À l'heure où la question n'est plus "si" mais "comment" déployer l'Intelligence Artificielle, le secteur de la mobilité et des transports publics se transforme en laboratoire d'innovation à ciel ouvert. Loin des promesses futuristes et des concepts théoriques, ce sont désormais des solutions ancrées dans le réel qui s'imposent dans le quotidien des opérateurs de transport, logisticiens et distributeurs automobiles.

Nous vous détaillons 11 initiatives impactantes où l'IA n'est pas un gadget technologique, mais un véritable levier de transformation opérationnelle. De la RATP à Michelin, de Geodis à CarMax, ces exemples partagent un point commun : chacun témoigne d'un ROI mesurable et significatif, avec des gains qui se chiffrent en millions d'euros économisés, en heures libérées et en satisfaction client amplifiée.

Au-delà des résultats impressionnants, ces cas d'usage révèlent des facteurs de succès récurrents que toute organisation peut reproduire. L'analyse de ces projets permet d'identifier cinq critères déterminants qui ont transformé de simples expérimentations en déploiements stratégiques à grande échelle :

1. L'ancrage dans un irritant métier clairement identifié — Les initiatives les plus réussies répondent à des problèmes opérationnels à contrecoup réel et mesurable, plutôt qu'à une volonté abstraite "d'adopter l'IA".
2. La qualité et l'accessibilité des données — Les organisations ou entreprise qui disposaient déjà de systèmes référentiels structurés ont bénéficié d'un avantage significatif dans le déploiement et l'obtention rapide de résultats.
3. L'implication précoce des utilisateurs finaux — Les projets ayant intégré les équipes terrain dès la phase de conception ont connu une adoption beaucoup plus fluide et des taux d'utilisation supérieurs.
4. Une approche progressive et itérative — Les cas d'usage présentés ici ont presque tous démarré par un périmètre restreint, permettant des ajustements rapides avant le déploiement à grande échelle.
5. Un accompagnement structuré au changement — Au-delà de la technologie, les organisations ou entreprises ont investi dans la formation et la montée en compétences des équipes, faisant de l'humain le centre de la transformation plutôt que sa variable d'ajustement.

À travers ces exemples sectoriels, nous verrons comment ces principes s'appliquent concrètement dans des contextes aussi divers que l'information voyageurs, l'optimisation logistique ou l'expérience client en concession automobile.

Intelligence Artificielle et Transports Publics : des outils pour renforcer les équipes

Pour Keolis, la SNCF et la RATP, l’IA générative n’est pas déployée comme un substitut, mais comme un levier d’amélioration du service. Les outils rendent les équipes plus efficaces, et les soulagent sur des tâches répétitives afin de fiabiliser les informations. Leur adoption repose systématiquement sur des systèmes de formation structurée et d’intégration dans les processus métier.

1. Diviser par 4 le temps d'information aux voyageurs – Keolis

Keolis Pays-Bas a mis au point un assistant basé sur l’IA générative, à destination de ses équipes internes, afin de produire plus rapidement des messages d'information voyageurs en cas de perturbation. Ce système assiste les opérateurs dans la génération de messages à diffuser via les canaux classiques (site web, écrans embarqués, réseaux sociaux, etc.). Résultat : le temps de traitement de l'information a été réduit de 20 à moins de 5 minutes, avec un faible investissement initial.

