Comment le groupe Ferron a déployé un agent IA pour faciliter l’accès à la donnée

Des gains de productivité, on sait que les agents IA vont en apporter. Mais le plus dur pour les entreprises reste d’identifier les cas d’usage qui vont vraiment servir le business et dépasser le stade du simple POC. Au sein du groupe Ferron, distributeur de pièces automobiles multimarques, le premier chantier qui a été ouvert avec la start-up Cogity provient du principal écueil que rencontrent ses clients : identifier la bonne référence !

Un mécanicien consulte de la documentation technique vingt à trente fois par jour, et peut y passer jusqu’à dix minutes par recherche. « C’est le nerf de la guerre, explique Samuel Baali, DSI du Groupe Ferron. Notre objectif est qu’il passe sa commande de pièces le plus vite possible. Pour réparer le véhicule qu’il a sur le pont, il faut aussi que son mécanicien accède à l’information rapidement. »

Or, ce n’est pas le manque de données qui posait problème, mais la recherche et la restitution des bonnes informations. En effet, la documentation technique est accessible soit directement chez les constructeurs, soit agrégée via des sources tierces, avec des interfaces dont l’ergonomie ne satisfait pas tous les réparateurs.

« Dès que nous changions un peu la mise en forme, nos clients étaient perdus. Certains souhaitaient que la donnée soit intégrée dans le catalogue, d’autres plutôt en PDF externe. Nous n’arrivions pas à satisfaire tout le monde », précise le DSI. Après plusieurs tentatives infructueuses, le groupe s’est orienté vers un agent conversationnel. Les premiers POC, menés avec la start-up Cogity, ont démarré en septembre 2025 sur des cas d’usage simples, et les résultats de cet agent IA métier ont rapidement convaincu.

L’agent permet désormais d’accéder directement à l’information en formulant une requête simple, à partir de l’immatriculation du véhicule et du type d’intervention. La réponse arrive en quelques secondes, formatée de façon homogène. « En un ou deux échanges, le réparateur obtient une réponse compilée avec les informations essentielles mises en valeur », décrit Samuel Baali.

Des sources sûres pour éviter les hallucinations

Pour construire son agent et éviter les hallucinations, le groupe Ferron a défini le terrain de jeu de l’agent et mis des garde-fous pour s’assurer que les réponses soient cohérentes. Premier point important : la fiabilité des sources. « Il ne s’agit pas de données publiques issues du Web, mais d’informations achetées par le groupe Ferron et fournies sous licence aux réparateurs clients du groupe, précise Aldo Kei Taud, co-fondateur et CMO de Cogity. C’est cette délimitation stricte de la base de connaissances qui réduit le risque d’hallucination. »

Agent IA ou simple chatbot performant alors ? Le dirigeant de la start-up souligne qu’il y a une distinction fonctionnelle : « Un chatbot, c’est souvent un point d’entrée conversationnel. L’agent, lui, comprend la demande, va chercher dans la bonne source métier, sélectionne l’information la plus utile et restitue une réponse structurée, ou agit directement sur ce qui lui est demandé. Ce sont deux mondes très différents. »

Concrètement, l’agent Ferron est connecté à plusieurs API : le service d’identification véhicule maison, qui transforme une immatriculation en identifiant véhicule précis, puis les sources de documentation technique. C’est cette orchestration entre plusieurs services qui justifie le terme d’agent.

Une adoption facilitée par l’intégration dans l’existant

Comme tout nouvel outil, il y a une conduite du changement à mener. Pour faciliter son adoption, l’agent a été intégré directement dans Lisybox, l’application que les réparateurs utilisent déjà pour passer leurs commandes, identifier les véhicules et établir des devis. « L’adoption est assez simple parce que ce n’est pas un outil supplémentaire. Ils l’utilisent ou ils ne l’utilisent pas, ce sont eux qui décident », résume Samuel Baali.

En termes de ressources mobilisées, le projet a davantage nécessité du temps qu’un investissement financier important. La phase la plus longue a été l’analyse du besoin métier réel : le groupe a impliqué son service client dès le départ, puis constitué des groupes de pilotage réunissant des clients, notamment des carrossiers et des mécaniciens. Le groupe a ensuite réalisé une démonstration fonctionnelle devant une centaine de clients lors d’une convention, qui a confirmé l’intérêt.

Sur le plan financier, le modèle Cogity repose sur un abonnement et une facturation à l’usage (tokens). Le DSI précise qu’identifier une plaque d’immatriculation coûte déjà entre 4 et 5 centimes par requête, indépendamment de toute IA. Les tokens liés à l’agent restent négligeables en comparaison.

L’agnosticisme technologique pour démultiplier les agents

Ce premier projet n’est que le début : le groupe a déjà entamé d’autres projets, que cela soit pour automatiser le passage des commandes de réapprovisionnement, améliorer la découverte des pièces ou encore enrichir les fiches produits.

Cogity se charge alors d’utiliser la solution la plus adaptée à chaque besoin. « Nous sommes agnostiques vis-à-vis des LLM, précise Aldo Kei Taud. Nous nous adaptons aux critères et aux enjeux de nos clients. S’il faut du souverain, on part sur tel LLM. Si le besoin consomme peu de ressources, on branche un petit modèle en local. » Cette approche permet de suivre les performances des meilleures IA.

Par exemple, le groupe Ferron a eu besoin de générer 3 500 images associées à des noms de catégories dans un délai contraint. Cogity a identifié la version de Gemini adaptée à ce cas précis, et les équipes marketing du groupe ont pu produire l’ensemble des visuels en quelques jours, avec un niveau de qualité qu’elles n’auraient pas atteint via les interfaces grand public, estime le DSI du groupe. « Ce n’est pas forcément de l’IA spectaculaire, c’est de l’automatisation assistée par IA. Mais cela nous fait gagner du temps sur des tâches qui n’étaient pas valorisantes », conclut Samuel Baali. Une approche pragmatique au service de la performance.