Comprendre le besoin d’une alternative à Microsoft Copilot pour l’entreprise

L’intégration d’assistants basés sur l’intelligence artificielle (IA) dans les environnements de travail n’est plus une perspective lointaine, mais une réalité opérationnelle qui redéfinit la productivité. Si les solutions intégrées aux grandes suites bureautiques, comme celle de Microsoft, offrent un point d’entrée accessible, elles soulèvent également des questions stratégiques fondamentales pour les décideurs. La recherche d’une alternative à Microsoft Copilot pour l’entreprise n’est pas une simple comparaison de fonctionnalités, mais une démarche visant à aligner la technologie avec les impératifs de souveraineté, de flexibilité et de performance propres à chaque organisation.

Cette démarche impose une analyse rigoureuse des contraintes de l’écosystème existant et une définition précise des cas d’usage prioritaires. Un choix éclairé repose sur la capacité à évaluer les options non seulement sur leurs promesses, mais aussi sur leur architecture technique, leur modèle de sécurité et leur viabilité économique. L’objectif est de sélectionner une solution qui ne soit pas seulement un outil de productivité, mais un véritable levier de performance durable et maîtrisé.

Analyser les limites et les contraintes de l’écosystème Microsoft

S’engager avec un fournisseur unique pour une technologie aussi structurante que l’IA générative peut présenter des avantages en termes de simplicité d’intégration. Cependant, cette approche comporte des risques et des contraintes qu’il est indispensable d’évaluer. La décision d’explorer une alternative à Microsoft Copilot pour l’entreprise est souvent motivée par une prise de conscience de ces limites structurelles qui peuvent affecter l’agilité, les coûts et la gouvernance des données. Les grands modèles de langage (LLM) sont devenus la pierre angulaire des applications métier modernes, ce qui rend le choix de la plateforme encore plus critique.

Les principaux points de vigilance incluent :

• La dépendance technologique (vendor lock-in) : L’intégration profonde d’un assistant IA au sein d’une suite bureautique unique crée une interdépendance forte. Toute évolution stratégique future, comme l’adoption d’outils issus d’autres écosystèmes ou le développement de solutions internes, peut devenir complexe et coûteuse.
• La maîtrise des coûts à grande échelle : Les modèles de tarification par utilisateur, bien que prévisibles à court terme, peuvent représenter un investissement considérable lors d’un déploiement à l’échelle de l’entreprise. L’absence de flexibilité dans les options de licence peut conduire à payer pour des fonctionnalités sous-utilisées par une partie des collaborateurs.
• Le manque de flexibilité dans les environnements hétérogènes : Rares sont les entreprises dont le système d’information est entièrement homogène. Une alternative à Microsoft Copilot pour l’entreprise devient pertinente lorsque l’assistant doit interagir avec des applications métier, des bases de données ou des infrastructures qui ne font pas partie de l’écosystème du fournisseur principal.
• La personnalisation et le contrôle limités : Les solutions intégrées offrent souvent des options de personnalisation restreintes. Les entreprises ayant des besoins spécifiques en matière de workflow, de tonalité de communication ou d’intégration de connaissances métier propriétaires peuvent se heurter à la rigidité de l’outil.

Définir les cas d’usage prioritaires pour votre organisation

L’adoption d’un assistant IA d’entreprise ne doit pas être guidée par la technologie, mais par la valeur métier qu’elle peut générer. Avant même de comparer les solutions, il est impératif d’identifier et de hiérarchiser les processus où l’automatisation ou l’assistance intelligente aura l’impact le plus significatif. Cette approche garantit que l’investissement se concentre sur des gains mesurables, qu’il s’agisse de productivité, de qualité ou d’innovation. Des études de l’OCDE confirment le potentiel de l’IA générative pour améliorer la productivité, en particulier pour les tâches cognitives répétitives.

