Sébastien Boyer, président de Zeffy, était notre invité lors du webinar consacré au déploiement de l’IA en entreprise. Une cinquantaine de collaborateurs, 100 % d’usage quotidien, une centaine de skills partagés, 80 % du support client traité automatiquement, et une conviction forte : le pilotage top-down de l’IA ne fonctionne pas.
Le préalable : toutes les entreprises ne sont pas égales
Avant de parler outils, Sébastien Boyer pose un cadre qui mérite d’être repris tel quel. Toutes les organisations ne bénéficient pas des mêmes gains de productivité liés à l’IA. Zeffy, plateforme de gestion et de collecte de fonds pour les associations, née au Canada, très implantée aux États-Unis où plus de 5 % des associations sont sur la plateforme, en expansion en Europe et en Australie, coche deux critères qui expliquent son avance.
Peu d’interaction avec le monde physique. Pas de biens à produire, pas de service nécessitant des équipes sur site. Du logiciel et du traitement d’information.
Beaucoup de volume, beaucoup de répétition. Servir un très grand nombre de petites structures produit mécaniquement des tâches nombreuses et similaires, donc outillables.
Ces deux critères forment un test simple à s’appliquer. Ils expliquent pourquoi certaines organisations avancent vite sans effort particulier, et pourquoi d’autres doivent aller chercher leurs gains ailleurs que dans le geste quotidien.
Mesurer l’adoption : les bons indicateurs
Comment savoir où on en est ? La réponse évite les métriques de façade.
100 % des collaborateurs disposent d’un compte IA professionnel. Surtout : la quasi-totalité l’utilise quotidiennement. La nuance est essentielle, avoir une licence n’est pas un usage. Les écarts internes restent forts, en efficacité comme en volume. Certains développeurs consomment plusieurs milliers de dollars par mois. La moyenne se situe plutôt autour de 50 à 100 € par personne et par mois.
À retenir : le taux de licences n’est pas une métrique. Le taux d’usage quotidien, si. Et la dispersion des coûts internes révèle surtout la dispersion des compétences.
L’IA n’est pas un interrupteur, c’est une échelle
Le point de méthode central du webinar. Déployer l’IA n’est pas une question binaire, à l’échelle de l’individu comme de l’entreprise. C’est une graduation quasiment sans limite, sur laquelle la productivité progresse de façon plus qu’exponentielle à mesure que l’on monte en maîtrise.
D’où l’intérêt d’une nomenclature à deux colonnes (individuelle et collective) pour se situer et surtout identifier la marche suivante.
Niveau 1 : Le chat
Poser une question, obtenir une réponse. Familier pour la quasi-totalité des professionnels.
Le frein n’est donc plus la compétence, mais l’accès : de nombreuses entreprises, souvent pour des raisons de sécurité des données, ne mettent toujours aucun outil de ce type à disposition de leurs collaborateurs. Le premier chantier y est contractuel et technique, pas pédagogique.
Niveau 2 : Les skills
Un skill, c’est capturer intentionnellement une façon de faire pour ne plus avoir à la reprompter. Un prompt travaillé une fois, augmenté de documents, d’images ou de jeux de données, et réutilisable indéfiniment.
Ce qui distingue un bon skill d’un mauvais ?
La précision : « Fais-moi un business plan » est un mauvais point de départ. Mieux vaut commencer par des tâches étroites, gagner en confiance, puis construire de la complexité, plutôt que l’inverse. Le test : Un skill se vérifie, se rejoue, se contrôle dans sa répétabilité.
La co-construction avec le modèle : Les IA connaissent relativement bien leurs propres capacités, elles savent ce qui fait un bon skill. Les faire travailler à leur propre paramétrage est la façon la plus rapide d’obtenir une première version solide. Les exemples : Un skill de voix de marque fait environ quatre pages chez Zeffy. Deux pages d’instructions théoriques, deux à trois pages d’exemples. Parce qu’il est souvent beaucoup plus difficile d’expliquer toute la théorie que de donner une dizaine d’exemples.
