De nombreuses PME suisses savent que la formation continue est importante. La pénurie de main-d'œuvre qualifiée et les attentes croissantes des collaborateurs renforcent l'importance de formations continues adaptées. Dans le même temps, il est difficile de s'y retrouver dans ce domaine. La complexité de l'offre de formation continue et le manque de temps pour s'y plonger rendent difficile la recherche des formations adaptées. 

Un projet de recherche mené par le SBFI (Secrétariat d'État à la formation, à la recherche et à l'innovation), en collaboration avec la ZHAW et emplution, s’est donc penché sur la manière dont un service d’orientation en formation continue assisté par l’IA pourrait faciliter l’accès des PME aux possibilités de formation continue. L’objectif du projet était de faciliter l’accès : un outil spécifique à chaque secteur qui, sur la base d’un profilage, propose des options de formation continue personnalisées et oriente les utilisateurs vers des conseillers qualifiés en cas de demandes plus complexes. 

Comment nous avons procédé

Au printemps 2025, emplution et la ZHAW nous ont contactés afin de traduire les résultats de leur analyse des besoins en solutions techniques concrètes. Dans un premier temps, nous avons défini ensemble les principes de base : comment le processus de conseil doit-il être structuré ? Quels sont les utilisateurs visés, et quels sont leurs besoins ? Et comment mettre cela en œuvre concrètement sur le plan technique ?

À cette fin, nous avons élaboré ensemble un concept de base. Ce document identifie trois profils types (débutant·e·s, professionnel·le·s, personnes en reconversion) et définit trois cas d’utilisation principaux (obtenir plus d’informations, bénéficier de conseils ciblés pour un objectif professionnel, avoir une vue d’ensemble). La mise en œuvre technique a été conçue de manière à ce que, pour répondre aux demandes des utilisatrices et utilisateurs, le système s’appuie sur une base de données centrale regroupant les offres de formation continue, les conditions d’accès et les parcours professionnels, complétée par une recherche sémantique par similarité et combinée à un ajustement précis des réponses en fonction du contexte sectoriel concerné.

Après réflexion et validation par les deux associations professionnelles Union Suisse des Fiduciaires et JardinSuisse, cela a constitué la base permettant de lancer, à l’été 2025, le projet pilote visant à la mise en œuvre concrète de l’outil. 

Nous avons tout d'abord abordé la question de la collecte des données et des sources prévues à cet effet. Le concept de base prévoyait initialement un graphe de connaissances avec une base de données vectorielle. Cependant, la recherche Web assistée par IA ayant rapidement évolué au cours du projet, nous avons adapté notre stratégie. Nous ne voulions pas nous accrocher aveuglément au concept initial alors que de meilleures options étaient disponibles (voir l'encadré). Il en a résulté une recherche Web décentralisée reposant sur l’ingénierie des prompts, plutôt qu’un système de connaissances centralisé. Cette configuration a donné naissance au « co-pilote », qui a été utilisé en décembre 2025 lors d’une première série de tests utilisateurs. Emplution a analysé les résultats. En janvier 2026, les ajustements ont été intégrés, notamment au niveau de l’orchestration des agents et de l’ingénierie des invites. Un deuxième test a suivi selon le même schéma, puis le rapport final et la présentation finale ont eu lieu au printemps 2026. Le résultat est accessible au public sous forme de publication.

Mise en œuvre technique

L'architecture et nos réflexions à ce sujet

Intégrer une IA à une interface de chat est un jeu d'enfant. Mais pour que l'outil puisse réellement conseiller et ne se contente pas de répondre, il faut plus qu'un simple appel de modèle. Dans le backend, trois agents spécialisés travaillent désormais de concert : l’un pour le profilage et le dialogue, un autre pour la recherche, et le dernier pour le transfert vers un conseiller.

Avant de le développer, la question architecturale se posait : comment ces agents doivent-ils interagir ? Il existe pour cela des approches très différentes, et ce choix détermine la fiabilité et le coût final du système. À une extrémité, on trouve un système entièrement autonome, dans lequel le modèle décide lui-même librement de la prochaine étape à suivre et de l’outil à utiliser. Cette approche est flexible, mais difficile à anticiper et plus coûteuse à l’exploitation. À l’autre extrémité, on trouve un processus rigide ne laissant aucune marge de manœuvre. Nous avons pesé le pour et le contre de ces options et avons opté pour une solution intermédiaire : un processus clairement défini comportant des points de décision où le système choisit la prochaine étape en fonction de la situation.

