Au cours de l'année écoulée, un changement s'est opéré au sein de SightCall.
L'IA a cessé d'être simplement une fonctionnalité que nous développions pour s'intégrer pleinement à notre mode de fonctionnement.
Nos équipes d'ingénieurs ne travaillent plus comme il y a 18 mois. Elles n'écrivent plus tout ligne par ligne.
Ils conçoivent des systèmes, les supervisent, valident les résultats et consacrent leur temps à ce qui compte le plus.
Ce qui m'a surpris, ce n'était pas seulement les gains de productivité. C'était la qualité.
Nous produisons beaucoup plus, avec des équipes plus réduites, et le travail lui-même est souvent de meilleure qualité. Non pas parce que les ingénieurs ont perdu de leur importance, mais parce que leur rôle a profondément évolué.
Et plus j'observe cette évolution, plus je suis convaincu que lele service sur le terrain se dirige vers le même type de changement.
Résoudre le problème de la connaissance
Pendant des décennies, les entreprises de services ont travaillé d'arrache-pied pour normaliser leurs processus. La gestion des interventions, les flux de travail, les accords de niveau de service : tout a été optimisé.
Mais il y a une chose qui résiste obstinément à la mise à l'échelle : la connaissance.
À chaque fois que je discute avec des responsables de services, les mêmes schémas se répètent.
Leurs meilleurs techniciens possèdent un savoir-faire essentiel. Il faut des mois, voire des années, aux nouvelles recrues pour être pleinement opérationnelles. La documentation existe, mais elle est souvent obsolète ou déconnectée de la réalité du terrain.
Dans le même temps, la pression ne fait que s'intensifier.
Les techniciens expérimentés partent à la retraite. Les équipements deviennent de plus en plus complexes. Les clients s'attendent à ce que les problèmes soient résolus plus rapidement, souvent dès la première intervention.
Ce à quoi nous assistons aujourd’hui ne se résume pas à un simple déficit de compétences ou à un manque d’outils.
C'est un problème lié à la mise à l'échelle des connaissances.
Dans le domaine des logiciels, nous avons déjà connu une situation similaire.
Il fut un temps où l'évolution des activités passait par l'embauche de nouveaux développeurs. Une demande accrue impliquait davantage de personnes chargées d'écrire davantage de code. Ce modèle ne fonctionne plus.
Aujourd'hui, les équipes les plus performantes ne sont pas seulement plus nombreuses, elles sont aussi organisées différemment. Elles s'appuient sur des systèmes capables de produire, d'affiner et de réutiliser des résultats à grande échelle.
C'est l'approche que j'ai commencé à adopter dans le domaine field service.
Et si la véritable opportunité ne consistait pas seulement à rendre les techniciens plus efficaces, mais à transformer en profondeur la manière dont l'expertise elle-même est produite et réutilisée ?
C'est ce que j'appelle la Field Service .
Tirer les leçons de ce qui se passe, au fur et à mesure
L'une des raisons pour lesquelles de nombreuses initiatives d'IA mises en œuvre n'ont pas tenu leurs promesses est un phénomène que j'ai observé à maintes reprises chez nos clients.
Ces systèmes sont déconnectés de la réalité.
Ils ont été formés à la gestion des tickets, de la documentation et des champs structurés. Mais le service client ne se limite pas à un simple ticket.
Le service s'effectue dans une usine, au domicile d'un client ou sur un chantier. Et il se déroule de manière désordonnée, visuelle et contextuelle, ce qui ne se traduit pas facilement par écrit.
Ainsi, l'IA formule des recommandations qui semblent pertinentes sur le papier, mais qui ne tiennent pas la route dans la réalité. Les informations sont incomplètes. Des erreurs sont commises. La confiance s'effrite rapidement.
Ce qui manque est simple, mais difficile à saisir : ce qui s'est réellement passé.
Ce que le technicien a constaté. Ce qu'il a essayé. Ce qui a fonctionné. Ce qui n'a pas fonctionné.
C'est là que j'ai vu un autre modèle commencer à se dessiner.
Au lieu de demander aux gens de consigner leurs connaissances a posteriori, vous enregistrez le travail lui-même… au fur et à mesure qu'il se déroule.
Vous enregistrez l'interaction entre un technicien et un expert. Vous conservez la vidéo, l'audio et chaque étape de la séquence d'actions, du problème à sa résolution.
À partir de là, l'IA peut le transformer en un support exploitable. Un guide étape par étape. Une référence visuelle. Une ressource documentaire qui reflète la réalité, et non la théorie.
