Du 1er août au 1er novembre, j'étais dans le Finance Circle. C'est là que tout a commencé

J'ai accompagné le déménagement du domaine Finance hors de notre wiki Atlassian. La nouvelle solution n'était pas encore décidée. Alors j'ai d'abord tout mis sur Google Drive. Ça ressemble à un simple rangement. En réalité, c'était un bon point de départ pour voir à quel point les connaissances s'accumulent chez Liip, et où elles se trouvent.

Mes tâches dans le Circle :

• La responsabilité de notre adresse e-mail Finance, où arrivent toutes les factures. Je les ai vérifiées et saisies dans RMA, notre système de finance.
• Le rapprochement mensuel des cartes de crédit, pour lequel je cherchais chaque fois du potentiel d'automatisation.
• La mise à jour des archives NDA. J'ai repris tout l'historique et construit quelques automatisations dans Google Sheets, pour que plus personne n'ait à chercher à la main où se trouve tel ou tel contrat.

Ce que j'ai le plus aimé, c'était de pouvoir chercher librement du potentiel d'automatisation et faire des recherches là-dessus. Les grands transferts de données étaient moins passionnants. Un bon conseil pour ça : lancer un podcast, et ça passe tout seul. La tâche la plus typique du Finance Circle, pour moi, c'était le rapprochement mensuel des cartes de crédit. Exactement le genre de travail qui fait tourner une entreprise en arrière-plan.

Dans le Finance Circle, je n'ai pas appris des chiffres en premier lieu, j'ai appris comment Liip fonctionne comme entreprise.

Du 1er novembre au 1er février, j'étais dans le Drupal Zürich Circle. C'est là que les choses sont devenues plus concrètes

Ici, j'ai pu pour la première fois endosser un peu le rôle de PO. Avec Petra, j'ai accompagné un projet. Sur d'autres projets, j'ai d'abord observé et pris en charge de petites tâches pour comprendre le business derrière. C'était un rythme différent du Finance Circle. Au lieu de reprendre des processus existants, je devais comprendre comment un projet client naît, depuis la première demande jusqu'à la réalisation.

Plus tard, des tâches plus importantes sont arrivées :

• Le PO testing après la première réalisation par l'équipe de développement
• Un manuel pour le backend Drupal, que j'ai écrit de zéro

Pour ce manuel, les explications devaient être assez simples pour que même quelqu'un sans bagage en code puisse s'en servir. C'était le plus grand exercice pour moi.

Même si c'est un Circle de production chez Liip, je n'y ai jamais codé moi-même. À l'école professionnelle, j'ai eu affaire à Python. Ce n'était vraiment pas mon truc, cela dit. Ce que j'apprécie beaucoup : Petra me pousse toujours vers le code dans nos syncs, en m'expliquant ou en me montrant des choses. Dans le Circle lui-même, j'ai eu beaucoup à faire avec le backend et le frontend, mais jamais directement dans le code. Le moment le plus cool pour moi, c'était de terminer le manuel. Ensuite sont arrivées beaucoup de réactions positives et reconnaissantes.

Dans le Drupal Zürich Circle, j'ai appris ce que Liip représente vraiment comme entreprise.

Du 1er février au 1er août, j'étais dans le Design et Content Circle. C'est là que j'ai pu montrer ce que j'avais appris

Dans ce Circle, tout tournait beaucoup autour de l'IA avec un focus sur le contenu, que ce soit la création, le traitement ou les guidelines. Pour des projets clients, j'ai pu :

• Rédiger des prompt sheets pour des Textmates
• Tester des optimisations de processus
• Écrire mon propre article de blog
• Construire mes propres outils d'IA
• Aider lors de formations et de workshops, puis les co-construire moi-même

Ça va de la préparation des documents jusqu'au soutien actif pendant le workshop lui-même, quand des personnes ont des questions ou restent bloquées sur un exercice.

Le workshop que j'ai mentionné au début, c'était avec Caritas St. Gallen und Appenzell. C'était en même temps notre tout premier Responsible AI Workshop. Pendant l'année où j'ai moi-même grandi chez Liip, notre expertise sur ce sujet s'est aussi beaucoup développée.

Je n'étais resté aussi longtemps dans aucun autre Circle. Ça a fait une différence. J'étais beaucoup plus intégré dans le travail du Circle. Surtout dans la deuxième moitié, j'ai remarqué à quel point on m'a fait confiance et donné des responsabilités pour réaliser des choses seul. Sur le fond, le travail ici était particulièrement intéressant : il tournait beaucoup autour du contenu interne de Liip, combiné à des workshops pour des clients où on pouvait transmettre notre savoir. C'était encore différent des deux Circles précédents.

Dans le Design et Content Circle, je n'ai plus seulement pu apprendre, j'ai pu transmettre moi-même.

