Le projet en un coup d’œil
Documentation, données commerciales, schéma, société et signaux opérationnels étaient riches mais difficiles à mobiliser rapidement.
Documentation, données, connaissances et tableaux de bord partagent un socle. Les rôles du catalogue ne sont pas tous finalisés.
Les assistants s’appuient sur des sources identifiées, sont encadrés par les droits et les limites des parcours.
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. Les douze assistants et l’aide documentaire 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. Ce projet constitue aussi une preuve concrète de notre approche d’agence IA : partir du travail réel avant de choisir le modèle ou l’agent.
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 capacités ont donc été spécialisées. Elles 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 capacités ont été intégrées progressivement dans les espaces de travail. Chaque usage combine une source identifiable, un périmètre d’accès maîtrisé et un moyen de vérifier la réponse. Le catalogue prévoit aussi Product Engine, Customer Support, Inbound Supply, Commercial Opportunity, Product Audit, Stock Allocation et Margin & Pricing. Leur présence au catalogue ne vaut pas finalisation de leurs parcours ni activation de toutes les délégations.
3. Sept usages à explorer dans leur contexte
Les études de cas suivantes détaillent les parcours développés, leurs arbitrages et les limites propres à chaque usage. Elles distinguent la consultation de connaissances, la lecture des données, les outils métier et leur exploitation.
4. 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 des 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.
5. 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.
6. 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.
7. 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.
8. 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.
9. Assistant documentaire : aider sans quitter l’écran
Une aide persistante pour retrouver une procédure, un champ Odoo ou le bon parcours
Le panneau d’aide accompagne la navigation dans l’administration et consulte les documents fonctionnels, le catalogue et les connaissances Odoo autorisées. Il peut expliquer où créer un contact, comment rattacher un commercial ou quelle procédure consulter sans obliger l’utilisateur à interrompre son travail.
La réponse conserve les sources retrouvées et distingue une explication d’une action. Lorsque la demande dépend d’un client, d’un commercial ou d’un type de document encore ambigu, l’assistant demande la précision utile au lieu de choisir à la place de l’utilisateur.
Les parcours d’onboarding, d’invitation, de support et de diagnostic commercial ont fait l’objet de campagnes conversationnelles rejouées après correction de la documentation. Cette boucle relie directement une réponse faible à une amélioration du corpus et de ses tests.
C’est le cas d’usage le plus concret d’un chatbot RAG d’entreprise : retrouver une connaissance gouvernée et rendre sa provenance visible, sans prétendre remplacer les droits ou les écrans du produit.
10. Dashboard Copilot : composer un tableau de bord vérifiable
Transformer une demande Data Query en carte KPI, table ou graphique
Dashboard Copilot permet de créer un tableau de bord personnel dans l’administration, d’organiser ses zones sur une grille et de transformer une demande Data Query en carte KPI, table ou graphique simple.
Chaque carte conserve le plan de lecture validé qui l’alimente. Le rafraîchissement rejoue ce plan au lieu de demander au modèle d’inventer un calcul à chaque affichage. La disposition et la source restent donc deux responsabilités distinctes.
Les données absentes, périodes non comparables et sorties invalides possèdent des chemins explicites. Le copilote ne transforme pas une variation en causalité et ne remplace pas les définitions des indicateurs.
Ce cas matérialise une approche d’agent IA sur mesure : l’agent orchestre un outil borné et laisse un artefact que l’utilisateur peut relire.
11. 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.
12. 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
13. Actions, confirmation humaine et non-autonomie
Aider à agir sans court-circuiter les garde-fous
L’assistant peut expliquer une procédure ou orienter vers un flux Odoo. Une action reste toutefois exécutée par le cas d’usage autorisé, avec ses droits et sa confirmation ; le modèle ne possède pas d’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.
Le programme ne confie pas l’administration du commerce B2B à un agent autonome. Chaque capacité reste bornée par ses sources, ses refus, ses droits et sa preuve d’exécution. Cette discipline rejoint notre travail d’intégration de l’IA au système d’information.
14. 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 évaluations restent propres à chaque cas d’usage : qualité de la source retrouvée, respect du périmètre, validité de la sortie et prochaine action proposée. Elles peuvent ainsi évoluer avec les corpus et les modèles sans transformer un score global en promesse abstraite.
