À l'occasion du Tech For Industry Show, Vincent Wang, Chief Digital Officer (Legrand), spécialiste mondial de l'infrastructure électrique du bâtiment, a présenté une conviction forte : brancher l'intelligence artificielle sur des processus existants ne produit, au mieux, que des gains incrémentaux. Une transformation réelle suppose de repenser entièrement la façon dont le travail est organisé.

Vincent Wang ouvre sa présentation avec un parallèle historique : il y a un peu plus d'un siècle, les usines étaient organisées autour d'un moteur à vapeur central, avec un réseau de courroies de transmission dictant l'implantation des machines. Lorsque l'électricité est arrivée, la première réaction a été de simplement remplacer le moteur à vapeur par un moteur électrique — sans rien changer d'autre. Résultat : à peine 10 % de gain de productivité, une situation qui a duré une vingtaine d'années. Le vrai changement est survenu lorsque les industriels ont osé une autre question : à quoi ressembleraient nos usines si chaque machine avait son propre moteur ? C'est cette rupture — motoriser chaque machine et réorganiser les lignes selon l'ordre de fabrication plutôt que selon le réseau de courroies — qui a fait exploser la productivité.

Pour Vincent Wang, l'IA générative et agentique se trouve aujourd'hui dans une situation comparable : la plupart des entreprises, Legrand y compris, ont commencé par brancher un chatbot ou une couche d'IA sur des bases de données et des processus conçus pour une autre époque — avec des résultats limités à quelques optimisations incrémentales.

Le changement de posture proposé consiste à se demander non pas "où ajouter de l'IA sur ce que l'on sait déjà faire", mais "à quoi ressemblerait ce travail si on le reconcevait en tenant compte des agents dès le départ".

Pour répondre concrètement à cette question, Legrand a mis en place un dispositif baptisé Agent Factory, structuré autour de trois éléments.

Une base commune à toutes les équipes : les agents eux-mêmes, les connecteurs vers les systèmes majeurs de l'entreprise, l'orchestration permettant aux agents de communiquer entre eux et avec les collaborateurs, des outils d'évaluation de la qualité des réponses, et une gestion FinOps pour maîtriser les coûts liés à l'usage de l'IA.

L'Agent Factory fonctionne en quatre saisons par an. Chaque saison traite des défis proposés par un sponsor métier (amélioration de la publication financière, de la performance des usines, du niveau de conformité, etc.). Pour chaque sujet, un "business lead" — un collaborateur maîtrisant parfaitement le processus concerné, capable de challenger l'existant et curieux d'apprendre le fonctionnement des agents — est accompagné par des experts métier et des spécialistes des agents ("agenters"). Cette équipe restreinte est responsable de bout en bout du résultat : reconception du processus, création concrète des agents, puis retour dans son entité d'origine pour poursuivre le déploiement et mesurer l'impact.

Chaque création est intégrée aux standards d'architecture du groupe et réintégrée à la ligne de production partagée, afin que les prochaines équipes puissent réutiliser les composants existants plutôt que de repartir de zéro. Cette gouvernance permet également de cartographier la couverture des agents par rapport aux fonctions métier, pour piloter la transformation dans son ensemble. La plateforme Dataiku joue un rôle pivot dans cette ligne de production partagée et dans la gouvernance des agents créés.

Vincent Wang illustre cette démarche avec un exemple concret. Legrand gère environ 500 000 références produit, commercialisées dans plus de 90 pays, avec des standards de présentation différents selon les marchés, en 40 langues. Des ateliers menés avec les data managers de chaque pays ont permis de mesurer l'ampleur du problème : rédiger une seule ligne de référence prend, pour une personne expérimentée, entre 3 et 5 heures — un travail à multiplier par 500 000 références, par 40 langues, et par les différents canaux de distribution (B2B, B2C, avec des contenus parfois personnalisés pour des distributeurs comme Rexel, Sonepar ou pour des places de marché comme Amazon).

Pour répondre à ce défi, Legrand a mis en place une équipe virtuelle nommée Product Data Office, associant un orchestrateur central à plusieurs agents spécialisés : compréhension du contexte, enrichissement de contenu, mise en conformité réglementaire locale, traduction et cohérence des données. Cette équipe d'agents, baptisée Kaya, a permis de réduire le délai de déploiement d'un catalogue complet dans un nouveau pays, habituellement de 12 mois de travail intensif, à 3 semaines — soit une réduction de 98 % du délai de mise sur le marché. Les données produites sont utilisables sur les canaux traditionnels (web, plateformes de distribution) mais aussi directement exploitables par les futurs agents des partenaires de Legrand, qui développent eux-mêmes des IA au service de leurs clients.

Interrogé sur la place des collaborateurs dans ce dispositif, Vincent Wang est clair : les équipes d'agents n'ont pas remplacé les équipes humaines, elles les ont fait monter en compétence. Plutôt que de passer des heures à corriger des lignes de tableur, les collaborateurs valident et corrigent le travail réalisé par les agents, et peuvent désormais mesurer leur impact en termes de chiffre d'affaires généré par la qualité des contenus produits, plutôt qu'en simple taux de remplissage d'un fichier.

Vincent Wang résume l'apprentissage central de cette démarche : la question à se poser n'est pas "quels cas d'usage ajouter", mais "comment redessiner les processus, la gouvernance, l'organisation et les compétences de l'entreprise".

Sur le plan technique, Legrand utilise des outils communs pour la productivité individuelle (comme Microsoft Copilot), et des architectures multi-agents standards pour les processus redessinés — de petits agents à périmètre précis plutôt que des agents à qui l'on confierait trop de responsabilités, avec des règles de collaboration explicites entre agents (protocoles de type agent-to-agent ou Model Context Protocol). Le choix du modèle d'IA mobilisé varie selon la complexité de la tâche : un petit modèle pour une tâche simple, un modèle plus puissant pour un raisonnement long et sophistiqué.

Sur les freins rencontrés, Vincent Wang cite en premier lieu la difficulté à comprendre concrètement ce que permettent ces technologies, ce qui a conduit Legrand à mettre en place un système de montée en maturité inspiré du Six Sigma (ceintures jaune, verte, bleue, marron), pour accompagner la progression de l'ensemble des collaborateurs. Concernant la connexion aux systèmes historiques (ERP, CRM), Legrand s'appuie sur un programme de structuration de la donnée mené depuis plusieurs années, avec une gestion des droits d'accès déjà en place, et sur un catalogue de gouvernance recensant les agents déjà créés pour favoriser leur réutilisation plutôt que la duplication d'efforts.

La conférence de Vincent Wang illustre une conviction simple mais exigeante : la valeur de l'IA agentique ne vient pas de son ajout à des processus existants, mais de la capacité à repenser entièrement l'organisation du travail autour d'elle. Le résultat obtenu par Legrand sur sa gestion des données produit — un délai de mise sur le marché divisé par 98 % — illustre l'ampleur des gains possibles lorsque cette refonte est menée jusqu'au bout.

Retrouvez l'intégralité de cette conférence, ainsi que les autres replays du Tech For Industry Show, sur notre page dédiée.