Ce qui s'est construit sur l'année

Quand je mets les trois cercles côte à côte, je vois surtout une courbe au niveau des responsabilités. Dans le cercle Finance, j'ai repris des processus déjà en place, et j'ai découvert au passage les personnes, les outils et le fonctionnement de Liip. Dans le cercle Drupal Zürich, il s'agissait davantage du vrai métier de Liip, le développement web, et j'ai déjà pu prendre mes propres décisions en PO testing, et même rencontrer des clients. Dans le cercle Design et Content, j'ai pu utiliser ce savoir pour travailler sur des tâches stratégiques, construire mes propres outils et co-construire des workshops.

Chaque cercle m'a préparé au suivant. Pas parce que je l'avais planifié moi-même, mais parce que c'est exactement le système derrière la formation d'Entwickler Digitales Business chez Liip. Je le vois le plus clairement avec l'automatisation. Dans le cercle Finance, j'ai appris avec le rapprochement des cartes de crédit à décomposer un processus et à chercher du potentiel d'automatisation. J'ai eu besoin exactement de cette façon de penser dans le cercle Design et Content, quand j'ai construit mes propres outils d'IA. Sans la première étape, je n'aurais pas pu aborder la troisième de cette façon.

Une chose s'est retrouvée dans les trois cercles, et elle n'a rien à voir avec des connaissances techniques. J'ai appris que je peux aller vers les autres et demander de l'aide. Pas parce que je suis apprenti et que c'est permis, mais parce que chez Liip, c'est simplement normal pour tout le monde.

La confiance n'est pas venue d'un coup chez moi, elle est venue cercle après cercle, et c'est ce qui m'a le plus changé depuis août dernier jusqu'à aujourd'hui.

Comment se présente ta propre courbe d'apprentissage? Est-ce qu'elle se construit aussi étape par étape chez toi, ou plutôt par sauts?

But anyone working in branding and corporate communications knows the dilemma:

• Faster and more consistent: yes, please!
• Losing control over positioning: no, thanks.

We revised our own content strategy — with the help of AI. And looked for a way to resolve that dilemma: an efficient process that keeps control in human hands.

Where to start

Liip sharpened its positioning goals, which meant our content strategy needed a revision too.

For this, I worked with Claude: we have Enterprise access at Liip, and I use the desktop app.

As a first step, I set up a new project. I give it a clear title and describe what I'm trying to achieve.

I can also feed the system context information that it takes into account across all the work within that project.

In this case, relevant context included:

• The organization's vision and strategy
• Positioning goals
• Existing personas
• Approval processes and relevant governance

Anything relevant to the content strategy goes into the project as context. This matters especially when several stakeholders or language regions have a say in the final result: the system proposes — but it knows the guardrails within which a proposal actually holds up.

This context provides a solid foundation for an approach that's both grounded and efficient.

From there, the actual work on the content strategy itself can begin.

I wanted to sharpen our core messages and target groups — two building blocks we'd been developing further as part of our new positioning.

Working with the system

For each building block, I had two options:

• Have Claude generate a first proposal, derived from the context I'd provided.
• Sketch out roughly what I had in mind, and let the system turn it into a full version.

Either way gives me a starting point I can refine further — alone, with the system, or with the team. The AI doesn't write my strategy; it simply supports me through the process.

What it takes is the moment where I step back from what's been generated, reflect on whether it actually serves our goals, and bring in my own judgment.

To get a fresh perspective on generated proposals, I like to pull in colleagues. Through this process, I developed a first complete version of our core messages, which I then took to the team for feedback.

Depending on where you're starting from, you can work through the different building blocks this way. The system makes sure everything builds on what came before in a meaningful way.

What's a system prompt?

Once my revised strategy is in place, I take it one step further: I derive a system prompt from it.

A system prompt is the overarching instruction you give a model once, which then automatically applies to every following interaction in that context — unlike the actual prompt, which you write fresh for each individual request.

In effect, I've built myself an assistant that supports me — or others on the team — in creating new content, while automatically paying into our content strategy:

• The system asks me who the content is for, and surfaces the pain points and content needs that fit.
• The system asks which core message should take the lead, and helps me align the content with it.
• The system walks me through every other relevant dimension — step by step.

From there, the system prompt can keep being refined as you work with it — for instance, once you realize that the channel you're writing for actually matters.

More than a tool trick

This is where, for me, the point that often gets missed becomes visible: automation only scales what's already structurally sound.

The system prompt is only ever as good as the content strategy it's derived from. The real work wasn't the prompting — it was sharpening the strategy. The strategic decisions — what we stand for, who we want to reach, with which message — were made by the team.

If you're curious, try it on a single building block: bring in the context, pick a topic, let it generate a proposal or sketch, fine-tune it with a colleague.

If you're already working with us and your content strategy could use a reality check, reach out: together, we can gather and review what you already have, then set it up in whichever AI tool your team prefers.

Working in the public sector and wondering how a process like this fits with your approval and compliance requirements? Let's talk — we have experience setting up AI-supported processes within existing governance structures.

Nevertheless, there is a lot of knowledge involved in getting something basic working in any of these frameworks. In this blog post I will explore what the most stripped down version of such a framework could look like, while still keeping the ergonomics of a reactive framework.

