Par Damien LABORIE, Directeur Stratégies Data & IA chez SYXPERIANE
En un coup d’oeil
- Analyse et rédaction de docs techniques : gain de temps significatif, qualité en hausse
- Onboarding accéléré sur solutions et projets complexes
- 80% d’adoption sur 200+ collaborateurs en 3 mois
- Offre IA clients lancée au T2 2026, née de notre propre terrain
L’intelligence artificielle générative fait beaucoup parler. Chez SYXPERIANE, nous avons choisi de l’aborder de manière assez simple : partir de nos irritants quotidiens, tester rapidement, mesurer ce qui fonctionne, puis structurer progressivement les usages.
Dust a récemment publié un cas client sur le déploiement de sa solution au sein de SYXPERIANE. C’est l’occasion de revenir, de notre côté, sur cette démarche amorcée il y a quelques mois et ce que nous en retirons aujourd’hui.
Pourquoi nous avons accéléré sur l’IA générative
SYXPERIANE est une ESN spécialisée dans l’intégration de solutions métiers complexes. Notre valeur repose en grande partie sur l’expertise accumulée par nos équipes au fil des projets.
Cette expertise est riche, mais elle est aussi difficile à transmettre. Elle se construit dans le temps, dans les contextes clients, dans les arbitrages, dans les cas particuliers. Une partie se trouve dans notre documentation. Une autre partie reste dans la tête des consultants les plus expérimentés.
C’est un sujet très concret. Quand un consultant cherche une information sur une configuration, un précédent projet ou une bonne pratique, il peut passer du temps à naviguer entre plusieurs espaces documentaires. Quand un nouvel arrivant rejoint un projet long, il doit reconstituer rapidement un contexte parfois très dense. Quand une équipe prépare un support de formation client, elle doit adapter des contenus existants à un environnement précis.
Ce sont ces situations qui nous ont amenés à travailler sérieusement sur l’IA générative. Pour mieux exploiter cette expertise, la rendre disponible et réduire certaines tâches à faible valeur ajoutée.
Partir des usages, pas de la technologie
Nous avons fait le choix de ne pas démarrer par une grande démarche théorique. L’enjeu n’était pas de dire “il faut utiliser l’IA”, mais plutôt d’identifier les endroits où elle pouvait réellement aider.
Les premiers cas d’usage ont donc été très opérationnels :
- Retrouver plus rapidement des informations dans nos bases documentaires ;
- Assister la rédaction ou la relecture de spécifications fonctionnelles ;
- Préparer des supports de formation contextualisés ;
- Aider les consultants sur des questions fonctionnelles liées aux ERP ;
- Structurer des comptes rendus, des suivis commerciaux ou des éléments de synthèse.
Les utilisateurs adoptent un outil lorsqu’il répond à un problème qu’ils rencontrent déjà. Et sur certains usages, les gains sont très visibles immédiatement. La préparation d’un support de formation client, par exemple, peut passer d’environ quatre heures à trente minutes d’après les cas mesurés.
Ces chiffres sont intéressants, mais je les regarde surtout comme des signaux. Ils montrent qu’il y a un vrai potentiel lorsque l’IA est appliquée à des usages précis, avec des données utiles et des équipes impliquées.
Le rôle central des managers et des référents métier
Un point important de notre démarche a été l’implication des managers et des experts métier. L’adoption ne se décrète pas depuis une direction centrale. Elle se construit avec les équipes qui connaissent les irritants, les priorités et les contraintes du terrain.
Les managers ont joué un rôle clé pour identifier les bons cas d’usage, relayer les pratiques, accompagner les personnes moins à l’aise et ajuster les agents en fonction des retours.
Nous avons également travaillé sur des agents spécialisés, notamment autour de nos environnements ERP. L’objectif est de mettre à disposition un premier niveau d’assistance sur des sujets fonctionnels, documentaires ou méthodologiques. Là encore, il ne s’agit pas de remplacer le jugement d’un consultant expérimenté. Il s’agit plutôt de lui faire gagner du temps, ou d’aider un consultant moins senior à progresser plus vite dans sa recherche.
Cette nuance est importante. L’IA peut être très utile, mais elle doit rester un outil au service de l’expertise humaine. Elle aide à explorer, synthétiser, structurer. Elle ne dispense pas de comprendre, vérifier et décider.
L’IA nous oblige à mieux traiter nos connaissances
L’un des enseignements les plus importants de ce déploiement concerne la donnée et la connaissance interne.
Quand on commence à connecter des agents à des bases documentaires, on voit très vite ce qui est bien structuré, ce qui ne l’est pas, ce qui est à jour, ce qui ne l’est plus, ce qui est exploitable et ce qui génère de l’ambiguïté.
En ce sens, l’IA agit comme un révélateur. Elle montre la valeur de nos connaissances, mais aussi nos angles morts. Elle rend plus visible la nécessité de mieux organiser, qualifier et maintenir nos contenus.
C’est un travail moins spectaculaire que la création d’un agent, mais il est essentiel. Une IA qui s’appuie sur des sources de mauvaise qualité produira des résultats limités. À l’inverse, lorsque les contenus sont fiables, bien classés et régulièrement mis à jour, les usages deviennent beaucoup plus pertinents.
Ce point nous amène à structurer davantage notre gouvernance de la donnée et de la connaissance. Nous avançons progressivement, avec l’idée que l’IA ne doit pas être un outil isolé, mais un levier pour améliorer durablement notre manière de capitaliser.
Ce que nous retenons à ce stade
Les outils évoluent vite, les usages aussi. Mais quelques convictions se dégagent de notre expérience.
D’abord, il faut commencer par des cas d’usage simples et utiles. Les grands schémas directeurs ne doivent pas empêcher d’expérimenter rapidement.
Ensuite, l’adoption passe par le terrain. Les collaborateurs doivent rapidement constater ce que l’outil peut leur apporter dans leur propre quotidien. Les managers et les référents métier sont indispensables pour faire ce lien.
Enfin, la qualité des données devient un sujet central. L’IA générative ne fait pas disparaître les problèmes de connaissance interne. Elle les rend visibles, et peut devenir une bonne raison de les traiter sérieusement.
Pour une entreprise comme SYXPERIANE, cette démarche est aussi une manière de renforcer notre propre compréhension des conditions de réussite d’un projet IA. Nous expérimentons les mêmes questions que celles que rencontrent nos clients : choix des usages, conduite du changement, qualité documentaire, sécurité, gouvernance, mesure de la valeur.
Continuer à apprendre, avec pragmatisme
L’IA générative va continuer à évoluer rapidement. Nous devons donc garder une approche pragmatique : tester, mesurer, corriger, documenter, former, puis recommencer.
C’est dans cet état d’esprit que nous poursuivons le travail engagé chez SYXPERIANE. Nous ne cherchons pas à présenter l’IA comme une solution miracle. Nous la considérons comme un outil puissant, à condition de l’intégrer avec méthode dans les pratiques réelles de l’entreprise.
Si vous vous posez les mêmes questions dans votre organisation, nous serons heureux d’échanger avec vous sur ce retour d’expérience.
Pour aller plus loin, découvrez le témoignage détaillé publié par Dust sur le déploiement de l’IA générative chez SYXPERIANE : nos raisons de passer le cap, les phases du projet et les conseils partagés par Damien Laborie pour les organisations qui souhaitent structurer leur propre démarche IA.
