Une équipe apprend l’IA en refaisant avec elle une tâche qu’elle connaît déjà, pas en regardant une démonstration d’outils. Fiches produit, réponses au service client, synthèse des ventes du lundi : l’équipe sait juger le résultat, elle peut donc corriger l’IA et progresser vite.
Ce guide propose une méthode en quatre temps : choisir les tâches, apprendre à donner du contexte, apprendre à relire, puis documenter ce qui fonctionne pour que l’usage tienne dans la durée.
Par quelles tâches commencer ?
Les bonnes tâches de départ reviennent chaque semaine, prennent du temps et ont un résultat que l’équipe sait juger. En voici quatre que l’on retrouve dans la plupart des équipes e‑commerce.
| Tâche | Ce que l’IA prépare | Ce que l’équipe vérifie |
|---|---|---|
| Fiches produit | Un premier jet à partir des attributs du fournisseur et de vos fiches existantes | Composition, dimensions, ton de la marque |
| Service client | Un brouillon de réponse à partir de la demande et de votre politique de retour | La promesse faite, le geste commercial |
| Synthèse des ventes | Le tableau de la semaine et un premier commentaire | Les chiffres et les causes avancées |
| Brief de campagne | Une structure, des variantes d’accroche et d’objet d’e-mail | Le message, l’offre et le calendrier |
Comment donner le bon contexte à l’IA ?
La plupart des réponses décevantes viennent d’une consigne trop courte. Une bonne consigne précise cinq choses.
- L’objectif : à quoi servira le résultat, et pour qui.
- Les sources autorisées : la fiche fournisseur, la politique de retour, l’export des ventes.
- Le format attendu : longueur, structure, ton.
- Un ou deux exemples de résultat que l’équipe juge réussi.
- Ce qu’il ne faut pas faire : inventer une caractéristique, promettre un délai.
Une fois au point, la consigne s’enregistre et se partage, par exemple dans les projets de Claude ou les GPT personnalisés de ChatGPT. L’équipe ne repart plus de zéro, et la pratique ne dépend plus d’une seule personne.
Comment apprendre à relire ?
L’IA écrit avec assurance, y compris quand elle se trompe. Elle peut inventer une matière, arrondir un chiffre ou promettre un remboursement que votre politique ne prévoit pas. La relecture n’est donc pas une formalité.
En atelier, nous examinons ensemble de vraies productions : retrouver la source de chaque fait, recalculer un chiffre, repérer une hypothèse présentée comme un constat. Ces gestes deviennent vite des réflexes.
Quelles règles poser sur les données ?
- Utiliser une offre professionnelle de l’outil choisi, qui exclut par défaut l’entraînement sur vos conversations et donne la main à un administrateur.
- Ne pas copier de données personnelles de clients dans un outil qui n’a pas été validé pour cela.
- Dire clairement quelles données de l’entreprise peuvent être utilisées, et lesquelles non.
Ces règles tiennent sur une page. Mieux vaut les écrire avant les premiers ateliers qu’après le premier incident.
Comment documenter ce qui fonctionne ?
Chaque usage retenu a sa fiche : l’objectif, la consigne, les sources, la personne qui relit et les erreurs déjà rencontrées. La fiche évolue avec les retours de l’équipe. Elle facilite l’arrivée d’un nouveau collègue et le passage d’un outil à l’autre.
À quoi ressemble un premier atelier ?
Une demi-journée suffit pour commencer, avec trois ou quatre personnes qui font la même tâche chaque semaine. Chacun vient avec un cas réel : une fiche produit à écrire, une demande client en attente, l’export des ventes de la semaine.
- Chacun fait la tâche avec l’IA, avec sa propre consigne.
- Le groupe compare les résultats et repère ce qui a fait la différence dans les consignes.
- Ensemble, on écrit une consigne commune, puis on la teste sur un nouveau cas.
- On note les erreurs rencontrées et la façon de les repérer à la relecture.
L’atelier se termine avec une consigne partagée et une fiche d’usage. La semaine suivante, l’équipe l’applique sur ses vraies tâches et note ce qui coince.
Comment savoir si l’usage a pris ?
Après quelques semaines, regardez les tâches réellement faites avec l’IA, les corrections qu’elles demandent encore et le temps passé à relire. Un usage abandonné n’est pas un échec : il indique une consigne à revoir, ou une tâche qui ne s’y prêtait pas. La progression se juge sur le travail fait, pas sur le nombre d’outils installés.
Comment nous travaillons chez Koeliv
Quand nous branchons les données d’une boutique sur Claude ou ChatGPT, nous partons de la même logique : les questions que l’équipe se pose déjà sur ses ventes, ses campagnes et son catalogue. L’équipe interroge ses chiffres en français, et apprend à relire les réponses comme elle relirait un collègue.
Questions fréquentes
Faut-il un abonnement payant pour former son équipe ?
Pour travailler avec les données de l’entreprise, oui : une offre professionnelle donne la main à un administrateur et exclut par défaut l’entraînement des modèles sur vos conversations. Les versions gratuites conviennent pour découvrir, pas pour travailler sur des données réelles.
Claude ou ChatGPT ?
Les deux conviennent. Le meilleur choix est souvent celui que l’équipe utilise déjà. L’un comme l’autre peut être relié aux données de la boutique par MCP, un standard ouvert qui branche un assistant IA sur vos outils.
Qui doit porter le sujet dans l’équipe ?
Une personne du métier, qui connaît les tâches et sait juger les résultats, plutôt qu’un profil uniquement technique. Elle tient les fiches d’usage à jour et fait remonter les erreurs.