Un assistant IA en entreprise tient dans la durée quand il prépare le travail et qu’un humain le valide : l’IA rédige un brouillon dans l’outil que l’équipe utilise déjà, montre les documents sur lesquels elle s’appuie, et rien ne part sans relecture. Un agent qui répond seul aux clients doit être fiable dès le premier jour, puisque personne ne relit ses réponses. Un assistant dont un expert relit chaque brouillon devient utile plus tôt : un brouillon imparfait fait encore gagner du temps, et l’erreur est corrigée avant l’envoi. Pour cette raison, c’est lui qui passe en production dans une PME. Je l’ai mis en place pour le support technique d’Izuba énergies, et il se transpose presque tel quel à l’administration des ventes et au CRM.
Pourquoi un assistant IA qui répond seul bloque-t-il sur la confiance ?
Un assistant IA qui répond seul bloque parce que personne ne vérifie sa réponse avant qu’elle parte chez le client, alors que l’entreprise en reste responsable. Un responsable n’accepte pas d’engager l’entreprise sur un texte qu’il n’a pas lu, même quand l’outil fonctionne bien techniquement.
Une dirigeante que j’ai interviewée cette année préparait une nouvelle grille de prix dans Google Sheets avec l’IA. L’IA s’est trompée de colonne, et elle l’a vu juste avant de mettre la grille en ligne sur son site. Depuis, elle relit tout, et le temps qu’elle était venue gagner a disparu. Sa confiance n’est jamais revenue, parce que l’outil reste pour elle une boîte noire : elle ne sait pas pourquoi il s’est trompé, donc elle ne sait pas quand il se trompera.
Les entreprises qui ont laissé l’IA répondre seule à leurs clients ont buté sur la même limite, à une autre échelle. En février 2024, le tribunal de résolution civile de Colombie-Britannique a donné tort à Air Canada (décision Moffatt v. Air Canada, 2024 BCCRT 149). Le chatbot de la compagnie avait assuré à un client endeuillé qu’il pourrait demander le tarif de deuil après l’achat de son billet, dans les 90 jours, ce que la politique tarifaire ne prévoyait pas. Air Canada a plaidé que le chatbot était une entité distincte, responsable de ses propres actes, et le tribunal a écarté l’argument (analyse du cabinet WeirFoulds, mars 2024).
Klarna a fait l’expérience à grande échelle. En février 2024, l’entreprise annonçait que son assistant IA faisait le travail de 700 agents du service client. En mai 2025, son PDG expliquait à Bloomberg que l’IA coûtait moins cher mais rendait un service de moindre qualité, et que Klarna recrutait de nouveau des conseillers pour qu’un client puisse toujours parler à un humain (Entrepreneur, mai 2025). Dans les deux cas, l’IA répondait directement au client, et personne ne pouvait rattraper une réponse fausse ou de moindre qualité avant qu’elle lui parvienne.
Comment fonctionne un assistant IA dont chaque réponse est validée ?
Le schéma « l’IA prépare, l’humain valide » désigne un assistant IA qui produit une proposition dans l’outil de l’équipe (un brouillon de mail, un bon de commande, une mise à jour de fiche), accompagnée de ses sources, et qui n’a aucun effet tant qu’une personne ne l’a pas validée. Les anglophones parlent de human in the loop, l’humain dans la boucle. Il tient à trois conditions : la proposition arrive là où l’équipe travaille déjà, elle cite ce sur quoi elle s’appuie, et la décision reste à la personne qui signe.
La recherche donne une idée de ce que ce schéma rapporte. Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont suivi 5 179 agents du support client d’un éditeur de logiciels, qui recevaient en temps réel des suggestions de réponse et des liens vers la documentation interne. Les agents restaient responsables de la conversation et libres d’ignorer les suggestions. Le nombre de demandes résolues par heure a progressé de 14 % en moyenne, et de 34 % chez les agents débutants ou les moins qualifiés (NBER, 2023, article publié en 2025 dans le Quarterly Journal of Economics).
| Chatbot ou agent autonome | Assistant à validation humaine | |
|---|---|---|
| Qui envoie la réponse | L’IA, directement au client | Un membre de l’équipe, après relecture |
| Où travaille l’équipe | Dans une nouvelle interface à surveiller | Dans sa messagerie, son CRM ou son ERP |
| Ce que voit le relecteur | Rien avant l’envoi | Le brouillon et les documents cités |
| Conséquence d’une erreur | Une réponse fausse chez le client | Un brouillon corrigé ou réécrit |
| Ce que l’outil apprend | Peu de chose, faute de retour | Chaque réponse validée enrichit la base |
| Qualité exigée au démarrage | Proche de la perfection | Un brouillon utile assez souvent pour faire gagner du temps |
Ce schéma passe en production plus tôt, parce que l’assistant devient utile dès qu’il fait gagner du temps sur une part des demandes. Il progresse ensuite avec les corrections de l’équipe.
