Nous avions testé deux autres prestataires avant de travailler avec Ai Trade Trust. La différence, c'est qu'ils ont passé une demi-journée à comprendre notre métier avant de parler de technologie. Le modèle de scoring de leads qu'ils ont construit nous a permis de concentrer nos commerciaux sur les 20 % de prospects les plus susceptibles de signer. En trois mois, notre taux de conversion est passé de 8 % à 13 %.
Nos résultats en quelques chiffres
Ces indicateurs couvrent l'ensemble de nos projets livrés entre janvier 2021 et décembre 2025.
Témoignages de nos clients
Le chatbot tourne depuis huit mois sur notre site. Il gère environ 1 200 conversations par semaine et résout presque les trois quarts des demandes sans intervention humaine. Ce qui m'a surpris, c'est la qualité des réponses en néerlandais : nos clients flamands ne se rendent souvent pas compte qu'ils parlent à un robot.
Notre problème était simple en apparence : nos comptables passaient trop de temps à saisir des factures fournisseurs. Ai Trade Trust a déployé un système d'extraction automatique en cinq semaines. Le gain est de 14 heures par semaine. Le retour sur investissement a été atteint en moins de quatre mois.
L'équipe a été franche dès le départ : un de nos deux cas d'usage ne se prêtait pas à l'IA, faute de données suffisantes. Ils auraient pu accepter le projet et facturer quand même. Cette honnêteté nous a convaincus de leur confier le second cas, un modèle de prévision de la demande, qui fonctionne très bien depuis sept mois.
Études de cas
Prévision de la demande pour un grossiste alimentaire
Contexte : un grossiste alimentaire basé à Malines gérait 2 400 références produits. Les prévisions de commande reposaient sur des tableurs Excel mis à jour manuellement chaque lundi. Le surstockage de produits frais entraînait un taux de perte de 9 %.
Ce que nous avons fait : nous avons entraîné un modèle LightGBM sur 18 mois d'historique de ventes, croisé avec les données météo, les jours fériés et les promotions planifiées. Le modèle produit chaque dimanche soir une prévision à 14 jours pour chaque référence.
-22 % de surstockage -31 % de ruptures ROI atteint en 5 mois
Le modèle est en production depuis septembre 2024. Le ré-entraînement trimestriel intègre les nouvelles références et les changements de saisonnalité.
Contrôle qualité visuel pour un fabricant de pièces métalliques
Contexte : une PME liégeoise produisant des composants métalliques pour l'industrie automobile effectuait un contrôle visuel manuel en fin de chaîne. Deux opérateurs inspectaient environ 800 pièces par jour. Le taux de détection des micro-fissures plafonnait à 88 %.
Ce que nous avons fait : nous avons installé une caméra haute résolution au-dessus du convoyeur et développé un modèle de détection d'objets (YOLOv8 affiné sur 1 400 images annotées). Le système analyse chaque pièce en temps réel et dévie automatiquement les pièces suspectes vers un bac de vérification.
96,3 % de détection 0,4 s par pièce Déploiement en 7 semaines
Les deux opérateurs consacrent désormais leur temps à la vérification des pièces signalées plutôt qu'à l'inspection de l'ensemble du flux. Le volume de pièces défectueuses livrées au client final a diminué de 63 % sur les six premiers mois.
Votre projet pourrait figurer ici
Chaque étude de cas commence par une conversation de deux heures. Nous examinons vos données, vos objectifs et vos contraintes techniques. Si l'IA peut apporter un gain mesurable, nous vous le montrons avec des chiffres. Sinon, nous vous le disons aussi.
Contactez-nous pour planifier votre audit gratuit.
Demander un audit gratuit