[DEBRIEF] Comment scaler l'adoption de l'IA : REX 360° d'une licorne w/ Sylvain Grande @PayFit

Comment une scale-up comme PayFit a embarqué toute son équipe (et ses clients) dans l’adoption de l’IA ? 

Le 10 juillet 2025, PayFit nous a accueilli pour un afterwork entre Galions.

Dans une conversation animée par Erica Beavers, cofondatrice @Alpic, Sylvain Grande, CPO &  Exco sponsor IA, de PayFit a partagé en toute transparence les étapes, outils et choix stratégiques qui ont notamment permis de :

• Lancer +100 assistants IA pour les équipes internes (RH, sales, compliance…)
• Intégrer l’IA dans leur produit avec un PayFit Copilot déjà adopté par les clients, réduisant de 30 à 35 % les demandes support
• Atteindre 70 % d’adoption interne et accélerer l’exécution
• Naviguer dans un environnement réglementé avec des cas d’usage IA concrets côté légal

 

1. Un chantier prioritaire : l’assistant Customer Support Copilot

L’équipe a commencé avec un cas d’usage à la fois stratégique et moins risqué que l'intégration de features IA dans le coeur métier de la solution : le support client.
Un assistant conversationnel (PayFit Copilot) répond automatiquement aux tickets, en s’appuyant sur une base documentaire interne, un moteur RAG, et des prompts adaptés au contexte. 
PayFit Copilot est pensée comme une plateforme d’assistants contextuels : une interface unique pour une armée de prompts et de sources de données. 

« On a démarré avec 3 personnes. En 4 mois, on était en prod. »

Résultats concrets :

• +30 % de tickets auto-résolus 

• Un impact mesurable sur la qualité, la vitesse de réponse, et la satisfaction client

« A ce jour, Copilot est en mode réactif : il répond aux questions qui lui sont posées. On commence maintenant à travailler sur des utilisations proactives et plus fines : adaptation au ton du client, utilisation des autres tickets support qui pourraient améliorer la réponse à une demande au delà de la documentation primaire... »

2. Organisation : centraliser pour aller vite, décentraliser pour diffuser, recentraliser pour structurer 

La structure de l'équipe IA a évolué en même temps que la maturité des cas d’usage :

• Phase 1 : petite équipe pilote de 3 personnes, très autonome, composée d’un ingénieur et d’un profil AI Ops "avec un bon mindset et une bonne culture Data" et pilotée par Sylvain en direct pour les arbitrages et la priorisation

• Phase 2 : création d’une équipe technique dédiée de 5 développeurs concentrés sur le set-up de l'infrastructure, du RAG et le développement, montée en compétence des équipes produit & tech. En parallèle, implication de plusieurs champions pour passer à l'échelle sur les assistants internes. 

• Phase 3 : recentralisation au bout de 12 à 18 mois ; "avec plus d’une centaine d’assistants, il faut mettre en place des process et cadrer"

« On a vécu le cycle classique : tout centraliser, puis distribuer, puis remettre un cadre. »

4. Adoption : la clé, c’est la confiance

L’usage IA s’est largement diffusé. En interne, 75 à 80 % des salariés utilisent régulièrement les assistants. Chez les clients, PayFit Copilot est utilisé par 85 % des admins RH.

Mais cette adoption ne s’est pas faite naturellement.
Elle a nécessité un travail d’acculturation, avec plusieurs leviers :

• Formations, ateliers, démos
  
  

• Slack communautaire pour partager les cas d’usage
  
  

• Hackathons, conférences internes
  
  

• Valorisation des "power users"
  
  

• Documentation claire et contextualisée

"L’IA est mis à l’ordre du jour de tous les rdvs rituels, all hands, weekly, points d’équipe etc. Il faut que ça devienne un sujet de conversation incontournable. On y partage régulièrement les top utilisateurs pour les valoriser, c’est une façon de jouer l’émulation."

