Your team, trained and augmented by AI. In 90 days.
For Swiss businesses and public agencies: save time with AI, without exposing your data or your know-how.
Artificial intelligence
Your team gets hours back, your data stays with you.
AI leaves you staring at
an empty search bar
Chaptal fills it: you pick your task, the prompt opens, you paste it in. The writing is already done, role by role.
- 720
- ready-to-copy prompts
- 24
- roles covered, from the front office to the shop floor
- 24
- open with no account · one per role, so you can judge for yourself
No learning curve
The skill lives in the prompt, not in the person using it. A quote, a candidate screen, a QC check: the exact text to paste.
Your work standard
Adapted to your clients and your equipment, it becomes the rule: two employees, the same result.
Missing a task? Tell us
From your client portal, reply within 48 business hours. The field writes the next batch.
The double standard:
Lean on the shop floor,
chaos in the office
Your assembly lines, your processes, and your methods are optimized down to the micron and the millisecond. Your back office, meanwhile, is still buried under email, spreadsheets, and repetitive tasks: the modern-day Mudas.
And in the meantime, AI has already let itself into your company, without your knowing. Our job: take back control, train your team, set the rules of use, and measure the gains.
AI is showing up everywhere
with or without you
Active users of the leading consumer AI assistants
Source: OpenAI, public announcements, August 2024 to February 2026; Google/Alphabet, quarterly reports and Google I/O, October 2024 to May 2026
The threats
Weaponized AI and legal exposure
Cybercriminals no longer just steal data. They hijack the very AI tools your employees trust: productivity features get turned into end-to-end ransomware delivery.
Without governance, the bill is both financial and legal. The average cost of an AI-assisted ransomware attack now tops CHF 4.5 million (2026 industry reports).
A black box breeds rejection
A tool nobody understands is a tool nobody uses: rollout runs straight into immediate pushback.
Your team is already losing hours to fragmented tools. They have no reason to trust yet another technology that was never explained to them.
Train your team →Shadow AI: the invisible threat
Your employees are already using public AI with no framework at all. Left unchecked, your trade secrets are exposed (prompt injection, model memorization).
It is a dangerous source of variation (Mura) in your standard processes. 78% of employees use public AI tools with no oversight (2025 studies).
See the 10 AI best-practice rules →The architecture trap and hidden attacks
Bolting AI onto aging ERP systems with no real-time data backbone creates a fragile, "spaghetti" architecture.
In a "Living Off AI" attack, a single external support ticket can manipulate your internal AI agents into exfiltrating privileged data. Autonomy without oversight does not create value: it multiplies the points of failure.
AI is a probabilistic engine, not magic
The machine never replaces the expert. So we flip the usual order of adoption: we train your team first on what the technology actually makes possible. They are the ones who then design the fixes that eliminate waste, not a consultant passing through.
This is the Golden Triangle: customer satisfaction, employee fulfillment, and profitability. All three move together, or not at all.
The Palambur red lines
Data confidentiality
We favor Swiss tools and Swiss hosting. No public model is ever trained on your information: your know-how stays yours.
A human always makes the call
We apply the Lean principle of Jidoka: AI moves fast, but stops and calls in a human at the first sign of trouble (human-in-the-loop). Your safeguard against process poisoning.
A multi-model strategy
78% of leading companies use at least two AI models. We build your system with no single-vendor dependency, and walk you through pricing and technology options in plain language.
The Palambur Method, open source
We do not keep our method to ourselves. The palambur-method skill applies the same logic taught in training: ask the right questions before producing anything, with Swiss safeguards built in (nLPD, LEg, CO) and zero invented data.
What AI does in practice, from the shop floor to the boardroom
Writing what repeats itself
Quotes, customer replies, order confirmations, meeting notes. You review and approve instead of starting from a blank page.
Finding information fast
Technical documentation, contracts, quality procedures. Your documents answer in plain language, with nobody flipping through binders.
Getting ready for a decision
Summarizing a report, comparing vendors, briefing the committee. The facts are gathered before the meeting, not during it.
Taking the load off hiring
Job postings, résumé screening, interview outlines. The time you get back goes back to meeting candidates.
Your roadmap
Three steps, taken in order or on their own. Prix sur demande.
The Audit Express
Identify your administrative waste (Value Stream Mapping), map your Shadow AI risk, and check whether your infrastructure can carry the AI load. No jargon, no commitment. A written report and a prioritized roadmap.
