Arbitrage et pilotage du produit décisionnel
Un système décisionnel arbitré sur le périmètre EMEA, avec la même exigence de cadrage et de validation avant chaque décision.
Lire l'étude de cas →Portfolio · 01 sur 03 · Projet interne
Piloter l'IA générative au service d'un projet métier
J'ai utilisé l'IA générative pour structurer et construire les premiers outils de DimVal : le site et son portfolio, une base de connaissances, un dispositif de rapprochement entre compétences et offres, et un pilote d'accompagnement.
4
Chantiers complémentaires
Le site et le portfolio, la base de connaissances, le rapprochement compétences-offres, le pilote d'accompagnement.
7
pages conçues ou reprises dans une charte graphique unique
2
outils pilotés : Claude pour l'exécution, Notion comme source de vérité des missions
100 %
des contenus anonymisés et relus avant mise en ligne
Étude de cas
Mon rôle n'a pas été de déléguer le projet à une IA
DimVal Conseil · Claude & Notion · 2026
Il a consisté à définir le besoin, organiser les travaux, cadrer les livrables et décider de ce qui pouvait être retenu. L'IA a contribué à l'exécution ; la direction du projet et la validation sont restées humaines.
Contexte
Lancement de DimVal Conseil, avec des moyens limités et plusieurs besoins à structurer
Objectif
Transformer une intention entrepreneuriale en outils cohérents, utilisables et évolutifs
Rôle
Cadrage, priorisation, pilotage des productions et contrôle des livrables
Outils
Claude pour contribuer à la production ; Notion pour structurer et retrouver les informations de référence
Le point de départ
Au lancement de DimVal, plusieurs sujets avançaient en parallèle : clarifier le positionnement, présenter les offres, valoriser les expériences, organiser les compétences et imaginer de nouveaux formats d'accompagnement. Le risque était de produire des contenus et des outils sans fil directeur.
La question n'était pas de savoir ce que l'IA pouvait produire, mais où elle pouvait contribuer, avec quelles informations et selon quelles règles de validation.
Le vrai sujet du projet.
La méthode
Quatre temps, quatre chantiers réels
Chaque production suit la même boucle, et chaque temps est illustré par un chantier mené pour DimVal : une proposition générée n'est jamais un livrable validé, elle le devient après examen et décision.
1
Cadrer
Préciser le besoin, le contexte, les contraintes et le résultat attendu.
2
Produire
Demander à l'IA une proposition sur un périmètre défini.
3
Contrôler
Vérifier l'exactitude, la cohérence, la confidentialité et l'adéquation à l'usage.
4
Décider
Corriger, faire reprendre ou valider le livrable avant de l'utiliser.
01
Cadrer
Partir du besoin, pas de la technologie
Chantier : le site et le portfolio.
Le site présente le positionnement de DimVal, ses offres et ses études de cas. Les contenus ont été travaillés à partir d'éléments de référence, puis relus et ajustés pour leur clarté, leur cohérence et leur utilité pour un prospect.
02
Produire
Donner à l'IA une source vérifiable
Chantier : la base de connaissances Notion.
Expériences, missions et compétences y sont organisées : une base structurée et vérifiable, qui sert de référence à chaque nouvelle production.
03
Contrôler
Lire la grille avant le score
Chantier : le rapprochement compétences-offres.
Pour une offre donnée, l'IA croise les exigences du poste avec la base de connaissances, bloc par bloc, et restitue une grille pondérée plutôt qu'un score unique. Elle aide à repérer correspondances et écarts : elle ne remplace ni le jugement professionnel ni la décision de candidater.
Mise en pratique : l'outil de matching de compétences
L'outil applique à une offre donnée la méthode de réponse construite à partir de la banque de connaissances. Il part des mots-clés et de la pondération relevés dans l'offre, puis produit une liste de preuves : le travail de sélection est outillé, la décision reste humaine.
Sortie : la liste de preuves
Pour chaque preuve proposée :
la fiche et sa note ;
le poids du critère couvert et la raison du choix ;
la formulation associée et les limites à respecter ;
les alertes éventuelles : niveau 2, chiffre à confirmer, exigence non couverte.
