Repenser le travail avec l’IA

Si le mot « IA » vous donne l’impression d’un Everest à gravir, ce webinaire vise justement à démystifier ça. Dave, VP succès client chez Genius, explique l’IA agentique avec l’analogie la plus simple qu’il connaisse : c’est comme embaucher un nouvel employé, sauf que sa période d’apprentissage se compte en minutes plutôt qu’en mois. Il distingue clairement deux couches complémentaires : l’IA embarquée dans l’ERP (Genius Cortex, qui répond à vos questions et analyse vos données), et la couche agentique, capable de prendre des actions concrètes — lire un courriel, saisir une commande, envoyer un message à un fournisseur — pour centraliser l’information vers Genius. Plutôt qu’un grand projet d’analyse à cinq ou six chiffres, Dave présente un cas vécu à l’interne : Darwin, un petit outil qui automatise la création de soumissions à partir des demandes reçues par l’équipe succès client, développé en trois semaines et qui a fait passer un irritant de 15 heures à environ 5 heures de travail humain par semaine. Le fil conducteur reste le même partout : l’IA n’est pas bonne pour le jugement, donc l’humain garde la main sur les décisions critiques, les exceptions et l’orientation stratégique. Si vous vous demandez par où commencer avec l’IA dans votre atelier sans y engloutir un budget à six chiffres, voici ce qui a été couvert.

Ce que vous apprendrez dans ce webinaire

Chapitre 1 — Vulgarisation des concepts d’IA

Dave précise qu’il n’est pas un « PhD en intelligence artificielle » et vulgarise l’IA agentique avec l’analogie la plus simple qu’il connaisse : c’est comme embaucher un nouvel employé à qui on donne du matériel d’intégration et des consignes, sauf que sa capacité d’assimilation est quasi instantanée plutôt que de prendre 6 à 12 mois. François distingue Cortex, qu’on peut aujourd’hui interroger, de la capacité à réellement faire des tâches; Dave confirme que l’objectif est d’aider à la saisie d’information pour libérer du temps de décision humaine, l’IA n’étant pas bonne pour le jugement.

Chapitre 2 — Utilisation de l’IA pour la gestion des données

Aujourd’hui, Cortex répond à des questions d’utilisation du système; une version à venir (dans environ six mois) devrait ajouter un réapprovisionnement recommandé basé sur l’historique des livraisons fournisseurs — c’est la couche « cerveau » qui analyse les données déjà saisies, distincte de la couche agentique qui prend des actions concrètes comme lire un courriel ou saisir une commande.

Chapitre 3 — Centralisation de l’information

Dave explique que l’objectif est de centraliser l’information vers le « cerveau » pour améliorer sa prise de décision; Genius s’est doté d’une équipe dédiée aux projets d’IA client. Il note que malgré la volonté de tout saisir dans Genius, la donnée reste souvent éparpillée entre courriels et fichiers Excel faute de temps, et que des écosystèmes tiers (CRM, portails fournisseurs) continueront toujours d’exister en parallèle.

Chapitre 4 — Interaction entre systèmes

Aucun système unique ne pourra tout régir dans une entreprise; les agents permettent de faire interagir les systèmes entre eux sans que quelqu’un doive constamment cliquer manuellement. Les agents personnalisés sont malléables et peuvent apprendre de nouveaux processus au fil du temps, par exemple si une règle d’affaires change.

Chapitre 5 — Architecture des systèmes IA

Dave décrit une boucle continue : un noyau central (l’ERP et Cortex), des agents pour la collecte externe et l’exécution vers d’autres systèmes, et une supervision humaine — parce que l’IA n’est pas bonne pour le jugement. Répondant à une question de Xavier sur le risque qu’un agent apprenne de mauvaises décisions humaines, Dave et François soulignent qu’un cadre bien défini permet justement d’éviter ce risque, contrairement à un employé qui retombe dans de mauvais plis. En interne, Genius utilise aussi l’IA pour son développement sur mesure, avec un cadre où l’humain corrige les décisions prises et documente les mises à jour. Côté Cortex, Dave anticipe des capacités futures : filtrer automatiquement les commandes d’un client via une requête en langage naturel, comparer les ventes d’une année à l’autre, repérer les clients inactifs, et détecter des tendances comme un fournisseur systématiquement en retard.

