Ce que nos clients disent de l'Artificial Intelligence
Des entreprises belges et françaises utilisent nos solutions IA au quotidien. Voici leurs retours, sans filtre, avec les chiffres qu'elles ont accepté de partager.
Témoignages récents
Recueillis entre janvier et mai 2025 auprès de clients actifs.
Avant de travailler avec Ai Informed Edge, nos opérateurs passaient deux heures par jour à classer manuellement les réclamations clients. Le modèle NLP qu'ils ont mis en place trie les e-mails entrants en sept catégories avec un taux de précision de 94 %. On a récupéré ce temps pour des tâches à plus forte valeur.
On cherchait un partenaire qui comprenne notre métier, pas juste la technique. L'équipe a passé trois jours dans notre usine à observer les lignes avant de proposer quoi que ce soit. Le système de détection de défauts qu'ils ont conçu a réduit notre taux de rebut de 3,2 % à 0,8 % en quatre mois.
Le diagnostic initial a révélé que nos données de vente étaient trop fragmentées pour entraîner un modèle prédictif fiable. Plutôt que de vendre un projet voué à l'échec, Ai Informed Edge nous a aidés à structurer nos bases pendant trois mois. Maintenant le modèle tourne et nos prévisions de stock sont fiables à 89 %.
J'avais peur que l'IA remplace mes collaborateurs. En réalité, le chatbot interne qu'on a déployé avec Ai Informed Edge répond aux questions RH courantes (solde de congés, procédure de note de frais), et mes deux assistantes peuvent enfin se concentrer sur l'onboarding et la formation. Le chatbot traite environ 120 demandes par semaine.
Études de cas
Deux projets détaillés pour illustrer notre méthode et les résultats obtenus.
Verrerie de Charleroi : contrôle qualité par vision
La verrerie produisait 18 000 bouteilles par jour. Le contrôle visuel humain laissait passer environ 3 % de pièces défectueuses, ce qui générait des retours coûteux et des pénalités contractuelles avec ses clients de la grande distribution.
Nous avons installé quatre caméras haute résolution sur la ligne de tri et entraîné un réseau de neurones convolutif sur 42 000 images annotées par les opérateurs eux-mêmes. Le modèle détecte les micro-fissures, les inclusions et les déformations de col en moins de 80 millisecondes par bouteille.
Après quatre mois de fonctionnement, le taux de rebut est passé de 3,2 % à 0,8 %. Les retours clients ont chuté de 61 %. L'investissement a été amorti en sept mois.
-75 % de défauts non détectés ROI en 7 mois
Maison Frérot : prévision de la demande en e-commerce
Ce détaillant lillois vend des produits d'épicerie fine en ligne. Ses prévisions de stock reposaient sur des tableurs Excel mis à jour une fois par mois. Résultat : des ruptures fréquentes sur les références populaires et un surplus de 22 % sur les produits saisonniers.
Nous avons d'abord nettoyé et unifié trois ans d'historique de ventes, de données météo et de calendrier promotionnel. Ensuite, un modèle de type gradient boosting a été entraîné pour prédire la demande hebdomadaire par référence.
Le modèle actualise ses prévisions chaque lundi matin. Les ruptures ont diminué de 58 % et le surplus de stock saisonnier est passé de 22 % à 9 %. L'équipe logistique consulte un tableau de bord Metabase qui affiche les alertes de réapprovisionnement automatiquement.
-58 % de ruptures Précision 89 %En chiffres
Données agrégées sur nos projets terminés entre 2022 et 2025.
Prêt à explorer ce que l'IA peut faire pour vous ?
Prenez rendez-vous pour un diagnostic gratuit de vos données. Nous vous dirons en une semaine si un projet IA est pertinent dans votre contexte.
Nous contacter