Des entreprises belges, néerlandaises et françaises utilisent nos modèles au quotidien. Voici leurs retours, chiffres à l'appui.
Six retours d'expérience de responsables qui ont intégré nos outils dans leurs opérations.
Avant de travailler avec Authentic Value, notre équipe comptable passait trois jours par semaine à saisir manuellement les données de factures fournisseurs. Leur pipeline OCR a réduit ce temps à quatre heures. Le taux d'erreur est passé de 3,2 % à 0,6 %. On a pu réaffecter deux personnes à des tâches d'analyse.
Nous avions testé deux autres prestataires pour notre chatbot néerlandais-français. Les résultats étaient médiocres sur le néerlandais. L'équipe d'Authentic Value a entraîné un modèle spécifique sur notre corpus de 14 000 tickets. Le bot gère maintenant 86 % des demandes sans intervention humaine.
Le modèle de prévision de la demande nous a permis de réduire nos pertes alimentaires de 18 % sur les produits frais en six mois. Le seul bémol : l'intégration avec notre ERP a pris deux semaines de plus que prévu. L'équipe a été réactive pour corriger les connecteurs.
J'ai apprécié que l'audit initial ait conclu que deux de nos cinq cas d'usage ne justifiaient pas de l'IA. Ils nous ont orientés vers des scripts classiques pour ceux-là et ont concentré le budget sur les trois projets où le machine learning apportait un gain réel. C'est rare, cette honnêteté.
Nos caméras de contrôle qualité détectent désormais des micro-fissures de 0,3 mm sur des pièces métalliques. Le taux de faux positifs est de 2,1 %, ce qui est gérable pour notre ligne. Avant, un opérateur inspectait chaque pièce visuellement et en laissait passer environ 8 % de défectueuses.
Le résumé automatique de contrats nous fait gagner environ 45 minutes par dossier. Pour un cabinet qui traite 30 à 40 dossiers par mois, le calcul est vite fait. Le modèle rate parfois des clauses atypiques, mais l'équipe réentraîne le système tous les trimestres avec nos retours.
Deux projets détaillés pour comprendre notre méthode de travail et les résultats obtenus.
Ce centre logistique reçoit chaque jour entre 800 et 1 200 documents : bons de livraison, factures, certificats d'origine, fiches de sécurité. Avant notre intervention, cinq employés saisissaient ces données dans le WMS. Les erreurs de saisie provoquaient en moyenne 12 litiges par mois avec les transporteurs.
Nous avons déployé un pipeline en trois étapes. D'abord, un module OCR (Tesseract affiné sur des polices industrielles) extrait le texte brut. Ensuite, un classifieur BERT multilingue identifie le type de document avec une précision de 97,3 %. Enfin, un extracteur d'entités nommées récupère les champs clés (numéro de commande, poids, date, destinataire) et les injecte dans le WMS via API REST.
Le déploiement a pris 9 semaines, dont 3 semaines d'annotation de corpus avec l'équipe du client. Résultat après quatre mois :
FreshPack livre des fruits et légumes à 340 points de vente en Belgique francophone. Leur problème principal : les ruptures de stock sur les références à forte rotation (bananes, tomates, salades) et le gaspillage sur les références saisonnières (fraises, asperges).
Nous avons construit un modèle gradient boosting entraîné sur 28 mois de données de vente, croisées avec la météo, le calendrier scolaire et les promotions planifiées. Le modèle produit chaque dimanche soir une prévision par référence et par point de vente pour les 7 jours suivants.
La difficulté technique résidait dans la granularité : 340 magasins multipliés par 180 références, soit plus de 61 000 prévisions hebdomadaires. Le temps de calcul devait rester sous les 45 minutes pour s'intégrer dans le planning de commande du lundi matin. Nous avons optimisé le pipeline avec Dask pour paralléliser les calculs sur 4 nœuds.
Nous analysons vos données et vos processus pendant 3 à 5 jours pour identifier où l'IA peut réellement vous aider. Ce diagnostic est gratuit et sans engagement.
Demander un diagnostic