Utilisation de l’IA et de l’automatisation dans le conseil en business digital

La semaine dernière, la communauté Digital Marketing Malaga m’a invité à présenter notre cas. Autrement dit, le processus que nous avons suivi dans nos projets de conseil en business digital chez Disruptivos pour nous adapter à l’arrivée de l’IA qui, comme dans tous les secteurs, a provoqué une véritable (r)évolution.

La conférence s’est plutôt bien passée, mais à vrai dire je m’y attendais, car je suis assez satisfait du processus que nous avons suivi et des résultats obtenus. Surtout parce que nous avons posé les fondations nécessaires pour pouvoir continuer à progresser sans repartir de zéro.

Si tu fais n’importe quel type de conseil — digital ou non — tu verras que 80 % de ce que je raconte est applicable à ton activité, c’est pourquoi je veux résumer ici les principaux points de la conférence.

Pourquoi utiliser l’IA et automatiser les processus

Il y a des raisons évidentes, comme tu vas le voir, mais lorsque nous avons vraiment analysé ce que nous voulions obtenir avec l’IA, nous nous sommes rendu compte que gagner du temps n’était qu’une partie des avantages.

En fait, certains des avantages qui me semblent aujourd’hui les plus importants concernent moins le fait de réaliser un conseil plus vite que celui de le faire mieux et, surtout, de façon plus cohérente.

La question qui déclenche tout : l’IA nous donne-t-elle vraiment les résultats que nous voulons ?

ChatGPT nous donne des résultats surprenants. Tu préparais un bon prompt, ajoutais un peu de contexte et, en quelques secondes, tu obtenais une analyse, une proposition ou un document qui aurait auparavant demandé beaucoup plus de temps.

Le problème apparaissait lorsque tu essayais d’utiliser ce résultat dans un projet réel. 

Souvent, la qualité n’était pas suffisante, il manquait de la profondeur, certaines réponses étaient meilleures que d’autres et le résultat dépendait trop de la façon dont tu avais formulé le prompt ou des informations ajoutées.

C’est pourquoi nous avons fini par changer de question. Au lieu de nous demander simplement comment nous pouvions utiliser davantage d’IA, nous avons commencé à nous demander ce que nous devions changer dans nos processus pour que l’IA nous donne les résultats dont nous avions réellement besoin.

Ce changement peut sembler minime, mais pour moi il constitue la base de tout ce que nous avons fait ensuite. 

Utiliser l’IA est très facile. Faire en sorte qu’elle fasse partie d’un processus professionnel, reproductible et assorti de standards de qualité clairs est beaucoup plus compliqué.

Gagner du temps n’est que la raison la plus évidente

Le premier avantage de l’automatisation est évident : gagner du temps. Une mission de conseil comporte une part importante de recherche d’informations, de collecte de données, d’analyse préliminaire, de création de documents et de tâches administratives qui sont nécessaires, mais qu’une personne n’a pas besoin d’effectuer manuellement du début à la fin.

Et même, elle ne devrait pas.

Car si nous parvenons à faire passer une tâche qui demandait auparavant quatre heures à une heure, nous gagnons trois heures supplémentaires à consacrer à autre chose. Multiplié par toutes les phases d’un projet, cela a un impact important.

Mais il y a un point important : le gain de temps ne pouvait pas se faire au détriment de la qualité. Si une tâche prend deux fois moins de temps mais que le résultat est moins bon, il n’y a pour nous aucune véritable amélioration.

C’est pourquoi l’important est de gagner du temps tout en maintenant le même niveau de qualité.

Standardiser la qualité de toutes les missions de conseil

C’est probablement la raison qui a le plus de poids pour moi au final.

Lorsque plusieurs personnes réalisent des missions de conseil, il est inévitable qu’il y ait des différences. Un consultant peut être particulièrement bon en SEO technique et un autre aller beaucoup plus loin sur le linkbuilding. L’un peut préparer des documents extrêmement détaillés et l’autre être nettement plus direct.

Ce n’est pas mauvais per se, car l’idéal est de tirer parti de l’expérience de chacun, mais cela peut poser problème lorsque la profondeur et la qualité du service finissent par dépendre trop fortement du consultant qui réalise le projet.

Nous voulions obtenir exactement l’inverse. Si un client fait appel à Disruptivos pour une mission de conseil en business digital, il doit bénéficier d’un certain niveau de profondeur et de cohérence, quelle que soit la personne qui la réalise.

