Nous demandons à chaque client un retour honnête après trois mois d'utilisation. Voici une sélection non retouchée.
Nous recevions 200 e-mails par jour de fournisseurs. Le tri prenait une demi-journée à deux personnes. Le modèle de classification mis en place par Ai Integrity Source a réduit ce temps à 45 minutes. Les erreurs de routage ont chuté de 90 %. Après six mois, le système tourne sans intervention de notre part.
On hésitait depuis deux ans à investir dans l'IA. La phase de diagnostic de trois jours nous a convaincus : l'équipe a identifié un goulot d'étranglement dans notre processus de facturation que nous n'avions jamais remarqué. Le bot qui génère et envoie les factures récurrentes nous fait gagner 8 heures par semaine.
Le chatbot déployé sur notre site répond correctement à environ 7 questions sur 10 sans intervention humaine. Pour les cas complexes, il transfère au bon conseiller avec un résumé de la conversation. Nos temps de réponse sont passés de 4 heures à 12 minutes en moyenne. Le seul bémol : la mise en place a pris un mois de plus que prévu, à cause de la complexité de notre base documentaire.
J'ai apprécié la franchise de l'équipe. Sur les cinq idées que nous avions, ils nous ont dit clairement que deux n'avaient pas de sens économique. Pour les trois autres, les résultats sont là : notre modèle de prévision de la demande a une précision de 87 %, ce qui nous a permis de réduire nos stocks de 15 % sans rupture.
Nous sommes une PME de 22 personnes. L'IA nous semblait réservée aux grandes entreprises. Le diagnostic initial a montré que notre processus de qualification des leads pouvait être automatisé pour moins de 5 000 euros. Le modèle tourne depuis quatre mois et notre taux de conversion a augmenté de 23 %.
Le tableau de bord prédictif qu'ils ont construit nous permet de voir les tendances de vente trois semaines à l'avance. Ce n'est pas parfait à 100 %, mais c'est bien meilleur que nos anciennes estimations au doigt mouillé. Le support technique est réactif : quand le modèle a dérivé après un changement de gamme, ils l'ont recalibré en deux jours.
TransWall, entreprise de transport basée à Liège, emploie 85 personnes. Chaque jour, le service logistique recevait entre 180 et 220 e-mails de fournisseurs, sous-traitants et clients. Deux employées à temps plein triaient ces messages et les redirigeaient vers les bons interlocuteurs. Le taux d'erreur atteignait 12 %, ce qui provoquait des retards de livraison et des tensions avec les clients.
Après un diagnostic de deux jours sur site, nous avons entraîné un modèle de classification de texte sur 14 000 e-mails historiques, répartis en 9 catégories. Le modèle a été intégré directement dans le serveur de messagerie de TransWall via une API. Les e-mails sont classés automatiquement, et ceux dont la confiance est inférieure à 85 % sont signalés pour vérification manuelle.
Le taux d'erreur de routage est passé de 12 % à 1,3 %. Les deux employées consacrent désormais 45 minutes par jour au tri (contre 7 heures auparavant) et utilisent le reste de leur temps pour des tâches à plus forte valeur ajoutée. TransWall estime l'économie annuelle à 38 000 euros.
Ce cabinet d'avocats liégeois, spécialisé en droit immobilier, emploie 14 personnes dont 6 juristes. Les secrétaires passaient en moyenne 3 heures par jour à répondre par téléphone et e-mail à des questions récurrentes : délais de procédure, documents à fournir, tarifs des consultations.
Un assistant conversationnel formé sur 340 pages de documentation interne du cabinet. Le chatbot est accessible sur le site web du cabinet et répond en français. Il gère les prises de rendez-vous, fournit des informations sur les procédures courantes et transfère les cas complexes à un juriste avec un résumé structuré de la conversation.
68 % des demandes courantes sont résolues sans intervention humaine. Le temps de réponse moyen est passé de 4 heures à 12 minutes. Les secrétaires ont retrouvé du temps pour le suivi des dossiers en cours. Le cabinet a constaté une augmentation de 15 % des prises de rendez-vous en ligne au cours du premier trimestre d'utilisation.
Philippe Renard, associé du cabinet, note toutefois que la mise en place a nécessité un mois supplémentaire par rapport au calendrier initial, en raison de la diversité des cas juridiques à couvrir. Le chatbot continue d'apprendre : chaque mois, nous analysons les conversations non résolues et ajoutons de nouvelles réponses.