Quatre cas, un fil rouge : la production

Contexte

CANAL+ voulait généraliser la GenAI sans faire de chaque cas d'usage un projet tech. Ownership produit, from scratch, d'une plateforme no-code/low-code permettant à chaque métier de créer, configurer et déployer ses propres agents : pipelines RAG, tools, serveurs MCP, guardrails, streaming token par token, environnement de test intégré.

Problème

Des dizaines de cas d'usage potentiels, une seule équipe tech. Sans plateforme, chaque agent devient un projet de plusieurs mois et la demande explose plus vite que la capacité.

Ce que j'ai arbitré

• Plateforme self-service plutôt que développements au cas par cas : investir dans le socle pour que la création d'un agent ne coûte plus de temps tech.
• No-code/low-code assumé : accepter de couvrir 90% des besoins simplement plutôt que 100% avec de la complexité.
• Environnement de test intégré dès le départ : un métier qui ne peut pas tester ne devient jamais autonome.
• Guardrails et monitoring imposés par le socle, pas laissés au choix de chaque équipe.

Impact

• ✓20 agents en production, dont 4 chatbots déployés sur Microsoft Teams
• ✓7 domaines métier couverts : RH, Service Client France & DROM, Pologne, Voice, Finance, Marketing, Data
• ✓10 équipes métier formées et autonomes de bout en bout en moins de 2 ans

Contexte

Le chatbot de l'Espace Client myCANAL répondait depuis un RAG simple sur la documentation entreprise. Réponses génériques, 18 secondes de latence.

Problème

Pour répondre correctement à « pourquoi mon paiement a échoué ? », il faut les données du client, offre, paiement, contenu, pas seulement la documentation. Et 18s de latence tue l'usage.

Ce que j'ai arbitré

• Migration RAG simple → agent IA multi-tools connecté au CRM CANAL+ et à SmartDesk (création de tickets), plutôt que d'enrichir indéfiniment l'index documentaire.
• Reranking custom sur Claude Haiku développé en interne : un petit modèle rapide au bon endroit plutôt qu'un gros modèle partout.
• Latence traitée comme une feature produit : mesurée, suivie, arbitrée à chaque évolution.
• Clustering des questions pour identifier les thématiques mal traitées et prioriser le backlog sur des données réelles.

Impact

• ✓Latence réduite de 44% : de 18s à 10s, en production pour tous les utilisateurs
• ✓Réponses personnalisées croisant données CRM et documentation
• ✓Baisse mesurable des sollicitations vers le service client

Contexte

La filiale polonaise de CANAL+ avait les mêmes besoins service client que la France : le socle agentique a été répliqué sur son périmètre.

Problème

Un développement sur mesure ne se réplique pas : il se refait. La question était de savoir si la plateforme était un vrai produit, configurable pour un autre marché, une autre langue, un autre SI, ou un projet français déguisé.

Ce que j'ai arbitré

• Répliquer la configuration, pas le code : la Pologne utilise le même socle, seuls le contexte, les sources documentaires et les connecteurs changent.
• Traiter la localisation comme un cas d'usage de la plateforme, pas comme un fork.

Impact

• ✓Service client polonais opéré sur le même socle agentique que la France
• ✓Time-to-market d'un nouveau marché réduit à la configuration et l'ingestion des connaissances

Contexte

Assistants vocaux pour le service client France et Pologne, opérés avec Decagon. Cadrage et context engineering des connaissances exploitables par l'agent vocal.

Problème

Le vocal n'est pas du chat lu à voix haute : latence perçue immédiatement, pas de mise en forme pour se rattraper, désambiguïsation à faire en une phrase. Les connaissances écrites pour un chatbot ne fonctionnent pas telles quelles.

Ce que j'ai arbitré

• Restructurer les connaissances pour l'oral : réponses courtes, une information à la fois, formats dictables (numéros, montants, dates).
• Cadrer ce que l'agent vocal ne doit pas tenter : les parcours complexes basculent vers un humain plutôt que de dégrader l'expérience.

Impact

• ✓Assistants vocaux service client en France et en Pologne
• ✓Base de connaissances exploitable par le canal vocal, au-delà du chat

Contexte

Un PO qui code, c'est un backlog qui avance sans attendre un slot de dev. Deux features de la plateforme sont nées comme ça : un reranking custom sur Claude Haiku et un clustering des questions utilisateurs.

Problème

Le reranking du fournisseur était trop lent et trop cher pour le chatbot Espace Client. Et sans vue agrégée des questions posées, impossible de savoir quelles thématiques l'agent traitait mal : la priorisation se faisait à l'intuition.

Ce que j'ai arbitré

• Développer le reranking en interne sur Claude Haiku : un petit modèle rapide au bon endroit plutôt qu'un gros modèle partout.
• Clustering par embeddings des questions réelles pour faire émerger les thématiques mal traitées, et prioriser le backlog sur des données plutôt qu'à l'intuition.
• Livrer en production, pas en POC : les deux features tournent dans le pipeline du chatbot Espace Client myCANAL.

Impact

• ✓Reranking custom en production, contributeur direct des −44% de latence
• ✓Backlog priorisé sur les thématiques réellement mal traitées, mesurées sur les questions des utilisateurs