Cas client · Edera

Un poste clé repositionné sur l’expertise, pas sur la saisie : le cas Edera

Chez Edera, fabricant de prothèses dentaires sur mesure, une personne, voire plusieurs, sont affectées aux questions techniques posées par les laboratoires fabricants.

Le problème

Les échanges techniques quotidiens avec les partenaires de production ont été construits de manière à ce qu’un e-mail concerne un cas précis sur un sujet précis. Cela peut toucher un univers relativement large : une information manquante, une instruction à clarifier, une forme à valider. Certains peuvent être traités relativement vite, sans intervention du client concerné, par simple entraînement et habitude. La réponse se trouve parfois sous nos yeux, et ce flux d’e-mails incessant sur une journée peut s’avérer pesant.

Résultat : une ressource mobilisée sur un travail répétitif, à valeur ajoutée variable d’un e-mail à l’autre, dont une partie conséquente pourrait être traitée par « n’importe qui » tant qu’il s’agit de donnée pure.

La problématique, c’est qu’à chaque question, le cas sort du flux de production et ne peut pas suivre son acheminement optimal. Le but est de pouvoir filtrer une grande partie des questions pour ne conserver que celles à forte valeur ajoutée.

Ce qu’on a construit

Un agent IA connecté à la boîte mail, branché sur Claude, avec accès géré via Azure AD.

Il lit chaque e-mail entrant et le classe. Il va chercher le contexte dans les documents associés : bon de commande, fiche patient, scans. On a cherché à lui apprendre le raisonnement humain.

  1. La question arrive.
  2. Suis-je capable d’y répondre ?Oui : généralement, si l’humain le peut sans arbitrage, l’IA le peut potentiellement aussi. Si non, la question prend un flag rouge : j’ai une tâche spécifique à faire dessus.
  3. Le flag rouge devient jaune.Si la tâche concerne une demande de validation ou une intervention du client, je prépare un message que j’envoie au docteur. Flag jaune : j’ai posé ma question, je n’ai pas encore la réponse.
  4. Le sujet est clos.Une fois la réponse du dentiste obtenue, je réponds au laboratoire et je retire le flag.

Faute de réussite, on a gardé ce stade d’observation : on ne souhaite pas lâcher l’IA dans la nature tant que son raisonnement n’est pas bon.

Pour tenter de faire évoluer l’IA, on a scindé l’écran en deux : d’un côté la réponse et le raisonnement humains, de l’autre la réponse et le raisonnement de l’IA, pour que l’agent puisse apprendre de lui-même.

Où en est le projet

  • Quelques joursde développement

    Le développement de l’agent s’est fait sur une base de quelques jours.

  • Quelques dizaines d’eurospar mois pour tout le flux

    Côté coût, la logique de triage et de rédaction en deux modèles distincts permet de tenir une facture mensuelle de l’ordre de quelques dizaines d’euros pour absorber l’ensemble du flux : un ordre de grandeur sans commune mesure avec le coût d’un temps plein dédié.

  • Une partie significativedu temps redirigée vers l’arbitrage

    Côté usage, la personne qui passait l’essentiel de sa journée dans sa boîte mail voit une partie significative de ce temps redirigée vers l’arbitrage des cas qui nécessitent réellement son expertise.

C’est un chantier qui continue de se caler avec le métier : le seuil de confiance et la qualité des brouillons s’affinent au fil des retours des validateurs, et l’appropriation par les équipes internes est encore en cours. On est sur un retour d’expérience à ce stade, pas sur un bilan figé.

Comment on tient ce coût

Un coût mensuel maîtrisé sur ce volume ne sort pas d’un prompt bien écrit. Ça sort de trois arbitrages.

  • Le bon modèle au bon endroit

    Le triage et le parsing passent par Claude Haiku : rapide, économique, suffisant pour structurer de l’entrant. La rédaction passe par Sonnet, là où la qualité du raisonnement se voit. Sur ce projet, le triage traite le plus gros volume d’appels pour la plus petite part du coût.

  • Ce qui doit rester du code reste du code

    Toute logique déterministe déléguée au LLM est un coût récurrent inutile. Cet arbitrage se tranche au design, pas après la facture.

  • La structuration en amont

    Le travail de préparation se paie une fois, le token se paie à chaque appel.

La méthode

Trois phases.

  • Cadrage

    Identification des processus réels, pas des processus documentés, et définition des KPIs avec le métier.

  • Développement

    Construction de l’agent, du score de confiance et de l’interface de revue, pensée pour apprendre des corrections des validateurs.

  • Suivi et transfert

    Suivi de performance dans la durée, ajustements réguliers, puis passage de compétences aux équipes internes pour que le client puisse faire vivre son agent de façon autonome.

La technologie

Claude Haiku pour le triage et le parsing, Claude Sonnet pour la rédaction. Un agent connecté à la boîte mail, avec accès géré via Azure AD.

Ce que ce cas dit du reste

Edera n’est pas un cas isolé. Dans beaucoup d’entreprises, il existe au moins un poste où une personne compétente passe l’essentiel de sa semaine à faire circuler de l’information technique entre des systèmes qui ne se parlent pas : ni du process industrialisable, ni de la vraie décision. C’est là que l’IA a le plus de valeur à apporter, à condition de laisser la décision et la responsabilité du côté humain.

La question n’est pas de savoir si l’IA peut faire ce travail : sur ce type de tâche, elle peut. La vraie question porte sur le délai de mise en production, le coût récurrent, et le niveau de contrôle gardé sur ce qui sort. C’est ce triptyque que ce cas illustre, avec ses résultats encourageants et les ajustements qui restent à faire.

Vous identifiez un poste qui ressemble à celui d’Edera ? Parlons-en.

Koneetiv est partenaire officiel Anthropic en France, 100 % Claude. Nous aidons les entreprises à adopter l’IA et à se transformer avec elle.

Nous contacter

Humans set the course. AI scales it up.