Les indépendants et les PME suisses utilisent déjà l'IA au quotidien: pour rédiger des e-mails, résumer des réunions, traduire des offres, mettre de l'ordre dans leurs notes ou transformer une ébauche en première version d'un contrat ou d'un rapport. La question pratique n'est donc plus de savoir si l'IA est arrivée dans ton bureau. La vraie question est de savoir si tu l'utilises d'une manière qui respecte tes clients, tes collaboratrices et collaborateurs et le droit suisse.

La bonne nouvelle est simple: la loi suisse sur la protection des données n'interdit pas l'IA. Mais elle accompagne tes données dans chaque outil. Dès que des données personnelles entrent dans un processus d'IA, les obligations habituelles en matière de protection des données continuent de s'appliquer. Le PFPDT l'a clairement rappelé: la loi fédérale sur la protection des données, en vigueur depuis le 1er septembre 2023, s'applique directement au traitement de données assisté par l'IA. Le but n'est donc ni la panique ni l'euphorie aveugle. Le but est un processus et explicable.

La réponse: l'IA est autorisée, mais les règles voyagent avec les données

Ce point est important, car beaucoup de dirigeantes et de dirigeants pensent encore par extrêmes. Soit l'IA est considérée comme une sorte de logiciel magique, hors de toute obligation de diligence normale, soit elle est vue comme une zone interdite qui ne doit jamais toucher au travail réel. Ces deux visions ne t'aident pas. La loi est neutre sur le plan technologique. Que tu traites des données personnelles avec un tableur, une base clients, un outil de transcription ou un modèle de langage, les questions fondamentales restent les mêmes: pourquoi traites-tu ces données, quelles données te faut-il vraiment, qui les reçoit, combien de temps sont-elles conservées et quelles mesures de protection sont en place ?

Pour une petite entreprise suisse, cela signifie: pas besoin d'une directive de 40 pages avant de tester l'IA. En revanche, il faut prendre l'habitude de poser quelques questions disciplinées avant de coller des e-mails de clients, des dossiers de candidature, des notes de patients, des données salariales ou des procès-verbaux de réunion dans un outil. L'IA pratique devient nettement plus détendue dès que tu cesses de te demander abstraitement « est-ce que l'IA est légale ? » pour te demander concrètement « est-ce que ce processus est proportionné, transparent et maîtrisé ? »

Commence par une question: y a-t-il des données personnelles dans la saisie ?

C'est le filtre le plus simple et souvent le plus utile. Les données personnelles ne se limitent pas aux numéros de passeport ou aux diagnostics médicaux. Dans la vie de bureau, elles incluent aussi les noms, les adresses e-mail professionnelles, les numéros de téléphone, les données salariales, les notes d'évaluation, les dossiers de candidature, les réclamations, les procès-verbaux d'entretien et tout texte qui permet d'identifier une personne.

Un nom d'entreprise seul n'est pas toujours le problème. Mais les vrais documents professionnels ne contiennent presque jamais que des noms d'entreprises. Un briefing de conseil mentionne une personne de contact. Une demande d'offre contient un numéro de mobile. Un tableau RH contient des appréciations de performance. Une note de médecin contient des données de santé. Un projet juridique peut faire apparaître des identités, des relations familiales ou des informations financières. Dès que des personnes identifiables entrent dans le processus, la LPD devient pertinente.

Cela ne veut pas dire que tu dois arrêter. Cela veut dire que tu devrais classer le matériel avant d'utiliser l'IA. Une saisie comme « écris-moi cinq titres pour un post LinkedIn sur la planification de la relève » n'a rien à voir avec le téléchargement d'un vrai dossier client. Traiter les deux actions comme également risquées crée exactement la confusion qui mène soit à partager trop, soit à se bloquer inutilement.

Un modèle simple à trois zones pour le quotidien

Une aide à la décision qui fonctionne en pratique: classer les usages de l'IA dans trois zones:

  • Risque faible: pas de données personnelles, ou seulement du contenu public et non sensible. Exemples: rédiger des textes marketing, traduire tes propres notes générales, résumer une ordonnance publique ou transformer des mots-clés en ordre du jour standard. Les outils ordinaires suffisent souvent ici.
  • Risque moyen: peu de données personnelles avec des conséquences limitées, surtout après une bonne réduction. Exemples: rédiger une réponse client après avoir remplacé les noms par des fonctions, résumer une réunion interne avec des initiales au lieu des noms complets, ou transformer des notes d'entretien en structure d'offre. Ici, la minimisation des données et la vérification humaine sont particulièrement importantes, et les solutions professionnelles sont généralement le meilleur choix.
  • Risque élevé: données sensibles ou à conséquences importantes. Exemples: dossiers de patients, documents juridiques, évaluations du personnel, exportations de salaires, copies de pièces d'identité, notes disciplinaires, situations sociales ou évaluation automatisée de candidates et candidats, de collaborateurs ou des clients. Ces cas méritent des solutions professionnelles validées, des règles contractuelles claires ou un traitement local, et parfois une analyse de risque formelle.

