AI Uncovered avec homie AI : quand l’IA doit faire ses preuves dans un véritable projet client

AI Vol découvert. 1 a réuni le développement, les tests et les compétences. L’accent était mis sur l’expérience pratique : qu’est-ce qui fait avancer les projets d’IA ? Où restent-ils coincés ? Et qu'apprenons-nous seulement une fois que l'IA est utilisée dans le monde réel ?

La salle du bureau Appmatics à Cologne était pleine à craquer. Pour lancer la nouvelle série d'événements d'Appmatics, l'ordre du jour présentait trois perspectives : Build. Test. Qualifier.

Ensuite, les questions, les discussions et le travail collaboratif sur de nouvelles idées se sont poursuivis autour d'une pizza et d'un verre.

Les projets

AI échouent rarement à cause de l'IA

L'événement a commencé avec Julia Kirchhefer, chef de produit chez homie AI. Au cours de la Build session, elle a partagé ses idées sur le développement d'assistants d'IA prêts pour la production pour le commerce de détail et l'industrie, ainsi que sur les défis qui surviennent tout au long du parcours depuis l'idée initiale jusqu'au lancement.

Une pierre d'achoppement courante apparaît dès le début : l'objectif est défini de manière trop large. « Nous voulons utiliser l'IA pour aider nos clients » peut sembler raisonnable au premier abord, mais cela laisse des questions cruciales sans réponse.

En quoi exactement l'IA devrait-elle aider ? À quelles requêtes doit-il répondre ? Et qu'est-ce qui devrait être amélioré spécifiquement pour les clients ou les employés ?

Les projets d'IA réussis commencent donc par un cas d'utilisation clairement défini et des attentes réalistes. Ce n'est qu'une fois le problème sous-jacent compris qu'une solution peut être créée qui apporte une véritable valeur ajoutée au quotidien.

La mise en ligne n'est pas la ligne d'arrivée

De nombreuses équipes souhaitent résoudre tous les cas extrêmes imaginables avant le lancement. C'est compréhensible, mais cela peut retarder inutilement la mise en service.

Même des tests internes approfondis ne peuvent pas reproduire entièrement la façon dont les vrais clients posent des questions. Ils formulent les choses différemment, introduisent de nouveaux sujets et révèlent rapidement où les connaissances manquent.

Lancer une mise en ligne plus tôt ne signifie pas faire de compromis sur la qualité. Il s'agit plutôt de se lancer dans un périmètre clairement défini, d'analyser attentivement la façon dont l'assistant est utilisé et de l'améliorer continuellement sur la base de conversations réelles.

Quelles questions reviennent le plus fréquemment ? Où se produisent les malentendus ? Quelles informations manquent ? Beaucoup de ces réponses n'apparaissent que grâce à une utilisation dans le monde réel.

Transformer les conversations en informations client

Chez homie AI, les interactions clients sont donc non seulement répondues mais aussi systématiquement analysées. Chat Analytics résume les conversations, identifie les sujets, capture les sentiments et met en évidence les questions récurrentes.

Les projets révèlent souvent qu'environ 40 % des questions sont répétées. Les cinq sujets les plus courants peuvent à eux seuls représenter environ 60 % de toutes les conversations.

Cela donne aux entreprises une base claire pour la priorisation. Si un sujet revient fréquemment et est également associé à un sentiment négatif, cela signale un besoin d'action particulièrement urgent.

De cette façon, l'assistant IA s'améliore étape par étape. Dans le même temps, il génère des informations précieuses pour les équipes de gestion de produits, de service client, de vente et de contenu. Les questions individuelles des clients deviennent des connaissances qui peuvent être utilisées dans toute l'organisation.

Une bonne technologie nécessite une propriété claire

En plus d'un objectif spécifique, un assistant IA prêt pour la production a besoin de données à jour et de responsabilités clairement définies.

Qui gère la base de connaissances ? Qui évalue les nouvelles requêtes ? Qui décide quels sujets doivent être améliorés en premier ? Et qui supervise le système après sa mise en service ?

Production AI n'est pas un projet informatique ponctuel. Elle évolue au gré des questions des utilisateurs, de l’offre produits et des exigences de l’entreprise. Cela nécessite des personnes qui assument leurs responsabilités, tant du côté du fournisseur qu'au sein de l'entreprise.

Les tests et les compétences sont essentiels

Au cours de la deuxième session, Florian Pohle d'Appmatics a démontré comment l'IA peut déjà prendre en charge les tests aujourd'hui. Son point clé : les équipes n’ont pas besoin d’automatiser l’ensemble du processus immédiatement. Il est plus logique de commencer là où existent de véritables goulots d’étranglement. La responsabilité de la qualité incombe aux personnes.

Prof. Le Dr Mario Winter s'est ensuite concentré sur les compétences requises. Quiconque développe et teste des systèmes basés sur l'IA a besoin non seulement d'une expertise technique, mais surtout d'un bon jugement, d'une collaboration et d'une compréhension claire des limites de la technologie.

Une soirée qui s'est poursuivie bien après le slide final

AI découvert Vol. Cela ne s'est pas terminé avec une formule unique pour réussir. Au lieu de cela, il a fourni une image assez claire de ce dont l'IA de production a besoin : un cas d'utilisation spécifique, des données fiables, des responsabilités claires et le courage d'apprendre dès le début auprès de vrais utilisateurs.

Juste à propos, la soirée était loin d'être terminée après les trois présentations. De nombreuses conversations ont tourné autour des projets des participants, de questions non résolues et d’expériences tirées de leur travail quotidien. Ces discussions ont révélé à quel point les conditions de départ peuvent être différentes et à quel point de nombreux défis demeurent similaires.

AI Uncovered a rassemblé ces perspectives : du développement et de l'assurance qualité aux compétences requises au sein des équipes. Après tout, une démo convaincante peut montrer beaucoup de choses. Mais le fait qu'une solution d'IA fonctionne réellement n'est déterminé que là où elle est utilisée quotidiennement.