Fintech new-yorkaise, 30 salariés · mise en œuvre · Données client anonymisées. Les chiffres d'adoption et de temps sont les propres mesures du client sur les premières semaines.
Contexte
L'entreprise vend un score de data science aux investisseurs institutionnels, aux analystes et aux prêteurs : une mesure du risque qu'une entreprise manipule ses résultats, se dirige vers la fraude ou vers la faillite. Trente personnes. Une équipe commerciale et solutions qui passe ses journées sur les propositions, les questions des clients, les questionnaires de due diligence et les relances.
L'équipe avait déjà découvert l'IA par elle-même. C'était bien là le problème. Noms de clients, détails de portefeuilles et tarifs partaient dans des chatbots publics, sur des comptes personnels. Personne ne pouvait auditer ce qui avait été partagé. Personne ne pouvait réutiliser ce qui avait été appris. Et la posture de conformité d'une entreprise qui vend de la détection de risque aux banques n'aurait pas résisté à une question sérieuse sur le sujet.
Ce que nous avons construit
Des outils LLM auto-hébergés dans l'environnement propre de l'entreprise. Les modèles tournent là où se trouvent les données. Rien ne sort. Chaque prompt et chaque réponse sont journalisés et vérifiables.
Des outils pour l'équipe commerciale et solutions, construits sur les processus que l'équipe pratiquait déjà : premières versions des propositions et des réponses aux clients à partir des contenus validés de l'entreprise, réponses aux questionnaires à partir des soumissions passées, préparation des rendez-vous à partir du CRM et de la boîte mail.
Une base de connaissances unique et partagée. Les réponses que l'entreprise avait déjà données, validées une fois, réutilisées partout. Le savoir qui vivait dans les historiques de conversation individuels reste désormais en interne.
Un déploiement avec l'équipe, pas imposé à l'équipe. Les utilisateurs avancés d'abord, deux courtes sessions de formation, puis le reste de l'équipe, avec des outils qui fonctionnaient déjà sur des cas réels.
Résultats
- 90 % d'adoption par l'équipe en quatre semaines.
- 30 % de tâches administratives en moins pour l'équipe commerciale et solutions.
- Shadow AI éliminé. Plus aucune donnée de l'entreprise dans des chatbots publics.
- Le savoir reste en interne, auto-hébergé et auditable.
Ce que cela signifie pour une entreprise réglementée
Le shadow AI est un signal, pas une faute. L'équipe vous disait déjà ce dont elle avait besoin. Le travail consiste à lui en donner une version que vous pouvez auditer.
Auto-hébergé ne veut pas dire plus lent. Avec les bons outils, la version sécurisée a été adoptée plus vite que la version publique, parce qu'elle connaissait les contenus propres de l'entreprise.
L'adoption se conçoit, elle ne s'espère pas. Des utilisateurs avancés, des outils opérationnels dès le premier jour, deux formations. Quatre-vingt-dix pour cent en quatre semaines, c'est un processus, pas de la chance.