Le lab de Sebastián Ocampo
Systèmes d'IA : agents, équipes et résultats
Des cas documentés de systèmes et d'agents d'IA appliqués à de vraies fonctions d'entreprise (le marketing aujourd'hui, la finance et les opérations en chemin) : ce qui a été construit, ce que ça a coûté, ce que ça a produit et comment on le gouverne. Pas de théorie empruntée : de l'opération réelle.
La plupart des contenus sur l'IA en entreprise sont écrits par des gens qui vendent des outils ou qui n'en ont jamais opéré un. Ce lab est le contraire : chaque cas publié ici sort d'un système que je conçois et opère moi-même, avec ses chiffres réels. Le format est fixe et non négociable : quel problème existait, quel système a été construit, ce qu'il a coûté (argent et heures), ce qu'il a produit et quelles règles le gouvernent.
Le lab avance par verticales. La première est le marketing, avec le système complet de cette maison documenté comme cas d'étude : y8y, une publication trilingue opérée par une seule personne avec des agents d'IA. Les verticales suivantes (finance et opérations) seront publiées ici au même format quand leurs cas passeront la même barre : des chiffres réels ou rien.
Je travaille en français, espagnol et anglais, avec un focus sur la Suisse et les marchés européens où un système bien gouverné justifie un ticket élevé : là-bas, la gouvernance n'est pas une annexe, c'est le prérequis d'entrée. Pour discuter de votre cas, le chemin court est le profil.
Cas d’étude
- 2026-07-25 Cas : une étude de marché avec six agents d'IA en parallèle, un jour de capture et un audit donnée par donnée Six agents d'IA travaillant en parallèle, chacun sur un segment du marché, ont capturé en un seul jour 83 offres réelles de direction de l'IA en Suisse et en Europe et les ont converties en un dataset structuré de 22 champs par offre, avec l'URL d'origine sur chaque ligne. Ce qui l'a rendu fiable n'est pas le modèle mais le contrat : champs textuels copiés littéralement, cellules vides quand la donnée n'était pas visible, définitions de chaque statistique gelées dans un fichier, et un audit indépendant qui a recompté chaque chiffre avant usage et trouvé deux erreurs bloquant la publication. Ce cas documente le système complet, ses décisions, son compte honnête et ses défaillances.
- 2026-07-25 Cas : la gouvernance qui signe. Comment une opération avec agents d'IA décide ce qui arrive à publication Gouverner des agents d'IA, ce n'est pas écrire un manuel : c'est convertir chaque règle en un mécanisme qui peut rejeter du travail. Dans cette opération réelle, les règles éditoriales vivent comme 34 tests automatiques qui bloquent la publication (structure validée de chaque pièce, une requête par page, zéro orpheline, style vérifiable), le travail des agents passe ces portes avant qu'une personne le revoie et le signe de son nom, et les défaillances se publient dans un registre visible qui réalimente les règles. Le principe est transférable à toute entreprise : si votre politique d'IA ne peut pas rejeter une pièce de travail par elle-même, ce n'est pas de la gouvernance, c'est une suggestion.
- 2026-07-20 Une personne, trois langues, 300 URL : le système éditorial de y8y avec des agents d'IA y8y.ai est une publication trilingue de robotique opérée par une seule personne avec des agents d'IA : plus de 300 URL indexables en espagnol, français et anglais, avec vérification des sources, données structurées et distribution automatisée, sur une infrastructure à coût mensuel nul (hébergement statique). Le système complet (graphe de contenu en JSON, validation automatique, playbook éditorial et gouvernance humaine du verdict final) est documenté dans ce cas.