En parallèle, Keolis a aussi lancé un programme de formation structuré pour favoriser l’adoption de ces outils à l’échelle du groupe. Ce plan d’acculturation comprend :

• Des ateliers pratiques sur la rédaction de prompts pertinents adaptés aux usages terrain ;
• Une sensibilisation aux impacts environnementaux de l’usage de l’IA générative ;
• Des pilotes métiers pour tester les cas d’usage et capitaliser sur les retours terrain ;

Arnaud Julien, Chief Innovation Officer, insiste sur l’importance de la formation et de la maîtrise des outils :

« Nous les accompagnons pour leur apprendre à prompter, c’est-à-dire à faire une demande pour générer des réponses fiables et utiles, en évitant d’avoir besoin de s’y reprendre plusieurs fois, car les requêtes ont une empreinte carbone. »

‍

2. À la SNCF, 70% d'usage dans les messages préparés par un assistant IA

De son côté la SNCF déploie plusieurs cas d’usage de l’Intelligence Artificielle dans ses centres de contact, visant à anticiper les volumes de requêtes, à analyser les émotions exprimées au cours des échanges, et surtout à améliorer la qualité des réponses. Selon Emmanuel Cordente, Chief Technology Officer de SNCF Connect, l’IA générative permet de prégénérer des réponses personnalisées dont 70 % sont réutilisées dans les réponses finales, ce qui accélère significativement la productivité tout en améliorant la satisfaction client. L’IA est également exploitée pour optimiser le référencement SEO, la traduction de contenus, ainsi que la génération automatisée de contenus adaptés aux moteurs de recherche.

« Nous devons rester très vigilants sur les hallucinations. Ce sujet de la véracité des réponses fournies via l'Intelligence Artificielle générative est très important pour nous. C'est pourquoi nous enrichissons encore notre expertise pour les use cases 'bots', car il faut atteindre un niveau de confiance très élevée avant de les mettre à disposition de nos clients. » – Emmanuel Cordente

3. Meilleure productivité et moins d'erreurs : former et outiller les agents – RATP

La RATP mène une démarche similaire à travers sa Data Factory, un collectif d’experts métiers et data créé au sein de la Fabrique Digitale pour expérimenter des cas d’usage réel. L’un des projets phares est l’assistant conversationnel CMalin, testé sur les lignes 1 et 3. Dédié aux agents en station, cet outil leur permet d’accéder rapidement aux procédures métier complexes ou rarement utilisées. Il offre un gain de temps significatif, réduit les erreurs opérationnelles et favorise la polyvalence.

« L’assistant CMalin permet aux agents d’accéder aux connaissances utiles dans des situations qu’ils ne rencontrent pas quotidiennement. Il offre de la réassurance, renforce la polyvalence et permet aux agents de gagner en efficacité tout en améliorant la qualité de service offerte aux voyageurs et en contribuant à éviter les surcoûts liés à une mauvaise application des gestes métier » – Mathilde Villeneuve, Responsable IAgreen, RATP.

Ce dispositif, conçu pour être accessible et immédiatement utile sur le terrain, participe à une meilleure qualité de service et à une diminution des surcoûts liés aux mauvaises pratiques. Il illustre la volonté de la RATP d’industrialiser les usages les plus prometteurs de l’Intelligence Artificielle, à forte valeur pour les voyageurs, les agents et les territoires.

4. Cas bonus : -10 % d'émissions aux feux rouges : Green Light par Google

Ici aussi l'IA sert d'assistant à des opérateurs de villes partenaires du programme Green Light. Lancé par Google Research en 2021, il s'attaque à un problème majeur de pollution urbaine : les feux de circulation. Les intersections urbaines sont responsables d’émissions de gaz à effet de serre jusqu’à 29 fois plus élevées que les routes dégagées, en raison du redémarrage après un arrêt. En analysant les données de circulation issues de Google Maps, le système identifie des optimisations simples sur les feux (réduction de la durée du rouge en heures creuses, synchronisation inter-feux, etc.).

Les recommandations générées par l’IA sont ensuite validées et mises en œuvre par les ingénieurs municipaux — sans besoin de matériel ou de logiciel spécifique. Résultat : 30 millions de trajets optimisés par mois, jusqu’à 30 % de réduction des arrêts et 10 % de baisse des émissions à certaines intersections.

