Quand un déploiement en entreprise se passe bien, je le sais au cours des deux premières semaines.

Les gens ne se contentent pas de se connecter. Ils se connectent, clôturent les tickets d’assistance traités pendant la nuit par leurs agents d’IA, confirment les relances envoyées aux prospects commerciaux pendant qu’ils dormaient, découvrent de nouveaux cas d’usage et configurent d’eux-mêmes davantage d’agents. On commence alors à recevoir des questions de l’équipe du type « peut-il faire ça aussi ? » au lieu de « pourquoi ne le fait-il pas ? ». C’est le moment magique où l’on sait que le client aime le produit et s’y appuie déjà, un peu comme il utilise WhatsApp tous les jours.

La valeur délivrée est importante, se traduisant par des gains de temps et de coûts significatifs, ainsi que par une nette amélioration des scores de CSAT et de l’efficacité opérationnelle globale. L’impact sur l’activité est tout simplement trop grand pour passer inaperçu.

Mais quand cela se passe mal, le signal est tout aussi clair.

Ils signent le contrat, publient un communiqué sur leur grande transformation IA, puis… les gens se connectent et ne font pas grand-chose. L’agent ne prend en charge qu’une fraction de ce qu’il était censé gérer. La majeure partie de l’équipe continue à travailler manuellement. Les intégrations avec le CRM, l’ERP ou le système de ticketing ne sont pas finalisées. Ils se connectent une fois par jour, puis une fois par semaine, puis arrêtent. Inutile d’avoir une boule de cristal pour savoir que l’année suivante, ils diront quelque chose comme « cela ne correspond tout simplement pas à notre façon de travailler » et que le contrat ne sera pas renouvelé.

La différence entre ces deux issues tient presque jamais à la technologie.

La technologie fonctionne. L’agent d’IA est prêt. Mais l’entreprise ne l’est pas.

Voici pourquoi. La plupart des entreprises pensent que déployer un agent d’IA consiste à connecter ChatGPT à leurs systèmes et, soudain, tout devient magique et tourne tout seul. Cela ne fonctionne pas comme ça. Chaque intégration entre l’IA et votre CRM, votre ERP, votre système de ticketing, vos canaux de communication, et ainsi de suite, est à elle seule un problème d’ingénierie difficile. Il n’existe aucune magie qui permette à une IA de se connecter automatiquement à 200 systèmes internes.

On a aussi tendance à penser que le modèle d’IA est la partie la plus difficile. Ce n’est plus le cas. Les modèles d’IA deviennent de plus en plus des commodités. Vous pouvez passer de ChatGPT à Claude à Gemini ou à tout autre modèle en quelques secondes, et les modèles open source actuels fonctionnent à environ 1 % à 2,5 % du coût des laboratoires de pointe tout en atteignant environ 90 % à 96 % de la qualité, parfois même plus de 100 % dans certains domaines de niche. Il n’y a pas de moat dans les modèles. Le moat se trouve dans les intégrations, et chaque intégration est une étape réelle qui demande un vrai travail de construction.

Le moat se trouve aussi dans la connaissance qui les alimente.

Votre connaissance doit d’abord être exploitable

Même si toutes les intégrations sont correctes, la qualité de la sortie de l’agent ne sera jamais supérieure à celle des connaissances qu’on lui fournit. La donnée est reine ; la qualité de la donnée est une mine d’or. Des entreprises comme Mercor ont bâti des activités en recrutant des experts métier à des tarifs élevés précisément pour produire des données de haute qualité destinées à l’apprentissage de l’IA. La plupart des entreprises ordinaires n’ont pas des millions de dollars à consacrer à cela, mais elles possèdent quelque chose d’aussi précieux : des années de connaissances accumulées sur le fonctionnement réel de leur activité. Le seul problème, c’est que ces connaissances ne sont presque jamais là où elles devraient être.

Réfléchissez à la façon dont la connaissance circule réellement dans une entreprise. Un employé passe des jours à étudier un problème client complexe, finit par le résoudre, puis répond sur WhatsApp. La fois suivante où le même problème se présente pour un autre employé, avec un autre client, cette personne repart de zéro et passe encore plusieurs jours avant d’y parvenir. Quel gaspillage de temps.

De plus, tout ce que l’entreprise sait est généralement dispersé partout sous forme de langage naturel : dans les e-mails, les PDF, les documents sur le disque local de quelqu’un, les fichiers du cloud de l’entreprise remplis de doublons et de versions contradictoires… Dans des appels téléphoniques passés une fois et jamais enregistrés. Dans la tête d’anciens employés, et dans leurs données supprimées, lorsque le transfert de connaissances n’a jamais eu lieu.