Let's get right into it.

Imagining the framework

To make this concrete, I built a small framework called effectlayer. I will explain its building blocks in this blog post.

Building blocks

The framework is built around a single JavaScript class, which the framework enhances with reactive behavior. That reactivity is powered by Signals, a common primitive used in frameworks such as Vue, Svelte, and SolidJS.

State

All class properties are treated as state. The framework turns them into Signals, so no state annotations are needed here:

class MoodSwing {
  energy = 5;
  coffee = 0;
}

Computed Values

Computed values use standard JavaScript getters. The framework treats them as derived Signals that update automatically when their dependencies change:

  get mood() {
    if (this.energy > 8) return "🤪";
    if (this.energy > 4) return "😀";
    if (this.energy > 0) return "😑";
    return "😴";
  }

Mutations

Methods are a natural fit for mutations:

  drinkCoffee() {
    this.coffee++;
    this.energy = Math.min(10, this.energy + 3);
  }

  work() {
    this.energy = Math.max(0, this.energy - 2);
  }

Effects

The last concept we need is effects. Effects are a fancy way of saying "a thing that executes when dependent Signals change".

I chose methods starting with $ for annotating them:

  $monitor() {
    if (this.coffee > 10) console.warn("You may want to slow down.");
  }

The framework sees that $monitor() uses coffee. After coffee changes, it calls the method again.

HTML

Rendering HTML is also an effect that just returns JSX.

  $ui() {
    return (
      <main>
        <h1>{this.mood}</h1>
        <button onClick={() => this.drinkCoffee()}>☕ Coffee</button>
        <button onClick={() => this.work()}>💻 Work</button>
      </main>
    );
  }

All that is left is to make the class reactive by wrapping it in an effectlayer call:

const moodSwing = effectlayer(MoodSwing);
moodSwing.$monitor();
document.body.appendChild(moodSwing.$ui());

Calling an effect once activates it. This means $monitor() will now run whenever coffee changes.

The $ui() call returns an HTML element and keeps it up to date.

All the concepts we need

So basically the framework only needs four concepts:

• properties for state
• getters for computed values
• methods for mutations
• methods starting with $ for effects

If you want to try out this experimental framework use:

npm create effectlayer

Or check it out on npm.

Deep Dive?

Let me know if you want to see a deep dive into how I built this framework: falk.zwimpfer@liip.ch

Let's be honest: the gen-AI hype is a threat to my content business. We're seeing companies hold back investment in their content. Why?

The capabilities of generative AI make it clear that our field is about to change significantly. But this field is broad — it brings together very different skill sets and areas of work.

So the interesting question becomes: how exactly will content work in organizations change?

A shift in roles

A study by AG CommTech and GK Personalberatung looks at how roles and skills are shifting in the communications profession. Their meta-study shows that what's needed today is a combination of technological efficiency and human authenticity — a growing need for experts who can interpret data, use AI to extract relevant insights from it, and translate those insights into effective communication strategies.

In other words, strategic skills matter more than ever.

More quantity, less quality?

Why is that?
Let's look at one visible area: generated text.

A Stanford study from early 2026 shows that around 35% of all newly published websites are now AI-generated or at least AI-assisted.

The volume of generated content is growing fast. But what about quality?

That's not a simple question, since quality has several dimensions.

Let's ask Claude about it. The bot points to a survey by the Content Marketing Institute, in which only 17% of B2B marketers rate the quality of AI-generated content as excellent or very good. 44% rate it as good, 35% as "fair," and 4% as poor. At the same time, 67% say they trust AI output only moderately, and 28% say they trust it little.

That's not exactly a robust finding, but it matches my own experience. So let's dig into the question: how does this middling track record come about?

Input quality equals output quality

AI can do a lot, but it can't work miracles. LLMs need a solid foundation to produce good results.

If I want to generate content for my company's channels, a solid foundation means the following:

• Complete data — AI can't generate reliable content if it can't find the relevant information in your existing content.
• Target group needs and questions as the central point of reference for the content.
• A content playbook that personalizes the output and aligns it with the organization's communication rules and goals.

That's a fairly sobering realization if you were hoping gen-AI would simply take the work off your hands. Depending on where you're starting from, meeting these requirements actually creates new work first.

But it also shows exactly where you can start to raise the quality of your generated content.

These requirements put user-centricity and content strategy & guidelines squarely at the center — which brings us right back to strategic skills.

In an upcoming post, I'll describe what belongs in a content strategy, in my view, and which elements deserve priority.

As the cost of content production trends toward zero, two things gain massively in importance:

• Quality of content
• Visibility and findability of content

Generative Engine Optimization (GEO) for the benefit of users

Visibility and findability of content is increasingly becoming a question of AI visibility: whether your own content and your own brand show up in the answers and results of AI chatbots and agents.

Here's some reassurance: LLMs prioritize content based on criteria that are also relevant to users.

