
- Relier l'apprentissage à l'application réelle. Les progrès les plus marqués naissent sur de vraies tâches : vos propres recherches, vos propres processus, vos propres documents, vos propres exigences de qualité.
L'OCDE aboutit à une conclusion similaire : la formation est un levier central pour que l'usage de l'IA produise de meilleurs résultats. Les collaborateurs formés rapportent plus souvent des effets positifs sur la performance et les conditions de travail (OCDE, 2026b).
Pour transformer cela en agenda d'entreprise concret : KI-Transformation, Education & Engineering chez AHEAD OF TIME combine état des lieux, gouvernance, formations d'équipe, feuille de route et mise en œuvre technique.
Conclusion : la compétence IA n'est pas un cours, c'est une capacité d'entreprise
Le changement de perspective le plus important pour les PME est simple : la compétence IA n'équivaut pas à « savoir utiliser ChatGPT ». Elle englobe la compréhension, l'application, la vérification critique, le choix des outils, la gouvernance et — selon le rôle — des concepts techniques avancés.
Cela ne signifie pas que tout le monde doit devenir spécialiste de l'IA. Au contraire : un bon modèle de compétences évite un effort d'apprentissage inutile, parce qu'il tient compte des différents rôles et niveaux. Les directions ont besoin d'orientation et de capacité de décision. Les métiers ont besoin d'une compétence d'application sûre. Les rôles techniques ont besoin de connaissances plus profondes en architecture et en sécurité.
Développer ces capacités de manière systématique, c'est ce qui transforme des expérimentations IA en méthodes de travail solides. C'est justement le sujet de la deuxième partie de cette série : comment tester la compétence IA de façon pertinente, sans se contenter d'interroger la connaissance des outils ou des termes appris par cœur ?
Q&R — les compétences IA dans les PME suisses
Que signifie la compétence IA en entreprise ? La compétence IA recouvre la compréhension des opportunités et des limites de l'intelligence artificielle, ainsi que la capacité à utiliser les outils IA adaptés de façon sûre, critique et économique pour des tâches concrètes. Selon le rôle, la protection des données, la gouvernance, le RAG, les agents ou l'intégration technique en font également partie.
Tous les collaborateurs doivent-ils devenir des experts en IA ? Non. Pour la plupart des rôles, aucune connaissance approfondie en développement n'est nécessaire. Ce qui fonctionne, c'est un modèle progressif : des bases communes pour tous et des compétences approfondies là où les tâches, la responsabilité ou les risques l'exigent.
Un cours ChatGPT ou prompting suffit-il pour une PME ? Comme point d'entrée, un cours de prompting peut être très utile. Pour une compétence IA durable, il ne suffit pas à lui seul. Le choix des outils, la vérification critique, la protection des données, la gouvernance et les cas d'usage liés aux rôles en font aussi partie.
Comment une PME peut-elle mesurer la compétence IA de ses collaborateurs ? Une évaluation devrait couvrir plusieurs dimensions et ne pas se limiter à la connaissance des marques ou des outils. Sont pertinents : bases, application, choix des outils, sécurité, terminologie et — pour les rôles avancés — RAG, agents et compréhension de l'architecture. Le KI-Kompetenz-Check couvre cela sur six niveaux.
De quelles compétences IA une direction a-t-elle besoin ? Avant tout de la capacité à évaluer opportunités et risques, à prioriser les cas d'usage, à définir la gouvernance, à situer les investissements et à développer les bonnes compétences dans l'entreprise. La direction n'a pas besoin de savoir utiliser elle-même chaque outil.
L'AI literacy est-elle pertinente pour les PME suisses en raison de l'EU AI Act ? Pour les entreprises suisses, l'applicabilité juridique dépend du lien concret avec l'UE et du rôle dans le système d'IA considéré. Sur le fond, l'AI literacy reste pertinente indépendamment de cela : les collaborateurs devraient comprendre les systèmes utilisés, leurs risques et la bonne manière de les manier.