Ici, l’IA et l’automatisation peuvent énormément nous aider, car nous pouvons définir à l’avance quels éléments doivent être examinés, quels KPI doivent être analysés, quelle documentation utiliser et quel niveau minimal de profondeur nous attendons dans chaque bloc.  

Ensuite, évidemment, le consultant peut approfondir, évaluer et modifier ce qu’il juge pertinent, mais il existe une base commune que tous les projets doivent respecter.

Laisser au consultant le travail qui apporte réellement de la valeur

La valeur du consultant réside avant tout dans son jugement. Dans sa compréhension de l’entreprise, sa capacité à savoir quelles informations sont importantes ou non, à remettre en question une conclusion, à repérer quelque chose qui ne colle pas, à fixer des priorités ou à décider ce qu’il est pertinent de faire compte tenu des contraintes réelles du client.

Elle réside aussi, évidemment, dans la relation avec ce client. Certaines choses n’apparaissent ni dans Analytics, ni dans Search Console, ni dans un CRM et ne se comprennent qu’après avoir parlé aux personnes qui connaissent l’entreprise.

C’est pourquoi notre idée n’a jamais été que l’IA réalise la mission de conseil, mais qu’elle prenne en charge une partie du travail préparatoire, répétitif ou mécanique afin que le consultant puisse consacrer davantage de temps précisément à ce pour quoi son expérience apporte le plus de valeur.

Aider les nouveaux consultants sans dépendre constamment des seniors

Un autre problème apparaît dès qu’une équipe commence à grandir ou que tu changes une personne de projet. Pendant ses premiers jours ou ses premières semaines, elle a besoin de poser des questions en permanence parce qu’elle ne dispose pas de tout le contexte.

• Où se trouve un document.
• Quel modèle utiliser.
• Qui est responsable d’un domaine donné.
• Quels KPI doivent être analysés.
• Comment est structuré un livrable précis. 

C’est parfaitement normal, mais cela a une conséquence assez évidente : pour qu’une personne avance, une autre doit interrompre continuellement son travail.

Et c’est là que l’IA entre en jeu, car elle peut devenir une couche de connaissance du projet et de l’entreprise elle-même. Si la méthodologie, les processus, les modèles, les personnes responsables et la documentation sont bien organisés, beaucoup de ces questions peuvent être résolues directement sans avoir à solliciter systématiquement un autre consultant.

Cela ne remplace pas la formation ; cela réduit simplement de nombreuses interruptions qui n’apportent aucune valeur et aide une nouvelle personne à devenir autonome plus rapidement.

La méthodologie de conseil de Disruptivos

Il faut d’abord expliquer que, même si le processus d’exécution a changé, le framework ou la méthodologie de conseil de l’entreprise n’a pas changé. C’est exactement le même avant et après l’IA. Et si tu es consultant, il te sera probablement familier ou ressemblera à ce que tu fais déjà.

Les trois phases d’une mission de conseil

Notre méthodologie peut se résumer en trois grandes phases : comprendre, réfléchir et agir.

La première consiste à comprendre l’entreprise. Ici, nous analysons l’entreprise, ses chiffres, sa proposition de valeur, sa technologie et ses objectifs, nous auditons ses canaux et actifs digitaux et nous complétons le tout avec une étude de marché, une analyse de la demande et une étude des concurrents.

Vient ensuite la phase de réflexion. Avec toutes ces informations, nous construisons un plan stratégique qui doit essentiellement répondre à trois questions : que faut-il faire, dans quel ordre et qui devrait le faire.

La troisième phase est la mise en œuvre. Tous les projets n’arrivent pas jusque-là, car certains s’achèvent avec la remise du plan stratégique et le client se charge lui-même de l’exécuter, tandis que sur d’autres nous continuons à travailler à la mise en place des améliorations proposées.

Décomposer l’ensemble du processus

Une fois la méthodologie expliquée, nous l’avons ensuite décomposée.

Il ne suffisait pas de dire que nous réalisions un audit SEO, une analyse de marché ou une proposition stratégique. Nous sommes descendus de plusieurs niveaux — et nous détaillerions encore davantage par la suite — pour aboutir à 6 étapes comportant chacune plusieurs jalons.

Pour chaque jalon, nous avons répondu à trois questions très simples : combien de temps il nous prend actuellement, quelle partie pourrait être automatisée et combien de temps il devrait nous prendre après automatisation. Nous avions calculé le premier point ; les deux autres étaient des estimations à tester sur de vrais projets.