Le processus de définition des priorités peut être structuré en plusieurs étapes :

1. Cartographier les processus métier : Collaborer avec les différentes directions (RH, juridique, marketing, opérations) pour lister les tâches quotidiennes qui sont chronophages, répétitives ou qui nécessitent la synthèse d’un grand volume d’informations.
2. Quantifier l’impact potentiel : Pour chaque cas d’usage identifié (par exemple, rédaction de comptes rendus de réunion, génération de propositions commerciales, analyse de contrats, support client de premier niveau), évaluer les gains potentiels en temps, en réduction d’erreurs ou en amélioration de la qualité.
3. Évaluer la faisabilité technique : Déterminer les données et les systèmes auxquels l’IA doit avoir accès pour réaliser la tâche. Un cas d’usage peut avoir un fort potentiel, mais être complexe à mettre en œuvre si les données sont non structurées ou inaccessibles.
4. Prioriser selon la valeur et l’effort : Classer les cas d’usage sur une matrice valeur/effort pour identifier les « quick wins » (forte valeur, faible effort) qui permettront de démontrer rapidement le retour sur investissement et de faciliter l’adhésion des équipes. Cette démarche est essentielle pour choisir la bonne alternative à Microsoft Copilot pour l’entreprise.

Cartographier les grandes familles de solutions alternatives

Le marché des assistants IA pour l’entreprise est diversifié et ne se limite pas aux offres des grands éditeurs de suites bureautiques. Comprendre les différentes catégories de solutions est une étape cruciale pour identifier le type d’outil le plus adapté à sa stratégie. On peut distinguer deux grandes familles : les assistants intégrés à des écosystèmes concurrents et les plateformes autonomes, qui offrent des approches distinctes en matière d’intégration, de spécialisation et de flexibilité. Le choix d’une alternative dépendra de l’équilibre recherché entre simplicité et maîtrise.

Les assistants IA intégrés aux suites de productivité concurrentes

À l’instar de Microsoft, d’autres acteurs majeurs du logiciel proposent des assistants IA directement intégrés à leurs propres suites de productivité et de collaboration. Ces solutions partagent une philosophie commune : offrir une expérience utilisateur fluide et unifiée au sein d’un environnement de travail cohérent. Le principal avantage réside dans leur intégration native avec les outils du quotidien (messagerie, traitement de texte, tableur, visioconférence), ce qui simplifie le déploiement et l’adoption par les utilisateurs.

Le choix d’une telle alternative à Microsoft Copilot pour l’entreprise implique souvent une adhésion plus large à l’écosystème du fournisseur. L’évaluation doit porter sur la profondeur de l’intégration et la pertinence des fonctionnalités par rapport aux processus métier de l’organisation.

Type de solution	Suite bureautique associée	Niveau d’intégration	Cas d’usage optimaux
Assistant IA intégré	Suite bureautique concurrente (ex: Google)	Élevé. Intégration native avec les applications de la suite (e-mails, documents, feuilles de calcul, réunions).	Collaboration en temps réel, résumé de conversations, aide à la rédaction de documents partagés, automatisation de tâches au sein de l’écosystème.
Assistant IA bureautique	Système d’exploitation	Profond. Interaction avec le système d’exploitation, les fichiers locaux et les applications installées.	Recherche de fichiers, gestion des paramètres système, automatisation de tâches locales, interaction contextuelle avec les applications.

Les plateformes d’IA générative autonomes et spécialisées

Cette catégorie regroupe les solutions conçues pour être indépendantes de toute suite bureautique spécifique. Leur force réside dans leur modularité et leur capacité à s’intégrer à un large éventail de systèmes via des API et des connecteurs. Une plateforme IA pour entreprise de ce type offre un contrôle accru et permet de construire une architecture IA sur mesure, alignée avec les besoins spécifiques de l’organisation.

Ces plateformes peuvent être généralistes ou hautement spécialisées dans des domaines précis, offrant des performances supérieures pour des tâches complexes. Par exemple, l’approche de certaines solutions repose sur une orchestration cognitive avancée. Pour illustrer, Algos a développé son moteur propriétaire, le CMLE Orchestrator, une IA de gouvernance qui décompose chaque requête et la distribue à un réseau d’agents IA experts pour garantir une pertinence factuelle maximale.

Les avantages clés de cette approche incluent :

• L’indépendance vis-à-vis des fournisseurs : Permet de choisir les meilleurs outils pour chaque besoin sans être contraint par un écosystème unique.
• La spécialisation métier : Accès à des modèles et des fonctionnalités optimisés pour des secteurs spécifiques comme le droit, la finance ou l’ingénierie logicielle.
• La flexibilité d’intégration : La capacité à se connecter aux sources de données et aux applications de l’entreprise (CRM, ERP, bases de connaissances internes) est souvent bien plus étendue, permettant de créer des agents IA pour entreprise véritablement contextuels.
• La personnalisation avancée : Offre des possibilités de fine-tuning des modèles sur les données de l’entreprise pour un comportement et des réponses parfaitement adaptés.

