Chapitre 07
Formation & accompagnement
La réussite dépend davantage de la gouvernance et de la formation que de la technologie. Bonne nouvelle : la demande de formation vient des collaborateurs eux-mêmes.
76%
n'ont reçu aucune formation à l'IA de leur employeur
80%
souhaitent se former prochainement
67%
ressentent une urgence à se former
Trois niveaux de maîtrise
Tout le monde formé au socle ; une montée en compétence ciblée au-delà.
Catalogue type : Module 1 — IA pour tous (2 h, démystification + charte + prompting de base) · Module 2 — Parcours métier (1-2 jours par métier) · Module 3 — Champions IA (3 jours) · Module 4 — Dirigeants (demi-journée + sessions individuelles) · Module 5 — Tech avancée (3-5 jours) · Office hours / clinique IA (forfait mensuel).
Tester l'IA open source sur son poste
Avant tout débat d'architecture cloud ou de cloud souverain, chaque collaborateur peut faire tourner un LLM directement sur sa machine. Aucune donnée ne sort du poste : c'est la voie la plus rapide pour expérimenter sur des contenus sensibles, comparer plusieurs modèles, ou simplement démystifier ce qu'est un LLM.
Deux outils dominent l'écosystème, complémentaires plutôt que concurrents :
LM Studio
Interface graphique tout-en-un. On choisit un modèle dans le catalogue intégré (Hugging Face), on télécharge, on discute — comme ChatGPT, mais entièrement hors ligne.
- ✓ Zéro ligne de commande
- ✓ Windows, macOS, Linux
- ✓ Détection automatique du matériel (CPU / GPU / RAM)
- ✓ Idéal pour démarrer en quelques minutes
Ollama
Un serveur local lancé en deux commandes, qui expose une API compatible OpenAI. S'intègre avec VS Code, Open WebUI, n8n, des scripts maison ou n'importe quel outil OpenAI-compatible.
- ✓ API OpenAI-compatible (drop-in)
- ✓ Catalogue de modèles en un
ollama pull - ✓ S'embarque dans des workflows ou outils internes
- ✓ Idéal pour les profils tech et les POC privés
Choisir un modèle adapté à son matériel
La règle d'or : la taille du modèle (en milliards de paramètres) doit tenir dans la mémoire vive disponible (RAM ou VRAM selon le cas), après quantification. Plus le modèle est gros, plus il est qualitatif — mais plus il demande de ressources.
| Configuration | Modèles cibles | Usage réaliste |
|---|---|---|
| PC bureautique · 8 à 16 Go RAM | Llama 3.2 3B, Mistral 7B, Phi-4, Gemma 3 4B (quantifiés) | Assistant général, reformulation, résumé, prompting de base |
| Station avec GPU · ≥ 16 Go VRAM | Qwen3.6:27B, Gemma4:31B, GPT-OSS:20B, Mistral Small, Llama 3.3 13B | Qualité proche d'un modèle cloud léger, code, RAG local |
| Mac Apple Silicon / Nvidia DGX Spark · 64 Go+ mémoire unifiée | Llama 3.3 70B, GPT-OSS:120B, Qwen3 72B, DeepSeek-V3 (versions quantifiées) | Quasi équivalent à un modèle cloud quotidien, en local |
| Serveur dédié · multi-GPU | Llama 5, Qwen 3.7, DeepSeek V4 (poids open weights) | Modèles de frontière, mais réservé aux équipes spécialisées |
Au-delà de la curiosité personnelle, ces outils ont une valeur pédagogique forte : ils permettent à chacun de comprendre concrètement ce qu'est un modèle, ses limites, son rapport ressources/qualité — et de se forger une intuition utile pour les décisions d'architecture qui suivront. C'est aussi un banc d'essai gratuit avant d'engager un budget cloud.
Dispositif d'accompagnement continu
La formation ne suffit pas : l'ancrage des usages passe par un dispositif vivant.
- Communauté de champions IA — relais par direction métier
- Bibliothèque de prompts & cas d'usage partagée
- Office hours / clinique IA hebdomadaires
- Newsletter interne IA
- Mentorat inversé (les plus à l'aise accompagnent les autres)
- Mesure & reconnaissance des usages
Outils & compétences par profil
Une synthèse des socles outils et des compétences clés à viser — utile pour les plans de formation comme pour le recrutement.
| Profil | Outils socles | Compétences clés |
|---|---|---|
| Développeur | Claude Code, Cursor, GitHub Copilot | Prompting code, agent loops, code review IA |
| QA / Testeur | Playwright + LLM, Mabl, Applitools | Génération de tests, jeux de données |
| Ops / SRE | AIOps (Datadog/Dynatrace), K8sGPT | Automatisation scripts, analyse de logs |
| Data / BI | Snowflake Cortex, ThoughtSpot, dbt Copilot | Text-to-SQL, documentation auto |
| Product Owner | Atlassian Intelligence, Claude Projects, Otter | Rédaction US, synthèse d'ateliers, voix du client |
| Chef de projet | Teams Copilot, Otter, Fireflies | Synthèses, reportings, signaux faibles |
| UX / Designer | Figma AI, v0, Midjourney, Firefly | Prototypage rapide, génération d'assets |
| RH | Eightfold, Copilot, LinkedIn Recruiter | Sourcing, rédaction, analyse d'engagement |
| Finance | Pennylane / Dext, Copilot for Finance | Automatisation P2P, reporting commenté |
| Juridique | Harvey, DiliTrust, RAG interne | Analyse de contrats, veille |
| Marketing | HubSpot AI, Jasper, Firefly | Contenu, personnalisation, A/B testing |
| Support client | Zendesk AI, Intercom Fin | Copilote agent, chatbot N1 |
| Manager | Copilot, Claude / ChatGPT | Préparation d'entretiens, synthèses |
| Dirigeant | Copilot, Perplexity Enterprise, Glean | Veille, synthèses, briefings |