10 Cas Pratiques PO IA

🤖 Mise en place d’un chatbot service client (banque)

Banque de détail • 15 000 demandes/mois • 48h de traitement

Contexte : Le service client traite 15 000 emails/mois avec un délai de 48h. 80% des demandes sont répétitives (solde, plafond, opposition).
Enjeu : Passer à 2h de traitement sans embaucher.
Solution : Chatbot RAG avec GPT-4o + base de connaissance FAQ. Classification automatique en 15 catégories. Escalade humaine si confiance < 85%.
Rôle du PO : Ateliers métier pour identifier les 15 cas, rédaction des réponses types, définition des KPI (taux résolution, satisfaction, escalade).
Résultats : 75% automatisé. Satisfaction de 65% → 88%. 2,5 ETP économisés.

📄 Assistant résumé de réunions (assurance)

Compagnie d’assurance • 200 commerciaux • 15h de réunions/semaine

Contexte : 200 commerciaux passent 15h/semaine en réunions. Les CR sont rédigés manuellement, souvent incomplets.
Enjeu : Libérer 3h/semaine par commercial sans fuite d’information.
Solution : Transcription Whisper → Résumé Claude 4 → Validation supervisée. Anonymisation des données personnelles avec le DPO.
Rôle du PO : Définir le process, coordonner DPO + équipe data, former les commerciaux, itérer sur la qualité des résumés.
Résultats : 85% d’adoption en 3 mois. 2,5h/réunion économisées. ROI à 4 mois.

🔍 Détection de fraude documentaire (banque)

Banque de détail • 200 dossiers/semaine • 2M€ de pertes/an

Contexte : 200 dossiers de prêt/semaine avec justificatifs. 2M€/an de pertes sur faux documents.
Enjeu : Détecter 95% des faux avec < 5% de faux positifs, en conformité AI Act (haut risque).
Solution : Vision + LLM (hybride cloud/on-prem). Classification: authentique/suspect/frauduleux. Escalade humaine obligatoire. Registre IA dès le jour 1.
Rôle du PO : Constituer le dataset d’entraînement, déclencher l’AIA, définir le process de supervision humaine.
Résultats : 97% précision. 1,5M€ économisés/an. Conformité AI Act validée.

🎯 Moteur de recommandation produit (assurance)

Assurance • 500 000 clients • 15% de cross-sell

Contexte : Taux de cross-sell à 15%. Les conseillers ne savent pas quel produit proposer à quel client.
Enjeu : Augmenter le cross-sell de +10 points.
Solution : Fine-tuning d’un LLM sur les historiques clients + base produit. Scoring automatique des recommandations. Proposition contextualisée au conseiller.
Rôle du PO : Définir les règles métier (ne pas recommander ce qu’on a déjà), valider les propositions avec le métier.
Résultats : +15% taux de conversion. +8% satisfaction client.

📊 Tableau de bord IA pour le COMEX (industrie)

Groupe industriel • 10 000 employés • 5 usines

Contexte : Le COMEX veut un tableau de bord consolidé de tous les projets IA du groupe. Pas de vision centralisée.
Enjeu : Offrir une vision claire des investissements, des résultats et des risques IA.
Solution : Agent IA qui interroge les différents systèmes (Jira, SAP, CRM) et génère un rapport exécutif hebdomadaire. NLP pour répondre aux questions du COMEX en langage naturel.
Rôle du PO : Cartographier les sources de données, définir les KPI, valider les rapports générés.
Résultats : 1h au lieu de 2 jours pour préparer le comité. +30% de visibilité sur les projets.

📝 Génération automatique de comptes-rendus d’expertise (assurance)

Assurance IARD • 50 experts • 20 rapports/jour

Contexte : Les experts rédigent 20 rapports/jour après expertise terrain. Temps de rédaction : 45 min/rapport.
Enjeu : Réduire le temps de rédaction à 15 min.
Solution : L’expert dicte ses notes (vocale ou texte) → LLM structure le rapport (template expert) → validation avant envoi. RAG sur la base réglementaire.
Rôle du PO : Définir les templates de rapport, valider la qualité des générations, gérer l’adoption par les experts.
Résultats : Temps de rédaction de 45min → 12min. 92% de satisfaction expert.

🛡️ Agent de mise en conformité réglementaire (banque)

Banque d’investissement • 5 000 Transactions/jour

Contexte : Chaque transaction doit être vérifiée selon 15 règlements européens. Vérification manuelle = 10 min/transaction.
Enjeu : Automatiser la vérification sans risque de non-conformité.
Solution : Agent multi-étapes : 1) Extraction des données transaction, 2) Vérification règle par règle (LLM + RAG sur les textes réglementaires), 3) Rapport de conformité, 4) Escalade humaine si alerte. OnPrem (données sensibles).
Rôle du PO : Cartographier les 15 règlements, définir les seuils d’escalade, travailler avec le juridique.
Résultats : Vérification de 10min → 30s. 0 défaut de conformité depuis le déploiement.

🎓 Plateforme de formation interne IA (industrie)

Groupe industriel • 3 000 managers • 50 formations

Contexte : Le groupe veut former 3 000 managers à l’IA. Les formations classiques coûtent trop cher et ne passent pas à l’échelle.
Enjeu : Former massivement sans exploser le budget.
Solution : LLM + RAG sur les documents internes + contenu pédagogique. Chatbot formateur qui adapte le niveau à chaque apprenant. Génération automatique de quiz et d’études de cas.
Rôle du PO : Définir le parcours pédagogique, valider le contenu généré, mesurer la progression.
Résultats : 85% de complétion. Coût par apprenant divisé par 10.

📞 Assistant vocal service après-vente (assurance)

Assurance santé • 8 000 appels/jour • 12 min en moyenne

Contexte : 8 000 appels/jour au SAV. Temps d’attente moyen : 8 min. 40% des appels concernent des questions simples.
Enjeu : Réduire le temps d’attente et traiter les demandes simples sans agent.
Solution : Assistant vocal IA (STT → LLM → TTS) avec RAG sur la base contrat. Identification automatique du client via numéro de téléphone. Si besoin complexe → transfert à un humain avec contexte.
Rôle du PO : Définir les parcours vocaux, valider les réponses, gérer le taux d’escalade.
Résultats : 35% des appels traités sans agent. Temps d’attente de 8min → 45s.

🧠 Chatbot R&D pour veille concurrentielle (industrie)

Groupe industriel • 200 ingénieurs R&D • Veille technologique

Contexte : Les ingénieurs R&D passent 4h/semaine à faire de la veille techno sur les brevets et publications.
Enjeu : Centraliser et rendre accessible l’information de veille.
Solution : Agent de veille automatique qui scrape les sources (brevets, arXiv, presse spécialisée), indexe dans une base vectorielle, et permet aux ingénieurs de poser des questions en langage naturel. Synthèse hebdomadaire automatique.
Rôle du PO : Définir les sources à surveiller, valider la pertinence des alertes, prioriser les axes de veille.
Résultats : Veille de 4h/sem → 30min/sem. +60% de brevets identifiés.