Et c’est là qu’est apparue l’une des idées à retenir de tout ce processus : si un processus n’existe que dans ta tête, tu n’es pas encore prêt à l’automatiser.

Tu dois d’abord l’écrire, le découper et expliquer comment il fonctionne. Sinon, lorsque tu tenteras de l’automatiser, tu découvriras des exceptions, des décisions ou de petites étapes qui peuvent sembler intuitives à une personne expérimentée, mais que tu n’avais jamais documentées.

Et que, par conséquent, un nouveau consultant ou une IA ne savent pas traiter correctement.

Degrés d’automatisation

Toutes les tâches ne permettent pas le même degré d’automatisation.

Par exemple, une part importante de l’étude de marché peut être automatisée. Nous pouvons collecter les volumes de recherche, les tendances, les informations publiques du secteur ou analyser une partie de la présence digitale des concurrents sans qu’une personne ait à effectuer tout le travail manuellement.

Dans d’autres domaines, le pourcentage est nettement plus faible. Les analyses heuristiques de CRO, par exemple, conservent une très forte composante de jugement humain.

Certaines tâches administratives, comme la création de structures de dossiers ou de projets dans Asana, peuvent être presque entièrement automatisées.

C’est pourquoi tu ne peux pas aborder l’automatisation comme du tout ou rien. Certains processus peuvent être automatisés à 80 %, tandis que pour d’autres il n’est pertinent d’en automatiser que 20 %, et ce n’est absolument pas un problème.

Et rappelle-toi ce que nous avons dit plus tôt : la question n’est pas de savoir si une tâche peut être entièrement automatisée, mais quelle partie il est pertinent d’automatiser sans dégrader le résultat.

Nos résultats

Lorsque nous additionnions le temps moyen consacré à toutes les tâches d’une mission de conseil en business digital, un projet typique représentait environ 80 à 100 heures de travail.

Après avoir analysé le potentiel d’automatisation de chaque bloc, le calcul théorique nous amenait à environ 38 heures. Sur le papier, c’était une réduction énorme, ramenant pratiquement le processus à moins de la moitié du temps initial.

La réalité n’en est pas encore là.

Actuellement, nous sommes plutôt autour de 50 heures, ce qui revient tout de même pratiquement à réduire de moitié le temps dont nous avions besoin auparavant. Tout en maintenant nos standards de qualité, qui, comme je te le disais plus tôt, étaient non négociables.

Et si ce n’est pas 38 heures, c’est parce que les processus comportent des exceptions, des erreurs apparaissent, les clients sont différents et toutes les intégrations ne fonctionnent pas de façon idéale. Automatiser le chemin parfait peut même être relativement simple, mais automatiser tout ce qui peut mal tourner est pratiquement impossible. Et cela n’en vaut pas la peine.

Le résultat est bon. Et surtout, nous disposons désormais d’une structure de base que nous pouvons continuer à améliorer au lieu de dépendre uniquement de l’ajout de nouveaux prompts ou outils.

Les systèmes et outils que nous construisons

Une fois le processus défini et les parties pertinentes à automatiser identifiées, nous avons commencé à construire les outils.

Au départ, peu nous importait que la solution finale soit un GPT, un workflow n8n, un agent ou notre propre application. Nous devions d’abord définir précisément la tâche ou le processus à résoudre, puis choisir l’outil adapté.

Notre véritable objectif était très précis, et peut-être un peu différent de ce que tu imagines, mais il délimitait très bien ce que nous cherchions à obtenir : faciliter la vie de tout nouveau consultant sans réduire nos standards.

Première étape : documenter les processus, les métriques, les KPI et les modèles

Pour y parvenir, nous avons dû documenter l’ensemble du processus de conseil avec bien plus de détails qu’auparavant lorsque nous avons décomposé la méthodologie. Chaque bloc est devenu un ensemble de tâches concrètes accompagnées d’instructions, de documents associés et de modèles expliquant comment les réaliser.

Ensuite, nous avons fait la même chose avec les métriques et les KPI.

Nous avons différents niveaux de conseil et, selon le projet, nous savons quelles métriques exactes doivent être analysées dans chaque domaine du business digital, comme le SEO, le CRO, le paid media, l’email ou le contenu. Un consultant peut ajouter tout ce qu’il estime nécessaire, mais il existe une base minimale qu’il doit examiner et qui est standard pour toutes les missions de conseil.

