/cas d’usage
Priorisation des dossiers par l’IA
Une file de travail réordonnée en continu, chaque rang expliqué.
La priorisation des dossiers attribue à chaque demande, prospect ou client un score prédictif (scoring), appris sur l’issue de vos dossiers passés. Vos équipes commencent ainsi par les dossiers urgents ou les plus prometteurs, et gardent la décision. Le règlement européen sur l’IA classe à haut risque le filtrage des candidatures et la hiérarchisation des appels d’urgence.
/usages
Une priorisation des dossiers, des relances commerciales au risque client.
Devis à relancer, factures à recouvrer, sinistres à instruire : chaque file mêle des dossiers d’enjeu très inégal. Tracfin a reçu près de 280 000 déclarations de soupçon en 2025, contre 40 000 en 2015. L’ACPR y voit un enjeu de qualité et de traitement du flux déclaratif.
Atelier LCB-FT du Forum Fintech ACPR-AMF 2026 (ACPR) (nouvel onglet)Tri des demandesSynthèse de dossiers
- Prospects et devis Estime la probabilité qu’un prospect devienne client ou qu’un devis soit signé.
- Risque client Attribue à chaque client professionnel un score de risque d’impayé et en déduit un plafond d’encours.
- Dossiers entrants Range demandes et réclamations selon leur urgence et leur enjeu, d’après des critères fixés avec le métier.
- Candidatures Pré-trie les candidatures reçues pour un poste, sous la validation d’un recruteur.
/fonctionnement
Un score prédictif tiré de vos dossiers déjà tranchés.
Un score de priorisation estime une issue précise : un devis signé, une facture payée à l’échéance, un délai dépassé. Un modèle d’apprentissage automatique (Machine Learning) supervisé s’entraîne sur vos dossiers passés dont l’issue est connue, à partir de leurs caractéristiques : origine, montant, délai demandé, historique du client…
Apprentissage automatique (Machine Learning)Science des données
- ApprentissageLe modèle confronte chaque dossier clos à son issue et apprend quelles caractéristiques distinguent les dossiers aboutis des autres.
- CalculChaque nouveau dossier reçoit une probabilité, puis un rang dans la file, avec les caractéristiques qui l’expliquent.
- DécisionVotre équipe suit la file, tranche les cas limites et corrige un rang si son jugement diffère.
/données
Des historiques où chaque dossier garde la trace de son issue.
Selon l’Insee, 29 % des entreprises de 10 salariés ou plus des secteurs marchands (hors agriculture, finance et assurance) qui n’utilisent aucune IA citent en 2025 des difficultés liées aux données nécessaires. La part atteint 49 % dans celles de 250 salariés ou plus.
Les TIC dans les entreprises en 2025 (Insee Première n° 2120) (nouvel onglet)Qualité des donnéesSocle de données
- L’issue de chaque dossier S’enregistre sur plusieurs années de dossiers clos, abandons et refus compris, faute de quoi le score n’apprend que des succès.
- L’état du dossier à son arrivée Fournit seul les données du calcul : une information ajoutée après le tri fausserait le score.
- Les critères du métier Se formalisent avec vos équipes, chacun avec son seuil : délai légal, montant plafond, client stratégique…
- L’accès aux logiciels Permet au score de lire les dossiers dans vos logiciels (CRM, ERP, logiciel métier) et d’y inscrire son rang.
38 % des entreprises recrutant des cadres avec l’IA l’emploient à trier les candidatures.
/sur le terrain
Des scores fiables là où les saisies sont régulières.
Une issue non saisie ou un champ rempli autrement d’une équipe à l’autre suffit à dégrader le score. En prospection, les résultats restent difficiles à garantir à l’avance.
- Des efforts commerciaux concentrés sur les prospects que le score place en tête
- Des canaux d’acquisition mieux arbitrés par la comparaison des scores selon l’origine des contacts
- Une gestion du risque client plus préventive par une alerte dès que le score d’un client se dégrade
- Des remontées à la direction plus rares grâce à des seuils de délégation appuyés sur le score
/cadre
Une frontière à tracer dès que le score porte sur des personnes.
Selon l’article 22 du RGPD, un candidat, un emprunteur ou un allocataire peut, sauf exceptions, échapper à une décision entièrement automatisée qui produit des effets juridiques ou l’affecte significativement. En 2023, la Cour de justice de l’Union européenne a jugé qu’un score de solvabilité constitue une telle décision dès que le prêteur lui donne un rôle déterminant dans l’octroi du crédit.