« Bien entendu dans les nouveaux recrutements, on cherche des mindsets favorables à l'utilisation de l'IA. Cela dit, au sein des équipes, on veille à ne pas stigmatiser ceux qui expriment des réticences. Ce serait contre-productif en matière d'adoption. Et après tout, c'est la première révolution technologique qui impacte les jobs des plus éduqués. Ce qui serait déraisonnable ce serait de ne pas se poser de questions !  »

5. Choix des cas d’usage : lucidité stratégique

PayFit a fait des choix très clairs sur où mettre l’IA, et surtout où ne pas la mettre au début. Pas dans le moteur de paie ni dans les calculs critiques, mais plutôt dans le support, l'onboarding, l'analyse réglementaire :

« On a d’abord mis l’IA là où le risque était maîtrisable. Maintenant, on va plus loin. »

D'autres exemples de uses cases :

• Analyse de jurisprudence et réglementations à partir de Légifrance
  
  

• Recommandations automatisées dans les fiches de paie
  
  

• Résumé de tickets client avec tonalité adaptée
  
  

• 4 assistants Sales utilisés par 90% des 130 profils Sales 

Un bon use case pour commencer ? 

« L'analyse des feedbacks utilisateurs ! Cela demande d'aspirer, résumer, catégoriser et contextualiser beaucoup de données, donc typiquement un cas sur lequel l’IA peut se rendre très utile. Et c'est un sujet fédérateur, qui parle aux équipes Produit, Sales, au Service Client, tout en demandant relativement peu d’effort pour obtenir un résultat satisfaisant. »

 

6. Coût : moins élevé que prévu

Le coût réel d’un déploiement IA bien pensé est très raisonnable.
PayFit a su optimiser ses dépenses, notamment via un contrôle strict sur l’ingénierie des prompts et des sources. Le déploiement multi-produits a un coût marginal quasi nul.
En matière de maîtrise budgétaire, il y a un autre combat : il est critique de gérer la fragmentation des outils et des licences. On constate une multiplication des nouveaux outils amenée par l'IA et l'augmentation des tarifs de nombreux solutions existantes, sous le prextexte parfois discutable de nouvelles features IA. 

« Le coût des tokens a été divisé par 10 tous les 6 mois. Ce qui coûte, comme d’habitude, c’est les erreurs humaines d’ engineering. »

7. Gouvernance et gestion du risque 

La stratégie IA repose aussi sur une gouvernance claire et une approche réaliste des risques :

• Alléger le procurement pour éviter le shadow IT et accélérer les tests de nouveaux outils
  
  

• Culture du pré-mortem sur les projets sensibles
  
  

• Acceptation contrôlée du risque d’erreur :

« Si on tolère les erreurs humaines, doit-on  aussi tolérer celles des assistants ? »

A propos du testing et de l'observabilité :

« Le testing est particulièrement crucial sur les use cases “at scale”. Pas de recette magique, on bosse en continu sur le sujet, avec des tests par des LLMs as a judge. Il faut itérer en permanence car, à la différence du code, l'IA est moins stable; quelque chose qui marchait peut ne plus fonctionner du jour au lendemain. Si le sujet vous intéresse, je vous invite à consulter cette vidéo d'Andrej Karpathy, Dir. of AI @Tesla »

8. L’IA transforme les métiers… en profondeur

L’impact de l’IA va au-delà de la productivité. Elle change la nature même du travail.

• Les clients expriment plus de demandes à une IA qu’à un humain
  
  

• Le support devient un centre d’analyse, plus qu’un centre de traitement
  
  

• Le besoin de documentation bien structurée devient stratégique, en revanche le besoin de centraliser l’information n’est plus si vital avec le RAG.
  
  

• Les silos métiers commencent à tomber

« Le RAG a remis la documentation au centre. On ne peut plus tricher ni procrastiner sur le sujet.»

9. Mesure d’impact : des gains réels, mais diffus

Pas toujours facile de mesurer l’impact direct de l’IA. Beaucoup de gains sont diffus, indirects, mais profonds.

« C’est comme l’informatique ou Internet au début : on ne voit pas tout de suite le ROI à tous les niveaux, notamment global. Mais tout change en profondeur. »

« L’IA augmente la productivité collective, autant que celle de chaque individu, notamment en cassant les silos. »

« C’est l’IA qui a permis d’absorber la croissance sans recruter 2 fois plus. »

10. Build vs buy, modèle économique & vision produit

PayFit a fait le choix de builder son assistant PayFit Copilot en interne. Pourquoi ?

• Parce que le contexte métier est spécifique
  
  

• Parce que l’intégration produit est clé
  
  

• Parce que la scalabilité impose une maîtrise fine
  
  

La myriade d'autres uses cases métiers repose sur des outils du marché (Cursor, Dust, SnowFlake AI...)

Sur le modèle économique choisi par PayFit à date :

• Pas de surcoût pour le client final
  
  

• Des features IA sont intégrées dans le produit, quelque soit le Plan du client