"We offer each city dedicated reports with tangible impact metrics, such as how many stops drivers saved at an intersection over time." – Alon Harris, Program Manager, Green Light

Le programme est désormais actif dans plus de 70 intersections à travers des villes comme Rio, Seattle, Bangalore ou encore Boston, et vise des déploiements à l’échelle de centaines de villes dans les prochaines années. Il permet de réduire les arrêts aux feux de 30% et la pollution de 10%.

Intelligence Artificielle & Logistique : vers une performance augmentée

L'Intelligence Artificielle transforme profondément la chaîne logistique, en apportant des gains de performance mesurables à chaque étape du processus. De l'optimisation des appels d'offres à la réinvention complète de la supply chain par simulation, ces cas démontrent qu'une IA bien intégrée aux flux existants devient rapidement un avantage concurrentiel décisif.

5. -80 % de temps passé sur les appels d’offres : l’Intelligence Artificielle comme levier de productivité – Geodis & DHL

Geodis a mis en œuvre une IA générative capable de rédiger automatiquement 80 % des réponses aux appels d’offres, en s’appuyant sur une base de données unifiée des réponses passées, incluant les éléments tarifaires, les lignes historiques et les conditions commerciales. Cette solution a permis de diviser par cinq le temps de traitement des appels d’offres, tout en assurant une meilleure cohérence des réponses et en libérant du temps pour les tâches à haute valeur ajoutée. Les équipes peuvent ainsi se concentrer sur les spécificités techniques ou commerciales les plus différenciantes.

« L’idée n’est pas de remplacer les équipes, mais de les recentrer sur ce qui crée le plus de valeur, tout en répondant à tous les appels d’offres. » – François Bottin, Directeur du digital et de la technologie, Geodis

DHL adopte une approche similaire avec une suite d’applications d’IA générative déployées à grande échelle. La première application, utilisée par l’équipe Solutions Design, sert au nettoyage et à l’analyse initiale des données soumises par les clients. Cela permet aux ingénieurs de concevoir des solutions logistiques plus rapidement et sur des bases plus fiables, tout en réduisant le time-to-market.

Une deuxième application, orientée avant-vente, accompagne les équipes commerciales dès la phase de réponse aux appels d’offres. Elle analyse les besoins exprimés par les clients et génère automatiquement des propositions personnalisées. Ce système permet un gain de temps significatif, une amélioration de la précision des offres et une meilleure répartition des efforts des équipes sur les défis à plus forte valeur ajoutée.

DHL fait aussi l'utilisation des solutions commerciales à base de GenAI dans les fonctions juridiques et support client : résumés de requêtes, traitement de documents ou assistance à la résolution de demandes.

« Ces outils ne sont pas de simples gadgets technologiques : ils transforment nos processus clés. » – Sally Miller, CIO, DHL Supply Chain

« En nettoyant et en analysant les données client avant la conception des solutions logistiques, nous augmentons la productivité de nos ingénieurs. » – Markus Voss, Chief Development Officer, DHL Supply Chain

6. +10 % de capacité, -60 % de coûts : les jumeaux numériques réinventent la supply chain – Michelin & Geodis

Dans un contexte de fortes incertitudes (volatilité de la demande, perturbations politiques et sanitaires), les entreprises de la logistique s’appuient de plus en plus sur les jumeaux numériques pour simuler, anticiper et décider. Ces doubles numériques de la supply chain permettent de tester des scénarios à grande échelle en intégrant données internes (TMS, WMS, ERP) et signaux externes (météo, aléas géopolitiques, prix de l’énergie).

Michelin, accompagné par Cosmo Tech, a ainsi mené près de 80 000 simulations pour repenser l’organisation de sa production et distribution en Asie. Résultat : +5 % de profit, -60 % de coûts logistiques, réduction significative des émissions de CO2. L’outil a révélé des stratégies bien différentes de celles envisagées par les experts métiers.

