Comment un producteur d'énergie solaire déploie l'IA
Le groupe voulait monter dans le train de l'IA sans avoir la compétence en interne, ni savoir par où commencer. Il cherchait un partenaire de confiance et une approche claire : comment l'IA rend l'entreprise plus performante.
Un producteur indépendant d'énergie solaire
Un producteur indépendant d'énergie solaire, environ 250 collaborateurs, qui exploite un parc de plusieurs milliers de centrales photovoltaïques réparties sur le territoire.
Une intention claire, aucun point d'entrée
L'IA était déjà utilisée dans l'entreprise, mais individuellement, de façon fragmentée, très loin de ce qu'elle pouvait apporter. Aucun cadre commun, aucun cas d'usage priorisé, personne en interne pour porter le sujet. Le point commun de tous les métiers, lui, était limpide : la donnée existe, mais elle est éparpillée entre l'ERP maison, l'entrepôt de données, les outils de gestion et les documents. Trouver une réponse coûte plus cher que de la comprendre.
Développement, M&A, gestion d'actifs, data : des métiers, des données et des urgences qui n'ont rien à voir entre eux.
Le temps passé à naviguer d'un outil à l'autre avant même de commencer l'analyse.
Des usages individuels, aucune compétence IA en interne, et un poste dédié créé mais non pourvu.
Un fil rouge unique : rendre la donnée de l'entreprise accessible en langage naturel, là où elle crée de la performance. Quatre cas d'usage livrés, chacun sur les vraies données de son métier.
01La performance des centrales, interrogeable en langage naturel
Le parc compte plusieurs milliers de centrales dont la performance se suit à travers plusieurs outils qui ne se parlent pas. Nous avons connecté l'IA à l'entrepôt de données de l'entreprise pour que les données de production deviennent interrogeables directement, sans passer par un tableau de bord ni par un export. L'équipe pose sa question, obtient la réponse sourcée, et bascule le temps gagné sur ce qui compte vraiment : analyser plus de centrales, plus en profondeur, pour cibler les vraies causes de pertes.
02Des data rooms M&A qui répondent aux questions
Chaque acquisition ouvre une data room de centaines de documents, dont une part significative de scans, et des modèles financiers à trente mille formules. L'équipe M&A dispose désormais d'un assistant qui lit l'ensemble, croise les documents entre eux, audite les modèles et fait remonter les incohérences. Ce qui se jouait en lecture linéaire devient une conversation avec le dossier.
03Le développement commercial qui remonte jusqu'au bon interlocuteur
Identifier une toiture exploitable, c'est facile. Savoir à qui parler, beaucoup moins. Le pipeline part d'une cartographie, estime la consommation du site, remonte au propriétaire foncier, puis à l'exploitant réel, vérifie le lien entre les deux, et sort le contact du dirigeant. Environ 40 % des leads ressortent enrichis, au niveau des standards du marché, sans qu'un commercial ait eu à chercher.
04Un wiki interne que tout le monde peut interroger
La documentation métier de l'ERP maison vivait dans des fichiers que peu de gens savaient lire. Elle est devenue un wiki interrogeable en langage naturel par n'importe quelle équipe, puis le même moteur a été étendu à l'outil comptable. Les équipes métier l'ont testé et adopté : la connaissance ne dépend plus de la personne qui la détient.
05Le traitement de la donnée et la sécurité, main dans la main avec la DSI
Chaque cas d'usage repose sur un vrai travail de traitement de données en amont : cartographier les sources, comprendre les schémas, nettoyer et structurer avant de brancher quoi que ce soit. Tout ce chantier est mené avec la DSI et le responsable de la sécurité des systèmes d'information : périmètres d'accès définis direction par direction, connexions validées avant déploiement, données qui restent dans l'environnement de l'entreprise. C'est la condition pour passer du POC à l'échelle.