Intégration de l'IA dans les processus métiers : comment automatiser sa relation client chez Solucar

Secteur : Gestion de flotte automobile externalisée Défi : Automatiser la classification et le traitement de plusieurs milliers de mails clients par mois Durée du projet : 3 mois (cadrage, POC, validation) Résultat : Un premier déploiement de l'intelligence artificielle en environnement local, validé à 80 % de précision en classification native, fiabilisé ensuite via RAG

Contexte : une entreprise sous pression sur sa gestion de la relation client

Solucar est une société spécialisée dans la gestion de flotte automobile externalisée, opérant en France métropolitaine et à l'international. Elle accompagne de grandes entreprises dans la gestion quotidienne de leurs véhicules, amendes, contrats et demandes opérationnelles.

Au cœur de son activité : une relation client à fort volume. Les équipes de Solucar réceptionnent entre 200 et 3 000 mails par client et par mois. Chaque message peut contenir des demandes variées — suivi de véhicule, contestation d'amende, demande contractuelle, question administrative — accompagnées de pièces jointes de nature diverse.

Deux réalités s'imposaient alors à l'entreprise :

• Une pression croissante de ses clients, partenaires exigeants en matière de gouvernance des données, qui demandaient à Solucar de se mettre à niveau sur les capacités de traitement et de traçabilité permises par l'IA.
• Un volume opérationnel difficile à absorber pour les équipes, avec des risques d'erreurs humaines, des délais de traitement variables, et un manque de visibilité sur les flux entrants.

Solucar avait déjà bénéficié d'une formation de sensibilisation aux possibilités de l'intelligence artificielle. Mais la direction cherchait davantage : un expert IA capable de traduire ces possibilités en actions concrètes, adaptées à leur infrastructure et à leurs contraintes réelles.

Notre intervention : du diagnostic terrain à la feuille de route IA

L'accompagnement a débuté par plusieurs réunions physiques dans les locaux de Solucar. L'objectif : ne pas plaquer une solution toute faite, mais comprendre l'infrastructure existante, les outils en place, les capacités opérationnelles des équipes et les enjeux de gouvernance des données imposés par leurs partenaires.

Cette phase de diagnostic a permis d'identifier rapidement le processus interne à plus fort potentiel : la gestion des demandes clients par e-mail.

Plusieurs indicateurs confirmaient la pertinence du choix :

• Volume massif de mails entrants, difficilement gérable manuellement à grande échelle
• Erreurs humaines dans la classification des demandes, génératrices de coûts et de délais supplémentaires
• Manque de traçabilité sur les flux traités, préjudiciable à la qualité du reporting client
• Des données structurées existantes (véhicules, amendes, réponses types) stockées dans des entrepôts internes, inutilisées dans le traitement automatisé

L'intégration de l'IA sur ce processus promettait des gains mesurables : réduction des délais de réponse, diminution des erreurs de traitement, soulagement des équipes, et amélioration de la traçabilité et du reporting pour les clients de Solucar.

Contrainte majeure : la gouvernance des données au centre de l'architecture

Avant de choisir un outil ou un modèle, une contrainte structurante s'est imposée : les outils digitaux internes de Solucar — ceux qui stockent les données véhicules, amendes et contrats — n'étaient pas ouverts vers l'extérieur. Aucune communication par API avec des solutions tierces n'était possible sans remettre en cause les exigences strictes de leurs partenaires en matière de sécurité et de souveraineté des données.

Il était donc hors de question de confier les données de Solucar à une infrastructure cloud externe non maîtrisée.

La décision a été prise de déployer un outil open source en environnement local : Nocobase, un App Builder open source permettant de construire une interface applicative personnalisée, tout en conservant la pleine maîtrise de l'architecture et des données. Ce choix a permis de poser les fondations d'un Proof of Concept (POC) solide, conforme aux exigences de gouvernance, et évolutif.

Phase 1 — Validation de la classification automatique des mails

Avec l'infrastructure en place, la première phase du projet visait à répondre à une question précise : les modèles d'IA sont-ils capables de classifier correctement les mails entrants de Solucar, en tenant compte du contenu textuel et des pièces jointes associées ?

L'enjeu était également de comparer les performances entre modèles open source et modèles propriétaires, dans une logique d'arbitrage coût / performance / souveraineté.