« Cela nous a permis de trouver la manière d’optimiser leur supply chain [...] Il aurait été très difficile de la concevoir sans l’aide de l’outil. » – Michel Morvan, Président exécutif de Cosmo Tech

‍

Chez Geodis, le rachat de Transoflex en 2022 a permis d’appliquer ces principes au dernier kilomètre pharmaceutique. Le réseau a été entièrement modélisé, permettant d’identifier des surcapacités logistiques de 10 à 15 %, et d’optimiser le chargement des camions (+10 % de colis par tournée) via des algorithmes prenant en compte les contraintes de manutention manuelle.

« Nous pouvons désormais arbitrer entre des critères comme les émissions CO2 ou les restrictions en centre-ville, en nous appuyant sur des données fiables et un moteur de simulation robuste. » – François Bottin, Directeur digital & technologie, Geodis

7. +12 % de marge et meilleure rétention client : 321 optimise le dernier kilomètre

Face à la pression d’un concurrent proposant une logistique plus agile et des coûts de livraison réduits, un grand distributeur a sollicité 321 pour repenser sa stratégie du dernier kilomètre. L’équipe projet, composée de 8 experts (data scientists, développeurs, mathématiciens), a été mobilisée pendant six mois.

L’objectif : développer un algorithme de yield management exploitant les signaux de demande, l’historique d’achat et la sensibilité au prix pour orienter les clients vers des créneaux de livraison moins coûteux — les "Green Slots". Après l’analyse des données et le prototypage, une preuve de concept a été déployée dans deux hubs logistiques.

Résultats : environ 50 000 commandes optimisées, une réduction de 7 % des coûts de livraison (avec un potentiel estimé à 10 %), et un gain de +12 % de marge sur les produits stratégiques. Le projet a permis de mieux comprendre les comportements clients et d’affiner les politiques tarifaires. Il est aujourd’hui déployé dans cinq pays.

« Ce projet montre à quel point un bon usage des données, combiné à une Intelligence Artificielle bien calibrée, peut transformer un centre de coût en levier de rentabilité. » – Romain Ledru-Mathé, Managing Director, 321

Intelligence Artificielle et Vente de véhicules : vers une expérience client augmentée

Dans un marché automobile en pleine mutation, l'IA s'impose comme un différenciateur clé dans l'expérience client et la performance commerciale des concessions. Des points de contact digitaux aux interactions téléphoniques, les distributeurs de véhicules repensent l'ensemble de leur parcours client grâce à des assistants intelligents qui complètent et amplifient le savoir-faire des équipes humaines.

8. +11 ans gagnés en production de contenu : CarMax booste sa stratégie SEO avec l’Intelligence Artificielle générativeoffres

‍

CarMax, leader américain de la vente de véhicules d'occasion, a automatisé la génération de contenus pour ses pages de recherche de véhicules grâce à Azure OpenAI Service. En quelques mois, l'entreprise a produit des résumés de commentaires clients pour 5 000 véhicules, une tâche qui aurait nécessité 11 ans avec le processus manuel traditionnel. Le taux de validation éditoriale atteint 80 %, garantissant un alignement avec la voix de marque.

« With OpenAI Service, we hit that goal in just a few months, and the quality was even better than we anticipated after a little fine tuning. » – Sean Goetz, Director of Application Systems, CarMax

Ce contenu enrichi améliore le SEO du site, attire davantage de trafic et libère du temps pour les équipes éditoriales, qui peuvent se concentrer sur des contenus à forte valeur ajoutée.

« With the help of OpenAI Service, we’re disrupting our industry for a second time by delivering cutting-edge digital tools and capabilities. » – Shamim Mohammad, EVP & CIO, CarMax

9. +30 % de conversion et 90 % des requêtes automatisées : Seezar, le copilote des concessions

Seezar, développé par la startup Seez (UAE), est un assistant commercial basé sur l’IA générative, spécifiquement conçu pour les concessions automobiles. Disponible 24/7, il délivre des recommandations personnalisées, des comparaisons de véhicules et des réponses détaillées aux questions des clients. Résultats mesurés : +30 % de conversion commerciale, 8x plus rapide qu’un chatbot classique, 90 % des requêtes traitées sans intervention humaine.

