Malt : Déployer des assistants IA à l’échelle
#132 - Le zoom, le podcast avec Anaïs, son meilleur conseil et la masterclass Data x Marketing
Hello,
Bienvenue dans l’édition #133 de la newsletter DataGen ! 👋
L’agenda de la semaine :
🔍 Zoom sur les 3 initiatives clés pour déployer des assistants IA à l’échelle
🎙 Le podcast avec Anaïs, Data Platform Director chez Malt
🤝 Le meilleur conseil qu’on lui ait donné
🎙 Masterclass | Déployer une stratégie data pour scaler sa performance marketing
C’est parti !
📢 Vous connaissez Denodo ?
C’est la solution de virtualisation de données déjà utilisée par un tiers du CAC40, notamment la BNP, TotalEnergies ou le Crédit Agricole.
J’ai reçu Olivier, leur General Manager, qui est venu nous expliquer ce qu’était la virtualisation dans l’épisode 230.
C’est une technologie qui permet d’accélérer le time-to-market de ses projets data & IA. Elle permet de fédérer plusieurs sources de données dans une seule requête data donc on n’a plus besoin de centraliser toutes ses données pour lancer des projets.
Je vous partage également un manifesto que l’équipe a rédigé qui détaille comment cette technologie permet d’accélérer ses projets GenAI.
Un immense merci à Denodo de sponsoriser DataGen. ❤️
🔍 Zoom sur les 3 initiatives clés de Malt pour déployer des assistants IA à l’échelle - 4 min
Ce zoom est tiré de mon échange avec Anaïs, Data Platform Director chez Malt, la plateforme leader du freelancing en Europe qui met en relation des freelances avec des entreprises. La scale-up fait partie du Next 40 qui référence les 40 scale-ups les plus prometteuses de France.
La stratégie de Malt pour déployer des assistants IA
Malt a structuré son approche autour de 3 niveaux d’assistants IA avec des processus de déploiement différents :
Niveau 1 : L’assistant conversationnel spécialisé sur un sujet (ex : Product, RH, Finance). Il s’appuie sur Gemini et du RAG. On lui pose une question via Slack, il donne une réponse.
Niveau 2 : L’intégration de l’assistant IA dans un workflow. Il part d’une nouvelle entrée dans un système, séquence des tâches simples, appelle un assistant et envoie la réponse dans un autre système (Salesforce, Notion...).
Niveau 3 : Un arbre de décision compliqué et sophistiqué avec plusieurs assistants qui séquencent des tâches complexes. C’est le cas par exemple pour le support client : quand ils reçoivent un ticket, plusieurs assistants sont activés pour comprendre le besoin et récupérer les données nécessaires.
“Le ROI est surtout sur les niveaux 2 et 3, quand tu mets ton IA directement dans l’outil opérationnel. Aujourd’hui, on a une roadmap de déploiement par verticale (Sales, Marketing, Produit, Tech…).”
Initiative #1 : Lancer une communauté de builders
Malt a commencé par créer un assistant sur le “Product Knowledge” qui a généré une adoption organique et a fait naître une communauté de curieux dans les équipes Marketing, Sales et Produit qui souhaitaient lancer d’autres assistants.
Anaïs et son équipe ont structuré cette communauté.
“On a fait un channel Slack, on les a formés sur Dust et on leur a donné les clés pour itérer sur le déploiement des premiers assistants.”
Après un an, Malt plafonnait à 55% d’adoption sur l’usage des assistants.
“On s’est posé la question de comment on va plus loin, comment on passe à l’échelle ?”
Ils ont donc shifté d’une approche bottom-up vers une approche top-down avec des formations en présentiel de 2h30 par groupe de 15 personnes, très spécialisé par verticale métier.
“Ça a eu un impact énorme sur l’adoption. Aujourd’hui, 80% des collaborateurs utilisent des assistants IA chez Malt.”
Initiative #2 : Déployer l’IA directement dans les outils
Malt a intégré l’IA dans les outils opérationnels.
“Faire changer d’outil les gens, c’est compliqué, et tu casses complètement le workflow alors que tu veux l’optimiser.”