La boucle complète : l’IA cherche et rédige, l’humain tranche, et chaque réponse validée revient enrichir la base de l’assistant.
Un assistant IA pour le support client : le cas d’Izuba énergies
Chez Izuba énergies, l’assistant IA du support client dépose un brouillon de réponse sourcé dans la boîte Outlook du support pour chaque email reçu, et un thermicien le valide, le corrige ou le réécrit avant de l’envoyer. Aucune réponse ne part sans lui.
Izuba édite Pleiades, un logiciel de référence pour la simulation énergétique des bâtiments. Trois thermiciens assurent le support et reçoivent une cinquantaine d’emails par jour, dont environ 20 % trouvent leur réponse dans la documentation. Le domaine est réglementaire (la RE2020, réglementation environnementale des bâtiments neufs), et une réponse fausse peut avoir des conséquences pour l’utilisateur. Un premier prototype avait montré l’intérêt de l’IA sans atteindre la qualité attendue. Dès le cadrage, le référent du support a prévenu : si l’outil n’aide que sur une petite part des questions, les thermiciens l’abandonneront après quelques essais.
Ce que voit le thermicien
Le thermicien ne change rien à sa journée. Il ouvre Outlook et trouve, dans le fil de chaque conversation, un brouillon qui contient une réponse prête à partir et un bloc de sources destiné à l’équipe : la page du wiki de Pleiades, l’article du texte réglementaire, la réponse officielle déjà rédigée par Izuba. Il vérifie la source qui l’intéresse, puis il envoie, corrige ou repart de zéro.
Techniquement, l’assistant passe par Microsoft Graph, l’interface qui permet à un programme d’agir dans Outlook. Elle sépare la création d’un brouillon de son envoi (documentation Microsoft Graph, consultée en novembre 2026) : l’assistant s’arrête au brouillon, et l’envoi reste un geste du thermicien. Un outil d’automatisation, n8n, enchaîne les étapes : il lit le mail, écarte ceux qui ne posent pas de question (publicités, notifications automatiques), cherche les passages utiles dans la documentation et dépose le brouillon. Le support, lui, n’a appris aucun nouvel outil, et c’est probablement ce qui a le plus compté pour l’adoption.
Pourquoi chaque brouillon affiche ses sources
Les sources servent à l’expert qui relit. Le client, lui, ne les lit pas : le chatbot d’Air Canada renvoyait aussi vers la page de la vraie politique tarifaire, et le client s’est fié à la réponse plutôt qu’au lien. Dans le schéma de validation, c’est le thermicien qui lit les sources, et il sait lire un article réglementaire. Il voit sur quel document s’appuie chaque réponse, donc il comprend d’où vient une erreur quand l’assistant se trompe, ce que la dirigeante de la grille de prix ne pouvait pas faire.
La base de réponses officielles joue le même rôle. Quand une question correspond à une réponse déjà validée par Izuba, le brouillon la reprend en priorité, et les réponses que l’équipe juge bonnes servent ensuite pour les questions similaires. C’est le support qui enrichit cette base, donc c’est le métier qui fixe ce que l’assistant sait dire.
Les résultats chez Izuba énergies
Il s’est écoulé cinq semaines entre la signature et la mise en production. Le moteur documentaire, le service qui cherche dans la documentation les passages utiles à chaque question, couvre 827 documents, pages du wiki et textes réglementaires, dont certains PDF dépassent le millier de pages, denses en équations, et la documentation se met à jour sans intervention de l’équipe. Il tourne sur des comptes au nom d’Izuba, et Izuba l’exploite seule depuis la livraison : serveur à son nom, code et documentation remis. Le détail figure dans l’étude de cas de l’assistant du support d’Izuba.
Comment déployer un assistant IA en entreprise, étape par étape ?
Déployer un assistant IA en entreprise se fait en cinq étapes : choisir un type de demandes que quelqu’un relit déjà, rassembler les documents de référence et les tenir à jour, fixer la qualité attendue sur des questions réelles, faire apparaître les propositions dans l’outil que l’équipe utilise, puis mesurer l’usage avant le coût.
- Choisir un flux où quelqu’un relit déjà. Un flux est un type de demandes qui revient, comme les questions du support ou les commandes reçues par mail. Le bon candidat est un volume répétitif, dont une part se traite avec des documents existants, et où un expert signe déjà la réponse. Chez Izuba, environ un email sur cinq avait sa réponse dans la documentation, ce qui suffit à faire gagner du temps. La méthode pour départager plusieurs candidats est détaillée dans l’article sur la priorisation des cas d’usage IA.