Établir les critères de sélection fondamentaux

Le choix d’une alternative à Microsoft Copilot pour l’entreprise ne peut se résumer à une simple comparaison de fonctionnalités. La décision doit reposer sur des critères fondamentaux qui engagent la sécurité, la conformité et la viabilité financière de l’organisation sur le long terme. Une évaluation rigoureuse de ces aspects est indispensable pour garantir que la solution choisie sera non seulement performante, mais aussi digne de confiance et économiquement soutenable.

L’équation sécurité, conformité et confidentialité des données

Pour une entreprise, la sécurité des données n’est pas une option, mais un prérequis absolu. Avant d’adopter un assistant IA, il est impératif de s’assurer qu’il respecte les standards les plus stricts en matière de protection des informations sensibles. Les questions juridiques soulevées par l’IA générative, notamment en ce qui concerne l’utilisation des données, sont au cœur des préoccupations. Une analyse approfondie des garanties offertes par le fournisseur est donc nécessaire.

Points de contrôle essentiels pour la sécurité et la conformité :

• Souveraineté et localisation des données : Le fournisseur doit pouvoir garantir contractuellement où les données de l’entreprise sont stockées et traitées. Pour les organisations européennes, un hébergement au sein de l’UE est souvent une exigence non négociable pour le respect du RGPD.
• Options de déploiement : La solution offre-t-elle des alternatives au cloud public ? Un déploiement en cloud privé ou sur une infrastructure locale (on-premise) peut être nécessaire pour les secteurs manipulant des données hautement sensibles.
• Politique de confidentialité : Il faut s’assurer que les données de l’entreprise ne sont pas utilisées pour entraîner les modèles généraux du fournisseur. Une politique de « Zero Data Retention » est un gage de confiance.
• Certifications de sécurité : La conformité à des normes reconnues comme ISO 27001 ou SOC 2 atteste de la robustesse des processus de sécurité du fournisseur. Le cadre de protection de la vie privée du NIST fournit également une base solide pour évaluer les pratiques de gouvernance.
• Gestion des accès : La solution doit pouvoir s’intégrer au système de gestion des identités de l’entreprise (SSO) et respecter les droits d’accès existants.

Pour répondre à cet impératif, certaines entreprises spécialisées prennent des engagements forts. À titre d’exemple, Algos garantit une souveraineté totale en assurant un hébergement et un traitement 100 % en France pour ses clients français, avec une architecture conçue « Privacy by Design » et une conformité native avec le RGPD.

Le modèle de coût et la prévisibilité du budget

L’analyse financière d’une alternative à Microsoft Copilot pour l’entreprise doit aller au-delà du simple coût de la licence. Le coût total de possession (TCO) inclut les frais directs et indirects liés au déploiement, à l’intégration, à la formation des utilisateurs et au support. Comprendre la structure tarifaire est essentiel pour anticiper les dépenses et assurer la prévisibilité du budget.

Les modèles de tarification varient considérablement d’une solution à l’autre, chacun présentant des avantages et des inconvénients selon le contexte d’utilisation.

Modèle de tarification	Avantages	Inconvénients	Contexte d’usage idéal
Par utilisateur (fixe)	Budget simple et prévisible.	Coût potentiellement élevé si l’usage est inégal entre les collaborateurs. Risque de payer pour des licences inactives.	Entreprises où l’usage de l’IA est homogène et intensif pour la majorité des employés.
À l’usage (consommation)	Le coût est directement lié à l’utilisation réelle (tokens, requêtes API). Pas de dépense pour les utilisateurs inactifs.	Difficulté à prévoir le budget. Risque de coûts élevés en cas de pics d’utilisation ou d’usages non optimisés.	Équipes de développement intégrant l’IA dans des applications, ou pour des cas d’usage ponctuels et bien définis.
Forfaitaire (par capacité)	Coût fixe pour un certain volume de ressources ou de fonctionnalités. Prévisibilité budgétaire.	Moins de flexibilité. Le forfait peut être surdimensionné ou sous-dimensionné par rapport aux besoins réels.	Déploiement à l’échelle d’un département ou de l’entreprise avec des besoins stables et bien identifiés.