Pour les usages de l’annexe III, les obligations du haut risque s’appliquent à partir du 2 décembre 2027. Selon l’ACPR, la finalité prévue décide seule de cette qualification ; l’intervention d’un humain n’y change rien. Une tâche procédurale étroite ou préparatoire peut y échapper, sauf profilage de personnes physiques (article 6, paragraphe 3).
RGPD, chapitre III (CNIL) (nouvel onglet)Arrêt SCHUFA, communiqué de la Cour de justice de l’UE (2023) (nouvel onglet)Règlement européen sur l’IA, annexe III (nouvel onglet)Veille réglementaire
| Point de l’annexe III | Systèmes d’IA visés |
|---|---|
| 4 a) Recrutement | Publier des offres d’emploi ciblées, analyser et filtrer les candidatures, évaluer les candidats |
| 4 b) Relations de travail | Décider des promotions ou des licenciements, attribuer des tâches selon le comportement ou la personnalité, suivre et évaluer les performances des salariés |
| 5 a) Aide sociale | Évaluer, pour une autorité publique ou en son nom, l’éligibilité aux prestations et services d’aide sociale essentiels, ou les octroyer, réduire, révoquer ou récupérer |
| 5 d) Urgences | Évaluer et hiérarchiser les appels d’urgence, ou établir des priorités dans l’envoi des secours (police, pompiers, assistance médicale) |
/méthode
Une mise en service en quatre temps, de l’historique au logiciel de gestion.
Le score est conçu, mis en production puis maintenu avec ceux qui instruisent les dossiers chez vous. Pour les cas à trancher, une plateforme d’IA générative résume les pièces du dossier, sur vos propres serveurs ou chez un hébergeur en France.
- ÉTUDE DES DONNÉES L’inventaire porte d’abord sur vos historiques et l’issue enregistrée de chaque dossier, sans modèle. Ce premier état améliore déjà la collecte.
- CHOIX DE LA SOLUTION La notation de votre logiciel actuel, les solutions du marché et un modèle spécifique se comparent au regard de vos critères.
- ENTRAÎNEMENT ET ÉPREUVE Une fois l’historique constitué et le modèle entraîné, le classement qu’il aurait proposé se rejoue sur une période passée.
- INTÉGRATION ET SUIVI Le score se branche dans votre outil de gestion, les dossiers sensibles restent soumis à une décision humaine, et le modèle se réentraîne quand les dossiers clos s’accumulent ou que ses performances baissent.
/dans votre secteur
Le même cas d’usage, décliné secteur par secteur.
-
Classe les dossiers en attente (demandes MDPH, signalements, chantiers de voirie) selon leur urgence, pour que les équipes traitent d’abord ce qui ne peut pas attendre.
-
Classe les demandes de devis selon leur chance d’aboutir et leur intérêt pour l’atelier, et les demandes d’intervention de maintenance selon leur urgence, pour que chiffreurs et techniciens commencent par les bonnes.
-
Classe les appels d’offres repérés selon les chances de les gagner et la charge du bureau d’études, ou les logements d’un parc selon l’échéance à laquelle leur classe DPE les rendra non louables.
-
Classe les devis en attente selon leurs chances d’aboutir et les réclamations selon leur urgence, pour que le commercial relance d’abord le bon client et que le SAV traite d’abord le client bloqué.
-
Classe les demandes de cotation selon leur chance d’aboutir et la marge attendue, et les litiges ouverts selon leur montant et leur délai, pour traiter d’abord ceux qui comptent.
-
Classe les alertes LCB-FT, les sinistres ouverts et les réclamations selon leur enjeu et le délai qui reste, pour que les analystes et les gestionnaires traitent d’abord ce qui ne peut pas attendre.
-
Classe les candidatures reçues pour un poste ou une mission selon leur adéquation aux compétences demandées, en laissant le recruteur examiner chaque profil, y compris ceux placés en bas de liste.
/à savoir
Les questions fréquentes sur le score prédictif et la priorisation des dossiers.
Guide Recrutement de la CNIL (nouvel onglet)Code du travail, article L1221-8 (Légifrance) (nouvel onglet)Arrêt Dun & Bradstreet Austria, communiqué de la Cour de justice de l’UE (2025) (nouvel onglet)contactez-nous
Comment fonctionne la notation prédictive des prospects (lead scoring) ?
