Questions et réponses

Non.

Vous n'avez pas besoin de commencer par une stratégie pour toute l'entreprise. Commencez par un travail qui mérite d'être mieux fait. Si ça marche, vous avez quelque chose de concret sur quoi construire la suite.

Commencez par un travail qui revient souvent, qui prend beaucoup de temps, ou qui se fait différemment selon qui s'en occupe.

Ce n'est pas obligé d'être une tâche simple. En fait, ça devient intéressant quand le travail exige vos propres règles, vos données et votre expérience pour être bien fait.

Montrez-nous le travail pour lequel vous voulez de l'aide. De préférence avec quelques cas réels, réglés comme vous voulez qu'ils le soient.

Vous préférez commencer par en discuter ? L'agenda est ouvert. contact.md →

C'est justement pour ça que nous demandons de vrais exemples plutôt que de longues descriptions de processus.

Montrez-nous le travail tel qu'il se fait déjà. Nous prenons alors le temps de comprendre comment le travail se fait vraiment, puis nous revenons vers vous avec les points où il nous manque une réponse.

Si le travail existe déjà dans le catalogue, ça va plus vite. La mise en place prend en général autour de 2 semaines. Le temps ne part pas dans la technique. Il part à apprendre vos règles, vos exceptions et vos zones grises.

On vous le dit. Et vous aurez quand même une date de réponse ferme, même si c'est non.

Non. Nous partons de gens qui sont déjà bons dans leur travail, et nous regardons ce que l'IA peut leur enlever des mains.

Le but n'est pas de faire tenir plus de tâches dans la même journée. C'est de libérer de la capacité et de la marge pour le travail où l'humain fait la plus grande différence.

Elle le dit. Elle ne fabrique pas une réponse plausible juste pour avancer. Quand une source existe, elle montre sur quoi elle s'appuie.

Un chatbot est fait pour la conversation. Ce que nous construisons est fait pour le travail.

Il a un périmètre précis, et nous le réglons sur la façon dont vous vous y prenez vraiment.

Les systèmes où le travail se fait déjà. Cela peut être l'e-mail, l'agenda, le CRM, la comptabilité, les documents ou le service client. Nous commençons par un accès en lecture seule, et nous n'élargissons cet accès que quand vous êtes prêts.

Non. La mise en place n'est pas liée à un seul fournisseur d'IA. Vous pouvez changer de modèle ou de fournisseur quand cela a du sens.

Non. Pas sans votre accord.

La technique est rarement le plus difficile.

Le plus difficile, c'est de faire sortir la façon dont le travail se fait vraiment. Quelles règles s'appliquent ? Quand ne s'appliquent-elles pas ? Quels systèmes sont utilisés ? Et qu'est-ce que la personne d'expérience sait, que personne n'a jamais écrit ?

C'est pour ça que nous partons de vrais exemples du travail — pas d'une description du processus en deux lignes.

Non. Si tout était déjà parfaitement décrit, notre travail serait nettement plus simple.

Nous partons de vrais exemples et des personnes qui connaissent le travail. Au fil du travail, nous sortons les règles, les exceptions et les façons de faire de leur tête, pour les rendre concrètes. La documentation s'améliore donc, elle aussi, en cours de route.

C'est plutôt normal.

Nous déterminons de quelles données l'IA a vraiment besoin. Certaines peuvent être nettoyées une bonne fois pour toutes. D'autres se structurent au fil du temps, parce que l'IA exige que l'information soit toujours au même endroit et veuille dire la même chose à chaque fois.

Vous n'avez donc pas besoin de données parfaites pour commencer.

Oui, et c'est souvent là que se trouve le vrai travail.

« Fais toujours X » est facile. L'intéressant, c'est : « Fais X, sauf si le client est dans tel cas, si la commande ressemble à telle autre, ou si c'est déjà arrivé une fois ». Ce sont ces règles et ces zones grises que nous apprenons à l'IA, avec vous.

Pas juste pour faire plaisir à l'IA.

Nous partons du travail tel qu'il existe aujourd'hui. Si quelque chose fonctionne déjà bien, c'est à l'IA de l'apprendre tel quel. Si nous tombons au passage sur une façon de faire qui n'existe que parce que « on a toujours fait comme ça », nous pouvons en discuter à ce moment-là.

Ce que nous avons mis en place change avec elle.

De nouvelles règles, de nouveaux produits, de nouvelles exceptions apparaissent. C'est pour ça que nous ne voyons pas la mise en place comme quelque chose qu'on livre puis qu'on oublie. Elle s'améliore en restant proche du vrai travail.

D'abord, les gens deviennent meilleurs dans leur propre métier. Quand les recherches sont faites et que la suite est préparée, il reste plus de temps pour ce que la personne sait vraiment bien faire.

Quand l'IA doit apprendre le métier, les règles, les exceptions et les façons de faire deviennent concrètes. La qualité devient plus régulière, l'intégration plus simple, et l'entreprise moins dépendante d'un savoir que seules quelques personnes détiennent.

Et quand le travail répétitif et lourd en contexte prend moins de place, il reste plus de marge pour le jugement, pour les clients, pour les collègues et pour les relations.

C'est l'une des premières choses que nous allons chercher.

Presque toutes les entreprises ont du travail qui se fait « c'est comme ça qu'on fait, c'est tout », parce qu'une personne le fait depuis cinq ans. Le problème arrive le jour où cette personne est malade, change de poste, ou doit l'apprendre à quelqu'un d'autre.