La méthode qui change tout : la micro-itération
C’est probablement l’enseignement le plus transposable du webinar, et il va à l’encontre de l’intuition.
La bonne façon de construire un skill n’est pas d’y passer trois heures d’affilée jusqu’à satisfaction. C’est de partir de quelque chose de basique le premier jour, puis d’itérer un peu chaque jour, sur la durée. L’exemple donné est celui d’un skill d’écriture d’emails :
→ Analyser par l’IA l’ensemble des emails passés, pour qu’elle identifie les motifs récurrents, le ton, l’usage du tutoiement et du vouvoiement selon les interlocuteurs
→ produire une première version du skill
→ le lendemain, lire ce qu’elle écrit, rejeter ce qui ne va pas, expliquer pourquoi en langage courant, et demander explicitement la mise à jour du skill
→ quand un email ne convient pas, l’écrire soi-même : le modèle dispose alors d’un exemple de ce qu’il aurait dû produire
La courbe est nette : beaucoup de retours la première semaine, un retour toutes les deux semaines au bout du deuxième mois. Après quatre à cinq mois, le skill est jugé quasi parfait sur la forme, ton, registre, différenciation selon les interlocuteurs.
Du skill individuel au skill d’entreprise
C’est là que le sujet cesse d’être une affaire de productivité personnelle. Toutes les plateformes permettent de partager des skills, donc de les faire vivre au niveau collectif.
La voix de la marque. Premier skill partagé chez Zeffy : comment l’entreprise parle d’elle-même, de ses utilisateurs, de sa mission. Écrit une fois par la personne en charge de la marque, utilisé ensuite par le marketing, le produit, les commerciaux. Gain immédiat : la cohérence, beaucoup plus difficile à obtenir quand chacun s’approprie le ton dans son coin.
Les présentations. Un skill peut capturer le format (couleurs, images) mais aussi des notions bien plus abstraites : deux ou trois chiffres maximum, peu de texte, un titre explicite. Autrement dit, la définition maison d’une bonne slide.
Côté STFU, la logique est poussée plus loin : un skill contenant la description d’une trentaine de slides types, utilisé pour générer des propositions commerciales directement on brand, dans un ordre recommandé.
L’effet inattendu : l’uniformisation devient de la montée en compétence
Objection classique au skill partagé : tout va finir par se ressembler. La réponse est nuancée, et c’est l’un des angles les plus intéressants du webinar. Bien conçu, un skill partagé ne fait pas qu’uniformiser : il tire la qualité vers le haut. Il agit comme un coach individuel qui donnerait du feedback à chaque personne, à chaque production. Chez STFU, il évite qu’un consultant oublie la slide parti pris ou la slide timeline, il fait gagner du temps et monter en compétence.
Le skill-coach : ne pas produire le résultat, aider à y arriver
D’où une manière de concevoir les skills que Sébastien Boyer privilégie. Plutôt qu’une recette fixe qui transforme un input en output, un dispositif interactif dont l’objectif n’est pas de produire un résultat, mais d’aider la personne à réfléchir jusqu’à ce résultat.
L’exemple le plus parlant : les revues de performance de fin d’année. L’idée n’est surtout pas de faire écrire la revue par l’IA, cela ne fonctionnerait pas et n’aurait pas d’intérêt. En revanche, le skill est excellent pour coacher les managers : ne pas oublier une dimension, ne pas oublier une source d’information, mettre en regard les feedbacks reçus dans l’année et les valeurs de l’entreprise.
Son unique instruction est de poser les bonnes questions. La méthode est dans le skill, pas le livrable.
Gouverner les skills sans les étouffer
Deux questions reviennent systématiquement dès qu’une entreprise dépasse quelques skills.
Comment faire en sorte que les gens les utilisent ? Une partie de la réponse est déjà technique : les plateformes savent rechercher et déclencher un skill d’elles-mêmes. Demander de l’aide pour préparer une maquette de conférence a de fortes chances de déclencher automatiquement le skill de marque. À condition que la description de chaque skill soit explicite sur ses cas d’usage, c’est elle qui pilote le déclenchement. Pour le reste, pas de baguette magique : beaucoup de petites actions. Des présentations de cas à succès devant toute l’entreprise, et beaucoup de travail en binôme, l’équivalent du « pair programming » appliqué à l’IA.