Il est également important de considérer comment l’architecture de la solution peut influencer les coûts. Une orchestration intelligente des modèles de langage peut, par exemple, réduire significativement la consommation de ressources. Pour donner un ordre de grandeur, Algos démontre que son architecture d’orchestration peut permettre de réduire le coût total de possession jusqu’à 70 % par rapport à une approche non optimisée qui solliciterait systématiquement des modèles surpuissants.

Évaluer la performance et les capacités techniques

Au-delà de la sécurité et du coût, l’efficacité d’une alternative à Microsoft Copilot pour l’entreprise dépend de ses fondations techniques. La performance du grand modèle de langage (large language model ou LLM) sous-jacent et la flexibilité de la plateforme sont deux piliers qui déterminent la qualité des réponses, la pertinence des suggestions et la capacité de l’outil à s’adapter aux processus uniques de l’organisation. Une évaluation technique approfondie est donc indispensable pour ne pas se limiter aux démonstrations commerciales.

La qualité et la pertinence des grands modèles de langage sous-jacents

L’intelligence d’un assistant IA repose sur la puissance de son LLM. Cependant, la performance ne se mesure pas uniquement à la taille du modèle. La pertinence dans un contexte professionnel dépend de sa capacité à comprendre des requêtes complexes, à raisonner sur des données spécifiques et à produire des réponses fiables et factuelles. L’un des défis majeurs, comme le souligne la recherche sur les limites des modèles comme ChatGPT, reste le risque d’erreurs factuelles ou d’ « hallucinations ».

Pour évaluer objectivement la qualité d’un LLM, plusieurs critères doivent être examinés :

• La fiabilité et la réduction des hallucinations : Le fournisseur a-t-il mis en place des mécanismes pour vérifier la factualité des réponses ? Des techniques comme le RAG (Retrieval-Augmented Generation) ou des cycles de validation internes sont des indicateurs de robustesse.
• La compréhension du contexte métier : Le modèle est-il capable d’intégrer le jargon, les acronymes et les concepts spécifiques à votre secteur d’activité ? La possibilité de le personnaliser avec vos propres données est un atout majeur.
• Les capacités de raisonnement complexe : L’assistant peut-il effectuer des tâches en plusieurs étapes, comparer des documents, ou synthétiser des informations provenant de sources multiples pour répondre à une question nuancée ?
• La performance multilingue : Si votre entreprise opère à l’international, il est crucial de tester la qualité des réponses dans toutes les langues de travail. La performance peut varier considérablement d’une langue à l’autre.

Certains fournisseurs développent des architectures spécifiquement pour adresser ces enjeux. À titre d’illustration, le processus de validation itératif du moteur d’Algos permet de soumettre chaque réponse à un contrôle qualité par un agent critique interne, garantissant ainsi un taux d’hallucination inférieur à 1 %, un facteur clé pour des usages professionnels exigeants.

La flexibilité d’intégration et les options de personnalisation

Une alternative à Microsoft Copilot pour l’entreprise ne peut apporter sa pleine valeur que si elle s’intègre harmonieusement dans l’écosystème applicatif existant. Sa capacité à se connecter aux sources de vérité de l’entreprise (CRM, ERP, GED, bases de connaissances) est ce qui transforme un assistant générique en un copilote IA d’entreprise véritablement intelligent et contextuel. L’évaluation de la flexibilité doit porter sur les aspects techniques qui permettent cette connexion et cette adaptation.

Les étapes pour évaluer cette flexibilité sont les suivantes :

1. Analyser la documentation des API : Une API riche, bien documentée et stable est le signe d’une plateforme ouverte et conçue pour l’intégration. Elle permet aux équipes de développement de créer des workflows sur mesure.
2. Vérifier la disponibilité des connecteurs natifs : De nombreux connecteurs prêts à l’emploi pour les applications populaires (Salesforce, SAP, SharePoint, etc.) peuvent accélérer considérablement le déploiement et réduire les coûts d’intégration.
3. Évaluer les options de personnalisation du modèle (fine-tuning) : La possibilité d’entraîner ou d’affiner le LLM sur les données de l’entreprise est cruciale pour améliorer sa pertinence. Il faut vérifier les modalités techniques, les coûts et les garanties de confidentialité associés à ce processus.
4. Comprendre la gouvernance des données connectées : La plateforme doit offrir un contrôle fin sur les données auxquelles l’IA a accès. Une orchestration IA efficace doit permettre de hiérarchiser les sources d’information. Par exemple, le CMLE Orchestrator d’Algos est conçu pour consulter en priorité le savoir interne de l’entreprise (bases de données, documents via RAG) avant d’activer des sources externes contrôlées, garantissant que les réponses sont ancrées dans la vérité de l’organisation.