Il en va de même pour les audits eux-mêmes. Nous avons créé des modèles afin qu’au lieu de simplement demander à l’IA de « faire un audit », nous lui fournissions la structure que nous utilisons, les domaines à analyser et le type d’informations que nous nous attendons à trouver.

Autre point essentiel à retenir : nous ne laissons pas l’IA décider à quoi ressemble une bonne mission de conseil. Nous définissons d’abord nous-mêmes le standard, puis nous faisons travailler l’IA à l’intérieur de ce cadre.

Choisir le degré d’automatisation : les trois approches

À partir de là, nous pouvons choisir différents degrés d’automatisation.

La première approche, et la plus simple, consiste à utiliser l’IA comme assistant. Il peut s’agir d’un GPT personnalisé, d’un Gem, d’un projet avec des instructions spécifiques ou de tout outil similaire auquel nous fournissons notre méthodologie et notre documentation.

C’est l’option avec le moins d’automatisation, mais aussi celle qui permet d’obtenir des résultats le plus rapidement, sans devoir développer trop de choses.

Le deuxième niveau consiste à automatiser des tâches en connectant différents outils. C’est là qu’interviennent des systèmes comme n8n, avec lesquels nous pouvons faire circuler automatiquement les informations d’une application à l’autre, intégrer des modèles d’IA à certaines étapes du processus et conserver des validations humaines lorsque c’est nécessaire.

Et le troisième niveau serait de construire un système complet, soit avec des agents, soit avec notre propre SaaS doté d’un front-end et d’un back-end.

Lorsque nous avons commencé à travailler sur tout cela, les agents étaient moins développés qu’aujourd’hui, nous avons donc surtout misé sur les deux premières voies. Si nous repartions de zéro aujourd’hui, nous étudierions certainement beaucoup plus en détail une architecture fondée sur des agents, même si je continue de penser qu’il est pertinent de valider d’abord chaque partie du processus avant de construire un système gigantesque.

Les outils que nous avons développés

Tout ce processus a donné naissance à différents outils et expérimentations. Certains fonctionnent déjà, d’autres continuent d’évoluer et plusieurs changeront probablement beaucoup au cours des prochains mois.

Ce qui est intéressant n’est pas tant l’outil concret que nous utilisons, car beaucoup seront sans doute différents dans deux ans, mais le problème que chacun résout dans le processus.

Oráculo : une base de connaissances pour chaque projet

L’une des premières choses que nous avons développées est ce que nous appelons en interne Oráculo.

Le nom peut sembler plus sophistiqué que la réalité. Il s’agit essentiellement de disposer d’une base de connaissances contenant les informations nécessaires pour travailler sur le projet : 

1. Contexte du projet.
2. Communications avec le client.
3. Nos livrables (audits, guides…)
4. Informations de notre outil de gestion de projet.
5. Rapport mensuel des KPI.

Tout cela dans un système d’IA afin que le consultant puisse lui poser des questions.

N’importe quoi.

En fait, avec ces sources, il est difficile d’avoir une question à laquelle Oráculo ne réponde pas correctement.

Nous avons un Oráculo par client et un autre pour chaque projet distinct, afin que tout nouveau consultant puisse facilement s’orienter.

Évidemment, cela ne fonctionne que si les informations de départ sont bien organisées et à jour ; placer une documentation désordonnée dans une IA ne la rend pas magiquement ordonnée.

Automatiser la gestion de projet avec n8n, Drive et Asana

Un autre exemple est un workflow que nous avons créé dans n8n pour automatiser une partie de la couche de gestion des projets.

Lorsque l’équipe commerciale conclut un projet, elle génère un rapport selon une structure déterminée. Le consultant n’a qu’à copier ces informations et à les transmettre au workflow, où nous utilisons un nœud d’IA pour les interpréter et préparer automatiquement aussi bien la structure des dossiers et des documents dans Google Drive que le projet et les tâches correspondantes dans Asana.

Avant de créer quoi que ce soit, le système affiche les informations et demande une validation au consultant. Si quelque chose est incorrect, nous pouvons le modifier avant l’exécution du reste du processus.

Ce développement nous a aussi appris autre chose d’important : automatiser lorsque tout fonctionne bien est relativement facile, mais gérer les erreurs et les exceptions est beaucoup plus compliqué.

Une personne applique intuitivement tout un ensemble de petites règles sans même toujours savoir qu’elle les applique. Lorsque tu automatises un processus, toutes ces règles doivent être écrites et le système doit savoir quoi faire lorsque quelque chose ne correspond pas au cas attendu.