Beyond the technical dimension – content must be readable and usable for AI systems – content also needs to meet the following dimensions:

• Built around the user
• Trustworthy
• Clear thematic positioning

This means the two aspects – quality and findability of content – are closely linked.

For a team to reach the point of producing content at this level of quality, we first need to clarify the fundamentals: without a clean alignment, no content team in the world is able to produce content of this quality in the medium term.

The Triple Content Line

We define our alignment as a content team across the following elements:

• Content strategy
• Content guidelines
• Content governance

As a team, this is where we agree on the common denominator for our content work. Only this way can we produce quality content that meets both internal and external requirements.

The line between content strategy and content guidelines isn't always easy to draw.

What belongs in a content strategy?

There's no definitive answer to what belongs in a content strategy. And beyond that, I'd describe a content strategy more as an ongoing area of work than as a finished document.

For me, the following elements belong in a content strategy:

• Content goals: What do I actually want to achieve with my content?
• Target audiences and their content needs
• Content journeys of the target audiences
• Channel strategy: Which channels do we work with, and how do they play together?
• Key messages
• Success measurement
• Interfaces to content governance and content lifecycle management

What belongs in content guidelines?

Unlike content strategy, content guidelines need to be embedded in day-to-day work. Alongside fixed reference points (e.g. the targeted language level), they often contain principles for us:

• Language level
• Language rules (e.g. consistent formatting of dates, currencies, and similar, but also topics like gender-neutral language or how to address target audiences)
• Tone of voice
• Page types
• Tools
• ...

What belongs in content governance?

Content governance defines who on the content team is responsible for what – and how we work together to make sure strategy and guidelines are actually put into practice. Without governance, strategy and guidelines remain well-intentioned documents that get lost in day-to-day business.

For me, the following elements belong in content governance:

• Roles and responsibilities: Who creates, who reviews, who approves?
• Approval processes: How does content move from idea to publication?
• Maintenance and update processes: Who is responsible for updates, and when?
• Quality assurance: How do we ensure guidelines are being followed?
• Escalation paths: What happens in case of disagreement or edge cases?
• Interfaces to other teams (e.g. design, product, marketing)

The goal? Interplay

Content strategy, content guidelines, and content governance work together: strategy sets the direction, guidelines translate it into daily practice, and governance ensures that both actually happen rather than just existing on paper. Only through the interplay of these three elements does content emerge that is consistent, trustworthy, and findable – both for users and for AI systems – while also meeting the positioning goals of your own organization.

Content production is getting cheaper. But without these fundamentals, it stays arbitrary – no matter how powerful the tools become. Whoever invests in strategy, guidelines, and governance now is laying the foundation for content that will still be found, understood, and trusted tomorrow.

How Generative Engine Optimization (GEO) works in practice will follow in upcoming posts.

A brief history of LiipGPT and ZüriCityGPT

2023, Chregu released the first version of LiipGPT. 2024, we were able to use only open-source models on ZüriCityGPT. 2025, we switched the open-source version to the newly released Apertus model. In this blog post, we talk about the insights gained since then.

Setting up the experiment

LiipGPT, our generative AI framework, has a pluggable model layer. That means we can swap the underlying language model without changing anything else — same Retrieval-Augmented Generation (RAG) pipeline, same knowledge base of official content from stadt-zuerich.ch. This gave us a straightforward way to compare models in a real deployment.

The production system at zuericitygpt.ch runs GPT-4o-mini on Azure Europe. Alongside it, we run an open-source variant at oss.zuericitygpt.ch where in the past we compared Llama and Mixtral models. We switched the open-source variant to Apertus-70B when it was released in September 2025, then moved to Infomaniak-hosted Apertus in April 2026. (To be clear: ZüriCityGPT itself and the LiipGPT platform are not open source — but the underlying language model on the OSS variant is.)

We run Apertus as the 70-billion-parameter model. It was trained from scratch on the Alps supercomputer using Swiss hydroelectricity, with 15 trillion tokens of training data spanning over 1,800 languages. It is fully open-source under an Apache 2.0 licence.

Over the last eight months, we collected over 39,000 conversations on the production side and 3,400 on the open-source side. Quality is measured using three metrics: how often an answer is acceptable (Match Rate), how often it is actually good (Match Rate +1), and how faithfully it reflects the source documents (Faithfulness). These are metrics our LiipGPT team has established as practical product metrics, not scientific benchmarks — the data is calculated real-time and asynchronously by the LiipGPT platform while users ask different questions over time, evolving website content, and model endpoint changes. Parts of the analysis were prepared with the help of Claude. Our aim is not to provide a scientific study but more a practical report. I share these results with the Apertus community because real-world deployment data of this open-source model is rare — and we think it's useful.

What we observed

Both models get the job done. On the basic question — does the user get an acceptable answer? — both models perform similarly. GPT-4o-mini scores 81%, Apertus 82% on historically matched questions. In a controlled test with 20 identical questions asked at the same moment, both hit 100%. Both models generally work as expected.