Ce modèle à trois zones n'est pas une formule juridique. C'est une habitude de gestion. Il aide ton équipe à éviter les deux erreurs classiques: déverser trop de données dans des outils grand public pratiques, ou bloquer des tâches d'IA inoffensives qui pourraient faire gagner du temps avec presque aucun risque supplémentaire pour la protection des données.

Cinq vérifications avant chaque outil d'IA

  1. Formule le but en une phrase. Si la seule réponse est « parce que c'est plus rapide », il te manque encore l'essentiel. Une meilleure réponse ressemble à ceci: « Nous utilisons l'IA pour transformer des notes manuscrites de réunion en une première synthèse que la direction du projet vérifie avant diffusion. » Un but clair t'aide immédiatement à décider quelles données sont réellement nécessaires.
  2. Réduis les données avant qu'elles ne quittent tes mains. Supprime les noms si les fonctions suffisent. Remplace les dates exactes par des mois si la précision au jour près n'est pas nécessaire. Laisse de côté les signatures, les numéros de compte, les pièces jointes et les historiques complets, sauf s'ils sont essentiels pour la tâche. Dans beaucoup de processus de bureau, l'essentiel du bénéfice de l'IA reste même après avoir retiré les détails identifiants.
  3. Vérifie l'environnement du fournisseur, pas seulement la qualité du modèle. Les outils grand public, les solutions professionnelles en ligne et les modèles locaux ne sont pas la même chose. Regarde si tes saisies sont stockées, si elles peuvent être utilisées pour l'entraînement, dans quel pays le traitement a lieu, qui a accès aux données et quelles protections contractuelles s'appliquent si les données quittent la Suisse. Pour les transferts de données à l'étranger, le pays de destination et les mesures de protection ne sont pas un détail.
  4. Garde la transparence et la vérification humaine dans le processus. Le PFPDT relie étroitement la transparence aux droits des personnes concernées dans le cadre du traitement automatisé. Concrètement, cela signifie deux choses. Premièrement: si une personne discute avec une machine sur ton site web ou dans ton processus de support, signale-le clairement. Deuxièmement: si l'IA propose quelque chose qui touche réellement une personne — par exemple un classement de candidates, une décision client ou un signalement de non-conformité — la machine ne doit pas avoir le dernier mot.
  5. Consigne par écrit qui peut utiliser quel outil pour quelles données. Tu n'as pas besoin d'une grande plateforme de gouvernance pour travailler proprement. Une page partagée avec les outils validés, les types de données autorisés et une personne de contact responsable vaut déjà nettement mieux qu'une culture du copier-coller discret dans des comptes privés. Les petites entreprises ont rarement des ennuis à cause d'une IA très avancée, mais souvent parce que personne n'a écrit les règles.
« Le processus d'IA le plus sûr n'est généralement pas le plus sophistiqué. C'est celui que ton équipe peut encore expliquer, reproduire et vérifier six mois plus tard. »

Ce qu'il vaut mieux éviter si tu veux moins de surprises

La plupart des problèmes de protection des données autour de l'IA ne viennent pas d'une faille de sécurité spectaculaire. Ils viennent d'habitudes de tous les jours. Une règle empirique utile: s'il te serait gênant d'expliquer le processus à une cliente, à un collaborateur ou à une autorité de surveillance en un paragraphe, c'est probablement que le processus est trop laxiste.

  • Évite de déverser des boîtes mail entières ou des exportations de la base clients dans une fenêtre de chat générique si tu ne connais pas les règles de conservation ou les réglages d'entraînement.
  • Évite de télécharger des documents sensibles simplement parce que le travail est interne. Interne ne veut pas automatiquement dire faible risque.
  • Évite de traiter les sorties de l'IA comme un document final. Les synthèses, les traductions et les points d'action extraits ont toujours besoin d'une vérification humaine.
  • Évite l'IA clandestine dans les comptes privés. La commodité ne remplace pas un processus d'entreprise documenté.
  • Évite de cacher l'automatisation aux personnes qui interagissent directement avec elle. Si la première réponse vient d'une machine, un étiquetage clair est la norme la plus sûre.

Rien de tout cela n'est contre l'IA. C'est simplement la différence entre un usage réfléchi et une fuite de données non maîtrisée.

