Le projet en un coup d’œil
Documentation, données commerciales, schéma, société et signaux opérationnels étaient riches mais difficiles à mobiliser rapidement.
Dawap a livré Global Assistant, Data Query, Company Checker, Employee Brain, AI Alert et Dashboard Copilot.
Les assistants s’appuient sur des sources identifiées, respectent les scopes et confirment les actions sensibles.
Ajouter un chatbot à une application métier est facile. Lui faire comprendre le produit, respecter les droits, distinguer une documentation d’une donnée live, expliquer sa réponse et demander confirmation avant une action sensible est beaucoup plus exigeant. C’est cette seconde ambition qui a guidé le chantier IA de 1UP Distribution.
La difficulté était transverse : durcir les workflows du Dashboard Copilot, rendre l’Employee Brain résilient, stabiliser les contrats de contrôleur et donner une identité durable aux documents RAG. Data Query, Company Checker, les usages de support et les index catalogue devaient partager une gouvernance sans perdre leur spécialisation.
Dawap a intégré l’IA directement dans une application métier. L’objectif n’était pas de produire une démo conversationnelle séparée, mais de réduire le temps entre une question et une preuve, dans le contexte exact de l’utilisateur.
Un programme, huit projets complémentaires
Chaque projet part d’une souffrance métier précise et montre la réponse effectivement livrée. La vue d’ensemble relie le portail client, le cockpit commercial, Odoo, la commande, la logistique, l’IA et le socle d’industrialisation.
1. Pourquoi l’IA a du sens dans la plateforme 1UP
Un produit riche en données, règles et documentation opérationnelle
La plateforme réunit catalogue, CRM, ventes, achats, finance, stock, livraison et administration. Cette richesse crée un paradoxe : plus le produit sait de choses, plus il peut devenir difficile de trouver rapidement la bonne vue, la bonne définition ou le bon contexte.
Les profils n’ont pas les mêmes questions. Un commercial veut comprendre l’évolution d’un client ; un administrateur cherche une anomalie de flux ; un support veut retrouver une règle ; un responsable veut interpréter un dashboard ; un utilisateur peut vouloir qualifier une société avant d’agir.
Les assistants ont donc été spécialisés. Ils partagent un socle de gouvernance, de modèles et de traces, mais leurs sources, outils, sorties et droits diffèrent. Cette spécialisation limite l’illusion d’un agent universel qui répond à tout sans savoir sur quelle vérité il s’appuie.
2. Cadrer l’assistant comme un cas d’usage produit
Question, source, niveau de risque, preuve et action suivante
Chaque assistant a été défini à partir d’un besoin répétitif et d’une source disponible. Le cadrage précise ce qu’il peut lire, ce qu’il peut proposer, ce qu’il ne doit pas inventer et quelles actions demandent une confirmation. Les prompts ne remplacent pas ce contrat.
Le delivery a séparé la construction du corpus, les outils de lecture, l’orchestration, la réponse, les traces et le feedback. Les scénarios de source absente, modèle indisponible, sortie invalide, requête non sûre et retry ont été couverts avec les parcours heureux.
Les assistants ont été intégrés progressivement dans les workspaces. Dans Jira, les sprints ont d’abord priorisé les usages qui disposaient d’une source identifiable, d’un périmètre d’accès maîtrisé et d’un moyen de vérifier la réponse. Les retours ont servi à améliorer les guides RAG, les schémas, la navigation et les limites de réponse. Cette boucle produit réduit les réponses élégantes mais inutiles.
3. Les douleurs informationnelles
Savoir que la donnée existe sans savoir où ni comment l’interroger
La première douleur est la navigation experte. Une personne qui ne connaît pas encore tous les modules peut passer par plusieurs menus avant de trouver le bon client, le bon indicateur ou la bonne règle. L’assistant doit orienter sans créer une interface parallèle qui remplace le produit.
La deuxième douleur est la requête. Les analyses ad hoc demandent souvent un export ou l’aide d’une personne qui connaît le schéma. Pourtant, beaucoup de questions simples peuvent être traduites en une lecture bornée si le système comprend les tables autorisées, les dimensions et la période.
La troisième douleur est la connaissance opérationnelle. Les règles vivent dans le code, les écrans, les runbooks et l’expérience des équipes. Lorsqu’une réponse dépend d’une personne, l’absence ou le turnover ralentit le diagnostic.
Un assistant utile réduit le coût d’accès à une preuve. Il ne transforme pas une hypothèse du modèle en nouvelle source de vérité et ne reçoit pas davantage de droits que l’utilisateur qui le consulte.
