L'analytique assistée par IA pour les équipes finance.

• — Encadrement d'une petite équipe Design.
• — Collaboration étroite avec le produit, l'engineering et la direction.
• — Pilotage du passage d'une analytique classique à une analytique assistée par IA.
• — Définition de la stratégie d'expérience pour l'assistant IA et le Data Explorer.
• — Contributions sur le produit, le Design System et la marque.

La plupart des entreprises ont déjà accès à des volumes considérables de données — financières comme opérationnelles. Le problème n'est presque jamais l'accès : c'est la compréhension. Les équipes finance et opérations passent leurs journées à naviguer entre systèmes, rapports, dashboards et tableurs pour répondre à des questions assez simples sur leur activité.

Une grande partie du travail consistait à raccourcir ce chemin : réduire la distance entre la question et la réponse, et donner aux équipes un moyen plus direct d'interroger leur activité sans avoir à devenir spécialistes du modèle de données.

L'un des premiers chantiers : la prise en main de l'assistant. La plupart des outils IA partent du principe que l'utilisateur sait déjà dialoguer avec une interface conversationnelle. Dans la vraie vie, ce n'est presque jamais le cas. Les gens arrivent avec des attentes, des niveaux d'aisance et des modèles mentaux très différents.

Plutôt qu'un product tour, j'ai conçu un onboarding fondé sur des interactions guidées, ancrées dans de vraies questions métier et dans les données du client. L'objectif : faire comprendre non seulement ce que l'assistant sait faire, mais aussi quand il est utile et comment il s'inscrit dans le travail déjà en cours.

L'assistant n'était pas le produit : c'était l'une des capacités d'une plateforme plus large. Je l'ai conçu comme tel — attribution des sources, raisonnement transparent, passerelles claires vers les données gouvernées — pour qu'une réponse générée par l'IA puisse être relue avec la même exigence qu'une requête écrite à la main.

Cadré ainsi, l'IA devient un moyen d'arriver plus vite à la compréhension, et non un substitut à l'analyse. Les mêmes personnes qui doivent défendre un chiffre devant leur direction peuvent en retracer la fabrication.

Le Data Explorer est né d'un constat voisin : les équipes savent souvent quelle question elles veulent poser, mais pas où vit l'information. En m'inspirant de l'Object-Oriented UX, j'ai structuré l'exploration autour d'entités métier — clients, produits, revenus, transactions, opérations — plutôt que de schémas techniques.

Cette navigation par entités rend l'exploration plus directe, et crée des ponts plus solides entre l'analytique, le reporting et les parcours assistés par IA. Le même modèle qui ancre l'assistant ancre l'explorer.

À mesure que Maxa grandissait, la cohérence entre produit, IA et communication est devenue centrale. J'ai posé le premier Design System de l'entreprise — composants, patterns, langage visuel et standards de dataviz — comme un socle commun qu'une petite équipe puisse faire vivre.

Ce travail s'est prolongé dans l'évolution de la marque, pour que le produit et l'entreprise se lisent comme un tout cohérent, et non comme deux chantiers parallèles.

• — A soutenu l'adoption chez des clients grands comptes.
• — A contribué à la maturité produit pendant la croissance série A.
• — A aidé à asseoir Maxa comme plateforme analytique crédible sur le marché entreprise.
• — A contribué à plusieurs distinctions, dont le Snowflake Data Driver Award.

Mon passage chez Maxa a confirmé une chose que je vois souvent dans le monde de l'entreprise : les équipes ne veulent presque jamais plus de données. Elles veulent comprendre plus clairement ce qu'elles ont sous les yeux, et ce que ça implique pour la suite.

La plupart des choix de design — sur l'analytique, la prise en main, l'assistant et le système qui les reliait — étaient autant de tentatives de rendre cette compréhension plus accessible.