Ekwater a opéré une mutation pour doubler son métier de fournisseur d’énergie de celui d’éditeur SaaS via sa plateforme Caprikorn. Cette transition repose sur une refonte de l’architecture du SI, désormais orientée vers la modularité pour permettre à de nouveaux entrants de piloter l’intégralité de la chaîne de valeur énergétique.
L’intégration de l’intelligence artificielle - déclinée en Machine Learning traditionnel, IA générative et agentique - constitue le levier technique permettant d’optimiser les opérations, de l’achat d’énergie sur les marchés à la gestion granulaire de la relation client.
Le pivot vers le modèle SaaS Caprikorn
Le socle technologique de Caprikorn a été conçu comme une plateforme modulaire gérant l’ensemble des processus métier d’un fournisseur d’énergie : achat (Power), souscription, facturation et gestion des flux de données provenant des compteurs communicants (Linky et Gazpar).
Pour soutenir son ambition d’éditeur SaaS, l’entreprise a finalisé la dépersonnalisation de son SI historique. Cette architecture orientée services permet désormais de gérer des configurations complexes, telles que le multisite ou des rythmes de facturation différenciés.
Cette approche par briques permet un découplage fonctionnel total, facilitant la commercialisation indépendante de composants spécifiques de la stack logicielle.
« On a dépersonnalisé et modularisé, ce qui permet de vendre effectivement une brique. Par exemple, si seule la brique “Billing” est intéressante, elle peut être vendue séparément », précise Jean-Michel Blanc, CTO des deux entités.
La robustesse de cette architecture modulaire constitue le socle indispensable à l’injection de couches d’intelligence artificielle sur l’ensemble de la pile applicative.
Machine Learning : Optimisation prédictive et analyse de l’attrition
Dans le secteur de l’énergie, l’équilibre entre l’offre et la demande est une contrainte opérationnelle majeure. Toute erreur d’estimation impose d’ajuster les volumes via l’achat de surplus ou la revente d’excédents à des tarifs volatils.
Pour répondre à cet enjeu, Ekwater s’appuie sur Amazon SageMaker. La solution AWS intervient pour déployer des modèles de Machine Learning capables de traiter des volumes massifs de données.
Les modèles croisent l’historique de consommation du parc client avec des variables exogènes, telles que les prévisions météorologiques, pour affiner les prévisions d’achat. Parallèlement, le ML est mobilisé pour le churn analysis (analyse de l’attrition), permettant d’anticiper les comportements de départ.
« Il faut acheter le bon volume d’énergie et après ajuster le surplus ou vendre ce qu’on a acheté en trop. Le Machine Learning nous permet d’optimiser spécifiquement cette partie-là », détaille Jean-Michel Blanc dans le podcast.
Cette expertise en analyse de données structurées a servi de fondation technique au déploiement de l’IA générative à partir de la fin de l’année 2022.
IA générative et relation client : Automatisation du support de niveau 1 et 2
L’intégration de l’IA générative s’est concentrée sur l’optimisation des centres de contacts via la brique Amazon Connect. L’objectif technique est la réduction du Temps Moyen de Traitement (DMT) par l’automatisation des tâches à faible valeur ajoutée.
Plutôt que d’exposer directement un chatbot au client final - un choix délibéré pour préserver l’identité de la marque - l’architecture privilégie l’assistance aux conseillers : résumé automatique d’appels, analyse de sentiments et systèmes de recommandation de produits (Next Best Action).
« Le résumé d’appel permet aux conseillers de gagner pas mal de temps. On a vu les modèles beaucoup progresser en performance et en qualité », souligne le CTO auprès de Secrets de Data lors de l’AWS Summit.
Le rendement de ces couches applicatives reste toutefois corrélé à la granularité et à la fiabilité du socle de données sous-jacent.