Examiner les options open source comme alternative viable

Dans la quête d’une alternative à Microsoft Copilot pour l’entreprise, les logiciels à code source ouvert (open source) représentent une voie stratégique pour les organisations qui recherchent un contrôle maximal sur leur technologie et leurs données. Cette approche rompt avec le modèle des solutions propriétaires « clés en main » et offre un niveau de transparence et de flexibilité inégalé. Cependant, elle s’accompagne de responsabilités et d’exigences techniques qui doivent être soigneusement pesées.

Avantages et inconvénients des logiciels à code source ouvert

Opter pour une solution open source est une décision qui doit être éclairée par une compréhension équilibrée de ses implications. Les bénéfices potentiels sont considérables, mais les défis le sont tout autant. Le choix dépendra de la maturité technologique de l’entreprise, de ses compétences internes et de sa stratégie de gestion des risques.

Analyse comparée de l’approche open source :

• Avantages :
  • Souveraineté et contrôle total : L’entreprise héberge et opère la solution sur sa propre infrastructure, garantissant une maîtrise complète des données et de la sécurité.
  • Transparence du code : Le code source étant accessible, il peut être audité pour vérifier l’absence de failles de sécurité ou de portes dérobées.
  • Absence de coût de licence : L’utilisation du logiciel est généralement gratuite, bien que des coûts importants soient à prévoir pour l’infrastructure et la maintenance.
  • Personnalisation illimitée : La solution peut être modifiée et adaptée sans aucune restriction pour répondre à des besoins métier très spécifiques.
• Inconvénients :
  • Complexité de mise en œuvre : Le déploiement, la configuration et l’intégration de modèles de langage open source requièrent une expertise technique pointue.
  • Nécessité de compétences internes : L’entreprise doit disposer d’équipes qualifiées (Data Scientists, MLOps) pour gérer le cycle de vie des modèles.
  • Responsabilité complète de la maintenance et de la sécurité : Les mises à jour, la correction des failles et la garantie de la disponibilité reposent entièrement sur l’organisation.
  • Support communautaire : Le support technique dépend souvent de la communauté d’utilisateurs, ce qui peut ne pas être suffisant pour des applications critiques nécessitant des garanties de service (SLA).

Exigences en matière de déploiement et de maintenance interne

L’adoption d’une alternative à Microsoft Copilot pour l’entreprise basée sur un logiciel open source n’est pas un projet purement logiciel, mais un projet d’infrastructure et de compétences. Avant de s’engager dans cette voie, une évaluation honnête des capacités internes est nécessaire. La réussite d’un tel projet repose sur la mise en place d’un véritable système d’exploitation IA au sein de l’organisation.

Les prérequis techniques et humains incluent :

• Une infrastructure de calcul robuste : L’entraînement et l’inférence de grands modèles de langage sont très gourmands en ressources, nécessitant des serveurs équipés de GPU puissants, que ce soit en interne ou via un fournisseur de cloud.
• Des compétences en MLOps (Machine Learning Operations) : Il est indispensable de maîtriser les pratiques MLOps pour industrialiser le déploiement, le monitoring, la mise à jour et la gestion des versions des modèles de manière fiable et reproductible.
• Une expertise en sécurité des systèmes d’IA : La responsabilité de la sécurisation du modèle et des données exposées incombe entièrement à l’entreprise. Cela inclut la protection contre les attaques spécifiques aux LLM, comme l’injection de prompts.
• Une gouvernance des données rigoureuse : L’entreprise doit définir des processus clairs pour la collecte, la préparation et l’utilisation des données pour l’entraînement ou le fine-tuning, tout en garantissant la conformité réglementaire.