15. Des rôles opérationnels aux niveaux d’avancement distincts
Support, opportunités, achats, stock, catalogue, qualité et marge reliés aux données 1UP
Le rôle Customer Support vise à retrouver la procédure, la commande, le document ou la connaissance utile afin de préparer une réponse sourcée. Commercial Opportunity prévoit de rapprocher activité du compte, historique commercial et signaux disponibles pour faire émerger les dossiers à examiner sans transformer une suggestion en décision automatique.
Inbound Supply vise l’analyse des commandes d’achat, des réceptions attendues, des délais et des besoins projetés. Stock Allocation vise à éclairer les tensions, engagements et possibilités de réallocation en conservant la priorité des demandes et la validation humaine lorsque la promesse client peut changer.
Product Engine prévoit de préparer l’enrichissement des fiches à partir du catalogue, des attributs et des documents autorisés. Product Audit vise à rechercher les incohérences, champs manquants et écarts de qualité. Margin & Pricing prévoit de rapprocher coûts, prix, remises et marge afin de signaler les situations à contrôler avant toute modification tarifaire.
Ces rôles sont conçus pour exploiter procédures, documentation fonctionnelle, connaissances Odoo, flux synchronisés, catalogue, schémas de données, ventes, factures, arrivages, stocks et prix. Les brains séparent les connaissances publiques, internes et administratives ; aucun rôle ne reçoit une visibilité supérieure à celle de l’utilisateur.
L’architecture commune fournit conversation persistée, run identifié, file dédiée, retries bornés, délégation traçable et retour dans le fil d’origine. Cette architecture prépare l’évolution d’un programme d’agents IA sur mesure relié par une véritable intégration de l’IA au système d’information.
Des connaissances Odoo directement mobilisables
La documentation ne reste pas séparée de l’usage. Les assistants retrouvent définitions de champs, procédures, objets synchronisés et règles fonctionnelles dans le contexte de l’écran ou de la question. Une réponse peut ainsi expliquer la donnée observée et indiquer le parcours qui permet de la contrôler dans 1UP ou Odoo.
Les documents possèdent une identité, une audience et un cycle de renouvellement. Une procédure interne ou une note d’administration ne devient pas une réponse générale simplement parce qu’elle a été indexée.
Une délégation observable entre assistants
La délégation vers les domaines spécialisés est progressive : plusieurs parcours restent explicitement non ouverts. Pour les exécutions prises en charge, le retour doit conserver le contexte de la demande. Chaque exécution conserve son identité, ses outils, son statut et son résultat ; le retour est rattaché à la conversation d’origine.
Cette orchestration évite de donner tous les outils à un agent universel. La consultation documentaire, la lecture de données et les opérations de stock doivent conserver des responsabilités distinctes. La présence d’un rôle ne prouve pas que toutes ses actions sont disponibles.
16. Résultats obtenus et évolution
Un catalogue de raccourcis vers la preuve, organisé par métier
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 destiné aux différents rôles du catalogue. Les corpus et schémas sont renouvelables au lieu d’être figés dans une démonstration.
Le catalogue de conception distingue navigation, interrogation des données, dashboards, connaissance interne, qualification d’entreprise, support client, approvisionnement, opportunités commerciales, allocation de stock, enrichissement produit, audit catalogue et contrôle des marges.
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.
Comment la qualité continue de progresser
Chaque usage suit ses refus, ses erreurs de source, la qualité perçue et le coût de traitement. Une lacune identifiée peut enrichir le corpus, le routage, le schéma ou les garde-fous du rôle concerné.
Cette boucle relie la mesure à une amélioration concrète. Le catalogue peut accueillir de nouveaux rôles sans transformer un agent généraliste en accès universel aux données et aux actions.
17. Conclusion : l’IA comme couche d’accès, pas comme nouvelle vérité
Des capacités utiles parce que leur périmètre reste prouvable
Le projet IA de 1UP Distribution développe l’aide documentaire, la connaissance interne, les requêtes de données, les tableaux de bord et la qualification d’entreprise. Les autres rôles métier du catalogue suivent des niveaux d’avancement distincts.
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. Pour un programme plus large, l’agence IA Dawap relie cas d’usage, données, intégration SI, gouvernance et mesure avant toute généralisation.