Trois modèles ont été mis en compétition dans un environnement fermé :

ModèleTypeUsageMinistral-14B-2512Open source (Mistral)Local / souveraineté des donnéesMinistral-8B-latestOpen source (Mistral)Local / compromis performance/coûtGPT-4.1 MiniPropriétaire (OpenAI)Cloud / référence du marché

Pendant plusieurs jours, l'App Builder a collecté les mails entrants et leurs pièces jointes, puis les a soumis aux trois modèles pour analyse. Chaque mail s'est vu attribuer automatiquement une catégorie principale et une sous-catégorie, définies en amont avec les équipes de Solucar.

Les équipes internes et la direction ont ensuite évalué manuellement les résultats obtenus.

Résultat : les trois modèles ont atteint un taux de précision équivalent, autour de 80 %, sans aucun système RAG (Retrieval-Augmented Generation) activé. Une performance remarquable pour une première phase de validation en conditions réelles, qui a confirmé la viabilité technique du projet et la capacité des modèles open source à rivaliser avec les solutions propriétaires sur ce cas d'usage.

Dans un second temps, l'activation d'un système RAG — permettant aux modèles d'accéder à des données contextuelles complémentaires issues des entrepôts internes de Solucar — a sensiblement amélioré la précision de la classification, en particulier sur les cas ambigus ou les demandes à fort contexte métier.

Phase 2 — Validation de la génération de réponses automatiques

Fort des résultats de la Phase 1, le projet a évolué vers une seconde étape stratégique : valider la capacité des modèles à générer des réponses pertinentes, destinées à être envoyées aux clients de Solucar.

Cette phase a mobilisé un travail approfondi de recherche et d'analyse pour :

• Définir les règles de génération (ton, structure, limites de délégation à l'IA)
• Identifier les cas où la réponse pouvait être entièrement automatisée, partiellement assistée, ou nécessitait une validation humaine
• Concevoir les processus de contrôle qualité avant envoi

Ce travail a posé les bases d'une architecture complète d'automatisation de la relation client, alliant classification, génération et supervision humaine — une approche progressive et maîtrisée, essentielle pour une première intégration de l'IA dans un environnement aussi sensible.

Ce que ce projet a apporté concrètement à Solucar

Au-delà des résultats techniques, cet accompagnement a permis à Solucar de franchir une étape décisive : intégrer pour la première fois l'intelligence artificielle dans ses locaux, de manière souveraine, documentée et mesurable.

Les bénéfices identifiés et validés à l'issue du projet :

Pour les équipes opérationnelles

• Réduction significative du temps de traitement des mails entrants
• Diminution des erreurs de classification, source de coûts et de tensions clients
• Soulagement face à des volumes croissants, sans recrutement supplémentaire

Pour la direction et les clients

• Meilleure traçabilité des flux de demandes
• Reporting client enrichi et fiabilisé
• Démonstration concrète des capacités IA pour répondre aux exigences de leurs partenaires

Pour la stratégie IT et data

• Éléments de réponse clairs sur l'arbitrage infrastructure locale vs. cloud
• Validation de la performance des modèles open source face aux modèles propriétaires
• Fondations techniques posées pour étendre l'IA à d'autres processus métiers

Ce que ce projet démontre sur l'intégration de l'IA en entreprise

Ce projet Solucar illustre une réalité souvent sous-estimée : l'intégration de l'IA dans les processus métiers ne s'improvise pas. Elle requiert une phase de diagnostic rigoureuse, une architecture adaptée aux contraintes de l'entreprise, et une validation progressive par les équipes elles-mêmes.

Plusieurs enseignements clés à retenir pour toute entreprise qui envisage de franchir ce pas :

1. La gouvernance des données conditionne le choix de l'infrastructure — avant même de parler de modèle IA, il faut définir où et comment les données circulent.
2. Les modèles open source atteignent des performances comparables aux modèles propriétaires sur des cas d'usage métiers bien définis — avec l'avantage d'une maîtrise totale de l'environnement.
3. Un POC structuré est indispensable pour objectiver les performances, convaincre les décideurs et sécuriser le déploiement.
4. L'approche progressive — classification d'abord, génération ensuite — est la bonne méthode pour accompagner le changement sans perturber les équipes.
5. Le RAG est un levier de fiabilisation majeur, particulièrement efficace pour les cas à fort contexte métier.

Vous envisagez d'intégrer l'IA dans votre entreprise ?

Ce projet Solucar est représentatif de ce que nous construisons avec nos clients : des solutions concrètes, adaptées à vos contraintes réelles, pilotées par la performance et non par l'effet d'annonce.

Que vous soyez en phase de questionnement ou déjà prêt à passer à l'action, nous pouvons vous accompagner à chaque étape — du diagnostic terrain à la mise en production.