L’IA sur le terrain : comment 3 équipes ont transformé l’IA en véritables réussites opérationnelles
Point de contrôle humain: Les études de cas d’IA réussies préservent la vérification humaine, en réorientant la supervision vers les exceptions plutôt qu’en supprimant la responsabilité.
Classification des contacts: Chime a automatisé la classification et l’audit des appels, permettant aux agents de se concentrer sur les clients tout en surveillant la précision du modèle et les régressions.
Progrès en matière de prévision: L’IA agentique d’Amazon a réduit de 80 % le temps consacré à la planification de la demande et de 40 % l’erreur de prévision grâce à des données plus propres et visibles.
Intégration des flux de travail: ACV Auctions a réduit de deux tiers la durée du cycle de vente des véhicules en reliant la collecte initiale, l’évaluation, la mise en valeur commerciale, les transactions et l’exécution.
Établissement de la confiance: Les équipes ont obtenu l’adhésion en commençant modestement, en présentant des résultats mesurables, en simplifiant des données désordonnées et en maintenant la responsabilité des parties prenantes tout au long du déploiement.
Les études de cas sur l’IA prennent généralement deux formes : des récits de réussite vagues, sans aucun chiffre à l’appui, ou des articles sensationnalistes qui passent directement à côté de la partie la plus difficile.
Le récent événement de DPM, L’IA en conditions réelles, a été conçu pour éviter ces deux écueils. Trois responsables — l’un issu d’une organisation de service client dans le secteur des technologies financières, l’un du domaine de la planification de la demande chez Amazon, et l’un d’une place de marché en ligne où des concessionnaires automobiles achètent et vendent des voitures d’occasion — ont présenté les systèmes d’IA qu’ils avaient réellement construits, les problèmes rencontrés et les résultats obtenus.
Chris Hernandez, responsable senior des opérations liées à l’IA chez Chime, a ouvert la session en expliquant comment son équipe avait automatisé la classification des motifs de contact pour les appels au service client. Aniket Ghonge, responsable senior de la chaîne d’approvisionnement chez Amazon, a ensuite présenté la plateforme d’IA agentique qu’il avait construite seul pour résoudre les problèmes de planification de la demande. Enfin, Anika Banakh, directrice de la gestion des programmes technologiques chez ACV Auctions, a clôturé la session en présentant le moteur d’opérations numériques de bout en bout que son équipe avait construit pour moderniser la vente de véhicules.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
À première vue, ces trois projets ont peu de choses en commun. Pourtant, un thème les reliait tous : aucune de ces équipes n’a traité l’IA comme quelque chose qu’il suffisait de configurer avant de s’en désintéresser. Chaque système conservait un contrôle humain, même après la disparition du travail manuel.
Libérer l’attention des équipes de première ligne grâce à l’IA
L’équipe de Hernandez a commencé par étudier ce que faisaient réellement les agents des centres d’appels pendant un échange avec un client, et cela ne se limitait pas à résoudre le problème du client. Les agents devaient également prendre des notes et essayer d’associer la conversation au motif de contact approprié — parmi plus de 1 500 catégories possibles — tout en poursuivant l’appel.
« Nous avions plus de 1 500 variantes de motifs de contact parmi lesquelles ils devaient choisir », a déclaré Hernandez. « Et il était toujours difficile de savoir lequel était le bon. » Le processus était manuel, incohérent et sujet aux erreurs, et il détournait l’attention du membre au bout du fil.
L’équipe a construit un classificateur qui utilisait un LLM pour examiner les transcriptions des appels et appliquer automatiquement le motif de contact. Ce travail a conduit à un deuxième projet imprévu : l’équipe de Hernandez consacrait désormais beaucoup de temps à vérifier que le classificateur n’hallucinait pas et fonctionnait comme prévu. Elle a donc construit une seconde chaîne d’IA uniquement pour auditer la première. Ce système « regroupe les défaillances récurrentes, détecte les erreurs, effectue également ses tests et présente les résultats à mon équipe », au lieu de demander à une personne d’examiner chaque cas.
Y parvenir n’a pas été simple. Hernandez a expliqué que chaque décision du modèle reposait sur trois leviers : la vitesse, la précision et le coût. Un modèle plus petit et moins cher produisait des résultats rapides, mais avec une précision moindre ; un modèle plus grand, capable de gérer la complexité, impliquait un coût plus élevé. Une fois que l’ingénierie des invites a atteint ses limites, l’équipe s’est tournée vers des approches fondées sur la récupération d’informations et le traitement par lots afin de maîtriser les coûts. Elle a également dû créer et entretenir en permanence un « jeu de données de référence » — une source fiable servant de vérité de référence pour mesurer la précision du classificateur, même lorsque les motifs de contact sous-jacents continuaient d’évoluer.