Blueprints opérationnels
- 2026-07-26 Blueprint : identifier et prioriser des cas d'usage de l'IA (inventaire, matrice de décision et pilotes qui se mesurent) Pour identifier des cas d'usage de l'IA dans une entreprise, on fait un inventaire de tâches (pas de technologies) en demandant à chaque domaine quel travail est répétitif, coûteux ou en goulot, on note chaque candidat sur une matrice à trois critères (valeur annuelle en heures ou euros, risque de données et d'erreur, et faisabilité avec les outils actuels), et on lance au maximum deux pilotes avec ligne de base mesurée et date de décision, où étendre ou arrêter sont les deux seuls résultats valides. Ce blueprint apporte la matrice avec sa rubrique de notation, le charter de pilote d'une page, trois exemples travaillés et les cinq règles de décision, tels que nous les utilisons dans notre propre opération.
- 2026-07-25 Blueprint : recruter un Chief AI Officer (ce que le marché demande, ce qu'il tait et ce que cette personne doit monter) Avant de recruter un Chief AI Officer, décidez de la figure dont vous avez vraiment besoin : dans un corpus propre de 79 offres récentes de direction de l'IA en Suisse et en Europe, aucune n'utilise ce titre ; le marché recrute des Head of AI et des leaders de transformation, 43% se voient confier la gouvernance et 13 sur 79 doivent construire l'équipe à partir de zéro. Ce blueprint traduit ces offres en décisions : quelle figure recruter selon votre taille et votre secteur, quoi lui demander par écrit (et ce qu'on exige sans l'écrire), le système opératoire d'IA qu'elle doit monter en 90 jours, l'équipe qui arrive ensuite et les KPI réalistes de l'année un.
- 2026-07-24 Blueprint : reconstruire votre opération de contenu avec des agents d'IA (équipe, coûts, risques et adoption) Une équipe de contenu opérée avec des agents d'IA a trois postes réels : abonnements et consommation d'API des modèles (de quelques dizaines à plusieurs centaines d'euros par mois selon le volume et le modèle), la plateforme (de presque zéro sur un site statique jusqu'aux forfaits de CMS, plugins et API de publication), et le poste dominant, la supervision humaine qui revoit et signe chaque pièce. La production par pièce descend à des centimes ou quelques euros de tokens contre des dizaines ou centaines par pièce humaine, mais le total honnête ne sort que de la somme des trois postes : ce blueprint inclut un calculateur interactif avec les prix publiés de Claude et d'OpenAI pour que vous fassiez votre chiffre, pas le nôtre.
Réponses rapides
- Comment mesure-t-on le ROI de l'IA en marketing ? Le ROI de l'IA en marketing se mesure comme (bénéfice incrémental moins coût total) divisé par le coût total, où le coût total inclut ce que presque tout le monde oublie : pas seulement les abonnements, mais les heures humaines de supervision, de revue et de correction. Le bénéfice incrémental se mesure contre une ligne de base préalable (ce que la tâche coûtait ou produisait avant), jamais contre zéro. Sans ligne de base ni compteur d'heures de revue, le ROI présenté est une opinion.
- Combien coûte l'implantation de l'IA dans une PME ? Implanter l'IA dans une PME a trois postes réels : abonnements et consommation d'API des modèles (de quelques dizaines à plusieurs centaines d'euros par mois selon le volume), la plateforme ou les intégrations (de presque zéro avec des outils généralistes jusqu'aux forfaits de logiciels spécifiques), et le poste dominant que presque personne ne budgète, les heures de supervision humaine qui revoient ce que l'IA produit. Un pilote sérieux de deux semaines sur une seule tâche peut ne coûter que l'abonnement déjà payé plus les heures d'une personne ; ce qui coûte des milliers par mois, ce n'est pas commencer, c'est étendre sans avoir mesuré.
- Combien gagne un Head of AI en Suisse ? Les seules fourchettes salariales publiées par des employeurs suisses dans notre corpus d'offres réelles de direction de l'IA (juillet 2026) sont CHF 130 000-150 000 bruts par an (base plus bonus) et CHF 160 000-200 000 par an, cette seconde vue sur un miroir de portail et non sur la page de l'employeur. Ce sont des points de repère d'offres concrètes, pas des médianes de marché : seules 2 des 21 offres suisses analysées publient une fourchette, donc le marché réel se négocie presque toujours à huis clos.