« Seezar représente un nouveau standard technologique pour les concessions. En intégrant l’inventaire du concessionnaire et nos années de données marché, il propose une manière plus intelligente de conseiller les clients. » – Andrew Kabrit, Chief Product Officer, Seez

Lancé au Moyen-Orient, l’outil est aujourd’hui actif dans 15 pays, avec un soutien financier de Pinewood Technologies Group PLC pour accélérer son expansion aux États-Unis. L’IA est au cœur de la stratégie de Seez, représentant 71 % du chiffre d’affaires du groupe.

10. De 8 % à 100 % de prise en charge : Diago révolutionne l’accueil téléphonique en concession

En octobre 2024, la concession Citroën de Toulouse-Montaudran ne traitait que 8 % des appels entrants. En intégrant l’agent conversationnel de Diago, ce taux est passé à 75 % de réponses humaines, complété par 25 % des appels pris en charge par l’Intelligence Artificielle — assurant une joignabilité complète.

L’outil identifie les demandes, oriente les appels ou collecte les informations nécessaires pour un suivi ultérieur. Facturé à la performance, il a permis une amélioration rapide de la qualité de service, avec un budget inférieur aux prévisions.

« Nos clients bénéficient désormais d’une réactivité optimale, et nos équipes peuvent se concentrer sur leurs missions essentielles. » – Laurent Cereda, Directeur, Citroën Toulouse-Montaudran

Fondée fin 2023 par Guillaume Couzy ancien cadre de Stellantis, Diago vise à transformer l’accueil client en concession grâce à l’IA générative. La startup a signé un accord de déploiement avec le Groupement des Concessionnaires Peugeot (GCAP).

« L’Intelligence Artificielle est l’avenir de l’accueil téléphonique dans le secteur automobile. L’outil est performant et rentable. » – Sylvain Delgendre, Co-fondateur, Diago

11. +70 % d'efficacité relation client : l’Intelligence Artificielle pour soutenir les équipes terrain – BYmyCAR, Hess, Bodemer

Ces groupes misent sur l’IA pour fluidifier les échanges, réduire les points de friction et accroître la performance commerciale sans déshumaniser la relation client.

Chez BYmyCAR, un assistant IA conversationnel est développé avec Mistral AI et AlloBrain, capable de renseigner les clients sur les modèles, les stocks, les financements ou les garanties. En analysant les données du groupe (produits, VO, financement), il accompagne les clients et alerte les équipes sur des situations sensibles dans les centres de contact. Cette initiative a valu à BYmyCAR le Prix de l’Innovation Digitale 2024.

Le Groupe Hess Automobile, élu pour la cinquième fois consécutive Service client de l’année, fait l'utilisation de l’IA pour assister ses agents dans les centres d’appels. L’outil permet de débloquer des points de friction, tout en conservant l’humain au cœur de l’expérience.

Enfin, Bodemer, qui commercialise 35 000 véhicules par an, investit dans l’Intelligence Artificielle pour détecter les moments les plus pertinents de renouvellement de flotte, en croisant données d’usage, données fiscales et typologie de contrat.

« Face aux poids lourds du secteur, on ne peut se démarquer que par la qualité du service apporté. » – Thibaud Carissimo, Groupe Bodemer

Conclusion : De l'expérimentation à l'industrialisation

Ces 11 cas d'usage confirment une tendance de fond : l'Intelligence Artificielle dans les transports publics et la mobilité dépasse désormais le stade de l'expérimentation pour entrer dans une phase d'industrialisation. Les chiffres parlent d'eux-mêmes :

• Jusqu'à 80% de réduction du temps consacré à des tâches répétitives
• Des gains de marge opérationnelle de 10 à 15% sur les processus transformés
• Des améliorations de conversion commerciale de 30% et plus