The gap shows up in answer quality. When we raise the bar to "is this answer actually good?", GPT-4o-mini scores 72% and Apertus 55%. That is a noticeable difference, and it matters for users who expect precise, well-structured responses.

Faithfulness is more nuanced than we expected. GPT-4o-mini averages 0.79, Apertus 0.50 on our faithfulness metric. But these numbers need context. We noticed something we started calling the "faithfulness paradox": when a model says "I cannot answer this," you might expect high faithfulness — no hallucination, after all. In practice, these evasive answers score low because the model is failing to use information that is available. A model that engages with its sources and cites them scores higher, even though it is making more verifiable claims. Both behaviours have tradeoffs, and both showed up across the two systems.

Sometimes Apertus gave the better answer. The most striking example was the waste dump question: "What are the rules for using the Zurich waste dump?" GPT-4o-mini responded cautiously, saying it could not provide specific rules. Apertus gave a detailed, structured answer with recycling centre details, phone numbers, and cited sources — scoring 6/6 on quality where GPT-4o-mini scored 3/6. When the knowledge base contains a clear, structured answer, Apertus can be surprisingly good at extracting and presenting it.

That said, this willingness to commit cuts both ways. In cases where the source material is ambiguous, Apertus can feel more helpful while being less strictly grounded — and for public-sector chatbots, traceability matters as much as helpfulness.

GPT-4o-mini is more concise and better at synthesis. Apertus tends to produce longer, more verbose answers. In a public-service chatbot, that is a real UX issue — users want a direct answer with clear next steps, not three paragraphs of context.

GPT-4o-mini also handles factual freshness better: it returned Zurich's current population (452,421), while Apertus fell back to a 2013 figure. When information has changed or the answer requires connecting multiple sources, GPT-4o-mini felt more reliable.

Language switching is a weak spot. When we asked "Est-ce que tu parles français?", GPT-4o-mini responded fluently in French. Apertus declined, saying it could not answer questions about its own linguistic capabilities. In more recent tests we saw that Apertus followed the language instructions in better ways, so we are looking forward to see this further improve.

The Apertus-70B IFEval score of 44% (vs 58% for comparable models) confirms that instruction following is an area where the model has room to grow.

The trend is positive. In October 2025, Apertus achieved a Match Rate +1 of 59%. By June 2026, it had climbed to 63% — the best month on record. That is not a dramatic leap, but the direction is consistent and it came without a major model update. Meanwhile, GPT-4o-mini has been stable at 63–83% throughout. The gap is narrowing.

What we are looking forward to

The Apertus team is preparing version 1.5, with improvements expected in multimodal support, agentic capabilities, tool calling, enhanced reasoning, and better training for regional Swiss languages. We plan to update ZüriCityGPT's open-source instance as soon as it becomes available and continue our quality monitoring.

What encourages us most is that the collaboration is flowing in both directions. After our aiLights talk, the Apertus team shared our findings with their staff. This close feedback loop between research and practice is exactly what makes the Swiss AI ecosystem worth investing in.

My practical advice, for anyone considering sovereign AI: start with the use case, then choose the model. If your priority is maximum answer quality today, more popular models are usually the stronger choice. If your priority is data sovereignty, transparency, and independence — and your knowledge base is well-curated — Apertus already delivers. The question is not "sovereign AI or quality" but "how much quality gap are you willing to accept for full sovereignty?" And that gap is closing.

Check the Slides and Recording for further details.

Acknowledgements

I would like to thank the ETH Zurich, EPFL, and the wider Swiss AI Initiative community for making Apertus available as a public good. As Martin Jaggi from EPFL put it: "We aim to provide a blueprint for how a trustworthy, sovereign, and inclusive AI model can be developed." (source) Eight months in, we can see that blueprint taking shape and are looking forward to test the 1.5 model in practice as well.

• Thank you Christian Stocker and the LiipGPT team for your dedication to build a practical, experiment-driven and scalable solution for AI chat and search.

• Thank you Sabine Wildemann and the aiLights team for hosting our talk.

• Thank you Oleg Lavrovsky and the Apertus community for your feedback and support.

• Thank you Public AI and our partner Infomaniak for providing the infrastructure.

Build with Apertus: join Hack Apertus

Want to get hands-on with sovereign Swiss AI? Hack Apertus is a two-stage open-source hackathon series where teams build on Apertus to develop blueprints for sovereign infrastructure across the public and private sector. Liip is a partner — we are excited to see what the community builds.

Sign up at hackapertus.ch.

Le portail fr.ch rassemble une grande quantité de contenus administratifs: démarches, législation, formulaires, prestations cantonales, informations communales. Trouver la bonne réponse dans un site aussi vaste n'est pas toujours chose aisée.

Il suffit de poser sa question en langage naturel, comme on le ferait à une personne. Si le site fr.ch est rédigé en français et allemand, canton bilingue oblige, on peut poser sa question dans n’importe quelle autre langue, pour que les citoyen·ne·s ne parlant ces langues puissent tout de même trouver les informations nécessaires.