Nous avons constaté que cela fonctionnait avecSightCall Knowledge™.
Une session d'assistance à distance ne doit pas nécessairement se limiter à la résolution du problème immédiat. Elle peut être mise à profit pour créer une ressource réutilisable, consultable et perfectible.
Au fil du temps, ce type de ressource change la donne.
Le résultat ? Le savoir n'est plus quelque chose que l'on demande aux gens d'écrire.
C'est une conséquence naturelle du travail.
Mise en place d'une boucle de veille opérationnelle
Lorsque l'on relie suffisamment de ces interactions, une boucle commence à se former.
Chaque intervention de maintenance contribue à enrichir un corpus de connaissances issues de la pratique. Ces connaissances sont affinées, validées, puis réinjectées dans l'organisation.
Ainsi, le technicien suivant ne part pas de zéro. Il s'appuie sur tout ce qui a déjà été appris.
C'est l'aspect qu'on a tendance à sous-estimer, à mon avis.
Il ne s'agit pas seulement d'améliorer la documentation. Il s'agit de créer un système capable d'apprendre.
Je vois cela comme un boucle d'intelligence de service.
Et lorsque ce cercle vicieux commence à se mettre en place, les conséquences sont très concrètes.
Les nouveaux techniciens se familiarisent plus rapidement avec leur travail, car ils ne dépendent pas de manuels statiques. Les techniciens expérimentés passent moins de temps à répéter les mêmes consignes. Les taux de résolution dès la première intervention s'améliorent, car les décisions s'appuient sur des tendances observées dans des centaines de cas réels, et non sur des suppositions.
Surtout, vous ne dépendez plus de la disponibilité du « bon » expert au moment précis où vous en avez besoin.
Vous permettez à chaque technicien d'accéder à l'expérience collective de l'entreprise.
Un nouveau modèle de collecte des connaissances
Je sais que cela vous semble peut-être familier.
Depuis des années, les responsables des services investissent dans des bases de connaissances, des systèmes de documentation et des plateformes de formation. Et bon nombre de ces initiatives ont rencontré des difficultés.
La différence ne réside pas seulement dans l'utilisation de l'IA. Elle réside dans la manière dont la connaissance est créée.
Si la saisie des connaissances demande un effort supplémentaire, elle ne pourra pas être déployée à grande échelle. Si elle se limite au texte, elle ne reflétera pas la réalité. Si elle ne s'intègre pas aux outils que les techniciens utilisent déjà, elle ne sera pas adoptée.
Cela ne fonctionne que si cette approche est intégrée au flux de travail, s'appuie sur des interactions réelles et fait l'objet d'une amélioration continue grâce à une validation humaine.
Je pense que nous nous dirigeons vers un modèle différent pour les organisations de services. Il ne s’agit pas seulement d’une plus grande efficacité opérationnelle, mais de systèmes qui apprennent en permanence de chaque interaction.
Un environnement où les techniciens ne se contentent pas d'exécuter des tâches, mais contribuent à enrichir sans cesse le corpus de connaissances. Un environnement où l'IA ne remplace pas l'expertise, mais la renforce.
Et où l'organisation s'améliore à chaque projet mené à bien.
Un système de services conçu pour accompagner la croissance
Si j'observe ce qui se passe dans le domaine des logiciels, la tendance est claire.
La croissance n'est plus directement liée aux effectifs comme c'était le cas auparavant. L'IA est désormais un système de production.
Field service d'un tournant similaire.
Les entreprises qui prendront les devants ne disposeront pas seulement de meilleurs outils. Elles auront mis en place des systèmes capables de recueillir, de structurer et de réutiliser l'expertise à grande échelle.
Je vais vous donner un exemple concret :
Un technicien est dépêché sur place pour régler un problème complexe.
Avant même d'arriver, ils ont déjà une idée précise de ce qui est susceptible de se passer, des outils dont ils auront besoin et de la manière dont des problèmes similaires ont été résolus par le passé. Et ce, non pas à partir d'un manuel générique, mais à partir d'exemples concrets tirés de leur propre organisation.
Ils ne font pas de suppositions. Ils ne partent pas de zéro.
Ils s'appuient sur tout ce qui a déjà été appris.
C'est là le changement que je constate. Pas une couche supplémentaire de documentation. Pas un assistant IA de plus.
Un système qui transforme les tâches quotidiennes liées au service en informations exploitables et évolutives.
C'est la Field Service .