Quand nous faisons entrer l'IA dans un travail, ce savoir doit sortir des têtes et devenir concret. Les règles, l'ordre des étapes, les exceptions et les exemples deviennent une partie de la mise en place.

Ce n'est donc pas seulement l'IA qui y gagne de quoi travailler. L'entreprise reprend la main sur son propre savoir.

Oui. Le nouvel employé n'a pas à redécouvrir tout le processus depuis zéro, ni à compter sur la chance pour tomber sur la bonne personne à qui demander.

Le travail, les règles et les exemples sont déjà concrets. Et l'IA peut aider le nouvel arrivant à faire le travail de la même façon que le reste de l'équipe, dès le premier jour.

Oui. Une transmission d'entreprise, ce n'est pas qu'une question de propriété. Des décennies de savoir peuvent être enfouies dans la façon dont l'entreprise travaille.

Quand les façons de faire, les règles et les exceptions deviennent concrètes, l'entreprise dépend moins de ce que quelques personnes ont en tête.

Oui. Et vous devriez.

Combien de temps prenait la tâche avant ? Combien de temps prend-elle maintenant ? Quel volume est produit ? À quelle fréquence faut-il corriger quelque chose ? Où le travail finit-il par caler ?

Quand le travail devient plus structuré, il devient aussi plus facile à mesurer. La valeur n'a donc pas besoin de rester une impression vague du genre « l'IA fait sûrement gagner du temps ».

Oui. Quand le travail peut se mesurer, l'effort humain devient lui aussi plus visible.

Si un employé épaulé par l'IA peut gérer plus de clients, produire davantage ou relever la qualité, la différence se voit vraiment. Cela permet de parler concrètement de la valeur que la personne crée, au lieu de ne parler que d'heures passées au bureau.

Ça ne devrait pas être le cas.

Pour l'entreprise, cela peut vouloir dire plus de capacité, une meilleure qualité et plus de clients, sans que le travail augmente au même rythme.

Pour l'employé, cela veut dire moins de temps sur les tâches répétitives et plus de temps sur ce qu'il fait vraiment bien. Et quand le travail devient mesurable, sa contribution devient elle aussi plus facile à voir.

Si, à temps de travail égal, vous pouvez gérer deux fois plus de travail ou livrer des résultats nettement meilleurs qu'il y a un an, ce n'est pas seulement l'entreprise qui devrait pouvoir en voir la valeur. C'est aussi un assez bon point de départ pour une négociation salariale.

En général, plus sur votre propre travail que vous ne l'imaginez.

Pour apprendre une tâche à l'IA, nous devons comprendre à quoi ressemble un bon résultat, quelles règles s'appliquent, d'où viennent les données, et ce qui se passe quand la situation sort de l'ordinaire.

C'est souvent à ce moment-là qu'on découvre qu'une bonne partie d'un processus n'a jamais vraiment été écrite nulle part.

Votre savoir-faire, vos méthodes et votre expérience restent chez vous. Le modèle d'IA lui-même tourne chez le fournisseur que vous utilisez, par exemple Anthropic ou OpenAI.

Tout ce que nous faisons tourner pour vous tourne depuis le Danemark. Le modèle lui-même peut tourner chez un fournisseur en dehors de l'Europe.

Ce qui peut être fait avec vos données, et où elles peuvent être envoyées, on le fixe ensemble au moment de la mise en place.

Vous voyez ce qu'elle fait. Elle commence avec un accès en lecture seule, et c'est vous qui décidez quand elle en obtient plus, et pour quoi faire.

Oui. Vous pouvez toujours débrancher. Et ce que nous avons mis en place pour vous, vous le gardez.

Ça dépend du travail.

Chaque nouveau travail d'IA est cadré comme un Project : un résultat convenu, un délai et un prix ferme. Vous avez le chiffre avant que nous commencions, pas après.

Et si vous nous voulez en continu ensuite, cela s'appelle Department. Tout est réuni sous Tarifs. tarifs.md →

Non. Il n'y a pas d'abonnement à résilier.

Un Project est cadré d'avance : un résultat convenu, un délai et un prix ferme. Et rien ne s'enclenche tout seul derrière.

Dans un Project : construire ce qui a été convenu, le mettre en service, et rester le temps d'une période de stabilisation fixée à l'avance.

Si vous voulez qu'ensuite nous entretenions ce qui est en place et que nous intervenions quand quelque chose ne marche plus, vous pouvez ajouter un accord Care.

Nous la construisons. C'est même comme ça que la plupart des choses commencent : les exemples sont du travail que nous avons déjà fait, pas une liste dans laquelle choisir.

Grand ou petit, c'est cadré comme un Project, et le prix suit l'ampleur du travail.

Non. Vous devez connaître le travail. Nous nous occupons de la technique.

Le plus important, c'est que vous puissiez nous montrer comment le travail se fait vraiment, y compris avec les exceptions et les zones grises.

Non. Tout tourne dans l'IA que vous utilisez déjà, comme ChatGPT ou Claude, et se branche sur les systèmes où le travail se fait déjà.

D'abord, nous la construisons pour qu'elle ne se contente pas de deviner quand elle n'est pas sûre.

Là où une validation est nécessaire, le travail passe par une personne. Et si quelque chose tourne mal quand même, il y a quelqu'un chez nous à qui téléphoner.

Sewar Sidou a fondé Ellypsis et la dirige, depuis Odense, Danemark. La suite de l'histoire est dans la lettre. lettre.txt →