Système IA — Université de l'Épargne
L'Université de l'Épargne traitait 50+ messages par jour en one-to-one, dont 70 % répétitifs. Nous avons construit un système IA qui absorbe la demande sans friction — pas un chatbot, un véritable duo homme / IA.
"On est passé d'un support subi à un système qui travaille pour nous. Une grande partie des demandes est traitée automatiquement, avec des réponses fiables et cohérentes.
80 %
Demandes traitées automatiquement
0,5 ETP
Récupéré sans recrutement
7×
Réduction des coûts d'indexation
Contexte & problématique
L'Université de l'Épargne, plateforme éducative fondée par Charles Gave et dédiée à la compréhension de l'économie et de l'investissement, a subi en grandissant une explosion des sollicitations utilisateurs. Plus de 50 messages devaient être traités individuellement chaque jour — dont plus de 70 % étaient répétitifs — mobilisant plus de 2 heures de traitement manuel quotidien pour peu de valeur ajoutée. Chaque nouvelle demande engendrait un coût marginal supplémentaire, sans aucune mutualisation de la connaissance. Le modèle de support manuel était devenu impossible à mettre à l'échelle.
La solution : un véritable duo Homme / IA
Plutôt que d'ajouter des ressources ou d'optimiser à la marge, le choix a été structurant : construire un système IA capable d'absorber la croissance sans friction — pas un chatbot. Un dispositif avec un mimétisme verbal et sémantique avec Charles Gave, permettant des réponses homogènes, fiables et cohérentes avec la voix de la marque.
01 — Prise en main immédiate
- Autonomie totale des équipes sans dépendance technique
- Pilotage des réponses et des agents directement via l'interface
- Compréhension automatique des contenus ajoutés
- Évolution continue sans reconfiguration complexe
02 — La tech accessible à tous
- Rapports générés automatiquement aux couleurs de la marque
- Ajout de contenus en drag & drop — docs, vidéos, ressources
- Tableau de bord analytique avec métriques de performance
- Aucune compétence technique requise
L'approche No RAG
Au cœur de l'architecture, l'approche No RAG dépasse les limites des modèles classiques. Là où les systèmes traditionnels fragmentent les données, se basent sur des mots-clés et perdent le contexte global, le système transforme les contenus en fiches intelligentes structurées. Il sélectionne les sources pertinentes avant de générer la réponse, réduit les hallucinations grâce à un score de fiabilité, et produit des réponses exhaustives basées sur l'ensemble de la donnée. Résultat : des coûts d'indexation réduits jusqu'à 7 fois.
Résultats
70 %+
Demandes gérées par la machine
0 €
Surcoût lié à la croissance
0
Oubli ou latence sur demandes simples
Le modèle est passé d'un centre de coûts à un levier de performance. Avant, la croissance augmentait mécaniquement la charge de travail ; après, elle est absorbée par le système. Les équipes ont récupéré l'équivalent de 0,5 temps plein sans recruter, avec zéro oubli ou latence sur les demandes simples et une augmentation des coûts liés à la croissance de 0 €.