L’IA dans le monde réel : comment 3 équipes ont transformé l’IA en véritables réussites opérationnelles
Point de contrôle humain: Les études de cas réussies en matière d’IA préservent la vérification humaine, en orientant la supervision vers les exceptions plutôt qu’en éliminant la responsabilité.
Classification des contacts: Chime a automatisé la classification et l’audit des appels, aidant les agents à se concentrer sur les clients tout en surveillant la précision du modèle et les régressions.
Gains en 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 des informations, l’évaluation, la mise en valeur des annonces, les transactions et l’exécution des commandes.
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 se présentent généralement sous deux formes : des récits de réussite vagues, sans aucun chiffre à l’appui, ou des textes enthousiastes qui éludent complètement la partie difficile.
Le récent événement de DPM, L’IA sur le terrain, a été conçu pour éviter ces deux écueils. Trois dirigeants — l’un 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 les concessionnaires automobiles achètent et vendent des voitures d’occasion — ont présenté les systèmes d’IA qu’ils ont réellement construits, les problèmes rencontrés et les chiffres obtenus au final.
Chris Hernandez, responsable principal 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 du service client. Aniket Ghonge, responsable principal de la chaîne d’approvisionnement chez Amazon, a ensuite présenté la plateforme d’IA agentique qu’il avait créée 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 conçu pour moderniser la vente de véhicules.
Déverrouillez gratuitement
Créez un compte gratuit pour terminer la lecture de cet article et rejoindre une communauté de leaders innovants qui accèdent à des outils, des méthodes et des idées pour prospérer à l’ère de l’IA.
Have an account? Log In
À première vue, ces trois projets ont peu de points communs. Mais un même thème les reliait tous : aucune de ces équipes n’a considéré l’IA comme un outil que l’on configure avant de s’en détourner. Chaque système a conservé un point de 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 une conversation avec un client, et cela allait bien au-delà de la résolution du problème du client. Les agents devaient également prendre des notes et tenter d’attribuer à la conversation le motif de contact approprié — parmi plus de 1 500 catégories possibles — tout en poursuivant l’appel.
« Nous avions plus de 1 500 variantes différentes 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 créé un classificateur utilisant un LLM pour analyser les transcriptions des appels et appliquer automatiquement le motif de contact. Ce travail a donné lieu 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 créé un deuxième pipeline d’IA uniquement pour auditer le premier. Ce système « regroupe les défaillances récurrentes, détecte les erreurs, effectue également ses tests et présente les résultats à mon équipe », au lieu d’exiger qu’une personne examine chaque cas.
Le chemin n’a pas été simple. Selon Hernandez, chaque décision liée à un modèle repose 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, entraînait un coût plus élevé. Une fois les limites de l’ingénierie des prompts atteintes, 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 maintenir en permanence un « jeu de données de référence » — une source fiable permettant de mesurer la précision du classificateur, même lorsque les motifs de contact sous-jacents continuaient d’évoluer.
L’adhésion au projet est venue d’une 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 va tout résoudre », a déclaré Hernandez. « Mais de bonnes données en entrée donnent de bonnes données en sortie. Et si les données en entrée sont mauvaises, les données en sortie le seront aussi. » Cela a conduit l’équipe à simplifier sa liste de plus de 1 500 motifs de contact, plutôt qu’à demander au modèle de composer avec cette 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, et non sur la paperasserie. « Chaque fois que nous automatisons des tâches, nous ne supprimons pas vraiment le point de contrôle, nous le déplaçons », a-t-il déclaré. « L’IA est un multiplicateur qui permet d’éliminer les tâches répétitives, mais c’est l’humain dans la boucle qui rend réellement ce multiplicateur digne de confiance. »
Cet équilibre se retrouve directement dans le fonctionnement actuel du pipeline 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 test 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 pouvoir nous développer et prendre en charge davantage de tâches sans introduire de risques 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’entre eux étaient dispersées entre les logiciels de gestion de la relation client, les outils de gestion de projet et les feuilles Excel — sans aucune cohérence dans la manière dont elles étaient étiquetées d’un système à l’autre. « Il n’y avait aucun contrôle sur les données, car les pipelines de données provenaient de logiciels différents, avec des propriétaires et des utilisateurs différents », a-t-il déclaré.
