Etude de cas

Construire la première vue unifiée sur l'adoption et le ROI IA

Contexte

Renault Group investit massivement dans l’IA (Copilot, GenIA@Renault, agents métier, formations) mais n’avait aucune vision consolidée de l’adoption, des coûts réels et de la valeur générée, ni comparaison entre solutions. Les décisions d’investissement IA se prenaient sans données fiables ni vue unifiée à l’échelle du Groupe.

Le mandat

Construire un framework de mesure de la valeur IA et déployer des dashboards pour permettre à la direction et aux métiers d’arbitrer budgets, priorités et allocation des ressources IA.

Comment j'ai procédé

• Discovery & cadrage des besoins : ateliers avec les directions métiers et sponsors du programme pour qualifier les besoins de pilotage, identifier les audiences et définir les questions auxquelles les dashboards devaient répondre

• Définition d’un framework de mesure couvrant 4 dimensions : usage, adoption, valeur générée et coûts (licences, tokens, staffing)

• Pilotage de la chaîne data GCP (RAW → GOLD) : priorisation des cas d’usage data, définition des critères de qualité et coordination des équipes data engineers et analysts pour fiabiliser les sources — un travail de fond sans lequel les dashboards auraient mesuré du bruit

• Déploiement de dashboards pour les décideurs métiers et la direction (Looker, Power BI) :

> C-Level : vue consolidée cross-solutions (Copilot / GenIA@Renault / Agents IA) · budget, ROI et valeur générée à l’échelle du Groupe + mode conversationnel via Data Agent Google

> Métiers & IA Catalyst : vue micro par value stream — usage GenIA@Renault et Copilot par profil, agents et assistants les plus utilisés, taux d’adoption (WAU/MAU), temps gagné — pour identifier et pousser les prochains usages

Phase Discovery

J’ai réalisé une étude de marché approfondie, mené des entretiens avec les utilisateurs cibles, élaboré des personas détaillés et analysé le paysage concurrentiel pour bien comprendre le contexte.

Phase Design

Des ateliers de co-création ont été organisés avec les parties prenantes, suivis de la définition des parcours utilisateurs critiques. La création de wireframes et prototypes, puis des tests utilisateurs itératifs, ont permis d’affiner la solution.

Phase Delivery

L’implémentation a été réalisée via une méthodologie Scrum, avec une gestion efficace du backlog sur Azure DevOps, des sprints de développement courts et un processus de recette fonctionnelle rigoureux.

Quelques livrables

KPIs suivis

• Taux d'adoption par solution (Copilot, plateforme interne GenIA, Agents)
• WAU/MAU
• Valeur générée (temps gagné)

• Fréquence d'usage par profil et par métier
• Agents et assistants les plus utilisés
• Coûts IA (licences, tokens, staffing)

Résultats

• Première vue unifiée sur l'adoption IA à l'échelle du Groupe, couvrant 15+ value streams
• Déployé auprès de la direction et des équipes métiers
• Utilisé en CODIR pour arbitrer priorités et budgets IA 2026