Intelligence Territoriale : Humaniser la complexité B2B par l'IA
à propos
Ce projet est né d’un constat critique chez Explore (Groupe Intescia) : la richesse de notre data intelligence était devenue une barrière à l’usage. Avec l’arrivée de l’IA générative, l’enjeu n’était plus de fournir de la donnée, mais de la rendre immédiatement exploitable.
Cette étude de cas, issue de mes travaux de mémoire de Master, définit la trajectoire UX des solutions du groupe pour 2025-2026. Elle explore comment transformer un moteur de recherche ‘expert’ en un véritable assistant prédictif.
le défi
Contexte :
À la suite du rachat d’Explore par le groupe Intescia, la plateforme s’est retrouvée à un tournant stratégique. Avec une base de données d’une richesse exceptionnelle, l’interface était devenue un labyrinthe de filtres créant une réelle fatigue cognitive chez nos utilisateurs. Chercher une opportunité commerciale était devenu un métier d’expert, long et parfois décourageant.
Ma Mission :
Mon défi a été de concevoir la vision AI-Driven de l’Espace Client pour 2026. Ma mission consistait à passer d’un moteur de recherche passif à un assistant proactif capable de comprendre le langage naturel. En m’appuyant sur mes recherches académiques (le modèle TAM), j’ai dû répondre à une question centrale : comment intégrer l’IA pour qu’elle soit perçue comme un levier d’utilité immédiate capable de réduire un temps d’analyse de 4 heures à seulement 30 minutes ?
Le Fondement Scientifique : Le Modèle TAM
Pourquoi cette approche ?
Pour garantir que l’IA soit réellement adoptée par nos utilisateurs, j’ai basé ma stratégie sur le modèle TAM (Technology Acceptance Model). Mes recherches académiques ont démontré que l’adoption d’une technologie complexe en B2B ne dépend pas de sa puissance technique, mais de deux piliers psychologiques : l’Utilité Perçue et la Facilité d’Utilisation.
De la théorie à la pratique :
En appliquant ce modèle à l’écosystème Explore, j’ai identifié que le levier majeur d’acceptation était la confiance. Si l’utilisateur ne comprend pas d’où vient la donnée, il rejette l’outil. De cette analyse ont découlé trois principes directeurs pour mes interfaces :
Transparence (Explainability) : L’IA doit toujours citer ses sources (DCE, rapports) pour éviter l’effet « boîte noire ».
Contrôle (Human-in-the-loop) : L’interface est conçue comme un assistant et non comme un remplaçant, laissant toujours le dernier mot à l’expert métier.
Efficience immédiate : Chaque interaction IA doit réduire drastiquement la charge cognitive pour prouver son utilité dès la première seconde de recherche.
Le Diagnostic : Le fléau de la "Fatigue des Filtres"
Rigidité du système
Problème
Batipulse et l’Espace Client souffrent d’une surcharge cognitive. Trop de filtres, dont beaucoup sont ignorés. L’utilisateur se sent « perdu » face à la richesse de la donnée.
Solution
La pédagogie et l’implémentation granulaire Au lieu d’imposer un déploiement « Big Bang » qui aurait pu créer du rejet, j’ai opté pour une approche orientée Change Management. J’ai instauré des rituels de synchronisation réguliers et une documentation claire. Nous avons migré les composants petit à petit, en testant chaque itération sur le terrain avec les designers. L’objectif était de prouver par l’usage que la nouvelle logique de « Tokens » simplifiait réellement leur quotidien, transformant ainsi la réticence initiale en une adoption totale du nouveau standard.
Persona
mon preocessus
1
2
3
4
5
Diagnostic
État des lieux post-rachat Intescia. Identification de la dette UX sur les moteurs de recherche.
Recherche Théorique
Rédaction du mémoire. Étude des modèles d’acceptation des technologies (TAM) et de la confiance envers l’IA.
Étude de terrain
Lancement du questionnaire utilisateur pour confronter la théorie aux besoins réels des clients Explore.
Idéation & Design
Conception des maquettes « One Search » (recherche en langage naturel) et intégration du RAG pour l’analyse des DCE.
Alignement Roadmap
Présentation au CODIR et intégration dans la vision produit 2025-2026.