Cet article est un article hébergé. Vous souhaitez aussi faire héberger votre article ? Découvrez mon offre ici.
La statistique est connue : 95% des projets d’IA générative échouent.
Et ce n’est pas faute de « vouloir », mais, la plupart du temps, c’est un véritable problème de méthode.
On ne peut pas réussir à intégrer l’IA générative dans le fonctionnement d’une entreprise si on ne mets pas en place les moyens et la méthode.
Laissez-moi vous raconter mon expérience pour Creatis.
L’expérience Creatis de Cofidis Group
Creatis, spécialiste du rachat de crédits depuis 1998 est filiale de Cofidis Group, qu’on ne présente plus.
L’IA générative y est vue comme une opportunité, mais, comme pour toute société de grande taille, intégrer une technologie aussi révolutionnaire au sein des équipes ne peut pas se décréter et doit passer par une approche qui, en même temps, implique les collaborateurs de l’entreprise, les accoutume à la technologie et aboutisse à de véritables résultats.
L’approche des communautés de pratique
Pour Creatis, j’ai choisi une approche par la communauté de pratiques : des collaborateurs rassemblés par groupe métiers approchant la technologie par la pratique qui apprennent en faisant et en partageant leurs retours d’expérience.
Tous ces groupes se sont vus confiés un environnement sécurisé d’IA générative et ont travaillé sur des cas d’usage qu’ils ont eux mêmes suggérés.
Retrouvez mes autres interviews de spécialistes de l’IA. IA générative et retail : 5 conseils d’expert pour réussir l’intégration et garantir le ROI et Vibe coding : comment l’agence World Sellers est passé des LLM aux agents IA.
Un projet de plusieurs mois
Ainsi, de début juin à fin décembre 2025 :
- 7 groupes de travail ont participé à 58 séances
- 187 tests différents ont été documentés
- 19 cas d’usage ont été explorés
Taux d’assiduité : 72%. Un véritable engouement !
Des avantages indéniables :
- Les participants apprennent et expérimentent les limites de l’IA. Les illusions s’évaporent.
- Les attentes sont plus précises dans les expressions de besoin.
Une transversalité indispensable
Tous les départements de l’entreprise étaient représentés, du commerce à la relation client en passant par le risque, le contrôle, le support ou les activités opérationnelles.
Une des conditions de réussite passait évidemment par le partage des apprentissages et le retour d’expérience. Pour y parvenir, tous les travaux ont été documentés et dispatchés au sein des communautés par différents moyens : textes, films, et, quand l’opportunité s’en présentait, par des expressions de besoin, dont certaines sont passées en POC.
De l’idée à la réalisation effective : l’exemple Creatis de Cofidis Group
Ce travail de plusieurs mois avec tous les départements de l’entreprise a conduit à plus 6 expressions de besoin dont certaines ont été portées en POC.
C’est de l’un de ces POCS dont je voudrais vous parler aujourd’hui.
Un agent conversationnel pour les règles d’octroi
A force de réflexions, le choix d’un des POCS s’est porté sur un agent d’octroi, dont les gains potentiels de productivité étaient très prometteurs, et dont la connaissance était, avant le projet, basé sur un document volumineux décrivant de nombreuses règles et exceptions, impossible à faire interpréter.
Pour aider l’IA, un travail de découpage par sens de l’information a été réalisé, conduisant à la réécriture du document initial en réduisant son poids d’un rapport de 20 à 1 : une réduction parfaitement en phase avec les objectifs de frugalité propre à une entreprise à mission, comme Creatis.
Avantages de l’agent IA
L’assistant permet de chercher dans cette masse d’informations en fournissant des réponses simples à des questions en langage naturel et très techniques. Pour bien comprendre le progrès, il faut comparer cette approche à l’approche initiale qui consistait à faire soit une recherche visuelle dans les documents, soit une recherche par Ctrl+F.
Critères d’évaluation
2 critères d’évaluation ont alors procédé à la validation du POC.
- La fidélité et la précision des réponses
Afin de valider la pertinence de l’agent, les analystes maisons avaient fixé un seuil de réussite à 90%, mesuré par des indicateurs de type Match : bonne réponse directe, bonne réponse après reformulation et mauvaise réponse ou absence de réponse.
- Le temps d’interrogation
Les gains obtenus ont été très significatifs, puisque pour 80 utilisateurs effectuant 20 analyses par jour, 80h de production ont été réalisées par jour.
Conclusion : une réussite encourageante !
C’est ainsi que nous avons déployé le premier assistant utilisant la RAG au sein du groupe.
On est passé de l’expérimentation au déploiement en production à la charge des métiers. Et ça, ça a été ma plus grande fierté !
La semaine prochaine, je vous parlerai des changements et du rôle du product owner DATA IA.
Damien Selosse est Data Product Manager | Chef de projet en intelligence artificielle.
Je construis la connaissance qui, associée au travail collaboratif, permet la création de valeur. Chaque jour, je suis sur ce chemin pour emmener les équipes avec lesquelles je travaille.
- Mettre en place un système favorisant l’innovation
- Coordonner les efforts, usecase, tests, POC
- Créer les conditions du succès
- Dé-risquer les choix et mesurer les progrès