Une interface conversationnelle peut masquer une dette informationnelle
Brancher un modèle sur des documents mal identifiés ou une base dont les définitions varient produit des réponses fluides, mais impossibles à défendre. Le problème n’est alors pas le ton de l’assistant : c’est l’absence de propriété, de fraîcheur et de périmètre des sources.
Le chantier IA a donc révélé et structuré la connaissance sous-jacente. Les documents ont reçu des identités, les schémas autorisés ont été explicités et les outils ont été séparés selon le type de preuve attendu.
Pourquoi six assistants spécialisés valent mieux qu’un agent universel
Orienter dans une interface, interroger un agrégat de ventes et qualifier une société ne mobilisent ni les mêmes sources, ni les mêmes erreurs acceptables, ni les mêmes droits. Les enfermer derrière un seul prompt rendrait le comportement plus difficile à tester et à expliquer.
Chaque assistant reçoit donc un contrat limité : questions prises en charge, outils disponibles, format de sortie, refus attendus et prochaine action. Le socle mutualise l’exécution et la gouvernance ; la spécialisation conserve la précision.
4. Global Assistant : orienter dans le produit
Un point d’entrée conversationnel qui connaît les grandes capacités
Global Assistant aide à comprendre où effectuer une tâche et quel espace utiliser. Il mobilise la documentation fonctionnelle et les guides disponibles pour orienter vers le portail client, le commercial ou l’administration selon le rôle.
Il peut reformuler un besoin, proposer une navigation et expliquer les termes du produit. Il ne se substitue pas aux assistants spécialisés lorsqu’une requête de données, une qualification d’entreprise ou une analyse de dashboard demande un outil dédié.
Les réponses conservent un lien avec la source fonctionnelle. Lorsqu’aucune connaissance suffisante n’est disponible, l’assistant doit le signaler plutôt que produire un parcours imaginaire.
Cette fonction réduit le besoin de connaître l’arborescence complète dès le premier jour et sert de porte d’entrée vers une connaissance plus profonde.
5. Data Query : interroger les données métier en langage naturel
Planifier une lecture sûre plutôt que laisser le modèle exécuter n’importe quel SQL
Data Query transforme une question en plan de lecture à partir d’un schéma RAG documenté. Le système identifie les dimensions, filtres, agrégats et périodes utiles, puis exécute une requête encadrée. La planification et l’exécution ont été séparées pour rendre les décisions testables.
Les spécifications de requête sont strictes. Les tables, colonnes, opérations et limites autorisées sont contrôlées ; les écritures et constructions dangereuses ne sont pas disponibles. Les résultats sont bornés et rattachés au périmètre de l’utilisateur.
L’assistant restitue une réponse lisible et peut indiquer les critères utilisés. Une donnée absente ou une période ambiguë doit produire une clarification ou une limite, pas un total inventé. Les index nécessaires aux périodes de vente ont été ajoutés pour garder les usages performants.
Ce cas matérialise notre offre d’IA décisionnelle et data intelligence : accélérer l’analyse tout en gardant une requête contrôlable.
6. Company Checker : qualifier une entreprise
Rassembler les signaux publics et expliquer la sélection
Company Checker aide les équipes à rechercher et qualifier une entreprise à partir des informations accessibles au service. Le parcours propose une sélection, enrichit les sections utiles et conserve une trace des éléments mobilisés.
L’assistant ne doit pas confondre deux homonymes. La sélection de l’entreprise est une étape visible et améliorable. Les réponses séparent les données observées de l’interprétation commerciale, afin que l’utilisateur puisse vérifier avant d’ajouter une information au dossier.
Les accès externes et formats incomplets disposent de chemins de fallback. Les refactorings ont isolé la récupération des données publiques pour maintenir les sources et tester les cas où une section manque.
Le résultat n’est pas un score secret qui décide si un compte potentiel est bon. C’est une fiche de préparation qui réduit la recherche manuelle et aide le commercial à poser de meilleures questions.
7. Employee Brain : retrouver la connaissance interne
Un RAG fonctionnel pour les équipes commerciales et administratives
Employee Brain interroge un corpus construit à partir de la documentation fonctionnelle du produit. Les pages commerciales, administratives et les guides métier sont indexés avec une identité stable. L’assistant cherche les fragments pertinents avant de produire sa réponse.
Le corpus est régénéré lorsque les fonctionnalités évoluent. Les fabriques de documents et synchroniseurs ont été séparés pour éviter que le format d’indexation soit disséminé dans les contrôleurs. Les états de refresh sont persistés et récupérables.
L’assistant respecte le workspace et le rôle. Une documentation d’administration sensible n’est pas offerte à un utilisateur qui ne peut pas accéder au module correspondant. Les erreurs d’index, de modèle et de stockage possèdent des réponses contrôlées.