À présent, toute cette connaissance peut être enregistrée, organisée, gérée, utilisée et appliquée par l’IA.

Bien faire cela signifie traiter la connaissance comme une infrastructure. Chaque document utilisé par l’agent doit être importé dans la base de connaissances, maintenu à jour et protégé par des contrôles d’accès. Les agents en contact avec les clients voient ce que les clients doivent voir ; les agents internes voient l’ensemble du contexte.

Imaginez cela comme l’intégration d’un nouvel employé. Au lieu de lui donner une pile de fichiers Google Drive et de lui transférer des fils d’e-mails en espérant qu’il absorbe les bonnes informations en un mois, vous décidez exactement ce qu’il sait dès le premier jour.

La base de connaissances doit aussi être capable de gérer tout ce que l’entreprise lui soumet, qu’il s’agisse de PDF, de feuilles de calcul, de notes vocales, d’images ou de documents dans plusieurs langues. Quand quelque chose change, la connaissance doit pouvoir être mise à jour sans tout reconstruire depuis zéro. Cela devrait être aussi simple que de la fournir à votre agent et de le laisser remplacer automatiquement et partout les anciennes connaissances.

L’un des plus grands groupes immobiliers d’Asie, gérant des centaines de biens résidentiels et commerciaux, faisait exactement face à ce problème. Il disposait de documentation de conformité, de contrats de locataires, de procédures de maintenance spécifiques aux immeubles, de règles d’escalade fournisseurs, avec des données dispersées dans différents systèmes et dans différentes langues. Pendant des années, personne n’a créé une structure cohérente ni une frontière claire entre les connaissances pouvant être partagées à l’extérieur et celles devant rester internes.

Il leur fallait auparavant des heures pour répondre à une demande de locataire. Une fois l’IA agentique déployée, n’importe quelle information est devenue récupérable en moins de 30 secondes. Le temps de première réponse est passé de 12 heures à moins de 60 secondes, et la satisfaction des locataires a presque doublé dans les 90 jours suivant le déploiement.

J’ai entendu un jour un employé de ce groupe dire qu’après 20 ans, il n’était toujours pas capable de mémoriser 50 % du SOP parce qu’il change en permanence, alors que l’IA est capable de tout mémoriser et de répondre correctement à tout en 2 secondes après ingestion.

Même information. Enfin exploitable.

La vente, c’est 99 % de relances ; l’agent aussi

Bien gérer la connaissance est le problème interne. Le problème externe consiste à relier chaque conversation de l’agent aux systèmes sur lesquels votre entreprise fonctionne réellement.

Je vais vous dire quelque chose sur la vente que la plupart des gens ne mettent pas sur LinkedIn : la vente, c’est 99 % de relances. Avant de créer Jurin AI, je récupérais chaque année environ 800 à 1 200 cartes de visite. Je relançais moins de 2 % d’entre elles. Ce n’est pas que je ne voulais pas faire les 98 % restants, mais le processus est pénible. Il faut trouver le temps de saisir manuellement les coordonnées de quelqu’un, se rappeler où vous vous êtes rencontrés et de quoi vous avez réellement parlé, puis rédiger un message personnel. Au moment où vous vous y mettez, l’instant est déjà passé.

Imaginez maintenant que l’agent s’en charge. Vous rencontrez quelqu’un, et le système sait déjà qui il est, ce qu’il a publié la semaine dernière, et ce qui se relie à ce que vous construisez. La relance part le jour même, personnalisée, pendant que la conversation est encore fraîche. Chaque prospect. Pas seulement ceux dont vous vous êtes souvenu.

Ce n’est pas une amélioration de 10 %. Bien fait, cela représente 50x de chiffre d’affaires, ou 200x de profits dans certains secteurs, laissés dans une pile de cartes de visite que personne n’a traitées. C’est là que l’IA devient le « game changer ».

Quand vous pouvez vous rappeler chaque conversation passée et reprendre exactement là où vous vous étiez arrêté… c’est au cœur même de la mission de Meta : « rapprocher le monde ».

La même logique s’applique à l’intérieur de l’entreprise. Lorsqu’un prospect demande le prix, la conversation peut être simple, mais le flux de travail sous-jacent ne l’est pas : s’agit-il d’un compte existant ou d’un nouveau ? Quelqu’un lui a-t-il déjà parlé ? Quelle région gère la relation ? Y a-t-il une opportunité ouverte dans le pipeline ? Cette remise doit-elle être approuvée ? Y a-t-il des tickets d’assistance antérieurs ? Est-ce que quelqu’un s’en occupe déjà ? Plus il y a de niveaux humains, plus les inefficacités se cumulent de façon exponentielle ; l’IA, elle, scale linéairement sans effort.