Nous avons mis cela en œuvre à l'aide de LangGraph, un moteur de workflow spécialement conçu pour ce type de processus. Il modélise le système sous forme de graphe. Chaque agent est un nœud qui accède à un état commun, c'est-à-dire au profil en constante évolution de l'utilisateur·trice concerné·e et au déroulement de la conversation. Des transitions conditionnelles déterminent quel agent intervient ensuite. Si une recherche échoue, le système passe à la redirection. Si le contexte est suffisant, la recherche démarre. Une limite maximale fixe empêche les boucles infinies. Les entrées sont en outre encapsulées afin de prévenir l’injection de messages.

Pour le cas d'utilisation d'une consultation, ce juste milieu s'est avéré être le bon choix. Le déroulement est compréhensible, le comportement prévisible et le fonctionnement moins coûteux qu'un système agissant de manière autonome. En même temps, cela laisse suffisamment de marge de manœuvre pour que le co-pilote puisse répondre à différentes demandes.

Structure 

Le système se compose d'un frontend et d'un backend, qui sont développés séparément. Le frontend gère l'interface de chat destinée aux utilisateurs, tandis que le backend contient la logique des agents et assure la connexion aux services externes.

En substance, trois agents spécialisés travaillent ensemble : 

• Un agent de profilage recueille dans un premier temps les informations pertinentes concernant la personne et ses objectifs. 

• Un agent-conseiller traite la demande et recherche, sur la base du profil, des offres de formation continue adaptées. Pour ce faire, il utilise une recherche Web assistée par IA via Perplexity, qui donne la priorité aux sources pertinentes pour le secteur.

• Un agent de routage détermine si la demande peut recevoir une réponse immédiate ou à qui elle doit être transmise pour un conseil humain.

Pour ceux qui souhaitent en savoir plus sur les détails techniques : le code complet du « co-pilote », documentation comprise, est disponible sur GitHub sous forme de projet open source.

Ingénierie contextuelle

Ce que font les agents est une chose. La manière dont ils le font en est une autre. L'essentiel du travail consiste à fournir aux modèles le contexte adéquat afin d'obtenir au final le résultat escompté. Chaque agent reçoit des instructions détaillées et spécifiques à son secteur d'activité. L’agent de conversation connaît par exemple les parcours professionnels typiques dans le secteur de l’horticulture (CFC, examen professionnel, examen professionnel supérieur, maîtrise) et ne pose qu’une seule question complémentaire par réponse. Les tests ont montré qu’un trop grand nombre de questions frustre rapidement les utilisateur·rice·s.

Les contenus sont par ailleurs hiérarchisés. Les qualifications professionnelles priment sur les diplômes universitaires : un diplôme d'apprentissage débouche d'abord sur un examen professionnel et un certificat de compétence, tandis qu'un bachelor mène plutôt à des CAS, DAS et MAS. Les réponses des agents suivent des schémas bien définis afin de garantir la cohérence du format. 

Cette réflexion approfondie a également bénéficié de l'expertise de spécialistes externes. Les associations professionnelles TreuhandSuisse et JardinSuisse, ainsi que les expert·e·s en conseil d’emplution, ont évalué le comportement du co-pilote. Nous avons directement intégré leurs retours d’expérience – concernant ce qui constitue une bonne réponse et les pratiques courantes dans le secteur – dans l’ingénierie des prompts et du contexte.

Ces deux éléments sont essentiels pour ce type d'applications : l'échange avec des experts et une approche itérative permettant de mesurer si une modification améliore ou détériore le résultat. Sans mesure, toute adaptation du prompt reste une simple intuition. Pour cela, nous utilisons Langfuse afin de suivre chaque appel du modèle, y compris son coût et son temps de réponse, ainsi que Promptfoo, pour tester systématiquement les différentes variantes de prompts les unes par rapport aux autres.

En quoi cette configuration diffère-t-elle d'une simple connexion à un LLM ?

Ce qui distingue principalement cette configuration d'une simple connexion à un LLM, c'est le routage conditionnel entre les agents, un profil conservé tout au long de plusieurs étapes, des réponses structurées et vérifiées plutôt que de simples réponses en texte libre, ainsi que deux modèles distincts pour des tâches différentes : Azure OpenAI pour le dialogue et la classification, Perplexity pour la recherche Web en temps réel.