Ce chantier rejoint notre expertise en RAG et chatbot de connaissance d’entreprise : la pertinence dépend d’abord de la qualité du corpus, de ses identités et de sa gouvernance.
8. AI Alert : contextualiser les signaux opérationnels
Aider à comprendre pourquoi une alerte mérite une action
AI Alert travaille autour des alertes et événements disponibles dans la plateforme. Il aide à résumer un signal, à remettre l’anomalie dans son contexte et à orienter vers la vue ou la procédure utile.
L’assistant ne crée pas seul une alerte métier à partir d’une intuition probabiliste. Les déclencheurs restent fondés sur les règles et données du produit ; l’IA intervient dans l’explication, la qualification ou la préparation de l’action.
Les droits restent appliqués aux objets cités. Une alerte sur un compte ou un flux hors périmètre ne devient pas visible parce qu’elle a été reformulée par un modèle. Les traces conservent l’identité du run et du contexte.
Cette séparation réduit le bruit : le moteur déterministe décide qu’un seuil ou un état mérite une alerte ; l’assistant aide l’humain à la comprendre plus vite.
9. Dashboard Copilot : lire un tableau de bord
Relier l’indicateur aux dimensions qui l’expliquent
Dashboard Copilot accompagne les tableaux de bord commerciaux et opérationnels. Il peut résumer une évolution, rappeler le périmètre et proposer les dimensions à examiner. Il s’appuie sur les données préparées par le dashboard plutôt que sur une lecture visuelle approximative.
Les workflows ont été durcis pour les données absentes, périodes non comparables et sorties de modèle invalides. Le copilot ne doit pas annoncer une causalité lorsque le tableau montre seulement une corrélation ou une variation.
Les liens vers les vues détaillées gardent la possibilité de vérifier. L’assistant complète le dashboard mais ne remplace pas ses définitions déterministes. Les responsables peuvent ainsi utiliser la synthèse sans perdre la trace du calcul.
Ce cas illustre une IA au bon endroit : réduire le temps de lecture d’un écran riche, puis rendre l’utilisateur à l’application pour la décision et l’action.
10. RAG, schémas et renouvellement de la connaissance
Une base documentaire produite et versionnée par le produit
Le RAG ne repose pas sur un dossier de PDF importé une fois. Des synchroniseurs produisent des documents fonctionnels depuis les pages, capacités, schémas et guides du produit. Les identités déterministes permettent de mettre à jour une connaissance sans créer des doublons indéfinis.
Le catalogue et les marques disposent de leurs propres index lorsque les assistants doivent répondre sur l’offre. Les guides de schéma aident Data Query à comprendre les relations autorisées. Les corpus commercial et administratif restent séparables.
Les refresh possèdent un état, une progression et des fallbacks. Les erreurs de document ou de stockage sont couvertes ; une indexation partielle ne doit pas être confondue avec un corpus complet.
Les réponses sont enrichies par les fragments récupérés, mais la présence d’un fragment ne garantit pas qu’il soit actuel. La date, la source et le renouvellement font partie de la gouvernance du système.
11. Gouvernance, rôles et protection des données
L’assistant hérite des limites de l’application
Les assistants sont intégrés dans des contrôleurs et cas d’usage qui connaissent l’utilisateur, son rôle et son périmètre. Les outils accessibles sont sélectionnés selon ce contexte. Un modèle ne reçoit pas une connexion universelle à la base ou à Odoo.
Les données sensibles sont réduites ou redactées dans les prompts et traces selon le besoin. Les logs cherchent à garder l’identité du run, l’outil appelé et le statut sans recopier inutilement un payload métier complet.
Les réponses sont traitées comme des propositions à vérifier lorsque le risque existe. Les actions d’écriture ou de replay passent par des commandes séparées, leurs droits et une confirmation. Le texte du modèle ne devient pas directement une instruction d’infrastructure.
La démarche correspond à notre page gouvernance et industrialisation de l’IA : périmètre, sources, évaluation, traces et contrôle humain doivent être conçus avant la généralisation.
Rôle, workspace et intention
Corpus ou données autorisées
Recherche, requête ou plan spécialisé
Limites, critères et preuve retrouvable
Validation humaine et trace du run
12. Actions, confirmation humaine et non-autonomie
Aider à agir sans court-circuiter les garde-fous
Certains assistants peuvent préparer une action ou orienter vers un replay Odoo. La plateforme présente alors ce qui sera exécuté, demande une confirmation et repasse par les cas d’usage autorisés. Le modèle ne possède pas un accès d’écriture direct au SI.