La réconciliation manuelle de toutes ces données prenait 16 à 20 heures par semaine à Ghonge, alors que 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. Celui-ci l’a aidé, mais pas complètement. C’est alors qu’il s’est tourné vers l’IA agentique et a construit lui-même le système, en s’appuyant sur 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 : appels de revue d’activité, déjeuners de formation et bouche-à-oreille. Quatre mois plus tard, la plateforme comptait plus de 75 utilisateurs et des milliers de vues.
Les résultats ont été considérables. Ce qui prenait auparavant 20 heures n’en prend désormais plus 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 aussi 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 deviner.
La confiance ne venait pas de l’étiquette IA. Elle venait de la transparence. Lorsque les données de gestion de projet exportées sous forme de 18 000 lignes ne représentaient en réalité que 600 à 700 tickets réels, le système de Ghonge analysait et regroupait ce désordre dans un tableau clair que les utilisateurs pouvaient consulter directement, plutôt que de devoir parcourir l’outil source ticket par ticket. « Au lieu de devoir consulter l’outil à chaque fois pour chaque ticket, ils peuvent désormais tout voir facilement dans un seul système », a-t-il expliqué. Les utilisateurs pouvaient également afficher 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 faisait pas qu’automatiser.
Ghonge a également attribué à l’IA un avantage qu’il n’avait pas prévu au départ : la documentation. Lorsqu’il a commencé à demander à l’IA de suivre ses propres déploiements et le temps passé, il a pu quantifier a posteriori son propre processus de conception — jusqu’au nombre de requêtes 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, plutôt que selon le 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 complet de bout en bout pour l’un de nos partenaires principaux, comprenant : la collecte des données du véhicule, l’inspection, l’évaluation, la présentation, la recherche d’acheteurs, la transaction et l’exécution », a déclaré Banakh. « Tout cela 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 promener avec un stylo et du papier pour leur documentation. » Le projet exigeait donc plus qu’un changement de processus : il nécessitait ce que Banakh appelait un changement de paradigme dans les comportements fondamentaux, un changement qu’il est facile de mal aborder.
Avec un calendrier serré, l’équipe de Banakh a utilisé l’IA pour simuler toute une gamme de personnalités parmi les parties prenantes et réfléchir à la manière dont le flux de travail devait être organisé. « Nous avons finalement cocréé la version préliminaire du flux de travail », a-t-elle expliqué. « Elle a ensuite été soumise à notre partenaire pour validation. Cela a véritablement accéléré les échanges » — remplaçant les réunions de validation lentes et individuelles par une version préliminaire à laquelle le partenaire pouvait réagir directement.
Le projet n’en est encore qu’à ses débuts en phase pilote, si bien que Banakh n’a pu communiquer que des chiffres limités, mais le résultat principal est notable : le temps de cycle a déjà diminué des deux tiers, avant même que le système ait été entièrement optimisé. « Le temps de cycle a été réduit des deux tiers à ce stade, et nous n’avons même pas encore procédé à une optimisation complète », a-t-elle déclaré, ajoutant que des réductions des coûts, de la dépréciation des actifs et de la main-d’œuvre humaine devraient suivre.
Pour convaincre les parties prenantes sceptiques, il n’a pas été nécessaire de mener une argumentation agressive. « Il faut parler de la logique et du retour sur investissement, et les vrais 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 deuxième système d’IA simplement pour garantir la fiabilité 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 sur la foi. L’équipe de Banakh a maintenu un « passage de relais attentif à chaque étape », avec un responsable de programme chargé de détecter les anomalies que la vérification humaine aurait pu manquer.
Aucune de ces équipes n’a obtenu l’adhésion des parties prenantes en présentant l’IA comme un concept. Elles l’ont obtenue en livrant quelque chose de limité, en démontrant que cela fonctionnait et en laissant les résultats parler d’eux-mêmes. Comme l’a dit Banakh, « les vrais professionnels du monde des affaires sont convaincus lorsqu’ils voient le résultat ». C’est le point commun de ces trois études de cas : il s’agit moins de l’IA elle-même que de la discipline consistant à instaurer la confiance dans le système en parallèle de son développement.
Vous souhaitez découvrir d’autres analyses de ce type ? Inscrivez-vous gratuitement sur DPM pour découvrir les points de vue d’autres experts comme ceux-ci et être les premiers informés des événements à venir.