Un agent d’IA peut naviguer dans tout cela, mais seulement s’il est connecté aux systèmes qui détiennent ces réponses. Salesforce, HubSpot, SAP, Oracle, votre système de ticketing, votre ERP, quelle que soit la combinaison utilisée par votre entreprise, doivent être intégrés avant que l’agent puisse faire tout cela. Une fois ces intégrations en place, l’agent vérifie le CRM, récupère l’historique réel, oriente vers le bon responsable, consigne l’interaction et planifie la relance. La conversation a lieu, et l’IA capture tous les flux de travail avant, pendant et après.

Toutes vos interactions doivent être regroupées au même endroit

Mais capturer les flux de travail ne fonctionne que si vous voyez l’ensemble du tableau. Et la plupart des entreprises n’y arrivent pas, parce que la conversation se déroule à différents endroits, détenus par des personnes différentes, et ces personnes ne savent pas ce que les autres ont dit.

Par exemple, le responsable de compte a l’historique WhatsApp. Les ventes voient le CRM. L’assistance voit le ticket. La finance voit la facture. Le client suppose que n’importe quelle personne de l’entreprise sait tout ce qu’il a jamais dit à quelqu’un dans l’entreprise.

Si une entreprise déploie un agent dans cette fragmentation et s’attend à ce qu’il performe, cela n’arrivera pas.

Chaque canal touché par le client, qu’il s’agisse d’e-mail, WhatsApp, Slack, téléphone, CRM ou système de ticketing, doit être intégré dans le même système. Une fois cela fait, l’agent dispose de l’image complète : ce qui a été promis la semaine précédente, ce qui est encore ouvert, qui a parlé au client ce matin et ce qui a été dit. Il reprend la conversation avec tout le contexte, quel que soit le canal d’origine.

Le groupe immobilier mentionné plus haut avait des comptes LINE, WhatsApp, WeChat et des boîtes e-mail distincts pour chaque bien. Une fois tous les canaux unifiés et connectés, l’agent connaissait l’immeuble, le locataire, l’historique et les problèmes en suspens. Il disposait enfin de l’image complète.

Donnez à l’agent le bon niveau d’autonomie pour chaque flux de travail

Vous ne donnez pas la carte de crédit de l’entreprise à un nouvel employé dès son premier jour. Mais vous ne lui demandez pas non plus d’obtenir une autorisation avant de répondre à un e-mail. Les agents fonctionnent de la même manière.

Certains flux de travail, vous voulez que l’agent les gère de bout en bout, comme répondre au client, mettre à jour l’enregistrement, clôturer le ticket ou reprogrammer la livraison. Pour d’autres, vous voulez qu’un humain relise avant tout envoi. L’agent fait le travail préparatoire, comme extraire les données, rédiger la réponse et signaler les exceptions, tandis qu’une personne prend la décision finale.

L’important est de décider du niveau d’autonomie accordé à chaque agent avant le lancement de votre déploiement d’IA d’entreprise.

Une activité e-commerce traitant 3 000 commandes par jour peut donner à ses agents une autonomie totale sur les modifications d’abonnement, les changements de livraison et les validations d’annulation. Mais les remboursements au-delà d’un certain montant continuent d’être transmis à un humain. Il faut moins d’une journée pour définir toutes ces règles et permissions. Mais si c’est bien configuré, vous n’aurez aucun ticket non traité après les heures de bureau et vous économiserez chaque année sept chiffres, ainsi que beaucoup de tracas.

Voilà ce dont les agents d’IA d’entreprise ont réellement besoin

Le moment magique décrit au début, quand les gens se connectent et trouvent le travail déjà fait, en demandant « peut-il faire ça aussi ? », ne se produit pas par hasard. Il se produit lorsque la connaissance est structurée et exploitable, lorsque l’agent est connecté aux systèmes réellement utilisés par l’entreprise, lorsque chaque canal est intégré dans un seul système, et lorsqu’une décision délibérée a été prise sur ce que l’agent a le droit de faire avant même sa mise en production.

Rien de tout cela n’est techniquement difficile si vous disposez de la bonne plateforme. Mais tout cela exige que l’entreprise prenne des décisions qu’elle évite depuis longtemps.

Les entreprises qui font ce travail n’obtiennent pas seulement un agent fonctionnel. Elles obtiennent aussi une image plus claire de la manière dont leur entreprise fonctionne réellement qu’auparavant : des flux de travail documentés, une connaissance propre et des systèmes intégrés.

Il s’avère que les prérequis d’un bon déploiement d’IA en entreprise et ceux d’une entreprise bien gérée sont exactement la même chose.