Le chatbot IA identifie les contenus pertinents sur fr.ch et dans la base légale fribourgeoise, puis génère une réponse écrite, en citant les sources officielles utilisées.

Cette transparence est essentielle. L'IA ne remplace pas les contenus officiels, elle en facilite l'accès.

Une IA pensée pour la souveraineté numérique

La souveraineté des données est au cœur du projet. La Chancellerie souhaitait en effet absolument garder la maîtrise complète de l'infrastructure et du traitement.

Le chatbot s'appuie sur LiipGPT, notre plateforme d'IA générative. Notre moteur de Retrieval Augmented Generation (RAG) sélectionne les contenus officiels pertinents pour chaque question. Il est hébergé en Suisse chez Exoscale.

Côté modèle de langage (Large Language Model, LLM), nous utilisons Mistral AI, un outil européen majeur. Le modèle est lui aussi hébergé en Suisse, chez Infomaniak, pionnier de l'hébergement web éco-responsable et durable s’il en est. Les serveurs du LLM utilisent exclusivement des énergies renouvelables, avec refroidissement naturel et réutilisation de la chaleur, sans oublier l’utilisation de matériel recyclé et optimisé ainsi qu’une compensation carbone locale.

Cette architecture réduit la dépendance aux grandes plateformes américaines et privilégie une approche suisse et européenne de l'IA générative. Les requêtes sont anonymisées et aucune donnée personnelle n'est transmise à des tiers. L'ensemble reste sous juridiction suisse, conformément à la législation en vigueur sur la protection des données.

Une collaboration ancrée en Suisse romande

La Chancellerie d'Etat de Fribourg a piloté le projet, avec une vision claire des enjeux administratifs et politiques. Notre équipe, notamment active à Fribourg, a développé la solution en étroite collaboration avec la Chancellerie. Ceci a permis de répondre au mieux aux besoins réels issus du terrain.

Cette proximité a permis des échanges rapides et une attention forte portée à l'expérience utilisateur·rice. Au-delà de la technologie, l'enjeu était de créer un outil qui soit à la fois utile, fiable et compréhensible pour la population fribourgeoise.

Une première étape vers une administration plus accessible

Depuis le premier déploiement en mars, nous avons retravaillé certains éléments afin d’améliorer la qualité des réponses. Pour ce faire, notre client bénéficie notamment de nos solutions d'évaluation automatisées afin de contrôler en continu le niveau de qualité des réponses.

Cette première version couvre les informations publiques se trouvant sur fr.ch et la base légale fribourgeoise. Mais le périmètre ne se limite pas au seul portail cantonal: il s'élargit progressivement aux informations publiées par d'autres institutions cantonales et par certaines communes. Qui dit nouvelles sources, dit bien sûr vigilance accrue pour s’assurer que le niveau de qualité des réponses demeure. L'Etat de Fribourg tient d'ailleurs à jour une page dédiée au chatbot, qui détaille notamment les sources de données utilisées.

Une conviction guide ce travail. L'IA dans le secteur public peut être souveraine, transparente et utile. Pour y parvenir, il est nécessaire de toujours garder la maîtrise de l'infrastructure et de citer ses sources.

Envie d'échanger sur l'IA pour votre institution? N'hésitez pas à me contacter.

La séparation claire entre Services et Administration rend immédiatement la finalité de la plateforme compréhensible et met en évidence sa valeur pour les habitant·e·s et les entreprises. L’intention du site est ainsi immédiatement perceptible, avec des contenus structurés de manière logique et cohérente. Ce n’est pas seulement notre avis: le jury des BOSW l’a également reconnu en attribuant cette année un bronze dans la catégorie User Experience (un peu de fausse modestie: nous avons occupé deux des trois places du podium, avec également l’argent pour le nouveau site du Museum für Gestaltung Zürich).

Une architecture de l’information pensée utilisateur·rice·s

L’architecture de l’information est soigneusement conçue et adaptée aux besoins des publics cibles. Tous les services sont centralisés, clairement catégorisés et suivent une structure cohérente pour répondre aux questions: de quoi ai-je besoin, comment se déroule le processus et quels sont les canaux disponibles?

Cette standardisation permet de comprendre rapidement les infos pertinentes et de naviguer avec assurance dans des processus complexes. Les informations sur les services sont aussi présentées de manière transparente, afin que même les utilisateur·rice·s occasionnel·le·s puissent immédiatement identifier les étapes à suivre.

Fonctionnalité, interactivité et utilisabilité au service de l’efficacité

Les fonctionnalités du site sont conçues en fonction des besoins des utilisateur·rice·s. Chaque page de service propose des instructions claires et faciles à comprendre, ainsi que des éléments intuitifs et simples à utiliser. Le tout avec un accompagnement à chaque étape: que ce soit via des services numériques ou des canaux plus traditionnels comme des formulaires, des appels téléphoniques ou des visites sur place.

Cette approche réduit les incertitudes, limite les demandes de clarification et améliore l’efficacité dans l’accès aux services cantonaux.