Voir les sept temps du traitement
1
Rapprocher chaque mot-clé du champ « Mots-clés d'AO » des fiches
2
Classer les preuves par niveau : le niveau 3 d'abord, le niveau 2 seulement à défaut, avec mention
3
Les ordonner selon le poids des critères qu'elles couvrent
4
Associer la formulation du support visé : puce courte, phrase longue ou réponse orale
5
Relever les chiffres de la page « Chiffres de référence », sans ceux marqués « à confirmer »
6
Afficher les limites de chaque fiche et exclure le confidentiel de toute sortie
7
Signaler les exigences que la banque note 0 ou 1
Deux exemples, données client floutées
Extraits de propositions de profil préparées avec la banque de connaissances. Les noms de clients, d'organisations et d'outils internes sont floutés ; les compétences, les niveaux de convergence et les formulations restent lisibles. Cliquer sur une image l'ouvre en grand, à une taille lisible.
Grille de convergence : neuf thèmes de l'offre, six en convergence forte, chacun mis en regard des éléments du parcours.
Compétences cartographiées sur les sept maillons de la chaîne supply chain, de la prévision à l'expédition.
Ce que cela démontre : chaque preuve avancée est sourcée, notée, bornée et validée avant d'être utilisée, et les écarts sont dits plutôt que masqués. Les fiches restent la source de vérité : une correction se fait une seule fois, dans la fiche, et l'outil reprend la version corrigée.
Validation : je valide la liste de preuves avant toute rédaction, puis je relis le document généré avant envoi.
Voir un exemple de grille de correspondance
Pour une offre donnée, l'IA croise les exigences du poste avec les fiches mission et compétence de la base de connaissances, bloc par bloc, et restitue une grille pondérée plutôt qu'un score unique. Exemple illustratif ci-dessous, construit à partir de missions déjà présentées sur ce site.
| Bloc de la fiche de poste | Poids | Score | Élément du profil retenu comme preuve |
|---|---|---|---|
| Pilotage de la mise en œuvre et recette | 30 % | 95 | Bascule ERP réussie sans rejet sur le plus gros magasin du réseau, 43 sites déployés |
| Arbitrage produit et pilotage du carnet de produit | 25 % | 85 | Arbitrages sur un système décisionnel déployé sur le périmètre EMEA, 22 mois |
| Coordination et gouvernance multi-pays | 25 % | 90 | Déploiement coordonné à l'international, 450 utilisateurs formés |
| Planification et S&OP | 20 % | 80 | S&OP sur 9 usines, approvisionnement de 5 000 références |
| Adéquation globale | 88 | Somme des scores de bloc × poids |
80 et plus : correspondance solide60 à 79 : à nuancermoins de 60 : à démontrer
En sortie, un document de synthèse reprend cette analyse point par point face à la fiche de poste.
04
Décider
Ne pas confondre ambition et résultat
Chantier : le pilote d'accompagnement.
Un premier format pour clarifier une demande, structurer les étapes et restituer une analyse utile. Il est en test : fonctionnement et critères d'évaluation restent à consolider.
Les enseignements
Ce que j'en retiens
La qualité d'un résultat dépend largement du cadrage qui le précède : une IA ne connaît pas, par elle-même, le contexte métier, le niveau de preuve attendu ou les limites de diffusion d'une information.
L'IA peut accélérer une démarche ; le pilotage doit garantir qu'elle reste utile, maîtrisée et alignée sur le besoin.
Pas de data sans métier. Pas de décision sans data.
Autres références
La même méthode, appliquée en mission
Transformation ERP et sécurisation des bascules
Bascule ERP sécurisée sur le plus gros magasin du réseau, sans rejet de stock, puis déployée sur l'ensemble des sites.
Lire l'étude de cas →Parlons de votre projet
Vous souhaitez cadrer un usage de l'IA, structurer une démarche ou tester un premier cas d'usage ? Commençons par le besoin métier et les critères qui permettront d'évaluer le résultat.