- Combien de temps faut-il pour implanter l'IA en entreprise ? Les délais honnêtes, mesurés sur des opérations réelles : un pilote sérieux sur une seule tâche prend 2 à 8 semaines (deux de montage avec des outils généralistes et le reste de mesure contre ligne de base) ; le système opératoire complet d'IA d'une entreprise (inventaire, politique d'usage, deux pilotes mesurés, comité et KPI) prend environ 90 jours ; et convertir cela en avantage durable est un rythme trimestriel permanent de renotation et de décision, pas un projet avec date de fin. Méfiez-vous des deux extrêmes : le prestataire qui promet la transformation en une semaine et celui qui budgète un an avant de montrer quoi que ce soit de mesurable.
- Mon entreprise est-elle prête pour l'IA ? Votre entreprise est prête pour l'IA si elle peut répondre oui à quatre questions : avez-vous des tâches répétitives à fort volume écrites avec trois chiffres à côté (heures qu'elles coûtent aujourd'hui, volume mensuel et propriétaire) ? Les données de ces tâches sont-elles numériques et accessibles, ni papier ni têtes ? Y a-t-il une personne avec mandat et temps réel pour le porter (une demi-semaine pendant deux trimestres, pas les vendredis) ? Et y a-t-il un sponsor de direction prêt à ce qu'un pilote soit arrêté si les chiffres ne sortent pas ? Si la première échoue, vous n'avez pas un problème d'IA mais de méthode, et cela se corrige en deux semaines d'inventaire ; si les autres échouent, l'IA attendra qu'elles se corrigent.
- Pourquoi les projets d'IA échouent-ils ? Les projets d'IA échouent presque toujours pour cinq causes qui ne sont pas techniques : on choisit la mauvaise tâche (une démo clinquante au lieu d'une tâche à volume avec propriétaire), on ne mesure pas la ligne de base avant de commencer (donc personne ne peut prouver l'amélioration), le pilote n'a pas de date de décision (et vieillit dans un tiroir), personne ne supervise le système après le lancement (la qualité se dégrade en silence quand les données ou l'environnement changent), et les défaillances se cachent au lieu de s'enregistrer (donc elles se répètent). La recherche indépendante pointe dans la même direction : les échecs viennent bien plus de la mauvaise compréhension du problème et des données que du modèle.
- Pourquoi l'IA qui fonctionnait cesse-t-elle de fonctionner ? Parce qu'un système d'IA n'est pas un logiciel de règles : le logiciel traditionnel fait aujourd'hui exactement ce qu'il faisait hier, et quand il casse, il casse au grand jour. Un système qui apprend des données dépend de trois choses qui changent sans prévenir (les données qui lui arrivent, le modèle qui le sert et l'environnement où il opère), et quand l'une change, la qualité ne s'effondre pas : elle glisse. Cela s'appelle la dérive, et elle est invisible sauf si vous la mesurez. L'antidote a quatre pièces : une métrique de qualité mesurée dès le premier jour, un seuil qui déclenche une revue quand la métrique baisse, des versions pour pouvoir revenir à l'état antérieur en minutes, et un rendez-vous trimestriel pour renoter si le système mérite encore d'être en production.
- Qu'est-ce que la certification CAIM ? CAIM (Certified Artificial Intelligence Manager) est la certification de gestion de l'intelligence artificielle délivrée par PECB, un organisme de certification aligné sur les normes ISO. Elle atteste la compétence pour diriger des projets d'IA dans une organisation : les aligner sur les objectifs de l'entreprise, interpréter leurs résultats et garantir la conformité à la réglementation et aux politiques internes. Elle s'obtient en réussissant un examen après une formation en gestion de l'IA, et son axe est la direction et la gouvernance, pas la programmation.
