Quand le vrai problème n'est pas l'IA : comment une entreprise de services à l'industrie automobile a libéré 30 % du temps de ses experts et automatisé 41 % de ses flux en quatre mois

Contexte

Une entreprise de services aux entreprises, positionnée sur l'industrie automobile, affichait depuis plusieurs années une croissance très rapide, avec un chiffre d'affaires de l'ordre de 10 millions d'euros. Son service repose sur des experts humains aux compétences très spécifiques, appuyés par des logiciels et des applications développés sur mesure, utilisés à la fois en interne et par les clients.

Le dirigeant voyait venir une limite. Les équipes arrivaient au bout de leur capacité, malgré des recrutements réguliers, dans un secteur où le turnover est élevé et où la réactivité est la clé de la satisfaction client. Recruter encore et encore ne pouvait pas être la seule réponse, et le risque d'une dégradation de la qualité de service, sous la pression des délais, devenait réel.

En discutant avec d'autres dirigeants qui commençaient à déployer l'intelligence artificielle dans leurs entreprises, il a formulé une demande simple : l'IA peut-elle prendre le relais sur les tâches à faible valeur ajoutée et permettre de croître sans dégrader le service ?

Problématique

Très vite, le sujet s'est révélé différent de la demande initiale. Le problème n'était pas l'absence d'IA, mais un problème de produit.

Les outils, techniquement solides à l'origine, avaient été dépassés par la croissance de l'entreprise. Ils manquaient de fonctionnalités et d'automatisation, et surtout ils ne garantissaient plus la qualité des données. Trois difficultés se cumulaient :

Des données d'entrée peu fiables. Les dossiers transmis par les clients arrivaient incomplets ou approximatifs, et les équipes passaient un temps considérable à rechercher, réconcilier et corriger l'information.
Un historique dégradé. À force d'ajustements faits dans l'urgence, et après un incident machine résolu avec les moyens du bord, la base de données contenait de nombreuses lacunes et erreurs. Cela pénalisait le travail quotidien comme le pilotage de l'entreprise.
Des processus qui n'existaient que dans les têtes. Les règles de traitement propres à chaque client, jamais formalisées, reposaient sur la mémoire des collaborateurs les plus anciens. Dans un contexte de turnover, les nouveaux arrivants ne pouvaient pas y avoir accès, et la qualité variait d'une personne à l'autre.

Ce schéma est classique dans les entreprises en forte croissance : les pivots et l'urgence opérationnelle empêchent de prendre la hauteur nécessaire pour mettre les fondations à plat. Implémenter de l'IA à ce stade aurait signifié automatiser du désordre.

Intervention

La mission a consisté à reprendre les choses dans le bon ordre : fiabiliser, formaliser, puis automatiser.

1. Comprendre le travail réel

Plus de 40 heures ont été passées aux côtés des équipes, à observer leurs gestes, à comprendre pourquoi chaque action était réalisée, quelle information était nécessaire à quel moment, et où le temps se perdait. Ce travail de terrain a permis de documenter, pour la première fois, les processus de l'entreprise.

2. Fiabiliser les données à la source

Les applications mises entre les mains des clients ont été entièrement recodées pour garantir des données d'entrée plus précises et systématiquement complètes. En parallèle, l'historique a été assaini afin que les équipes et la direction puissent s'appuyer sur des indicateurs justes.

3. Mettre la bonne information au bon endroit

L'outil métier a été enrichi pour présenter à chaque collaborateur l'information utile, au moment où il en a besoin, y compris les spécificités propres à chaque client. Cette évolution bénéficie à tous, et plus encore aux nouveaux arrivants, qui deviennent opérationnels sans attendre des mois d'expérience accumulée.

4. Orchestrer automatiquement les cas standards

Une fois les données fiables et les processus écrits, une couche d'orchestration a été mise en place. Il ne s'agit pas d'intelligence artificielle générative, mais d'algorithmes déterministes : lorsque certaines conditions sont réunies, le plan d'action correspondant s'applique, sans intervention humaine. Des portes de sortie ont été prévues pour que tout cas particulier, blocage ou imprévu soit immédiatement repris par un expert, afin de préserver la réactivité qui fait la valeur du service.

5. Utiliser l'IA là où elle accélère vraiment

L'IA générative a bien été utilisée, mais comme un accélérateur de développement. Associé à un CTO à temps partiel spécialisé dans les enjeux de scalabilité, travaillant à quatre mains avec l'équipe technique interne de six personnes, ce travail a permis d'ajouter à l'outil métier une couche de code qui a presque doublé son volume, en trois mois. Un tel chantier aurait demandé plusieurs années avec des méthodes traditionnelles. Les équipes l'utilisent aujourd'hui aussi pour la veille et la rédaction des réponses aux appels d'offres, l'analyse de données ou le prototypage.

Résultats

Après trois mois de développement et un mois d'ajustements, les effets sont mesurables.

30 % du temps de travail récupéré : Les profils techniques ne consacrent plus ce temps à rechercher et réconcilier des données, et le réinvestissent dans le service client.
41 % des flux traités en totalité de manière automatique : Un mois seulement après la mise en production, près de la moitié de l'activité ne nécessite plus d'intervention humaine, contre 100 % de traitement manuel auparavant.
Des experts concentrés sur les situations qui comptent : L'humain intervient lorsque l'écoute, l'expérience et l'agilité sont indispensables, et le niveau de service sur ces dossiers s'est amélioré.
Des équipes moins sous pression : Les tâches répétitives et chronophages ont disparu, ce qui rend le travail plus valorisant et la charge plus soutenable.
Des nouveaux arrivants plus rapidement efficaces : Les règles de traitement ne dépendent plus de la mémoire des anciens.
Des données fiables pour piloter : La direction dispose enfin d'une vision juste de son activité.
Une feuille de route de croissance : Automatisation de la facturation, renforcement de l'architecture pour absorber la croissance, élargissement de l'offre, et projet de R&D autour d'une IA d'analyse d'images chargée de dégrossir le travail des experts, qui garderaient la validation finale.

Enseignements

Ce cas rappelle que la demande exprimée n'est pas toujours le sujet réel. Lorsqu'un dirigeant demande « de l'IA », il exprime souvent un malaise plus profond : un outil de travail en retard sur son entreprise. Le traiter en premier est la condition pour que n'importe quelle technologie, IA comprise, apporte ensuite de la valeur.

L'ordre compte : des données fiables, des processus formalisés, une automatisation des cas standards, et seulement ensuite l'IA là où elle a un effet démontré. L'objectif n'a jamais été d'automatiser 100 % de l'activité, mais de traiter automatiquement tout ce qui peut l'être et de conserver l'humain là où il crée le plus de valeur.

Enfin, l'IA fonctionne ici comme un outil d'accélération pour des équipes qui savent s'en servir, et non comme un substitut. La résistance de certains profils techniques à cette évolution de leur métier est une réalité dont il faut tenir compte. C'est la logique de l'employé augmenté.

Conclusion

Venue chercher de l'intelligence artificielle, cette entreprise a d'abord obtenu des outils fiables, des processus clairs et une automatisation déterministe, qui lui ont permis de libérer 30 % du temps de ses experts et d'automatiser 41 % de ses flux en quatre mois, tout en améliorant son niveau de service. Un exemple concret de la manière dont un problème de produit, souvent caché derrière une demande technologique, se règle en remettant les fondations dans le bon ordre avant d'accélérer.