Craquer le ROI de l’IA dans l’édition logicielle

En détail : craquer le ROI de l’IA dans l’édition logicielle

1. Introduction et présentation de Pierre Chaffardon

Pierre Chaffardon a 45 ans, est marié et père de trois enfants. Il a rejoint Generix Group en 2023 et en est aujourd’hui CRO. Après environ deux décennies chez IBM, il pilote la base installée, la croissance, les parts de marché et le plan stratégique international. Nawfal Laghzali, l’animateur de l’échange, rapporte les débats entendus chez les dirigeants, entre ceux qui disent doubler leur productivité, ceux qui ne voient pas d’impact chiffré et ceux qui s’interrogent sur le coût des tokens (les unités de consommation des modèles) ou sur la dépendance aux fournisseurs.

1.1 Generix et ses logiciels critiques

Generix est un éditeur français actif depuis une trentaine d’années dans deux univers : la supply chain et la logistique d’un côté, la finance et la facturation de l’autre. L’entreprise compte plus de 3 000 clients dans le monde. De grands groupes français ont accompagné son expansion internationale.

Carrefour figure parmi ses plus grands clients et Generix célèbre cette année vingt ans de partenariat avec Louis Vuitton. Ses logiciels font fonctionner des entrepôts, organisent ou optimisent le transport et gèrent la facturation. Pierre Chaffardon décrit une relation de partenariat plutôt qu’un simple rapport client-fournisseur, car ces systèmes touchent à des opérations critiques.

2. Cadrer l’IA par les enjeux business

Generix n’est pas une entreprise d’IA, explique Pierre Chaffardon, et considère l’IA comme un outil au service d’un enjeu business. L’entreprise n’a pas suivi la logique de certaines sociétés nées dans l’IA, avec de vastes budgets de tokens ou un classement interne des plus gros consommateurs. Depuis environ douze mois, estime-t-il, la plupart des entreprises examinent davantage leur facture de tokens, ce qui a plutôt encouragé Generix à en garder une maîtrise étroite.

2.1 Segmenter les usages internes et produits

Pierre Chaffardon distingue les usages personnels, principalement avec Copilot, les applications métier internes, les processus à transformer de bout en bout puis l’IA intégrée aux produits. Generix a introduit l’IA dans la formation cyber « il y a au moins trois ans, je crois ». Aujourd’hui, un agent présent dans Teams sollicite régulièrement les salariés avec des micro-formations, à l’inverse des cinq heures de PowerPoint suivies d’un test de pure forme.

2.2 Repenser les processus de bout en bout

Generix observe que le ROI s’élargit lorsque l’IA couvre une chaîne métier de bout en bout. Les tâches répétitives, volumineuses et faciles à décrire restent un point de départ fréquent, même si le gain à l’échelle d’un seul salarié peut être contesté hors volumes très significatifs.

L’entreprise revoit des rôles dans leur ensemble, dont celui de product manager, pour repenser le pilotage, le design et la spécification produit. Certains rôles peuvent potentiellement perdre leur place dans une chaîne de traitement redessinée par l’IA.

2.3 Optimiser le picking en entrepôt

Le picking est un cas d’usage intégré aux logiciels vendus aux entrepôts. Auparavant, les processus étaient optimisés séparément à partir d’un modèle valable pour un trimestre ou une année. L’IA permet de simuler l’ensemble de la chaîne presque en temps réel et de sélectionner l’action la plus adaptée.

Les algorithmes optimisés par IA permettent de gagner entre 20 % et 30 % du temps des pickers, les opérateurs qui préparent les commandes. La masse salariale étant le premier poste de dépense d’un entrepôt, ce temps peut accroître la productivité à effectif constant ou réduire le coût de traitement à volume égal.

3. Mesurer le ROI des agents IA

Pierre Chaffardon indique que, « je crois », son PDG Raphaël présente Generix comme une entreprise de 800 collaborateurs et d’environ une centaine d’agents IA. Il confirme qu’environ une centaine d’agents sont recensés, partie prenante d’une partie des activités internes d’exécution de l’entreprise, au moment de l’échange. Un comité IA encadre les initiatives éligibles à une structuration et à un passage à l’échelle.

3.1 Du gain individuel à l’impact collectif

Un outil conçu pour le seul usage de son auteur reste une initiative individuelle. Le comité intervient lorsqu’un outil peut transformer le travail d’une catégorie de salariés. Un sales manager a créé avec l’IA des outils pour standardiser présentations, propositions et contrats sur une partie des services de Generix. Le comité examine alors l’architecture, la cybersécurité, la consommation et les coûts.