Learn more →"The Augmented Employee"
Turning your team into augmented humans: demystifying AI, security, the Palambur Template (Instruction · Role & Audience · Data · Constraints · Format), and hands-on workshops built on your own cases. Half-day or full-day, on-site or remote.
Explore the training →The Accélérateur Lean & IA (90 days)
Audit + department-by-department training + AI governance (EU AI Act, nLPD) + ongoing follow-up. The complete program that turns AI into a measurable driver of profitability.
Learn more →And to make it last: monthly ongoing support, with AI monitoring, a hotline, and one video check-in a month.
AI built for your line of work
Foire aux questions
How long does a typical engagement take?
It depends on the format you choose: an Audit Express wraps up in 2 hours, while the Accélérateur Lean & IA runs over 90 days. We always agree on the timeline with you before starting.
Do we need to replace our current tools to work with you?
No. We start from what you already use and optimize that first, before considering any new tool.
How do you guarantee the confidentiality of our data?
We favor Swiss tools and Swiss hosting, and none of your data is ever used to train a public model.
Is your training suitable for teams with little AI experience?
Yes — that is actually the most common case. We always start from where participants really are, with no unnecessary jargon.
What happens if the Audit Express turns up nothing?
The audit is a one-time engagement: you walk away with a written report and concrete recommendations, and no follow-on work is automatic. It is entirely your call whether to go further.
Repères · 70 ans d’IA
Une histoire de l’intelligence artificielle
Des premières machines pensantes aux IA génératives : une succession d’espoirs, d’« hivers » et de percées. La courbe suit l’engouement ; les creux marquent les désillusions. Dessous, 48 événements datés, époque par époque.
- 1943 à 1969La genèse
L’idée d’une machine pensante naît, les premiers programmes apprennent, et les promesses dépassent les machines.
- 1943Le neurone formelMcCulloch et Pitts décrivent un neurone mathématique · la brique de tous les réseaux.
- 1950Le test de TuringAlan Turing pose la question « les machines peuvent-elles penser ? » et propose son jeu de l’imitation.
- 1951SNARCMarvin Minsky construit la première machine à réseau de neurones, avec des tubes et des câbles.
- 1952Un programme qui apprend les damesArthur Samuel, chez IBM · la machine s’améliore en jouant contre elle-même.
- 1956Conférence de DartmouthLe terme « intelligence artificielle » est posé · la discipline a un nom et un programme.
- 1957Le PerceptronFrank Rosenblatt · un réseau qui apprend à classer des formes · la presse promet déjà une machine consciente.
- 1958LISPJohn McCarthy crée le langage de l’IA symbolique · il servira cinquante ans.
- 1959Le mot « apprentissage automatique »Samuel le forge · apprendre sans être explicitement programmé.
- 1965ELIZAJoseph Weizenbaum · un programme de conversation qui renvoie des questions · les gens s’y confient.
- 1965DENDRALLe premier système expert · il déduit des structures chimiques comme un spécialiste.
- 1966ShakeyLe premier robot mobile qui raisonne sur ses actions, au SRI.
- 1969« Perceptrons »Minsky et Papert démontrent les limites du perceptron simple · les réseaux de neurones perdent leurs crédits.
- 1970 à 1980Premier hiver
Les promesses ne tiennent pas, les rapports officiels coupent les financements, l’industrie se détourne.
- 1972PrologAlain Colmerauer, à Marseille · un langage pour raisonner par règles logiques.
- 1973Le rapport LighthillLe Royaume-Uni conclut que l’IA n’a pas tenu ses promesses et retire l’essentiel de ses crédits.
- 1974Les coupes de la DARPALes États-Unis suivent · dix ans de financements maigres pour la recherche fondamentale.
- 1979Le chariot de StanfordUn robot traverse une pièce pleine de chaises · en cinq heures · la vision reste le mur.
- 1980 à 1993Les systèmes experts
L’IA entre en entreprise par les règles · puis le marché s’effondre · le second hiver commence.
- 1980XCON chez DECUn système expert configure des ordinateurs à la commande · des millions de dollars économisés chaque année.
- 1982Le projet « cinquième génération »Le Japon investit massivement dans des machines à raisonner · l’Occident répond par ses propres programmes.
- 1986La rétropropagationRumelhart, Hinton et Williams · la méthode qui permet d’entraîner des réseaux à plusieurs couches.
- 1987Le marché des machines LISP s’effondreLes stations spécialisées ne valent plus rien face aux ordinateurs ordinaires · le second hiver s’ouvre.
- 1989LeNet lit des chiffres manuscritsYann LeCun · un réseau convolutif trie les codes postaux · l’ancêtre de la vision moderne.