Qui a le droit de publier ? Chez Zeffy, seules quelques personnes peuvent autoriser un skill à être partagé à toute l’entreprise. L’objectif n’est pas le contrôle mais la lutte contre la redondance : éviter que quatre personnes construisent quatre versions du skill de voix de marque. En revanche, le partage entre individus et entre équipes n’est pas restreint.
Vient ensuite la question du regroupement. Les skills s’appellent les uns les autres, celui qui génère un flyer va chercher celui qui porte la voix de marque. Ils deviennent interdépendants, et il est peu opportun d’en avoir la moitié. D’où les systèmes de regroupement proposés par les plateformes (appelés plugins chez Anthropic), qui distribuent un ensemble cohérent d’un coup. La recommandation, elle, est contre-intuitive : ne pas commencer par là. Ouvrir les vannes d’abord, avec beaucoup de flexibilité, parce que les meilleurs cas d’usage seront trouvés par les personnes les plus proches du terrain et du produit. Structurer seulement quand les problèmes de confusion apparaissent.
Où en est Zeffy aujourd’hui ? Environ une centaine de skills partagés, dont une quinzaine seulement utilisés de façon vraiment récurrente. « Il y a encore un peu de déchet », reconnaît Sébastien Boyer, qui ne prétend pas être au bout du chemin.
Niveaux 3, 4 et 5 : agents, boucles, méta
Niveau 3 : les agents. Le concept tient en une phrase : des choses qui se passent sans qu’on prompte. Jusqu’ici, prompts et skills supposaient toujours une décision humaine de départ. Exemple concret : un agent se déclenche chaque matin à heure fixe, lit le calendrier, repère les interviews utilisateurs de la journée, va chercher en base de données l’ancienneté du client, les produits utilisés, les tendances d’usage, complète par une recherche web, et envoie un rapport formaté sur Slack. Tâche récurrente mais conditionnelle : s’il n’y a rien à traiter, il ne fait rien.
Point clé souvent négligé : la livraison se fait là où l’on est déjà naturellement (Slack, email..), pour ne pas avoir à penser à aller chercher l’information.
À l’échelle de l’entreprise, la version symétrique existe : rapports quotidiens sur les métriques de la veille, publiés dans un canal Slack partagé, avec une courte interprétation. Le vocabulaire, lui, reste flou. Mickaël Coenca le relève pendant l’échange : ce que certains appellent agent relève plutôt de l’automatisation incluant de l’IA, tandis que d’autres réservent le terme « agentique » aux systèmes capables de définir un plan, d’itérer et de boucler jusqu’au résultat. Les concepts comptent plus que les mots.
Niveau 4 : la boucle. L’idée que ces procédures s’améliorent seules dans le temps. Le projet en cours chez Zeffy : une procédure sœur qui, en fin de journée, récupère les transcripts des interviews réalisées, identifie quelles informations auraient été utiles, et renvoie ce feedback à l’agent de préparation. Cela ne fonctionne pas encore complètement. La difficulté est moins technique que conceptuelle. Mais quand la boucle se ferme, le système cesse d’être statique : il devient plus puissant jour après jour.
Niveau 5 : la couche méta. Un dispositif qui observe toute cette dynamique et propose proactivement de nouveaux usages. Zeffy n’y est pas. Très peu d’entreprises y sont. Le niveau est mentionné pour signaler qu’il existe des étages au-dessus de ce que l’on décrit aujourd’hui.
Le socle que tout le monde sous-estime : la couche de connaissance
Toutes ces capacités butent vite sur un mur : l’accès à l’information.
Les connecteurs d’abord. Le MCP permet de brancher l’IA sur les outils déjà en place : emails, Slack, Notion pour la documentation, et les bases de données produit et clients. Sans ça, les agents sont aveugles.