Quand l'IA locale ou un traitement sans conservation a du sens

Si tu utilises l'IA seulement pour des textes généraux, des remue-méninges ouverts ou des informations publiques, des outils en ligne ordinaires peuvent tout à fait suffire. Mais dès que tu traites régulièrement du matériel confidentiel des clients, des documents du personnel, des notes médicales, des projets juridiques ou des bases de connaissances internes, un environnement plus solide vaut la peine.

Une solution professionnelle sans conservation à des fins d'entraînement signifie que le fournisseur traite ta demande, mais ne conserve pas le contenu pour l'entraînement du modèle et propose généralement des conditions contractuelles plus claires en matière de sécurité et de traitement des données. Pour beaucoup de PME, c'est le juste milieu pratique: tu gardes le confort d'une solution hébergée sans reverser au passage le savoir-faire de ton entreprise dans un système public.

L'IA locale signifie que le modèle tourne sur ta propre machine ou dans un environnement que tu contrôles. Cela demande généralement un peu plus de mise en place et n'est pas aussi performant que les plus grands modèles hébergés sur toutes les tâches. En contrepartie, tu gardes nettement plus de contrôle sur l'endroit où vivent les données confidentielles. Pour les médecins, les fiduciaires, les études d'avocats et toutes celles et ceux qui traitent régulièrement des documents sensibles, ce contrôle compte souvent plus que le modèle le plus récent du marché.

La bonne question n'est pas abstraite — « local ou hébergé ? » — mais « quelles tâches justifient quel environnement ? ». Beaucoup d'entreprises se portent bien avec un modèle mixte: le travail de rédaction ordinaire dans un environnement hébergé contrôlé, et le travail hautement sensible uniquement en local ou dans des systèmes spécialement validés.

As-tu besoin d'une analyse d'impact relative à la protection des données ou d'une vérification supplémentaire ?

Selon le droit suisse, un traitement à haut risque peut exiger une analyse d'impact relative à la protection des données. Le PFPDT y attire particulièrement l'attention lorsque de nouvelles technologies risquent de créer un danger élevé pour la personnalité ou les droits fondamentaux. Cela ne veut pas dire que chaque nouvelle expérience d'IA nécessite un projet formel. Cela veut dire que tu devrais ralentir dès que les conséquences pour les personnes deviennent sensiblement plus lourdes.

Les signes d'alerte concrets incluent une utilisation à grande échelle de données sensibles, des décisions automatisées concernant des candidates et candidats ou des collaborateurs, une surveillance systématique, un profilage étendu ou la combinaison de plusieurs sources de données pour évaluer des personnes. Si l'un de ces signes est présent, ne déploie pas le processus à la légère. Documente l'usage prévu, les risques, les mesures de protection et la question de savoir si un soutien spécialisé est nécessaire avant d'aller plus loin.

Beaucoup de tâches d'IA du quotidien ne franchissent jamais ce seuil. Rédiger un e-mail nettoyé, mettre ses propres notes brutes dans une langue plus claire ou résumer une réunion de projet non sensible n'a rien à voir avec un système d'IA qui classe des candidates ou répartit des patients selon le risque.

Une règle simple de protection des données pour les petites entreprises suisses

Si tu veux quelque chose de pratique que ton équipe puisse vraiment suivre, commence par cinq règles courtes:

  1. Les outils d'IA publics sont réservés aux cas sans données personnelles ou avec des données fortement réduites.
  2. Le travail sensible ne va que dans des solutions professionnelles validées ou locales.
  3. Tout ce qui est envoyé à l'extérieur après un brouillon d'IA est vérifié par une personne.
  4. Si l'IA interagit directement avec les clients, des candidates et candidats ou des patients, cela est clairement signalé et une personne de contact reste joignable.
  5. Nous tenons un registre simple des outils, des finalités, des types de données, des règles de conservation attendues et des questions de transfert à l'étranger.

Ce n'est pas du théâtre bureaucratique. C'est une petite règle de fonctionnement qui réduit la confusion, donne confiance à ton équipe et facilite les futurs choix d'outils. Dans beaucoup d'entreprises, la plus grande amélioration en matière de protection des données ne vient pas d'un nouveau fournisseur, mais du passage de comportements individuels improvisés à un standard commun et reproductible.

Utilise l'IA avec, pas avec désinvolture

La loi suisse sur la protection des données n'est pas un obstacle à l'IA pratique. Elle te rappelle que l'efficacité n'annule pas la responsabilité. Si tu choisis des cas d'usage petits et clairs, que tu réduis les données, que tu restes transparent et que tu adaptes l'outil à la sensibilité du travail, l'IA peut faire gagner un temps réel sans transformer ton entreprise en expérience de conformité.

Commence par un seul processus. Écris les règles. Garde la vérification humaine. Pour la plupart des indépendants et des PME, cela suffit pour passer d'une incertitude anxieuse à un usage quotidien et responsable de l'IA.