Le modèle compare vos prospects passés devenus clients aux autres, d’après l’origine du contact, la taille, le secteur et les échanges avec vos commerciaux. Il attribue ensuite à chaque nouveau prospect une probabilité de signature, recalculée à chaque échange.
Scoring client et RGPD : quelles obligations ?
Une décision fondée exclusivement sur un score, aux effets juridiques ou significatifs, n’est admise que si elle est nécessaire à la conclusion ou à l’exécution d’un contrat, autorisée par la loi ou explicitement consentie. Pour le contrat et le consentement, la personne peut au moins obtenir une intervention humaine, exprimer son point de vue et contester. Depuis 2025, la Cour de justice de l’UE exige aussi qu’elle comprenne quelles données ont servi, et comment.
Peut-on ne lire que les CV classés en tête par l’IA ?
En principe non. Selon la CNIL, ne consulter que les candidats classés en tête revient à une décision entièrement automatisée, admise seulement si elle est nécessaire à la conclusion du contrat de travail. Le code du travail exige aussi d’informer expressément les candidats, au préalable, de la méthode employée (article L1221-8).
Comment expliquer le résultat d’un score prédictif ?
Pour chaque dossier, une méthode d’attribution, comme les valeurs de Shapley (SHAP), mesure ce que chaque caractéristique ajoute ou retire à la probabilité calculée. À côté du rang, votre logiciel de gestion affiche celles qui pèsent le plus, par exemple un montant élevé ou un client sans retard de paiement. Vos équipes repèrent ainsi un rang porté par une information sans rapport avec l’issue, et nous retirons cette information du modèle.
Quelle différence entre règles métier et apprentissage automatique pour prioriser ?
Une règle métier applique un critère écrit, un seuil de montant par exemple, de la même façon à chaque dossier. L’apprentissage automatique pondère de nombreuses caractéristiques d’après l’issue des dossiers passés, combinaisons comprises. Nous combinons les deux : les règles fixent les priorités impératives, le modèle classe le reste.
/sources
Sources
- ACPR, Forum Fintech ACPR-AMF 2026, atelier LCB-FT, 2025 (atelier du 2 octobre 2026) (nouvel onglet)
- Insee, Insee Première n° 2120, « Les TIC dans les entreprises en 2025 » (21 juillet 2026), figure 4, 2025 (nouvel onglet)
- Apec, « Les cadres et l’IA » (mai 2026), 2025 (nouvel onglet)
- CNIL, texte du RGPD, chapitre III, 2016 (nouvel onglet)
- Cour de justice de l’UE, communiqué de presse n° 186/23, 2023 (nouvel onglet)
- Commission européenne, AI Act Service Desk : règlement (UE) 2024/1689, article 113 (version consolidée au 27 juillet 2026), 2026 (nouvel onglet)
- ACPR, « Encadrement et surveillance de l’IA dans le secteur financier », réunion de Place du 1er juillet 2026, diapositive 10, 2026 (nouvel onglet)
- Conseil de l’UE, texte adopté du règlement (UE) 2024/1689 (PE-CONS 24/24), 2024 (nouvel onglet)
- Commission européenne, AI Act Service Desk : règlement (UE) 2024/1689, annexe III, 2024 (nouvel onglet)
- Cour de justice de l’UE, communiqué de presse n° 22/25, 2025 (nouvel onglet)
- CNIL, Guide « Recrutement », fiche n° 13 (30 janvier 2023), 2023 (nouvel onglet)
- Légifrance, code du travail, article L1221-8 (en vigueur depuis le 1er mai 2008), 2008 (nouvel onglet)
/cas proches
- Classement de documents Trie, étiquette et range les documents entrants pour accélérer leur traitement et fiabiliser leur archivage.
- Prévision de la demande Anticipe volumes, ventes ou fréquentation à partir de l’historique, pour ajuster stocks, équipes et approvisionnements.
- Maintenance prédictive Repère dans les données des capteurs les signes avant-coureurs d’une panne, pour intervenir avant l’arrêt.
- Détection d’anomalies et de fraudes Signale les transactions, déclarations ou mesures atypiques, pour qu’un expert les examine en priorité.
- Anticipation des départs Repère les clients, abonnés ou adhérents susceptibles de partir, pour agir avant qu’ils ne le fassent.
- Segmentation Regroupe clients, produits ou sites aux comportements proches, pour adapter les offres et les actions à chacun.
/contact
Travaillons ensemble
Découvrez comment Inceptive peut vous aider à transformer votre activité et à résoudre des problématiques opérationnelles complexes grâce à l’intelligence artificielle.