L’adhésion au projet est venue de la remise en question de la taxonomie elle-même, et pas seulement du modèle. « Nous pensons parfois qu’il suffit d’ajouter de l’IA à chaque solution et que cela réglera tout », a déclaré Hernandez. « Mais de bonnes données en entrée produisent de bonnes données en sortie. Et si les données en entrée sont mauvaises, les données en sortie le seront aussi. » L’équipe a donc simplifié sa liste de plus de 1 500 motifs de contact au lieu de demander au modèle de composer avec sa complexité.
Les résultats comprenaient une réduction du temps consacré au traitement des appels et une amélioration du travail effectué après les appels, mais Hernandez a clairement indiqué ce qui comptait le plus : redonner du temps aux agents afin qu’ils puissent se concentrer sur le membre plutôt que sur les tâches administratives. « Chaque fois que nous automatisons des tâches, nous ne supprimons pas vraiment le contrôle, nous le déplaçons », a-t-il déclaré. « L’IA est un multiplicateur pour éliminer les tâches fastidieuses, mais c’est l’humain dans la boucle qui rend réellement ce multiplicateur digne de confiance. »
Cet équilibre apparaît directement dans le fonctionnement actuel de la chaîne d’audit. Au lieu de faire confiance au système pour envoyer directement les modifications en production, celui-ci génère chaque semaine un rapport signalant les endroits où des régressions ou des échecs de tests se sont produits, afin que l’équipe de Hernandez sache exactement où concentrer ses efforts. « C’est là que nous trouvons l’équilibre », a-t-il déclaré, « en essayant de tirer parti du LLM comme juge et de différentes capacités pour nous développer et prendre en charge davantage de tâches sans introduire de risque pour l’entreprise. »
Automatiser la planification de la chaîne d’approvisionnement grâce à l’IA agentique
L’équipe de Ghonge travaille avec des milliers de fournisseurs et de partenaires, et les données nécessaires pour prévoir la demande de chacun d’eux étaient dispersées entre les logiciels de CRM, les outils de gestion de projet et les feuilles Excel — sans aucune cohérence dans leur étiquetage d’un système à l’autre. « Il n’y avait aucun contrôle sur les données, car les chaînes de données provenaient de différents logiciels, avec des propriétaires et des utilisateurs différents », a-t-il déclaré.
Tout rapprocher manuellement prenait 16 à 20 heures par semaine à Ghonge, à une époque où l'entreprise était encore relativement petite. « C'était insensé pour moi », a-t-il déclaré. Il a donc commencé à expérimenter, d'abord avec un prototype Excel pour vérifier si l'approche pouvait fonctionner. Cela l'a aidé, mais pas complètement. C'est à ce moment-là qu'il s'est tourné vers l'IA agentique, en construisant lui-même le système grâce à son expérience des tableaux de bord et des exigences produit, mais sans formation officielle en ingénierie.
L'adoption a commencé modestement — Ghonge était le seul utilisateur — puis s'est développée par des canaux informels : réunions de revue d'activité, séances de partage pendant le déjeuner, bouche-à-oreille. Quatre mois plus tard, la plateforme comptait plus de 75 utilisateurs et des milliers de consultations.
Les résultats ont été considérables. Ce qui prenait auparavant 20 heures n'en prend désormais que deux, soit une réduction de 80 % du temps nécessaire pour générer une prévision de la demande, ainsi qu'une réduction de 40 % de l'erreur de prévision. « Le résultat le plus important est une réduction de 80 % du temps nécessaire pour générer la demande, avec une grande précision », a déclaré Ghonge. « Nous avons également constaté une réduction d'environ 40 % de l'[erreur] de prévision. » Le système a également donné à l'équipe une visibilité qu'elle n'avait jamais eue auparavant — la possibilité de déterminer précisément quels attributs des fournisseurs étaient à l'origine de milliers de changements mensuels, plutôt que de devoir les deviner.
La confiance ne venait pas de l'étiquette IA. Elle venait de la transparence. Lorsque les données de gestion de projet exportées prenaient la forme de 18 000 lignes qui représentaient en réalité seulement 600 à 700 tickets réels, le système de Ghonge analysait et regroupait ce désordre dans un tableau clair que les utilisateurs pouvaient consulter directement, au lieu de devoir parcourir l'outil source ticket par ticket. « Au lieu de devoir accéder à l'outil pour chaque ticket, ils peuvent désormais tout voir facilement dans un seul système », a-t-il déclaré. Les utilisateurs pouvaient également consulter n'importe quelle semaine précédente et la comparer à la semaine en cours, en observant la diminution des erreurs de prévision au fil du temps — la preuve que le système fonctionnait réellement, et ne se contentait pas d'automatiser.