Organiser le processus de déploiement et d’adoption

La sélection de la meilleure alternative à Microsoft Copilot pour l’entreprise n’est que la première étape. Le succès du projet dépendra de la manière dont la solution est testée, déployée et adoptée par les collaborateurs. Une approche structurée, combinant une validation technique rigoureuse et un accompagnement au changement réfléchi, est la clé pour maximiser le retour sur investissement et transformer l’outil en un véritable atout pour l’organisation.

Structurer un projet pilote pour valider la sélection de l’outil

Avant un déploiement à grande échelle, il est fortement recommandé de mener un projet pilote, ou preuve de concept (PoC), pour valider la solution dans un environnement réel mais contrôlé. Cette phase permet de tester les hypothèses, de mesurer les gains concrets et de recueillir les retours des premiers utilisateurs pour affiner la stratégie de déploiement. Comme le souligne le World Economic Forum, débloquer la valeur de l’IA générative passe par une évaluation rigoureuse des cas d’usage et de la préparation opérationnelle.

Les étapes pour structurer un projet pilote efficace sont les suivantes :

1. Définir des objectifs clairs et mesurables : Que cherche-t-on à valider ? Il peut s’agir de mesurer un gain de productivité sur une tâche spécifique, de tester la qualité de l’intégration avec un logiciel métier ou d’évaluer la facilité d’utilisation.
2. Sélectionner un périmètre limité : Choisir une ou deux équipes volontaires et un ou deux cas d’usage à fort potentiel identifiés précédemment. Le périmètre doit être assez large pour être représentatif, mais assez restreint pour être gérable.
3. Établir des indicateurs clés de performance (KPI) : Définir les métriques qui permettront de juger du succès du pilote : temps gagné par tâche, taux d’adoption de l’outil, nombre de requêtes, score de satisfaction des utilisateurs (NPS), etc.
4. Planifier la durée et le suivi : Un pilote dure généralement de quelques semaines à quelques mois. Prévoir des points de suivi réguliers pour collecter les retours et ajuster le tir si nécessaire.
5. Analyser les résultats et décider : À la fin du pilote, analyser les données collectées par rapport aux KPI définis. Cette analyse factuelle servira de base à la décision de généraliser, d’ajuster ou d’abandonner la solution.

Planifier la formation utilisateur et le support technique

La technologie la plus performante est inutile si les collaborateurs ne savent pas ou ne veulent pas l’utiliser. L’adoption d’une nouvelle solution IA pour entreprise est un projet de conduite du changement. Il est donc crucial d’anticiper et de planifier l’accompagnement des équipes pour s’assurer qu’elles tirent le meilleur parti de l’outil et qu’elles l’intègrent positivement dans leurs habitudes de travail. Le développement d’une IA responsable passe par l’implication des utilisateurs finaux et la compréhension de leurs défis.

Composantes d’un plan d’accompagnement réussi :

• Des modules de formation adaptés aux rôles : Tous les utilisateurs n’ont pas les mêmes besoins. Concevoir des sessions de formation ciblées par métier (marketing, vente, juridique…) pour montrer comment l’outil peut résoudre leurs problèmes concrets.
• Une communication claire sur les bénéfices : Expliquer le « pourquoi » du projet. Mettre en avant les bénéfices attendus pour les collaborateurs (moins de tâches répétitives, plus de temps pour la création de valeur) afin de susciter l’adhésion plutôt que la méfiance.
• La mise à disposition de ressources documentaires : Créer une base de connaissances accessible (guides de démarrage, FAQ, tutoriels vidéo) pour que les utilisateurs puissent trouver des réponses à leurs questions de manière autonome.
• L’identification d’ambassadeurs internes : Repérer au sein des équipes pilotes des utilisateurs enthousiastes et les transformer en « champions » ou « ambassadeurs » qui pourront aider et motiver leurs collègues.
• Un canal de support réactif : Mettre en place un processus clair pour le support technique et fonctionnel, afin que les utilisateurs ne se sentent pas démunis en cas de difficulté.

En conclusion, le choix d’une alternative à Microsoft Copilot pour l’entreprise est une décision stratégique qui doit être menée avec méthode. En partant des besoins métier, en évaluant rigoureusement les solutions sur des critères de sécurité, de coût et de performance, et en planifiant soigneusement le déploiement, les entreprises peuvent s’assurer que leur investissement dans l’IA générative sera un succès durable et maîtrisé.