Cas présentés comme model cards .

Structure issue de la recherche publique : contexte, métriques de référence, intervention, résultats avant et après . Ce que nous exigerions de tout prestataire affirmant « nous avons fait de l'IA ».

CASE-01 · ECOMMERCE · MODE

Triage automatique des retours

Contexte

Des milliers de retours par mois. Équipe customer ops débordée. SLA moyen élevé. Pics impossibles à gérer en période de soldes. Erreurs fréquentes dans les motifs classifiés.

Intervention

Classifieur d'intention + agent avec outils (consultation commande, stock, étiquette) + remboursement validé par un humain jusqu'au seuil de confiance 0,92. Pilote de 8 semaines.

Résultat

Grande majorité des retours résolus sans intervention humaine. SLA moyen réduit de façon notable. L'équipe ops couvre désormais la file complexe au lieu de la répétitive.

MÉTRIQUES · avant / après · 6 mois

Agent v3

SLA · avant

élevé

SLA · après

très bas

réduction notable

Coût /cas

élevé

Coût /cas

très bas

réduction drastique

Erreurs par motif

élevées

Erreurs par motif

minimes

réduction drastique

milliers de cas/mois

haute autonomie

équipe intacte

CASE-02 · INDUSTRIEL · B2B

RAG sur 14 200 documents techniques

Contexte

Fabricant de composants avec 22 ans de manuels techniques dans SharePoint. Onboarding d'un nouvel ingénieur : 3 mois pour atteindre l'autonomie opérationnelle.

Intervention

Embeddings + re-ranking BM25 + Claude pour la synthèse et la citation. Auth corporatif. Politique par équipe : R&D voit tout, atelier uniquement les manuels opérationnels.

Résultat

Onboarding réduit de façon très notable. Taux élevé de réponses correctes et citées à la source. L'équipe R&D récupère un temps significatif par semaine.

MÉTRIQUES · avant / après · 3 mois

RAG technique

Onboarding

long

Onboarding

très réduit

réduction très notable

Temps /requête

élevé

Temps /requête

très bas

réduction drastique

Réponses correctes

partielle

Réponses correctes

élevée

amélioration notable

milliers de docs

forte demande/sem

heures récupérées/sem

CASE-03 · SECTEUR PUBLIC

Vision par ordinateur pour le contrôle qualité

Contexte

Centre de contrôle d'un service public. Inspection manuelle d'un volume élevé de pièces par heure. La fatigue humaine en fin de poste se traduit par des défauts non détectés.

Intervention

Plusieurs caméras edge avec YOLO-v9 affiné sur des milliers d'images annotées. Triple validation humaine pendant la calibration du modèle. Politique conservatrice : en cas de doute, escalade.

Résultat

Rappel très élevé sur les défauts critiques. Faux positifs bas et acceptables. Les inspecteurs humains passent à la révision qualitative.

MÉTRIQUES · avant / après · 6 mois

YOLO défauts

Rappel

partiel

Rappel

très élevé

amélioration notable

Reprises

élevées

Reprises

très basses

réduction notable

Débit

limité

Débit

amélioré

hausse substantielle

plusieurs caméras edge

milliers d'images d'entraînement

0 licenciement · reclassement

Quel serait votre cas 04 ?

Concevoir un pilote→ Voir les services→