« L’IA, c’est là pour amplifier les capacités humaines, elle ne les remplace pas. » — Dave

Chapitre 6 — Prévisions intelligentes avec l’IA

Cortex pourrait recommander une quantité de commande plus réaliste que le calcul de base (25 unités plutôt que 5, selon la saisonnalité) — une décision qui reste un jugement humain vu l’impact financier. La couche agentique, elle, va chercher de la donnée non structurée (courriels, IoT, machines) pour la structurer; en Q&R, François situe un outil comme Axia entre système expert et collecte d’information. Dave illustre ensuite comment l’IA peut nettoyer un document reçu, en extraire les conditions légales ou lignes pertinentes, valider des risques, et détecter des anomalies — comme une date de livraison anormalement décalée — en quelques secondes plutôt qu’en une heure. Il rappelle enfin le rôle humain : validation des décisions critiques, gestion des exceptions, orientation stratégique; l’objectif des entreprises reste d’augmenter les revenus, pas seulement de couper les coûts.

Chapitre 7 — Surmonter la peur de l’IA

Avant d’entrer dans sa démonstration, Dave demande à François s’il reste des questions à adresser; François confirme qu’une discussion ouverte suivra la démo et encourage les gens à continuer d’écrire leurs questions.

Chapitre 8 — Gestion des demandes clients

L’équipe succès client reçoit environ 300 demandes par semaine, dont environ 25 % sont de simples demandes de soumission (licences, reporting, etc.).

Chapitre 9 — Analyse des tâches quotidiennes

Une réduction temporaire d’effectif (congé de maternité, absences prolongées) a forcé l’équipe à devenir réactive plutôt que proactive; en observant leurs tâches, ils ont réalisé qu’environ 15 heures par semaine étaient consacrées à la production de soumissions — d’où l’idée de Darwin, qui analyse les demandes, génère automatiquement la soumission, et force une validation humaine avant l’envoi au client.

Chapitre 10 — Approche par étapes pour l’IA

Plutôt que de faire lire l’email au complet par l’IA dès le départ, l’équipe a choisi un « baby step » : noter rapidement les éléments demandés (licences, essai, heures de reporting), puis envoyer cette note à Darwin pour générer la soumission. Pendant que Darwin travaille en arrière-plan, Dave prend le temps d’appeler le client pour maintenir la relation plutôt que de rester purement transactionnel; la soumission apparaît ensuite automatiquement liée au ticket HubSpot, prête à être envoyée puis convertie en commande.

Chapitre 11 — Gains d’efficacité avec Darwin

Le temps de production des soumissions est passé d’environ 15 heures par semaine à environ 5 heures, libérant du temps pour des revues stratégiques et de la valeur humaine plutôt que de la saisie répétitive.

Chapitre 12 — Stratégies d’implémentation de l’IA

Dave déconseille l’approche « audit complet à 500 000 $ sur deux ans » et montre plutôt un graphique où la croissance du S&P 500 suivait historiquement le nombre d’ouvertures d’emploi — jusqu’au lancement de ChatGPT en novembre 2022.

Chapitre 13 — Découplage entre croissance et emploi

Depuis ce moment, la croissance des entreprises continue sans nécessiter autant d’embauches. Dave suggère de concentrer les projets d’IA sur les postes qu’on s’apprête à ouvrir plutôt que de chercher des gains partout : un projet à 5 000-15 000 $ peut remplacer un poste à 50 000-125 000 $.

Chapitre 14 — Développement rapide d’outils IA

Darwin a été développé en trois semaines, pas neuf mois. En Q&R, François nuance qu’un coût de 5 000 à 10 000 $ peut être récurrent (annuel) plutôt qu’un investissement unique, mais que le ratio reste très avantageux comparé à un salaire.

Chapitre 15 — Collaboration multi-agents

Un même déploiement peut couvrir plusieurs tâches et départements via une architecture « multi-agentique », avec un orchestrateur qui coordonne plusieurs agents spécialisés plutôt qu’un seul agent généraliste.

Chapitre 16 — Importance de la spécialisation des agents

Dave insiste sur l’idée de spécialiser les agents comme des employés plutôt que de tout confier à un seul gros prompt généraliste, et rappelle que Cortex et la couche agentique sont deux couches complémentaires, aucune ne devant tout faire seule. En clôture, il précise qu’il n’y a pas de limite technique au nombre d’agents déployables, seulement un arbitrage coût-bénéfice; un outil comme Darwin coûte environ 5 000 à 10 000 $ par année pour une économie estimée à 15 000-20 000 $ dès la première année. Il confirme que l’IA agentique personnalisée n’est pas incluse dans l’offre de base de Genius mais peut être développée sur mesure — soit avec Genius, soit via l’accès API si l’entreprise a l’expertise à l’interne — François ajoutant une mise en garde sur le niveau d’accès aux données à donner à un agent externe. Répondant à d’autres questions, Dave confirme qu’un processus d’affaires n’a pas besoin d’être parfaitement implanté avant d’intégrer un agent (l’agent peut au contraire aider à le structurer), qu’un agent d’aide à l’estimation de coûts pour la soumission est envisageable, et qu’il reste ouvert à discuter d’un accès au code source ou au back-end d’un agent sur mesure pour une ressource interne, au cas par cas.