- 1992TD-GammonUn programme apprend le backgammon seul, par renforcement, et atteint le niveau des meilleurs joueurs.
- 1993 à 2005Second hiver
Les réseaux reviennent discrètement · les données et la puissance manquent encore · les victoires sont symboliques.
- 1995Les machines à vecteurs de supportVapnik et Cortes · une méthode statistique sobre qui domine la décennie.
- 1997Deep Blue bat KasparovIBM gagne un match d’échecs contre le champion du monde · par la force de calcul, pas par l’apprentissage.
- 1997LSTMHochreiter et Schmidhuber (IDSIA, Lugano) · une mémoire longue pour les réseaux · la base de la traduction automatique pendant vingt ans.
- 2002RoombaLe premier robot domestique vendu en masse · de l’IA modeste, utile et rentable.
- 2004DARPA Grand ChallengeAucune voiture autonome ne finit les 240 km de désert · l’année suivante, cinq y parviennent.
- 2006 à 2017La révolution du deep learning
Trois ingrédients se rejoignent · des données massives, des processeurs graphiques, et de vieilles idées qui marchent enfin.
- 2006Le mot « deep learning »Geoffrey Hinton montre comment entraîner des réseaux profonds couche par couche.
- 2009ImageNetFei-Fei Li publie 14 millions d’images annotées · le jeu de données qui rendra la vision mesurable.
- 2011Watson gagne à Jeopardy!IBM bat deux champions du jeu télévisé · la langue naturelle devient un terrain de jeu.
- 2011SiriApple met un assistant vocal dans chaque poche · l’IA entre dans le quotidien sans le dire.
- 2012AlexNetUn réseau entraîné sur deux cartes graphiques écrase le concours ImageNet · tout le monde bascule.
- 2013word2vecLes mots deviennent des vecteurs · « roi − homme + femme ≈ reine » · la sémantique se calcule.
- 2014Les GANIan Goodfellow · deux réseaux qui s’affrontent · les images synthétiques deviennent crédibles.
- 2015ResNet et TensorFlowDes réseaux de 150 couches dépassent l’œil humain sur ImageNet · Google ouvre son outil au monde.
- 2016AlphaGo bat Lee SedolDeepMind gagne au go, le jeu réputé hors de portée · 200 millions de spectateurs.
- 2017« Attention is all you need »Le Transformer · l’architecture de tous les grands modèles de langage qui suivront.
- Depuis 2018L’ère générative
Les modèles de langage changent d’échelle, puis de public · la question n’est plus « est-ce possible », mais « à quoi s’en servir ».
- 2018BERT et GPT-1Google et OpenAI · des modèles pré-entraînés sur le web, qu’on adapte ensuite à chaque tâche.
- 2019GPT-2OpenAI juge son modèle trop dangereux pour être publié d’un coup · le débat public commence.
- 2020GPT-3 et AlphaFold 2175 milliards de paramètres d’un côté · de l’autre, le repliement des protéines résolu après cinquante ans.
- 2021DALL·E et CopilotLe texte produit des images, puis du code · le clavier devient une consigne.
- 2022Stable Diffusion et MidjourneyLa génération d’images s’ouvre à tous, gratuitement ou presque · les métiers visuels s’en saisissent.
- 2022ChatGPTLe 30 novembre · 100 millions d’utilisateurs en deux mois · l’IA a une interface · une barre vide.
- 2023GPT-4, Claude, Llama, MistralLes modèles se multiplient · certains à poids ouverts, un à Paris · le choix devient une question d’entreprise.
- 2024L’AI Act et deux NobelL’Europe adopte la première loi sur l’IA · Hinton et Hopfield reçoivent le Nobel de physique, Hassabis et Jumper celui de chimie.
- 2024Les modèles qui « raisonnent »OpenAI o1 · le modèle réfléchit avant de répondre · le temps de calcul devient un réglage.
- 2025DeepSeek R1 et les agentsUn modèle chinois ouvert rivalise à coût réduit · les IA commencent à agir, pas seulement à répondre.
- 2026Vers l’IA générale ?Promesses démesurées, investissements colossaux · la courbe monte encore · l’histoire dit qu’elle redescend parfois.
jalon passé par la presse grand public· Dates relevées le 23.08.2026 sur les publications originales et les annonces des laboratoires · chaque ligne nomme un fait datable, jamais une tendance.
Tell us where you are losing time today
Describe your business and where you are stuck. We will get back to you with a tailored proposal, or an honest recommendation to do nothing if the timing is not right.