Cette conception protège les opérations logistiques, commerciales et administratives. Une suggestion erronée reste réversible tant qu’elle n’a pas franchi la validation. Les effets à fort impact peuvent nécessiter un rôle renforcé ou une MFA.
Les runs asynchrones possèdent une identité déterministe et sont retry-safe. Un timeout ou une reprise de worker ne crée pas un second traitement invisible. L’utilisateur peut retrouver l’état et le résultat disponibles.
La limite est assumée : le programme ne livre pas un agent autonome qui administre le commerce B2B. Il livre six assistants qui accélèrent la recherche, l’analyse et la préparation dans un cadre contrôlé.
13. Qualité, traces, résilience et coûts
Industrialiser autre chose qu’un prompt
Les contrôleurs, planificateurs, outils, fabriques de documents, indexeurs et fallbacks possèdent des tests. Les chemins d’échec de l’Employee Brain et du Dashboard Copilot ont été explicitement durcis. Les contrats empêchent une sortie invalide de se propager comme une réponse fiable.
Les modèles sont configurés dans un catalogue partagé afin de maîtriser leur sélection. Les limites, timeouts et traitements asynchrones protègent le produit contre une dépendance bloquante. Un assistant indisponible ne doit pas empêcher d’utiliser le portail ou le cockpit.
La télémétrie conserve le statut, la durée et les outils utilisés lorsque cela est approprié. Le feedback aide à identifier les réponses faibles et les lacunes du corpus. Les coûts doivent être lus par usage, pas seulement par nombre de tokens agrégé.
Les preuves techniques confirment l’implémentation et la couverture des composants, mais ne permettent pas d’annoncer une précision universelle des réponses. L’évaluation continue par cas d’usage reste nécessaire, notamment lorsque les sources et modèles évoluent.
14. Résultats obtenus et limites
Six raccourcis vers la preuve, pas une intelligence omnisciente
Les assistants réduisent la distance entre une question et la bonne source : navigation fonctionnelle, données ad hoc, qualification d’entreprise, connaissance interne, alertes et tableaux de bord. Leur intégration dans les workspaces conserve le contexte de l’utilisateur.
Le produit dispose d’un socle RAG, d’outils, de runs asynchrones, de traces et de protections qui peuvent soutenir l’évolution future. Les corpus et schémas sont renouvelables au lieu d’être figés dans une démonstration.
La limite est double. Sept concepts présents dans le catalogue ne sont pas considérés livrés ; les six assistants existants restent dépendants de la qualité des sources et de l’évaluation de leurs réponses. Aucune autonomie générale n’est revendiquée.
Le projet montre ainsi une IA crédible : spécialisée, située dans le produit et explicite sur ses frontières. Le projet d’industrialisation explique le socle qui permet de la maintenir avec le reste de l’application.
Ce que l’IA raccourcit concrètement
L’utilisateur peut formuler son besoin avec ses mots, puis être orienté vers une règle, une donnée ou un écran sans connaître au préalable l’arborescence ou le schéma. L’assistant prend en charge la traduction initiale et restitue les critères qui permettent de vérifier.
Ce raccourci est particulièrement utile lorsque la question traverse plusieurs objets. Il ne supprime pas l’application : il y reconduit l’utilisateur avec un contexte mieux préparé et une prochaine action explicite.
Ce qui reste volontairement à démontrer
La présence d’un assistant et de tests d’intégration ne suffit pas à établir sa performance métier dans toutes les formulations. Chaque usage doit suivre ses refus, ses erreurs de source, la qualité perçue et le coût de traitement sur une période représentative.
Cette retenue évite de confondre capacité technique et résultat opérationnel. Le produit possède les fondations pour mesurer et améliorer ; les gains chiffrés devront venir de données d’usage validées, pas d’une estimation fabriquée.
15. Conclusion : l’IA comme couche d’accès, pas comme nouvelle vérité
Six assistants utiles parce qu’ils restent spécialisés et gouvernés
Le projet IA de 1UP Distribution ne cherche pas à impressionner par un catalogue de concepts. Il documente six assistants réellement intégrés, chacun relié à une souffrance, à des sources et à un niveau d’action précis.
Dawap a travaillé le corpus, les schémas, les outils, les rôles, la résilience, la confirmation et les traces. Ce sont ces éléments moins visibles qui distinguent un prototype conversationnel d’une capacité produit durable.
Notre offre d’IA dans les applications métier permet de cadrer un besoin comparable. Cette étude de cas donne la preuve qu’une IA peut accélérer les équipes sans recevoir le droit d’inventer ou d’agir seule.