Voici 2 exemples :
Dans Salesforce (leur CRM) : un commercial qui prépare un meeting client doit normalement passer 30 minutes à récupérer les notes de ses derniers meetings, l’activité du contact, etc. Malt a mis un bouton dans Salesforce qui récupère toutes ces infos, les passe dans un assistant IA sur Dust et fait un résumé complet.
Dans Looker (leur outil de reporting) : un collaborateur peut avoir des difficultés à naviguer dans l’outil car il y a beaucoup de dashboards. Il peut poser une question directement à l’assistant qui va regarder le semantic layer, faire la query et afficher le graphique.
“L’enjeu majeur, c’est la qualité des données. Si tu n’as pas bien pris les notes de ton dernier meeting ou qu’elle ne sont pas ajoutées sur Salesforce, le LLM ne peut pas apporter de valeur, voire pire, il peut halluciner.”
Initiative #3 : Adopter une approche no-code/low-code
Pour passer aux niveaux 2 et 3 et faire le pont avec les outils, Malt a mis en place N8N comme outil d’orchestration et d’automatisation.
N8N permet de créer des workflows complexes : réagir à des événements, appeler tout l’écosystème (data warehouse, Dust, etc.) et sortir l’output dans d’autres systèmes comme Salesforce ou Zendesk.
“Par exemple, quand un ticket pour le Support Client arrive sur Zendesk, ça déclenche un workflow qui va le récupérer, appeler tous les agents, effectuer des tâches complexes et réécrire l’output dans Zendesk.”
L’équipe d’Anaïs a également embarqué les “builders” les plus aguerris sur N8N pour qu’ils automatisent leurs propres workflows.
“La Generative IA a changé la relation entre les équipes métiers et la tech. Maintenant, ils veulent construire alors qu’avant, ils étaient plutôt spectateurs.”
🎙 Le podcast avec Anaïs, Data Platform Director
chez Malt
On aborde :
Le contexte autour du déploiement à l’échelle (cf. zoom)
Les 3 initiatives clés : communauté, outils, no-code (cf. zoom)
L’organisation entre l’équipe centrale et la communauté
Leur stack GenAI : Gemini, Dust, N8N, Langfuse
Le rôle du LLMOps : IA pour l’interne vs IA dans le produit
Leurs plus grosses difficultés : prioriser les use cases, pérenniser la communauté
Leurs prochaines étapes : text-to-insights et Semantic Layer
“Dans les équipes métiers, il y a 2 profils : les AI Champions qui créent des assistants conversationnels (niveau 1) et évangélisent dans leur équipe, et les AI & Automation Ops qui créent aussi des workflows dans N8N (niveau 2).”
Liens vers l’épisode : Apple Podcasts | YouTube | Spotify
🤝 Le meilleur conseil qu’on lui ait donné
Un produit sans adoption, c’est inutile.
“En tant qu’équipe Tech, on fait des innovations exceptionnelles. En revanche, on sous-estime souvent l’importance de packager, démocratiser et communiquer sur ces innovations pour amener l’adoption. Finalement, c’est le plus important. Un produit sans adoption est inutile.”
🎙 Masterclass | Déployer une stratégie data pour scaler sa performance marketing
J’ai reçu Denis Ravera qui est est Co-Directeur Général chez Arcane, le cabinet de conseil spécialisé sur la stratégie data appliquée au marketing et qui travaille notamment avec Leroy Merlin, Decathlon ou encore Europcar Mobility Group.
On aborde :
L’intérêt de mettre en place une stratégie data spécifique pour le marketing
Les cas d’usage principaux : optimisation du catalogue produit, pilotage à la valeur, Mix Marketing Modeling
Les outils et l’organisation à mettre en place
Les plus gros challenges : l’autonomie des équipes et la confiance dans les recommandations
“Dans un contexte où tout le monde utilise les mêmes plateformes et les mêmes algorithmes, ce qui va faire la différence, c’est la capacité à exploiter sa donnée propriétaire et de façon intelligente pour guider les algorithmes.”
Liens vers l’épisode : Apple Podcasts | YouTube | Spotify