Étude de cas : déploiement d'une solution IA à Dakar

Un déploiement IA réussi en Afrique ne se résume pas à importer une technologie : il s'agit d'adapter une solution aux contraintes locales, de convaincre des équipes et de mesurer des résultats concrets. L'exemple présenté ici est un cas type illustratif, construit à partir de situations fréquentes rencontrées dans le secteur des services au Sénégal. Il reflète fidèlement les dynamiques réelles d'un tel projet, sans faire référence à un client identifié. Cet exemple permet de comprendre comment une entreprise dakaroise de taille intermédiaire peut transformer un processus manuel coûteux en flux automatisé, avec des résultats mesurables en quelques mois.

Contexte de l'entreprise

Imageons une société de gestion immobilière et de services associés, active à Dakar depuis une quinzaine d'années, employant environ 80 personnes. Son activité principale repose sur la gestion de plusieurs centaines de contrats de location, la relation avec des propriétaires bailleurs et le traitement d'un flux quotidien de demandes clients : réclamations, demandes de devis, relances de loyers impayés, mises à jour contractuelles.

L'entreprise avait structuré ce travail autour d'une équipe administrative de 12 personnes, dont 5 dédiées exclusivement au traitement du courrier entrant et des emails. Le volume mensuel tournait autour de 3 500 à 4 500 communications à traiter : emails, formulaires scannés, messages WhatsApp Business. La croissance du parc géré de 18 % en deux ans avait rendu le modèle humain difficile à tenir.

Le problème identifié

Le diagnostic initial, réalisé lors d'un atelier de cadrage de deux jours avec les équipes opérationnelles, a mis en évidence trois points de friction principaux.

Premierement, le temps de réponse moyen aux demandes clients dépassait 3 jours ouvrés, générant de l'insatisfaction mesurable dans les enquêtes de satisfaction (score NPS de 22, jugé insuffisant par la direction). Deuxiemement, la classification manuelle des demandes entrantes produisait un taux d'erreur d'environ 12 %, entraînant des reroutages, des réponses inadaptées et une charge supplémentaire de correction. Troisiemement, la génération des courriers de relance pour impayés mobilisait deux agents à plein temps pour des tâches purement répétitives : saisie de variables, mise en forme, export PDF, envoi.

Le problème n'était pas une absence de compétences humaines, mais une inadéquation entre le volume de traitement et les ressources disponibles pour l'absorber.

La solution déployée

Apres un cadrage technique, la solution retenue s'est articulée autour de trois composantes déployées séquentiellement sur 14 semaines.

Composante 1 : classification et routage automatique des demandes

Un modèle de classification fine-tuné sur 2 800 exemples d'emails et formulaires historiques, labellisés par les équipes internes, a été mis en place pour identifier automatiquement la nature de chaque demande entrante : réclamation technique, demande de document, question de loyer, signalement de sinistre, demande de résiliation.

Le modèle, basé sur une architecture Mistral 7B fine-tunée, était hébergé sur un serveur cloud dans la région AWS Europe Ouest (Paris), avec bascule possible sur API Claude pour les demandes complexes non classifiées avec confiance suffisante. Ce choix hybride permettait de concilier performance et maîtrise des coûts.

La précision de classification sur le jeu de test a atteint 91 %, contre 88 % estimé pour le traitement humain en production. Chaque demande classifiée était routée automatiquement vers la file d'attente du bon département.

Notre service d'automatisation a piloté cette composante en collaboration avec l'équipe IT interne.

Composante 2 : agent de génération de courriers de relance

Un agent IA a été conçu pour générer automatiquement les courriers de relance d'impayés, à partir des données extraites du logiciel de gestion locative via une API REST développée en interne. L'agent récupère les variables (nom du locataire, montant dû, date d'échéance, adresse, nombre de relances précédentes), sélectionne le modèle de courrier adapté au niveau de relance (premier rappel, mise en demeure, notification avant recours), génère le document en PDF et l'envoie via la messagerie professionnelle.

Le temps de traitement par courrier est passé de 8 minutes en moyenne (saisie, mise en forme, vérification, envoi) à moins de 30 secondes en automatique. Le volume traité par semaine est passé de 120 à 400 courriers sans augmentation des effectifs.

Composante 3 : chatbot de support client WhatsApp

Un chatbot conversationnel a été déployé sur le canal WhatsApp Business de l'entreprise pour prendre en charge les demandes de premier niveau : accusé de réception, demande de duplicata de quittance, information sur le statut d'une réclamation ouverte.

Le chatbot est connecté au logiciel de gestion en lecture pour fournir des réponses personnalisées. Il transfère les demandes complexes ou sensibles à un agent humain avec le contexte de la conversation. Le taux de résolution autonome en premier contact a atteint 67 % apres 6 semaines de rodage.

Résultats mesurés à 3 mois

Les mesures effectuées 90 jours apres la mise en production complète ont montré des évolutions significatives sur les indicateurs suivants.

Le temps de réponse moyen aux demandes entrantes est passé de 3,2 jours à 5,4 heures. Le taux d'erreur de classification a chuté de 12 % à 4,3 %. Le volume de courriers de relance traités par semaine a été multiplié par 3,3 sans recrutement supplémentaire. Le score NPS a progressé de 22 à 41 en trois mois, porté principalement par l'amélioration de la réactivité.

En termes de charge de travail, les 5 agents initialement dédiés au traitement des flux entrants ont été réaffectés : 2 ont rejoint l'équipe relation client pour les cas complexes, 2 ont été formés à la supervision et l'alimentation des modèles IA, 1 a intégré le service comptabilité qui sous-traitait certaines tâches.

Leçons clés du déploiement

Plusieurs enseignements se dégagent de ce type de projet.

La qualité des données historiques est le facteur le plus déterminant. Les deux premières semaines du projet ont été consacrées à la collecte, au nettoyage et à la labellisation des données d'entraînement. Cet investissement initial conditionne directement la performance des modèles.

L'adhésion des équipes ne se décrète pas. La formation des agents et l'implication d'un référent interne champion du projet ont été des facteurs clés. Notre programme de formation intègre systématiquement cette dimension de conduite du changement.

La connectivité variable a imposé des choix d'architecture résilients : mise en cache locale, gestion des timeouts, basculement automatique en cas d'indisponibilité de l'API externe. Ces points sont rarement documentés dans les guides de déploiement IA standard, mais critiques en contexte africain.

La data analytics post-déploiement a permis d'identifier rapidement les catégories de demandes mal gérées par le modèle, d'itérer sur les données d'entraînement et d'améliorer la précision de 5 points en 6 semaines.

Reproductibilité du modèle

Ce type de projet, centré sur la classification, la génération documentaire et l'assistance conversationnelle, est reproductible dans de nombreux secteurs actifs à Dakar et dans les grandes villes d'Afrique de l'Ouest : assurance, microfinance, distribution, ressources humaines, services publics.

Les volumes de données nécessaires au fine-tuning sont accessibles pour toute entreprise ayant plus de 18 à 24 mois d'historique de communications. Le délai de déploiement est compressible à 8 semaines pour des cas de figure similaires, une fois l'architecture validée.

Notre agence IA à Dakar accompagne les entreprises sénégalaises et régionales dans ce type de transformation, de la phase de cadrage jusqu'au suivi en production.

---

Votre entreprise fait face à des défis similaires ? Parlons de votre projet et évaluons ensemble ce qu'une solution IA peut apporter à votre contexte spécifique : /contact.