3.2 Valider les business cases

Le comité estime le ROI et le business case pour déterminer s’il vaut la peine d’étendre l’outil à tous les salariés de la catégorie concernée. Il pose des KPI de contrôle : le temps nécessaire avant l’outil, le temps requis après puis l’usage prévu pour le temps dégagé.

3.3 Réallouer le temps gagné

Pierre Chaffardon estime qu’une part des gains liés à l’IA est perdue dans les entreprises. « Si le temps n’est pas automatiquement réalloué, la nature humaine étant la nature humaine, il est instantanément perdu pour l’entreprise. »

Sur la centaine d’agents recensés, une vingtaine environ ont, pour l’instant, démontré leur valeur et obtenu un feu vert managérial que Pierre Chaffardon qualifie d’« un peu collectif ». Pour ces usages, les tokens payés sont considérés comme rentabilisés.

4. Gouverner les expérimentations IA

Nawfal Laghzali décrit une grille par laquelle passe une initiative lorsqu’elle entre au comité IA. Pierre Chaffardon confirme l’existence d’un point de validation formel. Le comité doit aussi recenser les initiatives pour éviter qu’une organisation ne perde la trace de ce qui se passe quand l’IA est entre les mains de tous les collaborateurs.

4.1 Le rôle du comité IA

Après ce recensement, les projets sont classés selon le processus visé, ce qui permet d’associer les coachs et experts métier adaptés pendant la phase d’évaluation. L’appétence d’un collaborateur pour tester l’IA ne suffit pas à construire des KPI quantifiables qui pourront ensuite être revus.

4.2 Sandbox, KPI et validation formelle

Generix laisse de la place aux sandbox, espaces de test, lorsqu’elles paraissent pertinentes, puis examine un ROI démontrable à leur issue. Pierre Chaffardon considère qu’une méthode de mesure s’apprend ou s’encadre, et qu’il serait injuste d’attendre des salariés qu’ils apportent cette compétence intuitivement.

Les résultats sont alors présentés au comité. L’agent reconnu comme créateur de gains obtient sa validation, et les tokens liés à ce type d’agent sont validés ou priorisés par l’ingénieur chargé de l’optimisation des flux financiers.

5. Orchestrer une stack IA multi-modèles

Pour Pierre Chaffardon, l’enjeu n’est pas de désigner le LLM, un grand modèle de langage, le mieux classé du moment. L’IA sert soit la transformation interne, soit un service à valeur ajoutée pour le client. Dans les deux cas, Generix cherche à en dépendre le moins possible.

5.1 Copilot, Claude, Mistral et open source

Le partenariat avec Microsoft est historique sur Office 365 et les outils de collaboration. Il a été étendu aux modules IA, dont Copilot. Claude est utilisé pour la stratégie commerciale, les itérations de go-to-market et les équipes produit. Generix a des engagements avec Mistral et essaie des modèles open source asiatiques dans son périmètre d’évaluation.

5.2 Réduire la dépendance aux fournisseurs

Le CRO défend une position d’orchestrateur : choisir le modèle le plus adapté à un usage donné puis conserver, autant que possible, la liberté d’en changer. Cette approche repose sur le multi-sourcing et sur une couche d’ingénierie qui pilote les modèles. Generix étudie l’open source pour rester maître des services pour lesquels elle s’engage contractuellement auprès des clients.

5.3 Arbitrer coût, performance et continuité

Une hausse tarifaire, une contrainte géopolitique ou une coupure de fournisseur peuvent affecter un service. Pour des usages internes, Generix peut assumer une baisse de productivité. Un service commercialisé ne peut pas s’interrompre, comme celui qui optimise le conditionnement et le chargement de camions pour un client donné, sur un volume de l’ordre de deux millions de colis par an.

Ce service est conçu sur un modèle donné, mais doit absolument pouvoir changer de fournisseur. Il peut aussi, pour des raisons plutôt liées à la profitabilité, adapter le modèle à une cible de marge sans sortir du niveau de pertinence opérationnelle attendu.

Generix fait le pari que les modèles vont se banaliser. La différence se situerait alors dans l’orchestration, la sélection et la capacité des couches supérieures à assurer la redirection opérationnelle.

