AI Plan
AI Build
AI Run
AI ChangeSolutionDiagnostic Data & IA
Évaluez votre maturité et construisez une roadmap priorisée.
Découvrir le diagnosticAccompagner la DSI de Grain de Malice de la stratégie IA à la mise en production
Dans le cadre de sa transformation, Grain de Malice souhaitait mieux exploiter la Data et l’IA au service de ses métiers. Pour sa DSI, l’enjeu était de prioriser les opportunités, structurer les fondations nécessaires et transformer les cas d’usage les plus pertinents en solutions opérationnelles. aiko accompagne cette trajectoire dans la durée, du cadrage à la mise en production et à l’intégration des solutions dans le SI et les processus de l’entreprise.
Le point de départ
Construire une trajectoire IA cohérente avec la transformation de l’entreprise
Retailer omnicanal disposant d’un réseau de magasins et d’une activité e-commerce, Grain de Malice devait exploiter davantage ses données tout en modernisant plusieurs processus opérationnels.
Les opportunités étaient nombreuses : achats, supply, marketing, CRM, RH, gestion des stocks ou encore pilotage du réseau. Mais leur valeur, leur faisabilité et leur niveau de maturité différaient fortement.
Pour la DSI, le sujet n’était donc pas simplement d’identifier des idées d’utilisation de l’IA. Il fallait construire une trajectoire permettant de distinguer les cas pouvant être traités rapidement, ceux nécessitant des fondations Data plus solides et ceux justifiant le développement de solutions spécifiques.
L’enjeu : faire de l’IA une capacité progressivement intégrée au fonctionnement de l’entreprise plutôt qu’une succession de projets isolés.
Le dispositif déployé
Du cadrage des opportunités à leur intégration dans les opérations
L’accompagnement s’est construit progressivement autour des quatre dimensions d’intervention d’aiko : identifier les opportunités, construire les solutions prioritaires, les faire évoluer dans la durée et accompagner leur appropriation.
- 01AI Plan
AI Plan : construire la roadmap avec les métiers
Le Diagnostic Data & IA a combiné entretiens avec les directions et ateliers métiers sur plusieurs fonctions : achats, approvisionnements, marketing, RH et réseau. Les irritants et opportunités identifiés ont été confrontés à la disponibilité des données, à leur faisabilité et à leur potentiel business afin de construire une feuille de route à plusieurs horizons. Cette première étape a notamment permis de distinguer trois types d’initiatives : recours à des solutions SaaS existantes, développement de solutions spécifiques et projets Data/IA nécessitant un travail plus structurant.
- 02AI Build
AI Build : transformer les priorités en solutions
Les cas priorisés ont ensuite donné lieu à plusieurs chantiers de développement. aiko intervient notamment sur des outils Data Science d’aide à la décision, l’automatisation de processus achats et documentaires et des usages d’IA générative. L’objectif reste le même : partir d’une décision ou d’un processus métier précis et construire une solution qui puisse réellement être utilisée par les équipes.
- 03AI Run
AI Run : faire évoluer les solutions avec les usages
La collaboration se poursuit après les premières mises à disposition. Les solutions sont ajustées en fonction des cas particuliers rencontrés, des retours métiers, des évolutions du SI et des nouveaux besoins identifiés. Cette continuité permet d’éviter de considérer la mise en production comme la fin du projet : les outils évoluent à mesure qu’ils sont confrontés aux opérations réelles.
AI Change : faire progresser l’organisation avec la technologie
L’accompagnement inclut également l’acculturation des dirigeants et des équipes aux capacités et limites de l’IA. Les métiers sont impliqués dès le cadrage puis régulièrement pendant les développements, notamment à travers des démonstrations et des phases de test. Cette implication permet de détecter rapidement les exceptions métier et d’éviter de construire des solutions techniquement pertinentes mais déconnectées des pratiques opérationnelles.
Ce qui a été réalisé
Une transformation qui se matérialise dans plusieurs fonctions de l’entreprise
Plutôt qu’un projet IA unique, la collaboration a progressivement fait émerger plusieurs familles de capacités.
Data Science
Passer de la donnée à l’aide à la décision
Cinq problématiques retail ont été travaillées autour d’une même logique : utiliser les données historiques pour réduire l’incertitude avant une décision ayant un impact économique.
Les travaux portent notamment sur l’impact omnicanal d’une ouverture de magasin, l’optimisation du seuil de livraison gratuite, la segmentation CRM, la qualité de la donnée client et les opportunités de transfert de stock entre web et magasins.
Des interfaces métier permettent de rendre certaines analyses et simulations directement accessibles aux décideurs plutôt que de limiter les résultats aux équipes Data.