- Qu'est-ce que la gouvernance de l'IA en marketing ? La gouvernance de l'IA en marketing est l'ensemble des règles écrites qui définissent ce qu'un système d'IA peut faire sans approbation humaine, ce qui exige une revue, ce qui est interdit et qui répond de chaque sortie publiée. En pratique minimale, ce sont quatre documents : une liste de tâches délégables par niveau de risque, un flux de revue avant publication, un registre des sources et données que l'IA peut utiliser, et un responsable nommé par système.
- Qu'est-ce qu'un agent d'IA en marketing ? Un agent d'IA en marketing est un système qui exécute une tâche complète de bout en bout (étudier un marché, produire un rapport, préparer une campagne) en utilisant des outils et en enchaînant des étapes intermédiaires par lui-même, à la différence d'un chatbot, qui ne fait que répondre aux messages. La définition pratique tient en trois pièces : un objectif mesurable, un accès à des outils (chercher, lire, écrire, publier) et des limites écrites sur ce qu'il peut décider sans une personne.
- Qu'est-ce qu'un cas d'usage de l'IA ? Un cas d'usage de l'IA est une tâche concrète du métier, avec un propriétaire, un volume mensuel et un coût actuel mesurable, que l'intelligence artificielle peut faire ou accélérer : par exemple, "classer les 900 courriels de support du mois, qui consomment aujourd'hui 45 heures de l'équipe service client". Ce n'est pas une technologie ("mettre un chatbot") ni une intention ("utiliser l'IA en marketing") : si cela ne peut pas s'écrire comme verbe, objet, volume et propriétaire en une ligne, ce n'est pas encore un cas d'usage, c'est une idée.
- Qu'est-ce qu'un Chief AI Officer fractionnaire ? Un Chief AI Officer fractionnaire est un dirigeant IA externe qui travaille pour votre entreprise quelques heures ou jours par semaine au lieu d'occuper un salaire complet : il monte le système (politique d'usage, cas d'usage priorisés, pilotes avec ligne de base, KPI) et forme quelqu'un en interne pour l'opérer. Il a du sens dans les PME sans volume pour un poste complet ; dans notre corpus de 79 offres européennes de direction de l'IA, 21 viennent de cabinets ou de rôles de conseil, signe que ce marché fonctionne déjà. La clause à exiger : documentation opérationnelle et une personne interne formée, pour que le savoir ne parte pas avec le conseiller.
- Qu'est-ce qu'un pilote d'IA ? Un pilote d'IA est un essai borné (4 à 8 semaines, une seule tâche) qui mesure si un système d'intelligence artificielle améliore cette tâche face à une ligne de base mesurée avant de commencer, avec une métrique convenue, un seuil de succès et une date fixe à laquelle on décide d'étendre ou d'arrêter. Ce qui n'a pas de ligne de base, de métrique et de date de décision n'est pas un pilote : c'est une démo prolongée, et les démos prolongées sont la façon la plus chère de ne pas décider.
- Que fait un Chief AI Officer ? Un Chief AI Officer est le responsable de l'usage de l'IA avec une valeur mesurable et un risque contrôlé, et son travail réel a quatre couches : gouvernance (politique d'usage, registre des risques, conformité à des cadres comme l'AI Act européen ou la nLPD suisse), cas d'usage (inventorier, prioriser, piloter avec ligne de base et décider ce qui s'étend), plateforme et données (modèles, outils, accès et sécurité) et adoption (formation, champions internes et KPI rapportés à la direction). En pratique, le marché européen n'utilise presque jamais ce titre : il recrute la même fonction comme Head of AI ou leader de transformation IA.
Comment un cas est documenté dans ce lab
Chaque cas répond à cinq questions dans cet ordre. Le problème : quelle tâche de marketing était chère, lente ou impossible à la main. Le système : quels agents et flux ont été montés, avec quels outils et quel rôle humain. Le compte : coût total (abonnements, infrastructure et heures de supervision) contre production mesurable. Le résultat : ce qui a changé dans les indicateurs qui comptent, avec date. La gouvernance : ce que l'IA peut décider seule, ce qui exige une revue humaine et ce qui est interdit.