Pas de RAG (Retrieval-Augmented Generation) chez Zeffy. C’est un des points les plus contre-intuitifs du webinar. Depuis que le paradigme s’est déplacé vers des procédures agentiques, le modèle réfléchit, accède à la donnée, réfléchit à nouveau, et le RAG devient souvent redondant. Face à une question, le modèle ouvre deux ou trois pages Notion, comprend en bas de page qu’il doit aller voir ailleurs, s’y dirige, et recommence jusqu’à trouver.
La condition préalable est claire : une documentation raisonnablement organisée. Une structure en arbre simple (page centrale, une page par département, une page par projet), se navigue efficacement et coûte peu de tokens. L’IA reste tolérante au désordre, mais plus la structure est centralisée et documentée, plus les agents sont performants.
La base produit est un autre sujet. Avec environ 2 millions d’utilisateurs par mois répartis sur de nombreuses tables, le connecteur SQL est à la fois le plus utile et le plus complexe à maintenir. Ce qu’il embarque n’est pas seulement un accès, c’est une carte : où se trouve quelle donnée, ce que signifie chaque champ, comment l’interpréter, quel contexte l’entoure. C’est ce qui permet à l’IA de traduire une question formulée en langage courant en la bonne requête. Une équipe interne de data scientists et data engineers maintient cette interface à jour.
Piloter la transformation : le bottom-up assumé
Après un an d’activité soutenue sur le sujet, la position de Sébastien Boyer est nette : ne pas centraliser.
Le rôle de l’équipe de direction est de faciliter l’exploration et l’adoption. Surtout pas de choisir les cas d’usage, le top-down sur ce terrain est quasiment impossible à faire fonctionner. Conséquence directe : pas de critère de retour sur investissement strict. Des plafonds de dépense existent, personne ne peut brûler des sommes déraisonnables en trois jours. Mais personne ne se voit demander de justifier 150 € de tokens sur trois mois. Parce qu’avant de trouver ce qui fonctionne, il y a beaucoup de déchet, à l’échelle individuelle comme collective.
Deux leviers ont particulièrement bien marché.
→ Les cas à succès partagés devant toute l’entreprise, portés par des personnes vraiment proches du terrain (support client, marketing), qui racontent ce qui leur a fait gagner du temps.
→ Le travail en groupe et en binôme. Il y a toujours 5 à 10 % de collaborateurs très en avance, qui consacrent leur temps libre au sujet. L’essentiel est qu’ils s’assoient à côté des autres. Nouveaux outils, nouveaux usages, nouvelles façons de réfléchir : le passage de la théorie à la pratique se fait beaucoup mieux en regardant quelqu’un faire.
Côté investisseurs, la justification tient dans un raisonnement de type « high risk, high reward » : au bout de quelques mois, deux ou trois cas réussis suffisent souvent à couvrir l’ensemble des coûts d’exploration du semestre.
Le contrepoint STFU. Cette stratégie fonctionne pour une structure de cinquante personnes, digitale, où la confiance est déjà installée. mais l’observe que beaucoup d’entreprises ont besoin d’un temps de recul préalable : un audit, bottom-up lui aussi, en allant parler aux équipes pour faire émerger les cas d’usage, puis un mapping gain potentiel / complexité de mise en œuvre permettant de trancher les chantiers prioritaires. Avec un effet utile au passage : embarquer la direction, souvent condition de déblocage dans les structures plus lourdes. Sébastien Boyer y ajoute un argument : transférer les cas à succès d’entreprises comparables accélère considérablement l’identification de ce qui va marcher.
Deux cas qui paient l’ensemble de l’exploration
Le support client chez Zeffy. Environ 80 % des réponses sont désormais générées par l’IA, instantanément, une vingtaine de secondes après réception. Réponse bien formatée, au bon niveau d’information, tenant compte de qui est l’utilisateur et de ce qu’il a essayé de faire sur la plateforme. Le système a été construit en interne, précisément pour garder la main sur le ton et sur l’information transmise. Enjeu réel : pouvoir croître sans dégrader la qualité de service.