6. Transformer la data en avantage compétitif

Pierre Chaffardon reprend une formule entendue chez IBM : la donnée était « l’or noir » des années 2000, et elle le reste. La valeur vient du lien entre modèles et données, enrichi par la compréhension métier, les règles, l’authentification et les spécificités du logiciel.

6.1 Connecter modèles, données et expertise métier

La crainte d’une « SaaS apocalypse », où l’IA remplacerait les logiciels historiques, ne s’est pas réalisée selon lui. L’IA transformera les logiciels, surtout à l’interface et dans la couche applicative, sans effacer les systèmes d’exécution. Generix les couple désormais à la simulation et à l’optimisation.

L’intelligence de ces systèmes repose, selon Pierre Chaffardon, sur des données aussi propres et structurées que possible et sur environ trente ans d’expérience client. Ces éléments ont été intégrés par des développements spécifiques, puis standardisés dans les options du produit. Generix se sent assez sécurisée par ce socle et voit plutôt l’IA comme une opportunité qu’un risque.

6.2 Fiabiliser le Data Lake

La qualité des données devient un sujet central. Pierre Chaffardon rappelle que « garbage in, garbage out » reste valable : le meilleur LLM appliqué à une source dégradée donne un mauvais résultat.

Sur la supply chain, Generix mène un chantier peu visible des clients pour réorganiser un data lake propre et consolidé, un réservoir central de données partagé entre ses briques logicielles. Le travail est en cours.

6.3 Valoriser la facture électronique

Dans la finance, Pierre Chaffardon souligne que la réglementation aide à nettoyer les données. La réforme de la facture électronique a une portée européenne. En France, sa première vague est entrée en vigueur le 1er septembre 2026, tandis qu’une seconde est attendue le 1er septembre 2027. Le format structuré imposé à la facturation permet de nettoyer les données à l’entrée des systèmes.

Generix déploie encore chez ses clients ses projets de plateforme agréée en France. À mesure de ce déploiement, l’entreprise pourra accumuler des données de facturation structurées. Les équipes produit travaillent sur des cas d’usage de simulation et d’optimisation par IA, sans les avoir encore livrés. Pour l’instant, les idées dépassent le temps disponible, sans être illimitées.

7. Accélérer le go-to-market avec l’IA

Après trois à quatre années de forte croissance, Generix prépare un plan stratégique à cinq ans dont l’ambition repose davantage sur l’international que sur la France. L’Amérique du Sud offre encore une vague d’équipement en industrialisation, automatisation et standardisation, là où l’Europe est déjà assez équipée sur les deux métiers de Generix. L’Amérique du Nord, adressée depuis Montréal, représente elle aussi un important gisement de croissance.

7.1 Analyser marchés, TAM et ICP

L’analyse de marché et la segmentation clients avec Claude sont devenues un élément fixe du go-to-market de Generix. L’outil aide à définir le TAM (marché total adressable) et l’ICP (profil de client idéal). Pierre Chaffardon estime que l’effort de production de ces analyses a baissé d’environ 80 %. Ce temps gagné est mesurable et concerne les équipes de direction.

7.2 Simuler les stratégies d’acquisition

Avec la direction commerciale, les équipes simulent plusieurs plans de déploiement, comparent les investissements en cost of sales (coût de vente) et en cost of marketing (coût des actions marketing), puis testent les écarts entre accès direct et indirect au marché. Cette simulation peut aider à aborder ou à accélérer des ventes répétables.

7.3 Industrialiser campagnes et propositions

Lorsqu’une configuration de succès est identifiée par profil client ou par marché, les campagnes peuvent être ciblées et automatisées. Pierre Chaffardon décrit aussi des forces commerciales utilisant des applications d’IA pour générer automatiquement propositions et contrats. Il avance une hypothèse : les mêmes dix personnes peuvent produire deux à trois fois plus.

8. Garder l’humain dans la boucle

Nawfal Laghzali estime que l’IA ne supprime pas la difficulté, elle la déplace. Pierre Chaffardon répond que toute activité est une chaîne de traitement : accélérer un maillon déplace la contrainte vers un autre.

8.1 Déplacer la contrainte vers l’expertise

Dans la vente, la contrainte devient l’intelligence commerciale contextuelle et le feeling commercial, que l’IA n’a pas encore. Pierre Chaffardon place la différence d’impact dans la préparation du contexte applicatif et dans le tri des données soumises au modèle. Avec le même outillage, deux personnes peuvent obtenir des résultats très éloignés, mais surtout travailler de manière assez différente.