- Préparer les documents et les tenir à jour sans l’équipe. L’assistant ne sait que ce qu’on lui donne : wiki, PDF, réponses officielles. Les documents demandent une préparation avant d’être confiés à l’assistant : chez Izuba, le wiki chargé tel quel faisait apparaître chaque page en plusieurs exemplaires, et il a fallu l’extraire page par page. La mise à jour compte autant que la préparation initiale, car un assistant qui cite une version périmée perd vite la confiance de l’équipe.
- Fixer la qualité sur un banc d’essai de questions réelles. Avant la mise en production, le référent du support a noté les réponses de l’assistant sur des questions réelles du support. La barre de qualité est fixée par le métier, et non par le prestataire ni par l’éditeur du modèle. Le même banc d’essai a servi à choisir le modèle, sur son coût et sa qualité mesurés.
- Brancher le résultat dans l’outil existant. Brouillon dans Outlook, bon de commande en attente dans l’ERP, modification proposée dans le CRM : la proposition doit apparaître là où l’équipe regarde déjà. Une nouvelle interface ajoute une habitude à prendre, et c’est souvent elle qui fait échouer l’adoption.
- Mesurer l’adoption, puis le coût. Les premières semaines, l’indicateur qui compte est l’usage : combien de brouillons partent, combien sont corrigés, combien sont réécrits. Le coût par traitement ne devient l’indicateur principal qu’une fois l’usage installé, puisque réduire le coût d’un outil que personne n’ouvre ne rapporte rien. Le calcul complet est l’objet de l’article sur le coût réel de l’IA générative en entreprise.
| Phase | Question posée | Indicateur |
|---|---|---|
| Banc d’essai | La qualité suffit-elle pour démarrer ? | Note de l’expert sur des questions réelles |
| Premières semaines | L’équipe s’en sert-elle ? | Part des brouillons envoyés, corrigés, réécrits |
| Régime de croisière | Combien coûte chaque traitement ? | Coût par email traité |
Quels autres métiers peuvent travailler ainsi ?
Le schéma s’applique à tout flux où un message entrant déclenche une réponse ou une saisie qu’un humain signe. L’administration des ventes et la mise à jour du CRM en sont deux exemples courants en PME.
Administration des ventes : un bon de commande extrait d’un mail
Prenons une PME de distribution qui reçoit ses commandes par email. La personne chargée de l’administration des ventes (ADV) les ressaisit une à une dans le CRM, puis prépare le bon de livraison pour le logisticien.
Le schéma est le même que pour le support. L’IA lit le mail, retrouve le client et les références produit, et prépare un bon de commande en attente. La personne de l’ADV vérifie les quantités et les prix, corrige, puis valide. Les sources, ici, sont la ligne du mail d’où vient chaque quantité et la fiche produit retenue : un écart se voit à la relecture. Je n’ai pas encore livré ce cas ; sa structure est celle de l’assistant d’Izuba.
CRM : une fiche mise à jour après un échange
Le second exemple porte sur les données du CRM elles-mêmes. Après un appel ou un échange de mails, un agent propose la mise à jour de la fiche client : un nouveau contact, l’étape du dossier, la prochaine action. Le commercial voit l’avant et l’après, accepte ou corrige. La validation pèse plus ici qu’ailleurs, parce qu’un agent qui écrit directement dans le CRM peut écraser une information juste sans que personne ne s’en aperçoive. Les garde-fous restent simples : l’agent propose, il ne supprime jamais, et chaque modification garde la trace de son origine.
| Métier | Ce qui arrive | Ce que l’IA prépare | Ce que l’humain valide | Où |
|---|---|---|---|---|
| Support client | Un email de question | Un brouillon de réponse et ses sources | Le fond et le ton de la réponse | Messagerie (Outlook) |
| Administration des ventes | Un email de commande | Un bon de commande en attente | Le client, les références, les quantités, les prix | CRM ou ERP |
| Suivi commercial | Un appel ou un échange de mails | Une mise à jour de fiche, avant et après | Chaque champ modifié | CRM |
Trois métiers, une seule règle : l’IA prépare dans l’outil existant, et rien ne change chez le client ni dans les données sans validation.
Par où commencer ?
Le point de départ le plus sûr est un seul flux, dans un outil que l’équipe utilise déjà, avec une vingtaine de questions réelles et les bonnes réponses écrites par l’expert. Ce banc d’essai répond aux deux questions qui décident du projet : la documentation suffit-elle, et l’expert accepte-t-il de signer ce que l’IA prépare ? Si la réponse est oui, l’assistant peut traiter ces demandes en quelques semaines. Le premier projet montre ensuite à l’équipe quel autre type de demandes confier à l’assistant.
C’est aussi ce que je cherche pendant l’audit de 30 minutes : un flux où quelqu’un relit déjà, une documentation qui existe, un volume qui justifie l’effort. La page assistants et agents IA décrit le format de ces projets.