Anne-Claire, comment définirais-tu la place de l’IA chez Mirakl aujourd’hui ? Est-ce un outil, un produit, un standard ?
Si on doit le faire en un mot, je dirais « enabler ». L’IA, que ce soit dans son organisation personnelle au quotidien, dans la façon de fonctionner en entreprise pour créer de la valeur — pour des clients internes ou externes — ou dans les services et produits qu’on vend, c’est un enabler technologique qui permet de créer plus de valeur, d’aller plus vite.
C’est ce qu’on a commencé à faire chez Mirakl il y a plus de neuf ans, avant même que l’on parle de transformers, de Gen AI ou d’agents. Nous avons introduit une approche visant à assister nos utilisateurs dans le software. Depuis l’arrivée de GPT, on vit un vrai changement de paradigme — presque un changement de civilisation. L’IA est désormais dans les mains de tout le monde, pas uniquement des développeurs qui accèdent à des API. Cette démocratisation change les dimensions internes — comment chacun travaille au quotidien — mais aussi ce qu’on vend : des agents, des modèles, une façon entièrement nouvelle de créer de la valeur pour nos clients.
Chez Mirakl, la moitié des effectifs est dans les équipes Product, Engineering et Data. Comment embarquer l’autre moitié — les fonctions support, les sales — dans un usage réel de l’IA, au-delà du discours ?
Le premier élément fondamental, c’est d’avoir une culture de l’expérimentation. Mettre tout le monde dans cette démarche : il y a de nouveaux outils, des choses qui se passent, il faut tester. Tout le monde peut tester, au moins le week-end à titre personnel. Par exemple, j’ai créé un agent pour m’aider à mes mises en vente Vinted : je prends une photo, et il gère tout jusqu’à la mise en ligne. Ce genre d’expérimentation individuelle vous fait comprendre concrètement ce que ça change — et vous inspire pour d’autres cas d’usage.
Le deuxième levier, c’est à l’échelle de l’entreprise : mettre à disposition des outils qui donnent accès aux LLM, permettent de tester différents modèles et de construire des agents. Nous avons eu un des premiers contrats GPT Enterprise en Europe, dès juin 2023. Ensuite, on est passés sur Dust pour que ce soit accessible à l’ensemble des collaborateurs. Aujourd’hui, dès l’onboarding, chaque nouveau collaborateur crée au moins un agent sur notre stack en moins de 20 minutes. On organise aussi des office hours pour que chacun puisse avancer à son rythme, venir avec un problème concret et bénéficier de l’entraide.
On arrive maintenant à un stade où il devient possible d’avoir des organisations hybrides — pas dans trois ans, mais maintenant. Des agents qui seront vos collègues demain. Ça demande de repenser l’organisation.
Comment passer de l’expérimentation individuelle à un standard commun à l’échelle de l’entreprise ?
J’ai vu beaucoup d’approches top-down il y a environ un an : construire un backlog centralisé, développer un portail GPT interne. Chez Mirakl, on a fait un choix radicalement différent — lié à notre culture tech — : plutôt que de mobiliser nos ressources de développement en interne, on a cherché à introduire des technologies qui permettent à chacun de démarrer et d’adopter une logique bottom-up.
On est aujourd’hui à près de 70 % des collaborateurs qui ont déjà créé un agent. Mais passer à l’étape suivante — déployer des cas d’usage métier dans toutes les équipes, pas seulement une — c’est un autre sujet. Une astuce simple qu’on a mise en place : quand on repère trois personnes qui ont développé des agents similaires, on les met en contact. Un agent détecte désormais ces doublons automatiquement.
Ce qui est essentiel, c’est de combiner l’autonomie individuelle à une direction claire donnée par le leadership : où sont les trois priorités où l’IA peut créer le plus de valeur ? Le bottom-up et le top-down doivent avancer ensemble.
Vous vendez un produit SaaS — donc quelque chose de précis et de fiable. Mais l’IA fait désormais partie de votre offre. Comment accompagnez-vous vos sales à vendre de l’IA, alors qu’elle n’est par définition jamais fiable à 100 % ?
La première chose à faire, c’est d’être honnête et de le dire clairement. L’IA est non déterministe — et la Gen AI encore plus que le machine learning classique. Je refais la même requête, je n’ai pas la même réponse. C’est une réalité à accepter.