Assistant de conseil

Un autre outil que nous construisons a un objectif un peu différent : servir d’assistant pendant la mission de conseil elle-même.

Ici, l’idée est qu’une personne puisse saisir le type d’activité et les principaux KPI et que le système l’aide progressivement à détecter ce qu’elle doit examiner et où peuvent se trouver les problèmes.

Pour cela, le système doit connaître les KPI que nous jugeons pertinents et travailler avec des benchmarks publics et des informations internes lui permettant d’apporter du contexte et d’évaluer les métriques.

Nous ne voulons pas que l’assistant prenne les décisions à la place du consultant, mais qu’il lui donne des pistes et réduise le travail nécessaire pour arriver au point où commence la partie réellement essentielle de l’analyse.

Créer le premier brouillon d’un audit avec l’IA

L’étape suivante consiste à utiliser tout ce qui précède pour générer le premier brouillon d’un audit.

Nous utilisons des modèles de projets pour Claude Code, Codex ou Antigravity, préparés spécifiquement pour un domaine, avec notre méthodologie, nos modèles et nos instructions, afin que l’IA puisse générer une première version du document d’audit à partir des informations disponibles que nous lui fournissons.

Nous testons déjà cette approche dans des domaines comme le SEO, même si elle est encore en cours de développement.

Une chose : générer un premier brouillon ne signifie pas générer le livrable final.

Le consultant doit toujours revoir, éditer, organiser et hiérarchiser le brouillon. L’IA peut lui permettre de commencer à travailler à partir d’un document déjà terminé à 50 %, 60 % ou au pourcentage correspondant, au lieu de toujours repartir d’une page blanche.

C’est l’objectif : ne pas remplacer le consultant, mais lui donner un bien meilleur point de départ.

Conclusions et un petit exercice

Après tout ce processus, il y a plusieurs idées que je te recommande de retenir.

La première est que automatiser ne consiste pas simplement à gagner du temps. Documenter une méthodologie, définir des standards et décider ce qui doit se produire dans chaque situation est plus important que de choisir l’outil qui exécutera ensuite le processus.

La deuxième est qu’il n’existe pas de solution unique pour tout. Parfois, un bon prompt suffit ; d’autres fois, il est pertinent de créer un GPT personnalisé ; dans certains cas nous aurons besoin de n8n et dans d’autres nous finirons par développer un agent, voire une application complète.

Ce dont tu as besoin, c’est de savoir quels types d’outils existent et lequel correspond le mieux au problème que tu veux résoudre.

La troisième concerne le rôle du consultant. Plus l’exécution deviendra rapide et peu coûteuse, plus le jugement, la capacité de décision, la gestion et la relation client prendront de la valeur.

Et il existe une quatrième et dernière conséquence que tout le monde n’a pas en tête : l’IA élargit énormément ce qu’une seule personne peut faire.

Un spécialiste du marketing qui ne pouvait auparavant pas développer un petit outil parce qu’il ne savait pas programmer peut désormais le faire. Une personne spécialisée en CRM peut créer des automatisations qui auraient autrefois nécessité un développeur, et une personne côté business peut prototyper des solutions qu’elle n’aurait même jamais envisagé de construire auparavant.

Cela ne signifie pas que nous soyons tous devenus développeurs, designers ou analystes, mais que la barrière d’exécution a tellement baissé qu’il sera de plus en plus important de savoir ce que nous voulons construire, pourquoi et comment cela devrait fonctionner plutôt que de savoir le construire, puisque l’IA le fera pour nous avec les bonnes instructions.

Pour terminer l’article et la conférence, je te laisse avec un exercice très simple qui me semble valoir la peine.

Pense à une tâche que tu réalises régulièrement dans ton travail et demande-toi quelle partie de cette tâche tu pourrais cesser d’effectuer manuellement d’ici six mois. 

Ensuite, réfléchis à ce dont tu as besoin pour y parvenir: peut-être un outil, quelques heures pour documenter le processus, l’aide d’une autre personne ou simplement apprendre comment fonctionne une technologie donnée.

Tu auras déjà fait le premier pas sur le chemin de l’automatisation.

Si tu veux faire le deuxième, choisis quelque chose de concret que tu peux tester dès cette semaine sur un vrai projet. 

C’est ainsi que tu commenceras à découvrir comment cela peut réellement changer ta façon de travailler.