Ghonge a également attribué à l'IA un apport qu'il n'avait pas prévu au départ : la documentation. Une fois qu'il a commencé à demander à l'IA de suivre ses propres déploiements et le temps consacré, il a pu quantifier a posteriori son propre processus de développement — jusqu'au nombre d'invites nécessaires pour y parvenir.
Construire un moteur d'opérations numériques alimenté par l'IA
L'équipe de Banakh s'est donné pour objectif de repenser l'ensemble du parcours de vente d'un véhicule — la manière dont les véhicules sont mis sur le marché, évalués, présentés, associés aux acheteurs, vendus, livrés et transportés — comme un processus numérique connecté, au lieu du modèle traditionnel du secteur : un client amène une voiture dans une salle des ventes physique une fois par semaine et espère qu'elle sera vendue ce jour-là.
« Nous avons récemment construit un flux de travail numérique intelligent de bout en bout pour l'un de nos partenaires principaux, comprenant : la collecte des données du véhicule, l'inspection, l'évaluation, la présentation, l'identification des acheteurs, la transaction et l'exécution », a déclaré Banakh. « Tout s'est véritablement transformé en un processus continu. »
La partie la plus difficile n'était pas la technologie. C'était le secteur lui-même. « Dans ce secteur, le facteur humain est notoirement réfractaire au numérique », a déclaré Banakh. « Je vois encore des concessionnaires se déplacer avec un stylo et du papier pour leur documentation. » Le projet exigeait donc plus qu'un changement de processus — il nécessitait ce que Banakh a appelé un changement de paradigme dans les comportements fondamentaux, ce qu'il est facile de mal gérer.
Avec un calendrier serré, l'équipe de Banakh a utilisé l'IA pour simuler toute une série de personnalités parmi les parties prenantes et réfléchir à la manière dont le flux de travail devait être structuré. « Nous avons finalement co-créé l'ébauche du flux de travail », a-t-elle déclaré. « Elle a ensuite été soumise à notre partenaire pour validation. Et cela a réellement accéléré les discussions » — remplaçant les réunions de validation lentes et individuelles par une ébauche à laquelle le partenaire pouvait réagir directement.
Le projet n'en est encore qu'à la phase pilote initiale, si bien que Banakh n'a pu communiquer que des chiffres limités, mais le résultat principal se distingue : la durée du cycle a déjà diminué de deux tiers, avant même que le système ait été entièrement optimisé. « La durée du cycle a actuellement été réduite de deux tiers, et nous n'avons même pas encore achevé l'optimisation », a-t-elle déclaré, ajoutant que des réductions des coûts, de la dépréciation des actifs et du travail humain devraient suivre.
Obtenir l'adhésion des parties prenantes sceptiques n'a pas nécessité d'argumentaire agressif. « Il faut parler de la logique et du retour sur investissement, et les véritables professionnels du monde des affaires sont convaincus lorsqu'ils voient le résultat », a déclaré Banakh. Pour les concessionnaires qui préfèrent continuer à faire les choses comme avant, cela convient également — le système est conçu pour les partenaires qui souhaitent se développer à l'échelle nationale, et non pour remplacer chaque flux de travail qui fonctionne déjà pour quelqu'un.
Le fil conducteur
Des secteurs différents, des outils différents, des échelles différentes — mais la même discipline fondamentale. L'équipe de Hernandez a construit un second système d'IA uniquement pour garantir l'intégrité du premier. Ghonge a intégré de la visibilité dans sa plateforme afin que les utilisateurs puissent vérifier eux-mêmes les données au lieu d'accepter les résultats sans preuve. L'équipe de Banakh a maintenu un « passage de relais fluide à chaque étape », avec un responsable de programme chargé de détecter les anomalies que l'examen humain aurait autrement pu manquer.
Aucune de ces équipes n’a obtenu l’adhésion en présentant l’IA comme un concept. Elles l’ont obtenue en lançant quelque chose de modeste, en prouvant que cela fonctionnait et en laissant les résultats parler d’eux-mêmes. Comme l’a dit Banakh, « les vrais décideurs sont convaincus lorsqu’ils voient le résultat ». C’est le point commun aux trois études de cas : il s’agit moins de l’IA elle-même que de la discipline nécessaire pour instaurer la confiance dans le système parallèlement à son intégration.
Vous souhaitez découvrir d’autres informations de ce type ? Inscrivez-vous gratuitement sur DPM pour entendre d’autres experts comme eux et être les premiers informés des événements à venir.