Le succès de ces déploiements repose sur trois piliers communs :

1. Une approche centrée sur l'humain : l'IA est systématiquement positionnée comme un outil d'augmentation des capacités des équipes, jamais comme un substitut. Le temps libéré est réinvesti dans des tâches à forte valeur ajoutée.
2. Une intégration métier solide : les projets qui réussissent sont ceux où l'Intelligence Artificielle s'inscrit dans les processus existants et répond à des problématiques terrain identifiées.
3. Un accompagnement structuré : formation au prompt engineering, sensibilisation aux défis éthiques et environnementaux, pilotes métiers... La montée en compétences des équipes est indissociable du déploiement technologique.

Pour les décideurs du secteur, l'enjeu n'est plus de savoir s'il faut investir dans l'IA, mais d'identifier les cas d'usage à plus fort impact pour leur organisation. La question devient alors stratégique : quels sont les processus où l'Intelligence Artificielle peut créer le plus de valeur, tout en renforçant votre avantage concurrentiel ?

Face à un marché en pleine consolidation, où les acteurs qui tardent risquent de voir leur compétitivité s'éroder, l'heure est à l'action. Les exemples présentés ici montrent qu'avec une vision claire et une exécution maîtrisée, le retour sur investissement peut être rapide et substantiel.

L'Intelligence Artificielle dans la mobilité et les transports publics n'est plus une technologie du futur - elle transforme déjà le présent et redessine les règles du jeu pour tous les acteurs de l'écosystème.

Comment démarrer avec l'IA dans votre organisation

L'IA n'est plus l'apanage des géants technologiques. Voici cinq étapes clés pour lancer rapidement votre premier projet à impact :

1. Identifiez un irritant métier à fort ROI potentiel

• À faire : Assurez la gestion d'un atelier de 2h avec vos équipes terrain pour lister les 3 tâches les plus chronophages et répétitives
• Critères de sélection: Privilégiez les processus avec des données déjà disponibles et un impact chiffrable
• Exemple inspirant: Keolis a ciblé l'information voyageurs, tâche simple mais cruciale

2. Constituez un binôme métier-tech

• À faire maintenant: Identifiez un "champion métier" motivé et associez-le à un profil technique (interne ou externe)
• Configuration minimale: Un expert terrain + un développeur capable d'intégrer les APIs des LLMs comme Mistral
• Conseil pratique: Prévoyez 20% de leur temps dédié au projet pendant 8 semaines

3. Démarrez avec les outils existants

• Solutions prêtes à l'emploi: Exploitez les modèles de langage (OpenAI, Claude, LeChat() via leurs interfaces natives
• Premier cas d'usage: Automation d'un processus de rédaction/analyse répétitif (ex: synthèse de documents, réponses standards)
• Budget starter: 5-10K€ suffisent pour un POC avec les outils SaaS disponibles

4. Fixez un objectif de résultat à 60 jours

• Démarche sprint: Définissez précisément le MVP et ses métriques de succès (temps gagné, erreurs évitées)
• Cadence serrée: Revue hebdomadaire des avancées avec démonstrations concrètes
• Mesure d'impact: Comparez méticuleusement avant/après sur un périmètre limité mais représentatif

5. Industrialisez par itérations

• Post-POC: Élargissez progressivement le périmètre utilisateurs après validation du concept
• Formation pragmatique: Créez un guide simple pour les utilisateurs finaux (max 5 pages)
• Effet boule de neige: Documentez les gains pour convaincre d'autres départements

Cas d'usage starter pour se lancer dès demain:

• Transport public: Assistant de réponses aux réclamations clients
• Logistique: Préparation automatisée des réponses aux appels d'offres standardisés
• Vente de véhicules: Générateur de fiches produits et descriptions commerciales

La clé du succès réside dans le choix d'un premier projet suffisamment simple pour être livré rapidement, mais assez impactant pour créer un effet de démonstration irrésistible dans votre organisation.