8.2 Fiabiliser les résultats et les décisions

La prédictibilité et la confiance dans l’exécution deviennent des critères de choix prioritaires. Si deux clics donnent deux résultats différents, il devient difficile d’attribuer un niveau de confiance à la réponse. L’IA peut fournir une mauvaise réponse avec le même aplomb qu’une bonne.

Generix a recruté des spécialistes de l’IA pour son comité afin de fiabiliser les processus d’exécution. Pierre Chaffardon estime que les décisions, y compris les décisions d’investissement, reposeront de plus en plus sur ces résultats : l’impact d’un mauvais recrutement commercial peut être limité, tandis que les enjeux d’une politique de M&A diffèrent. En go-to-market, une hypothèse fournie trop vite par une IA ne peut rester sans contrôle humain capable de la challenger.

8.3 Définir les niveaux d’autonomie

Le comité IA travaille encore sur des classes d’autonomie. Il distingue les processus laissés entièrement à l’IA, ceux qui demandent un premier contrôle humain et ceux qui exigent le double contrôle d’un responsable.

Décision d’investissement, lancement d’opération en entrepôt ou facturation d’un client critique engagent la responsabilité de l’entreprise, de ses dirigeants et des personnes qui en ont la charge.

9. Souveraineté, résilience et continuité

Nawfal Laghzali imagine le cas d’une nouvelle version de modèle qui dégraderait un résultat jusque-là satisfaisant et pourrait aussi coûter davantage en tokens. Il évoque des benchmarks internes, avec une même suite de tâches testée sur deux modèles ou sur un même modèle à deux dates. Pierre Chaffardon admet que Generix n’a pas trouvé de réponse définitive sur la stabilité des modèles.

9.1 Diversifier les modèles et infrastructures

Sa première piste consiste à pouvoir faire fonctionner un cas d’usage commercialisé avec au moins deux acteurs. Une deuxième consiste à mélanger SaaS et modèles installés sur site afin de figer un modèle jugé pertinent, en acceptant potentiellement la gestion de son obsolescence.

La troisième piste vise une couche d’orchestration propre et agnostique du modèle, qui conserve l’intelligence liée aux objectifs métier. Sous cette couche, une exécution agnostique doit produire deux fois le même résultat quand le même bouton est actionné deux fois, sans dégradation de la performance, de façon plutôt efficiente sur le plan financier.

Pierre Chaffardon estime que toute souveraineté réelle à 100 % est impossible depuis longtemps. Il pense ne pas se tromper en jugeant qu’une stack 100 % européenne, sans composant chinois, asiatique ou américain, est impossible dans les cloud service centers actuels, et croit ne pas avoir de contre-exemple. Il pense qu’il faut essayer de trouver une certaine garantie dans le plus grand nombre possible d’acteurs européens dotés de masse critique, d’investissements et de capacités de R&D, sans exiger une production 100 % française ou européenne. La dépendance peut porter sur le modèle, la fibre qui équipe le data center ou le compute. Generix s’appuie sur un hébergeur français détenu par un groupe américain, dont les data centers en France sont visitables.

9.2 Prioriser le PRA et le risque cyber

Pour un fournisseur SaaS, l’absence d’un plan de reprise d’activité solide, ou PRA, représente à ses yeux un risque plus grand qu’une stack non entièrement européenne. En tant que client, il challengerait son fournisseur sur la politique de reprise et de site de repli plutôt que sur la nationalité de sa stack.

Au moment de l’échange, le risque cyber et le risque industriel mobilisent chez Generix davantage d’investissements et de temps de direction que la nationalité de chaque composant qui entre dans la fabrication du service.

10. Synthèse et recommandations

Nawfal Laghzali demande comment un CRO arbitre la réallocation des gains. Pierre Chaffardon répond que tout dépend du cas d’usage et des priorités à un instant donné. Un responsable d’entrepôt qui cherche à réduire ses coûts peut utiliser les gains du picking ou du slotting, placement des produits dans l’entrepôt, pour réduire sa masse salariale.

Il distingue le temps gagné et l’usage de la capacité récupérée. Chez Generix, cette capacité sert plutôt à gérer la croissance, à servir plus de pays et à délivrer plus de projets en parallèle, avec une progression des effectifs contenue.

Pour Pierre Chaffardon, l’arbitrage varie donc d’un usage à l’autre et peut évoluer entre optimisation financière et optimisation opérationnelle.