L'ordre compte parce que c'est l'inverse du marketing d'outils : là-bas, on commence par la démo et on n'arrive jamais au compte de résultat. Ici, le compte est la deuxième question, et si un système ne le passe pas, le cas le dit.
Les verticales : la même discipline, un autre compte de résultat
Le marketing est la verticale d'entrée parce que sa production est mesurable en public (contenu, positionnement, distribution) et son risque borné. La finance vient ensuite : automatisation du reporting, du rapprochement et de l'analyse, où le coût d'une erreur monte et où la gouvernance passe de recommandable à obligatoire. Les opérations ferment le cycle : les flux internes (support, documentation, contrôle qualité) où les agents travaillent le plus d'heures avec le moins de gloire.
L'ordre n'est pas un hasard : c'est l'ordre du risque croissant. Chaque verticale hérite des règles de gouvernance de la précédente et ajoute les siennes ; dans des marchés régulés comme la Suisse et l'Union européenne, cette traçabilité (ce que l'IA a décidé, ce qu'une personne a revu, avec quelles données) est exactement ce qu'un comité d'achat exige avant de signer.
Skills gratuites pour agents d'IA
Les méthodes de ce lab, empaquetées comme skills installables (format SKILL.md, licence MIT) pour Claude Code, Claude.ai et tout agent qui lit le standard. Chacune est utile seule et renvoie à son blueprint long avec exemples et défaillances. Instructions d'installation dans l'index des skills.
| Skill | Ce qu'elle fait |
|---|---|
| honest-case-study | Écrit des cas d'étude dans les six temps de cette maison : problème, système, compte honnête, résultat mesuré, défaillances et gouvernance. |
| ai-use-case-matrix | Convertit une liste de souhaits d'IA en deux pilotes mesurés : inventaire, matrice à trois critères et charter avec date de décision. |
| research-integrity-contract | Rend citable la recherche avec agents : littéral ou vide, URL par ligne, définitions gelées et recomptage indépendant. |
| honest-ai-cost-account | Calcule le coût réel d'un flux d'IA avec les trois postes : tokens, plateforme et la supervision que presque tous omettent. |
Questions fréquentes
- Faut-il une équipe technique pour monter des agents d'IA en marketing ?
- Pour commencer, non : les premiers systèmes rentables sont souvent des flux de recherche, de brouillons et de contrôle qualité sur des outils existants, montés par l'équipe marketing elle-même. Il faut en revanche une personne qui pense en systèmes (entrées, sorties, revue, métriques) plutôt qu'en astuces de prompts. Le passage à des agents avec accès aux données et publication automatique exige déjà du jugement technique et des règles de gouvernance écrites.
- Quelles tâches marketing faut-il automatiser en premier avec l'IA ?
- Celles qui remplissent trois conditions : elles se répètent chaque semaine, ont un format de sortie clair et leur erreur est bon marché à détecter. En pratique : recherche concurrentielle et de mots-clés, premières versions de contenu, contrôle qualité contre un guide de style, localisation vers d'autres langues et reporting. Ce qu'on automatise en dernier, c'est ce qui touche l'argent ou la réputation sans filet : publication directe, réponses aux clients et achat média.
- L'IA va-t-elle remplacer les équipes marketing ?
- Elle va changer leur forme avant leur existence. Ce qui disparaît, c'est le travail de pure production (versions, formats, traductions, rapports) ; ce qui prend de la valeur, c'est le jugement : quelle histoire raconter, quoi mesurer, quoi ne pas déléguer. Les cas de ce lab montrent des équipes plus petites opérant des systèmes plus grands, avec la personne dans le rôle d'éditeur et de propriétaire du compte de résultat, pas de dactylo.