De plus, nous avons eu recours à ce que l'on appelle le « domain boosting » : les moteurs de recherche généraux basés sur l'IA privilégient ce qui est facile à trouver. Il s'agit souvent d'établissements d'enseignement supérieur dotés d'un site web performant et d'un bon référencement, et pas nécessairement des prestataires de formation professionnelle les plus pertinents pour notre groupe cible. Lors du test, la requête « Gärtner Pool » (jardinier spécialisé dans les piscines) a par exemple renvoyé un CAS universitaire au lieu du cours JardinSuisse correspondant.

Grâce au « Domain Boosting », nous pouvons mettre en place ce qui suit : pour chaque secteur d'activité, nous enregistrons une liste de huit à douze sources privilégiées, par exemple jardinsuisse.ch et des écoles d'horticulture reconnues pour le secteur du jardinage, ou treuhandsuisse.ch et des écoles spécialisées reconnues pour le secteur fiduciaire. La recherche privilégie ces sources, sans pour autant exclure les autres. Les offres des établissements d'enseignement supérieur continuent d'apparaître, mais ne s'affichent plus automatiquement en premier.

Il s'agit toutefois d'une correction, et non de la solution à un problème fondamental. Le biais académique est inhérent aux index web eux-mêmes. Mais grâce à la liste de sources privilégiées, nous le compensons.

Résultat

Comment l'outil fonctionne pour les utilisateur·rice·s

Le Co-Pilot permet aux utilisateurs d'avoir une vue d'ensemble des offres de formation continue adaptées et spécifiques à leur secteur. Pour commencer, il propose des suggestions prêtes à l'emploi qui peuvent être utilisées directement, par exemple :

• « J'ai terminé mon apprentissage et j'aimerais connaître les possibilités de formation continue »
  ou

• « Je travaille dans ce secteur depuis des années et je me demande quelles autres possibilités s'offrent à moi. » 

Si vous souhaitez vous lancer directement, il vous suffit de cliquer ou de saisir vos propres critères.

Le chatbot intervient alors dans la conversation, présente les étapes suivantes habituelles et demande : « Souhaites-tu en savoir plus, cherches-tu des options possibles ou souhaites-tu trouver directement des prestataires de formations et les conditions d'admission ? »

Les propositions du co-pilote mettent l'accent sur la formation professionnelle continue plutôt que sur les diplômes universitaires, même si ces derniers figurent bien sûr parmi les options proposées.

Les enseignements tirés des études sur les utilisateurs et des tests

Lors des entretiens, les questions portaient principalement sur des aspects concrets liés au secteur : quelles formations existe-t-il encore dans mon secteur ? Comment puis-je obtenir un salaire plus élevé ? Quelles seraient les possibilités si je changeais de poste, par exemple pour occuper un poste administratif ? Et que faut-il faire pour y parvenir ?

Le chatbot répond directement à ce type de questions et propose des offres de formation continue adaptées. Il constitue un premier point de contact, présente les possibilités existantes et s'adapte à la situation individuelle de l'utilisateur·rice. En cas de demandes plus complexes, il oriente l'utilisateur·rice vers des conseillers·ères qualifié·e·s.

Les tests utilisateurs ont montré que les jeunes utilisateurs, en particulier, adoptent bien cet outil et apprécient la possibilité qu'il leur offre d'interagir avec lui. Les connaissances spécifiques au secteur jouent ici un rôle déterminant, car c'est ce qui permet à l'application de se démarquer des chats IA génériques.

Dans le même temps, une chose est apparue clairement : les historiques de discussion révèlent des schémas d’interaction très variés. Le chatbot ne répond pas aussi bien à tout le monde et, pour certaines questions (par exemple, la reconnaissance des diplômes), les utilisateurs préfèrent un conseil humain. La majorité des utilisateur·rice·s interrogé·e·s se sont déclaré·e·s satisfait·e·s de la convivialité de l’outil et l’ont jugé facile à utiliser. Les plus jeunes avaient tendance à interagir davantage avec le co-pilote et se sont montrés globalement plus satisfaits. 

Le co-pilote ainsi créé est polyvalent. Il offre ainsi diverses possibilités d'extension et cas d'utilisation :

• Secteurs et compétences, différenciations pour des domaines professionnels spécifiques (par exemple, les métiers exposés à l’IA) ou des situations particulières (par exemple, celles spécifiques aux jeunes diplômés de l’apprentissage ou aux cadres)

• Intégration du coaching d’apprentissage, de la formation professionnelle/pratique, etc.

