Data Quality & l’IA comme levier métier

Conférence du 3 juin 2025

Novencia

21 Rue de la Banque

Paris

Introduction

01. La donnée avant l’IA : pourquoi la qualité est le vrai point de départ

02. Agents IA en action : quand l’IA devient un levier métier

03. Industrialiser l’IA : méthode, risques, pilotage

04. ITSM augmenté : comment l’IA redéfinit la gestion informatique

Conclusion

Disponible pour un call

En tant que directeur dé développement chez Digicom, je vous invite à entrer en contact avec moi, l’occasion d’engager une conversation informelle et voir comment nous pouvons apporter de la valeur à votre organisation.

Khalid LAÏCHE, Sales Director EMEA || Practice ESM | IA

01 85 09 53 25 / 06 50 13 78 07

khalid@digicomcorporation.com

Introduction

L’intelligence artificielle ne se contente plus d’occuper l’espace médiatique. Elle s’installe dans les outils, les flux, les responsabilités. Elle interroge, parfois inquiète, mais surtout, elle s’impose comme un levier que les entreprises ne peuvent plus ignorer.

Ce 3 juin, nous avons choisi de ne pas refaire une énième conférence sur “ce que pourrait faire l’IA demain”. Nous avons préféré montrer ce qu’elle fait déjà aujourd’hui, avec des cas réels, des retours d’expérience concrets et des projections opérationnelles claires.

Le message était simple : l’IA n’est pas une innovation isolée, c’est une transformation transversale. Mais pour en tirer parti, encore faut-il poser les bonnes bases (la donnée), choisir les bons terrains (support, ITSM, formation, relation client…), et structurer une méthode solide (architecture, cadrage, supervision).

Avec trois axes majeurs : la qualité des données, la réinvention de l’ITSM, et l’industrialisation des agents IA.

Ce deuxième rendez-vous a confirmé que les enjeux ne sont plus techniques. Ils sont stratégiques, économiques, humains.

01. La donnée avant l’IA : pourquoi la qualité est le vrai point de départ.

L’intelligence artificielle ne date pas d’hier. Tout le monde parle d’IA. Peu de gens parlent de la donnée sur laquelle elle repose. Et pourtant, c’est là que tout commence, ou que tout s’écroule.

Olivier BERBILLE, Directeur BU DATA pour Novencia, a recentré le débat là où il doit être : une IA n’est jamais meilleure que la donnée qu’on lui fournit. Et cette donnée est souvent incomplète, incohérente, dispersée ou biaisée. Résultat : des analyses erronées, des automatisations qui tournent à vide, et une perte de confiance dans les outils.

L’approche proposée s’appuie sur une solution de data quality dopée à l’IA. Elle ne se contente pas de vérifier des règles fixes, elle apprend, détecte, corrige et s’adapte à tous types de sources : référentiels produits, bases clients, CRM, ERP, supply chain… Elle fonctionne sans avoir besoin de règles métiers codées en dur, ce qui lui donne une souplesse précieuse en environnement complexe ou multi-silos.

Le gain est double :

Les utilisateurs métier accèdent à des données fiabilisées et exploitables sans attendre la DSI.
Les projets conversationnels, IA (prédictifs, automatiques…) reposent sur une base propre, cohérente, et surtout continue.

Autrement dit : on ne construit pas une IA durable avec une donnée instable. Et dans une époque où tout s’automatise, la véracité de la donnée devient une question stratégique, bien au-delà de la technique. Pour les DSI, cela implique de ne plus penser la data quality comme un chantier ponctuel, mais comme une couche active, autonome, supervisée par l’IA elle-même. C’est le socle invisible, mais essentiel, d’un système d’information intelligent.

02. Agents IA en action : quand l’IA devient un levier métier.

S’il fallait une preuve que l’IA n’est plus réservée aux laboratoires, c’est dans cette intervention qu’on l’a trouvée. Eliot, Consultant Expert IA et Khalid Directeur des ventes ont posé les choses avec clarté : l’enjeu n’est plus d’expérimenter, mais de livrer, déployer, améliorer.Les chiffres parlent d’eux-mêmes :

Plus de 200 cas d’usage IA identifiés

37 projets mis en production

Jusqu’à 600 000 utilisateurs finaux concernés.

Mais ce qui a marqué, ce sont les trois cas concrets, choisis pour leur diversité et leur efficacité.

Ce que ces projets ont en commun : Une IA au service d’un objectif métier clair, Un cadrage rigoureux, Une logique de production rapide et itérative, Et surtout, un ROI mesurable.

La conclusion est simple : on peut faire mieux, plus vite, et avec moins, à condition de poser les bonnes questions. L’IA conversationnelle ou générative n’est pas réservée aux géants de la tech. Elle devient un outil métier comme un autre… à la fois puissant et accessible.

Projet 1 – Le chatbot assurance (secteur bancaire)

Un environnement sensible, exigeant, à fort trafic. Objectif : permettre aux utilisateurs de comprendre précisément les garanties liées à leurs cartes.

Résultat : -45 % de sollicitations au support, sans compromettre la conformité ni la sécurité.
Clé du succès : usage du RAG (Retrieval Augmented Generation) pour combiner précision et personnalisation.