Automatisation
Réduire la charge des processus achats répétitifs
Plusieurs traitements jusque-là réalisés manuellement par les équipes achats ont fait l’objet d’automatisations spécifiques.
aiko a notamment développé des dispositifs pour générer les bons de commande et leurs documents associés, contrôler les factures proforma fournisseurs et traiter les certificats de composition matière.
Ces solutions doivent composer avec le SI existant de Grain de Malice — notamment son ERP — ainsi qu’avec la diversité des documents et des cas particuliers rencontrés dans les opérations.
IA générative
Introduire de nouveaux usages de manière ciblée
L’IA générative intervient lorsqu’elle apporte une capacité complémentaire aux approches déterministes ou Data Science.
Elle est notamment utilisée pour classifier et extraire des informations de certains documents fournisseurs et intervient également dans des usages de recherche et d’assistance interne.
L’objectif n’est pas de systématiser l’usage des LLM, mais de les intégrer lorsqu’ils constituent la bonne réponse au problème métier.
Data
Construire sur les fondations existantes
Les différents projets s’intègrent progressivement à l’environnement Data et au SI de Grain de Malice, notamment autour de Snowflake et des systèmes métier existants.
Cette intégration permet de limiter les processus parallèles et de rapprocher les nouvelles capacités IA des données et outils déjà utilisés par l’entreprise.
L’arbitrage structurant
Partir des problèmes métier, pas de la technologie
Au fil de la collaboration, un même principe a guidé les différents projets menés avec la DSI de Grain de Malice : ne pas chercher à appliquer une technologie à tous les sujets, mais construire la réponse adaptée à chaque problème métier.
Certaines décisions nécessitent de mieux exploiter les données historiques et de simuler plusieurs scénarios avant d’agir. Certains processus répétitifs peuvent être automatisés. Certains documents nécessitent de combiner règles métier et IA générative. D’autres enjeux passent d’abord par la structuration des données ou l’évolution des outils existants.
Cette approche conduit aiko à mobiliser différents niveaux de technologie — SQL, Machine Learning, automatisation, interfaces métier ou LLM — et à les intégrer progressivement au système d’information de Grain de Malice.
La trajectoire IA ne se construit donc pas autour d’une succession de technologies ou de démonstrateurs. Elle part des opérations, priorise les problèmes qui justifient réellement une intervention et fait évoluer les capacités Data et IA de l’entreprise à mesure que les usages se concrétisent.
Les résultats
Une roadmap devenue progressivement un portefeuille de solutions opérationnelles
Le premier résultat de l’accompagnement est le passage d’une identification large des opportunités à plusieurs solutions concrètement développées autour des priorités de Grain de Malice.
- 5
- cas d’usage Data Science structurés
- 3
- processus achats automatisés
Des problématiques de réseau, CRM, e-commerce et stock transformées en modèles et outils d’aide à la décision
Bons de commande, contrôle des factures proforma et traitement des certificats matière
Des outils directement accessibles aux métiers
Plusieurs analyses ont été traduites en interfaces permettant aux utilisateurs de tester des hypothèses, investiguer des cas ou exploiter les résultats sans passer systématiquement par une équipe Data.
Une collaboration qui dépasse le cadrage initial
Le Diagnostic Data & IA n’est pas resté une roadmap : les cas priorisés ont alimenté plusieurs cycles de Build et d’évolution des solutions avec la DSI et les métiers.
L’insight projet
La transformation IA se construit autour des décisions, pas autour des modèles
L’expérience Grain de Malice montre qu’une transformation IA ne consiste pas à chercher où déployer le plus de modèles possible.
Les projets qui progressent partent d’une décision ou d’un processus métier clairement identifié : faut-il transférer ce stock ? Quel seuil de livraison tester ? Comment contrôler ce document fournisseur ? Comment mieux segmenter les clientes ?
La technologie intervient ensuite avec le niveau de sophistication nécessaire : SQL, règles métier, Machine Learning, interfaces de simulation ou IA générative.
Cette approche permet également à la DSI de construire progressivement sa trajectoire : partir des problèmes réels, confronter les solutions aux usages puis renforcer les capacités Data et IA à mesure que leur valeur se confirme.
C’est cette continuité entre stratégie, technologie et opérations qui structure l’accompagnement de Grain de Malice par aiko.
Cas client
ANJAC Health & Beauty
Construire une trajectoire IA de groupe à partir des réalités de 16 sociétés industriellesDécouvrir le cas client
Cas client
Heytens
Concevoir un conseiller IA pour prolonger l’expérience showroom en ligneDécouvrir le cas client
Cas client