Mais ça clarifie quelque chose d’important : les sales n’ont jamais vendu des fonctionnalités ou des outputs, ils ont toujours vendu des outcomes. L’IA renforce cette logique. Il s’agit de comprendre les vrais problèmes des clients, leurs pain points, pour positionner le produit sur ce qu’il permet de résoudre — pas sur une promesse de perfection.
L’analogie que j’utilise souvent, c’est Waze. Ça fait dix ans qu’on utilise ce GPS sur nos téléphones. Pourtant, personne n’attend d’arriver exactement à 14h32 quand Waze l’annonce. On sait que c’est 14h30 ou 14h35. Sur la route des vacances, on sait que c’est parfois très faux. Et pourtant, on ne dit pas que Waze ne sert à rien — parce que le problème qu’il résout est réel : rassurer les enfants à l’arrière, informer sa belle-mère de l’heure d’arrivée, éviter les disputes dans la voiture sur le choix de l’itinéraire. La perfection n’est pas l’enjeu. L’enjeu, c’est quel problème on résout.
L’autre point : il y a une vraie différence entre les États-Unis et l’Europe. Aux US, l’IA est beaucoup plus utilisée et comprise. En France, il y a souvent une aversion au risque plus forte — une tendance à se focaliser sur ce qui ne va pas plutôt que sur ce qui fonctionne. Or, si l’IA nous aide à mieux faire dans X% des cas par rapport à ce qu’on fait aujourd’hui, c’est déjà très positif.
Travailler dans une entreprise où la moitié des effectifs sont des ingénieurs et des data scientists crée-t-il une pression particulière sur vous ? Comment vivez-vous ça en interne ?
Je pense qu’on est tous en fear of missing out. Quelle est la dernière fonctionnalité ? Quel est le dernier modèle ? Qu’est-ce qui se passe ? Et on vit une accélération massive. On est dans un monde où des entreprises comme Anthropic releasent de nouvelles fonctionnalités presque chaque jour — pas juste des changements techniques.
La vitesse de création de valeur devient un enjeu encore plus fort, portée par des coding agents comme Cursor, Claude Code ou Codex. Le métier de software engineer — qui n’avait pas été autant disrupté depuis l’arrivée d’Internet — est aujourd’hui touché par deux vagues. La première : des pans entiers du code peuvent être refaits avec de la Gen AI, au lieu de code déterministe classique. Chez Mirakl, on a fait ce choix délibérément — remplacer une partie du cœur de notre produit par des algorithmes Gen AI. Ça a créé un sentiment de boîte noire en interne, une nouvelle façon de collaborer à apprivoiser.
La deuxième vague, c’est ce qui se passe depuis novembre dernier avec les coding agents. Qu’est-ce que ça veut dire de coder ? Qu’est-ce qui est vraiment important dans mon travail ? Comment le formuler pour le déléguer à une technologie ? Ça pousse vers plus de multidisciplinarité. Il y a deux semaines, un de nos data scientists a livré sa première interface de bout en bout en production : discovery client, construction de l’algorithme, intégration du design system via MCP, vibe coding de l’interface. Un profil qui n’aurait jamais fait ça avant.
Comment ton rôle de Chief Data & AI Officer diffère-t-il de ce qu’il serait dans une organisation plus traditionnelle ?
En moyenne, le rôle de Chief Data Officer était jusqu’ici plutôt une fonction support — un deuxième niveau, un peu en retrait des enjeux centraux. Aujourd’hui, c’est être au cœur du modèle économique de l’entreprise, au cœur de la production de valeur. On est rapproché des enjeux de revenus, on aide l’ensemble de l’organisation à faire sa transformation. C’est vraiment multifacette.
Quel est selon toi le prochain grand défi humain — pas technologique, pas budgétaire, vraiment humain — que tu vas devoir relever chez Mirakl ?
L’incertitude. On ne peut pas donner de certitudes aux gens : ni sur quand la technologie atteindra tel niveau, ni sur un guide en cinq étapes à suivre, ni sur une formation qui sera encore valable dans un an. Il n’y a pas de réponse figée, et ça change constamment. Cette évolution permanente est un vrai défi humain — peut-être le plus exigeant à gérer sur la durée.
👉 Suivez Anne-Claire sur LinkedIn