Projet 2 – FormHack (secteur formation)

Un objectif radical : réduire les coûts de production de contenus sans sacrifier la qualité.

En 1 mois, coût divisé par 6, délais passés de 3 mois à 3 semaines, et 85 % du process automatisé.
Méthode : un cycle de 3 jours mêlant IA générative, feedback humain et optimisation continue

Projet 3 – Eagr (coaching commercial IA)

Créer un coach IA capable de simuler des clients, adapter les scénarios de vente et générer du feedback en temps réel.

Les utilisateurs progressent plus vite, s’engagent plus, et assimilent mieux grâce à une IA adaptative gamifiée.

03. Industrialiser L’IA : méthodes, risques et pilotage

Ce qui distingue un POC brillant d’un projet réussi, ce n’est pas la technologie. C’est la méthode.

Trop d’entreprises lancent l’IA sans cadre, sans objectif métier clair, ou sans stratégie d’industrialisation. Résultat : déceptions, budgets gaspillés, et opportunité manquée.

L’approche présentée par l’équipe IA de Digicom repose sur une conviction simple : on n’industrialise pas l’IA comme un outil classique. Il faut accepter une logique itérative, hybride, exigeante.

Voici les étapes clés qu’on ne peut plus ignorer :

1. Acculturation & stratégie IA

Avant de parler modèles, il faut parler enjeux. L’IA ne doit pas être un gadget ou une vitrine, mais une réponse à un besoin métier réel. Cela suppose d’embarquer les décideurs, les métiers, les équipes data… et de formuler une stratégie IA sur-mesure, en fonction du niveau de maturité.

2. Workshops & cadrage technico-fonctionnel

Quels risques ? Quelles données ? Quelle architecture ? Quels coûts ? Ce travail de clarification en amont est indispensable pour poser un périmètre réaliste et prioriser les cas d’usage à fort impact.

3. Développement agile et supervision intégrée

Pas de “big bang”. Des cycles courts, un pilotage en continu, des tests utilisateurs fréquents. Et surtout, une supervision dès le jour 1 : l’IA doit être traçable, ajustable, et améliorable dans la durée.

4. Mesure du ROI

Ce qui ne se mesure pas ne se pilote pas. C’est en suivant les résultats, tickets évités, gains de temps, taux de satisfaction, baisse des coûts, qu’on sécurise l’adoption et qu’on justifie l’investissement.

Industrialiser l’IA, ce n’est pas seulement une affaire de développeurs. C’est un projet de transformation qui touche aux métiers, aux données, à la gouvernance et à la culture d’entreprise. Ceux qui réussissent sont ceux qui traitent l’IA non comme une technologie, mais comme un système vivant, piloté, et intégré à la stratégie globale.

04. ITSM augmenté : comment L’IA redéfinit la gestion informatique

L’IA dans l’ITSM n’est plus un sujet exploratoire. Elle est déjà opérationnelle, et son impact est immédiat : réduction de charge, amélioration du temps de réponse, automatisation des tâches à faible valeur. C’est ce qu’a démontré HaloITSM avec clarté. Loin des effets d’annonce, la solution intègre nativement des briques d’intelligence artificielle conçues pour simplifier, accélérer et fiabiliser les processus IT.

Voici ce que l’IA permet de faire dès aujourd’hui avec Halo :

Catégoriser automatiquement les incidents, en analysant leur contenu
Trier et prioriser les tickets en fonction de la criticité ou des SLA
Suggérer des réponses issues de cas similaires déjà résolus
Générer automatiquement des articles pour la base de connaissances
Réduire les sollicitations humaines grâce à une gestion proactive

Résultat : un support plus rapide, plus fiable, plus fluide. Les équipes gagnent du temps. Les utilisateurs obtiennent des réponses précises, sans attente. Et les managers IT accèdent à une visibilité accrue sur les performances du support. Côté ROI, les chiffres parlent d’eux-mêmes :

Réduction des volumes de tickets
Diminution du temps moyen de traitement
Amélioration du taux de satisfaction utilisateur
Allègement de la charge des équipes N1 et N2

Ce que montre Halo, c’est que l’IA peut être un levier opérationnel, sans replatforming lourd ni dépendance à des projets complexes. Pour les DSI, c’est une opportunité claire : automatiser sans brutaliser, fluidifier sans complexifier.

CONCLUSION

Le 3 juin, nous n’avons pas fait la promotion de l’IA. On a montré ce qu’elle change, concrètement, quand elle est bien pensée, bien cadrée, bien pilotée.

Les messages sont clairs :

Sans qualité de données, pas d’IA fiable.
Sans cadre méthodologique, pas de passage à l’échelle.
Et sans cas d’usage métier, pas de valeur ajoutée.

Ce qu’on a vu, ce sont des outils matures (HaloITSM), des approches solides (Novencia), des déploiements concrets (Digicom), des retours mesurables. L’IA quitte le terrain des promesses pour entrer dans celui de la performance observable.

Mais il reste un prérequis : ne pas traiter l’IA comme une couche en plus. Il faut l’intégrer comme un levier stratégique, transversal, structurant. C’est une transformation de fond, pas un simple plugin intelligent.

À celles et ceux qui n’étaient pas là :