Un site inclusif conçu pour tou·te·s

so.ch respecte les normes d’accessibilité numérique conformément aux directives WAI, garantissant un accès équitable à tou·te·s les utilisateur·rice·s. Les contenus sont rédigés de manière claire, la navigation est cohérente, les interactions sont intuitives, et la plateforme prend en charge des accès numériques et non numériques.

Ainsi, chacun·e peut utiliser le site de manière efficace et autonome, indépendamment de son expérience technique, de son âge ou de ses capacités.

En se concentrant systématiquement sur les besoins des utilisateur·rice·s, so.ch propose une plateforme intuitive, transparente et inclusive qui rend les processus administratifs complexes compréhensibles. Des objectifs clairs, une architecture de l’information réfléchie, des fonctionnalités accessibles et un design sans barrières créent une expérience centrée sur l’utilisateur·rice. Ce qui permet de simplifier et optimiser les interactions avec les services cantonaux.

Souhaitez-vous améliorer le site web de votre organisation? Je serais ravi d’en savoir plus sur vos besoins et vos défis.

Au fin 2022, j'ai vu ChatGPT pour la première fois dans une vidéo TikTok et je l'ai tout de suite essayé. Il pouvait m'expliquer des contenus plus rapidement que mes enseignant·e·s, résoudre des tâches mieux que si je les avais faites moi-même, et même développer des idées auxquelles je n'aurais jamais pensé. Ça m'a vraiment fasciné.

Mais c'est seulement en commençant mon apprentissage que j'ai réalisé à quel point l'IA est puissante et importante. Aujourd'hui, je l'utilise quotidiennement. Pas pour qu'elle fasse mon travail à ma place, mais pour apprendre de nouvelles choses, faire des recherches plus efficacement et travailler plus efficacement sur certaines tâches.

Mon apprentissage est varié. C'est justement ce qui le rend passionnant

J'effectue un apprentissage de Développeur·euse en Commerce Numérique CFC. J'en suis actuellement à ma deuxième année. Après la première année au Bbc Basislehrjahr, j'ai rejoint Liip durant l'été 2025.

Ce que je trouve particulièrement passionnant dans cet apprentissage, c'est la diversité des tâches. Je travaille dans différents Circles, des équipes auto-organisées basées sur l'holacratie. Cela me permet de découvrir de nombreuses perspectives, tâches et personnes différentes.

Cette variété me correspond bien. J'aime travailler de façon structurée, je communique activement et je trouve stimulant d'analyser et d'améliorer les processus de travail. Chez Liip, j'ai la chance de pouvoir prendre des responsabilités tôt dans mon apprentissage. Je travaille sur des projets internes et externes concrets, je prends des décisions et j'apporte mes propres idées. Pour moi, c'est ce qui distingue vraiment Liip de nombreux autres employeurs proposant des apprentissages.

La relation avec les clients en fait partie

Un aspect de mon apprentissage peut-être moins visible de l'extérieur réside dans la relation avec les clients. J'apprends à communiquer de façon professionnelle, à bien représenter mon entreprise et à comprendre les facteurs importants pour une bonne collaboration. Cela implique notamment de transmettre des informations claires au sein de l'équipe, de recueillir des exigences et de communiquer de manière structurée dans les projets. Parce que je participe à de vrais projets dès le début de mon apprentissage, je développe rapidement un bon sens de ce qui compte réellement pour les clients.

Comment j'utilise l'IA concrètement

L'IA devient particulièrement utile quand je lui fournis beaucoup de contexte. Un outil généraliste se transforme alors en véritable partenaire de réflexion. L'IA me soutient surtout quand j'ai un objectif clair et que j'ai besoin d'une bonne première ébauche rapidement. Je l'utilise pour brainstormer, comprendre de nouveaux termes, faire des recherches ou structurer des textes.

• Anecdote au passage: ce billet de blog a aussi été partiellement structuré avec l'IA. J'ai rassemblé mes idées, expliqué le contexte, puis j'ai reçu de l'aide pour créer une structure cohérente. C'est comme ça que j'utilise l'IA au quotidien.

Un bon exemple est le manuel pour le backend LiipGPT que j'ai rédigé. Au départ, je n'avais pratiquement aucune expérience dans la rédaction de manuels. J'ai donc d'abord appris les bases avec l'aide de l'IA. Ensuite, j'ai fourni un maximum de contexte à l'IA et développé une ébauche étape par étape avec elle. Le résultat est un manuel utilisé régulièrement en interne et adapté individuellement pour les clients. Pour moi, c'est le moment où j'ai réalisé la valeur ajoutée que l'IA peut apporter: je pouvais non seulement travailler plus vite et sans expérience préalable, mais aussi créer un résultat qui aide vraiment les autres dans leur quotidien.

Je n'utilise pas ces outils sans réfléchir. Je les teste, je les compare et je réfléchis soigneusement aux cas d'usage où ils ont pleinement du sens.