• Extensions techniques telles que les connexions à MCP (accès à des données de cours structurées) ou l’intégration de bases de données

Évaluation de notre approche à l'intention des fournisseurs d'outils

Du point de vue des prestataires, on peut retenir les avantages suivants :

• L'outil existant est relativement facile à étendre. Si l'on souhaite, par exemple, proposer des conseils en matière de formation continue dans un nouveau secteur, cela nécessite une nouvelle liste de sources et des invites adaptées, mais pas de nouveau code. La mise en place et la maintenance d’un graphe de connaissances centralisé doté de son propre pipeline de données auraient été nettement plus complexes.

• Le coût par requête des utilisateur·rice·s reste très faible. Nous n’exploitons pas notre propre infrastructure de recherche et ne gérons pas de base de données de formations. Même avec 1 000 utilisateur·rice·s, les coûts liés au modèle seul sont inférieurs à 150 francs par mois. La majeure partie de ce montant est liée à la recherche sur le Web, et non au modèle linguistique. L’outil est ainsi évolutif.

• Le prix à payer pour cette approche est la transparence plutôt que le contrôle total. Nous gagnons en actualité, en évolutivité et en simplicité de maintenance, mais nous renonçons à la vérifiabilité sans faille de chaque donnée, comme le permettrait une base de données interne gérée par nos soins. À nos yeux, c’est une approche judicieuse pour atteindre l’objectif d’offrir un accès sans barrière.

Conclusions et perspectives

Le Co-Pilot est utile car il propose un processus interactif et progressif qui place le contexte personnel au cœur de l'expérience. C’est ce qui lui confère toute sa valeur ajoutée, et c’est principalement ce qui le distingue, aux yeux des utilisatrices et utilisateurs, des chatbots à usage général tels que ChatGPT. Pour offrir cette valeur ajoutée, un important travail d’ingénierie contextuelle est nécessaire, afin que l’outil utilise correctement les outils mis à sa disposition et accomplisse finalement ce qu’il est réellement censé faire. Cet aspect est fondamental et ne doit pas être sous-estimé : l'intégration d'une IA est relativement rapide. Mais pour qu'elle fonctionne ensuite comme on le souhaite, il faut du savoir-faire et du temps.

Pour vérifier l'efficacité du modèle, la validation est essentielle. Dans le cas des produits intégrant l'IA, celle-ci diffère considérablement de celle des logiciels classiques : on ne peut pas vérifier directement si quelque chose fonctionne, du genre « le bouton s'allume-t-il en vert quand je clique ? ». Le résultat fourni par l’IA doit être évalué tant sur le fond que sur la forme et la facilité d’utilisation. Cela nécessite des connaissances thématiques et une expertise pour déterminer si une réponse est pertinente et utile. Par conséquent, cela demande également du temps et de l’attention.

Enfin, c'est précisément le « domain boosting » utilisé qui met en évidence l'importance de sites web bien structurés pour permettre aux outils d'IA de trouver du contenu (mots-clés : plan du site, données structurées). Cela a une influence directe sur la visibilité des organisations et de leurs offres dans un environnement de recherche piloté par l'IA. La bonne nouvelle, c’est qu’il est possible d’optimiser et d’améliorer activement cet aspect. Nous serons ravis de t'aider : pour en savoir plus, consulte notre offre aux applications web et aux sites web.

Nous sommes impatients de voir ce que donneront ce projet pilote et l'outil qui a été créé, et nous serions ravis de pouvoir continuer à participer activement à son développement.

Pour nous, ce fut un projet passionnant qui a mis à l'épreuve plusieurs de nos compétences et qui s'est conclu par un projet pilote avec de vrais utilisateur·rice·s et de nombreux enseignements. L'ingénierie contextuelle a été au cœur de ce projet et le restera sans doute dans les années à venir. Parallèlement, le domaine des intégrations d'IA évolue rapidement. Ce projet montre donc qu'il vaut la peine de rester flexible. En évitant de s'en tenir rigoureusement à son concept initial, on peut intégrer de meilleures solutions en cours de route et, au final, en tirer bien davantage.

As-tu une idée de la manière dont tu souhaites intégrer l'IA dans ton projet ? Ou souhaites-tu savoir comment un co-pilote IA pourrait fonctionner dans ton contexte ?