La génération de contenu. Le blog était auparavant très coûteux en temps : beaucoup d’interviews, beaucoup de production manuelle. La solution n’a pas été de faire écrire brutalement par l’IA, mais de brancher une chaîne d’agents sur des sources de données propriétaires (transcripts d’interviews utilisateurs, apprentissages issus du produit), pour en extraire des insights réellement nouveaux. Le contenu final est effectivement généré automatiquement, et il est très apprécié des utilisateurs.
La différence entre les deux approches tient entièrement là : ce n’est pas le modèle qui fait la qualité, c’est ce qu’on lui donne à voir.
Sécurité des données : sortir de l’irrationnel
Beaucoup de dirigeants abordent la question par la peur plutôt que par l’analyse. La méthode proposée est simple : poser noir sur blanc ce qui est réellement sensible pour l’entreprise (cela varie énormément d’un cas à l’autre), puis confronter cette liste aux conditions d’utilisation réelles des plateformes. Le constat, quand l’exercice est fait sérieusement : les plateformes ont déjà intégré des protections largement suffisantes dans la grande majorité des cas. Envoyer des données à un fournisseur d’IA n’est pas une pratique plus risquée que la plupart de celles déjà en place, tenir un webinar sur Zoom, travailler sur Teams, héberger ses serveurs.
Restent les cas particuliers, réels : défense, santé, données hautement sensibles. Il existe d’autres solutions, plus complexes.
Le point d’arrivée est un arbitrage, pas une position de principe. Il y a un coût à être trop d’un côté (exposition), et un coût à être trop de l’autre (perte de performance, complexité, lenteur d’adoption). Nous constatons de notre côté que l’irrationnel domine souvent : des clients à qui l’on montre que les données ne servent pas à l’entraînement maintiennent leur refus, au-delà de tout argument légal ou technique.
À noter également : l’option des modèles locaux ou open source a été écartée chez Zeffy. Les petits modèles sont moins performants ou plus lents, l’infrastructure privée reste complexe, et le prix des tokens des grands fournisseurs est aujourd’hui suffisamment agressif pour que l’arbitrage penche rarement du côté du serveur propriétaire, hors contraintes fortes de sensibilité des données.
Qui pilote ? Tout le monde, et surtout les managers
Pas de responsable IA nommé chez Zeffy. La responsabilité est celle de chaque manager et de chaque directeur de département : l’IA est un outil parmi d’autres, et il revient à chacun d’utiliser les meilleurs outils disponibles pour atteindre, voire dépasser ses objectifs.
Le rôle de l’équipe managériale se résume alors à enlever les freins. Un budget d’expérimentation ? Accordé. Une équipe en retard sur la technique ? Séances de co-learning et partage de cas à succès. Faciliter le transfert d’information et préserver la flexibilité d’expérimenter, sans pousser ni les outils ni les cas d’usage.
Ce qui vient : la transformation des organisations elles-mêmes
Le mot de la fin est le plus structurant.
Dans quelques mois, quelques années, il sera très difficile d’avoir une entreprise qui va bien sans être sérieusement avancée sur ces sujets. Mais l’enjeu dépasse la productivité : au-delà de faire un peu mieux et un peu plus de ce que l’on faisait déjà, les entreprises vont faire des choses complètement nouvelles, impossibles avant l’IA. La conséquence est organisationnelle. La taille relative des départements va bouger. De nouveaux départements vont apparaître. D’autres vont disparaître. Ce sont des transformations sur plusieurs années, mais profondes.
Et le sujet reste non binaire jusqu’au bout. De la même façon qu’il existe un écart considérable entre un individu qui utilise un peu l’IA et un individu qui la maîtrise, il y aura dans chaque industrie un écart considérable entre l’entreprise qui utilise un peu l’IA et celle qui aura compris comment l’exploiter à son potentiel maximum.
Webinar « Déployer l’IA dans son entreprise : retour d’expériences et meilleures pratiques », avec Sébastien Boyer (Zeffy) et Mickaël Coenca (Start The F Up).