L'IA, mon meilleur compagnon d'apprentissage

L'IA a un fort potentiel pour l'apprentissage. Elle simplifie les contenus, donne des exemples et s'adapte à mon niveau. Aucun manuel ne peut faire ça. Prendre en main un nouveau sujet devient ainsi plus rapide. En tant qu'apprenti·e, je pose à l'IA des questions et des questions de suivi que je n'oserais pas poser en classe.

En même temps: l'IA ne doit jamais remplacer ta propre réflexion. Ceux et celles qui ne comprennent pas comment l'IA fonctionne et comment l'utiliser finiront par très peu apprendre.

Pour moi, l'ouverture d'esprit et le questionnement critique font partie intégrante de l'utilisation de nouveaux outils. L'IA peut autonomiser les apprenant·e·s, mais uniquement si elle est utilisée consciemment comme un outil. C'est pourquoi il est important que les apprenti·e·s se familiarisent avec l'IA pendant leur formation. Pas plus tard, quand tout le monde sera déjà utilisateur·rice chevronné·e.

Et toi, comment utilises-tu l'IA?

Peut-être vaut-il la peine de faire une courte pause après ce billet de blog et de réfléchir à ta propre utilisation de l'IA. Comment utilises-tu vraiment l'IA dans ton quotidien aujourd'hui? Quelle valeur ajoutée concrète t'apporte-t-elle? Est-ce simplement un outil que tu essaies de temps en temps? Ou est-ce que tu l'utilises consciemment pour travailler mieux, plus vite ou de façon plus structurée?

Chez Liip, je vis directement comment une organisation n'utilise pas seulement l'IA, mais la façonne activement:

• des échanges de connaissances réguliers et des Liip Talks sur l'IA, des nouveaux modèles aux questions éthiques.
• des formations à l'IA pour tou·te·s les collaborateur·rice·s. En interne, nous proposons des ateliers et des modules spéciaux pour que chacun·e reste à l'aise avec l'utilisation de l'IA.
• le développement et la mise à jour de nos propres outils IA comme LiipGPT, déjà utilisé par des clients des secteurs de la santé, du droit et du secteur public.
• des lignes directrices sur l'IA durable, un cadre interne qui garantit que les projets d'IA sont mis en oeuvre de façon éthique et durable.

Cela me montre à quoi peut ressembler une organisation qui ne déploie pas l'IA aveuglément, mais qui en assume la responsabilité.

Comment les collaborateur·rice·s de ton entreprise utilisent-ils·elles l'IA? Y a-t-il des règles claires ou des offres pour utiliser l'IA de façon pertinente? Où l'IA pourrait-elle concrètement te soutenir dans ton rôle si tu l'utilisais de manière plus délibérée?

L'IA n'est pas un concept figé qui fonctionne de la même manière pour tout le monde. Mais ceux et celles qui l'utilisent tôt réalisent rapidement: la question n'est pas de savoir si tu as encore besoin d'un apprentissage, mais combien tu en tires davantage grâce à l'IA.

Museum für Gestaltung: un chef-d’œuvre d’intérêt public et d’expérience utilisateur

Le nouveau site du Museum für Gestaltung Zürich sert de hub central pour la communication digitale du musée et permet aux visiteur·euse·s de créer un lien avec celui-ci. En co-création, nous avons conçu une solution qui laisse le design s’exprimer pleinement, au service d’une plus grande valeur publique. Le jury des BOSW l’a reconnu en attribuant au site le prix d’argent dans les catégories “User Experience” et “Public Value”.

En savoir plus sur le projet primé

Comme le souligne Clelia Kanai, Head of Marketing & Communication:
«Pour nous, le design signifie clarté et responsabilité – y compris dans le domaine numérique. Avec Liip, nous avons trouvé un partenaire qui partage et porte ces valeurs, de la conception initiale jusqu’à la vérification finale de l’accessibilité. Le fait que ce projet ait été récompensé par deux prix d’argent aux BOSW, dans les catégories User Experience et Public Value, est à la fois une validation et une magnifique reconnaissance pour nous.»

so.ch: transparence, accessibilité et simplicité pour renforcer la confiance du public

Nous avons développé un nouveau site pour le canton de Soleure, so.ch. Il crée une véritable valeur publique en rendant les services cantonaux transparents, accessibles et faciles à comprendre, renforçant ainsi la confiance du public, des autorités locales et des acteur·rice·s économiques dans les services publics.

Comme bs.ch nous l’a montré l’an dernier, un site centré utilisateur·rice est essentiel pour améliorer le quotidien des citoyen·ne·s, qui doivent de plus en plus accéder à leurs informations et documents en ligne. Le jury a reconnu la qualité de l’expérience utilisateur de so.ch en attribuant le bronze dans cette catégorie clé.

En savoir plus sur le projet primé

Même si nous n’avons pas remporté autant de prix que nous l’aurions souhaité (et que nous pensons bien sûr mériter :), c’était une belle occasion de prendre le pouls du secteur. Nous félicitons chaleureusement « Swissgrid 24/7 », Master of Swiss Web 26. À l’année prochaine!