Et si votre prochaine recrue était une application ?

Ce que vous apprendrez dans ce webinaire

Chapitre 1 — Introduction au webinaire sur l’automatisation des tâches

Un poste de commis à la saisie de commandes reste vacant depuis 247 jours — l’exemple qui lance la question centrale du webinaire : et si votre prochaine recrue était un agent? Un premier sondage montre que 17 % des participants ont une équipe complète, la majorité ayant un ou deux postes ouverts.

« Est-ce que si votre prochaine recrue était un agent? »

Chapitre 2 — Défis du mur de l’embauche et impact sur l’entreprise

Les postes spécialisés restent vacants longtemps, et une nouvelle recrue met souvent près d’un an à atteindre sa pleine vitesse. Le salaire reste fixe même quand la demande ralentit, sans garantie de rétention après la formation.

Chapitre 3 — Transition vers l’utilisation d’agents numériques

Certains postes n’ont pas besoin d’une personne, mais d’un agent, pour le travail répétitif et prévisible — pas le travail créatif. Un agent numérique offre un rendement constant, un coût qui suit le volume, aucun roulement, et garde le savoir-faire dans l’entreprise; l’approche se pense comme une embauche (description de tâches, intégration ERP, règles, coût, évaluation), pas un achat de logiciel.

Chapitre 4 — Évolution des technologies d’automatisation

Il y a deux ans, ce type d’outil sur mesure prenait 6 à 12 mois et coûtait des dizaines ou centaines de milliers de dollars. Avec l’IA d’aujourd’hui, un outil fonctionnel se livre en 4 à 12 semaines, branché à l’ERP dès le premier jour.

Chapitre 5 — Exemples d’outils d’automatisation en entreprise

Introduction à une série d’exemples concrets d’agents déjà déployés en clientèle, à commencer par Cortex Intake, développé pour remplacer le poste de commis présenté en ouverture.

Chapitre 6 — Cortex Intake : Automatisation de la saisie de commandes

Cortex Intake lit les courriels de commande dès leur arrivée, en extrait l’information, la valide contre l’ERP et crée la commande automatiquement — seules les exceptions remontent à un humain. Résultat : de 12 minutes à 90 secondes par bon de commande, 80 % traitées sans intervention humaine, aucune erreur de retranscription à ce jour (chiffres illustratifs).

Ce chapitre couvre aussi un second exemple, Cortex Collect, un agent de recouvrement qui envoie des rappels selon des règles (« playbooks ») et escalade à un humain en cas de litige. Après 90 jours : délai moyen de recouvrement réduit de 9 jours, 7 factures sur 10 réglées sans humain, environ 5 heures par semaine libérées pour le contrôleur.

Chapitre 7 — Évaluation des tâches manuelles répétitives

Un sondage identifie où les équipes perdent le plus de temps : saisie de commandes, paperasse d’entrepôt/inventaire, facturation/recouvrement, approbations, plancher de production. Autres exemples automatisables mentionnés : cartes de temps, appariement de factures à trois voies (20-30 % nécessitent un humain), relances de bons de commande, et montage automatique d’un dossier de remise déclenché par un scan de code-barres.

Chapitre 8 — Fiche de pointage pour identifier les besoins d’automatisation

Une fiche notant une tâche de 1 à 5 sur cinq critères (répétitivité, règles claires, données structurées, coût, risque) : un score de 18-25 signale une excellente première tâche à automatiser, 12-17 mérite un examen plus poussé, et sous 12, garder l’humain.

Chapitre 9 — Limites de l’intelligence artificielle

Sous un score de 12, l’IA n’est pas encore assez mature pour ces tâches. Les participants sont invités à noter eux-mêmes une tâche de leur entreprise selon cette grille.

Chapitre 10 — Résultats du sondage sur les tâches

60 % des participants ont identifié une tâche qualifiée d’excellente première recrue numérique (18-25), 40 % une tâche méritant un examen plus poussé (12-17). Mise en garde : les premiers projets échouent surtout là où les décisions dépendent du jugement humain.

Chapitre 11 — Exemple de projet d’automatisation

Un client voulait automatiser son processus de soumission RFQ, mais cela exigeait l’œil d’un ingénieur. Solution : garder un humain dans la boucle — l’agent s’arrête à des points de décision précis pour validation humaine, comme un inspecteur qualité, avant de poursuivre.

Chapitre 12 — Cas d’utilisation rares

Une tâche annuelle (comme les états financiers de fin d’année) ne justifie généralement pas le coût d’un agent — l’IA a besoin de récurrence pour être rentable. Mise en garde aussi contre les « méga-projets » qui visent à tout automatiser d’un coup plutôt que de cibler des tâches spécifiques une à la fois.

Chapitre 13 — Développement d’agents spécifiques

En multipliant les agents pour des tâches spécifiques, on finit par avoir besoin d’un « orchestrateur » — un agent qui gère les autres et combine leurs résultats.

« C’est un agent, c’est tous les avantages d’une nouvelle embauche, mais c’est aucune des contraintes. »

Chapitre 14 — Données structurées et agents

Les données de CRM sont considérées comme structurées; les fichiers dans une arborescence de serveur sont plus difficiles à exploiter, mais des documents d’instructions déposés dans les répertoires peuvent guider l’agent sans qu’il faille bâtir une base de données.

Chapitre 15 — Importance de la structuration des données

Les agents interagissent via des « tokens ». Sans instructions précises, un agent peut lire un fichier Excel au complet plutôt qu’un endroit ciblé, ce qui fait grossir son contexte et son coût — et plus le contexte grossit, plus le risque d’oubli ou d’hallucination augmente.

« Plus qu’on lui donne de contexte, donc plus qu’on lui donne d’informations, à un moment donné il oublie des choses, il hallucine. »

Chapitre 16 — Questions supplémentaires

Genius prévoit éventuellement des agents standards, mais les construit aujourd’hui plus sur mesure tout en les concevant réutilisables — la force du LLM étant de pouvoir ajuster les règles d’affaires sans tout reprogrammer.

Chapitre 17 — Modèle de tarification des agents

Genius s’oriente vers une tarification basée sur les résultats (« outcome-based ») : aucun coût si l’agent n’est pas utilisé, un montant par unité traitée (ex. par facture) sinon. Aujourd’hui, un peu de configuration et un petit frais de développement demeurent nécessaires.

Chapitre 18 — Positionnement des agents par rapport aux outils d’automatisation

Comparés à des plateformes d’OCR/automatisation plus larges (noms mentionnés avec une orthographe incohérente dans la transcription — à valider), les agents Genius couvrent une portion plus ciblée du travail avec des règles prédéfinies, livrés plus vite et généralement moins chers qu’une plateforme à accès complet. Les modèles d’IA sous-jacents sont similaires d’un fournisseur à l’autre — la différence se joue surtout dans le prompt système.