Gouvernance et architecture de données : La quête du “Golden Record”
Pour garantir la pertinence des automatisations, une refonte profonde de l’infrastructure de données a été menée. Le passage aux microservices a permis d’uniformiser le modèle d’objets métier, résolvant des défis sémantiques complexes, comme la distinction entre un simple prospect et un client actif.
Techniquement, cette évolution s’appuie sur un Data Lakehouse et l’utilisation de dbt pour structurer les cycles de transformation. L’accent est mis sur l’observabilité pour garantir la fraîcheur de la donnée et l’identification du Golden Record (la donnée de référence unique).
« Si on se base sur des données qui ne sont pas propres, tout ce qui sera mis en place derrière en termes d’IA générative ou d’automatisation ne sera pas de bonne qualité », rappelle Jean-Michel Blanc.
Ces fondations permettent désormais d’expérimenter des architectures agentiques capables de résoudre des problématiques opérationnelles autonomes.
Vers l’IA agentique : Automatisation des opérations et de la documentation
L’IA agentique est déployée en interne pour traiter des cas d’usage nécessitant une capacité d’analyse et d’exécution. Deux axes prédominent : l’analyse d’incidents de production (détection de signaux faibles pour accélérer la résolution) et la génération de documentation technique.
Ce second cas d’usage s’appuie sur un agent capable d’accéder directement au code source et aux outils de ticketing pour maintenir une documentation en phase avec la réalité technique.
Le pilotage des agents inclut une couche d’observabilité des LLM pour monitorer précisément le token counting (consommation de ressources) et la qualité des sorties ou outputs.
« La difficulté de toute boîte est d’avoir une documentation à jour. Le but est d’utiliser l’agent et son accès au code pour s’assurer que notre documentation est le reflet de la réalité », explique Jean-Michel Blanc.
La maîtrise de ces agents en interne ouvre la voie à leur intégration dans le cycle de développement logiciel.
Modernisation du SDLC : L’IA au service de l’ingénierie logicielle
L’impact de l’IA s’étend désormais au Software Development Life Cycle (SDLC). Caprikorn utilise l’IA lors d’ateliers techniques de conception pour favoriser le partage de connaissances entre des équipes aux niveaux de maturité hétérogènes.
Une innovation majeure réside dans l’automatisation de la revue de Merge Requests (MR). Face aux limites des outils génériques qui ne maîtrisent pas les standards propriétaires de l’entreprise, un agent spécifique a été alimenté avec les guidelines internes de Caprikorn pour fournir des retours contextuels et pertinents.
« Il faut monter dans le train de l’IA, il ne faut pas rester sur le quai. C’est un sujet que l’on teste, que l’on alimente et que l’on améliore petit à petit », déclare Jean-Michel Blanc.
À terme, les modèles agentiques seront intégrés au produit final pour assister les clients dans l’explication de leurs factures d’énergie, transformant une donnée réglementaire complexe en information intelligible et personnalisée.
Série de Podcasts AWS Summit
Hydrogène et agentique : la trajectoire technologique de Beyond Aero vers l’aviation décarbonée
Beyond Aero pilote une stratégie où l’innovation de rupture ne repose pas seulement sur la propulsion hydrogène, mais sur une architecture nativement intégrée au cloud et grâce à l’agentic AI.
L’objectif de Beyond Aero, implanté à Toulouse, berceau industriel de l’aéronautique français, est sans équivoque : certifier et commercialiser le premier avion d’affaires électrique capable d’atteindre 1500 kms d’autonomie, dépassant largement les limites des batteries actuelles.
Cette trajectoire s’appuie sur une exploitation massive des données de simulation et une intégration précoce de l’intelligence artificielle agentique. En automatisant les processus complexes de documentation et les jalons de certification, Beyond Aero transforme l’IA en un levier opérationnel pour accélérer les cycles de développement dans un cadre réglementaire exigeant.
Lire et écouter en intégralité
L’IA Act et l’agentique pour auditer la conformité avec Bureau Veritas
L’entrée en vigueur progressive de l’AI Act place les entreprises face à un défi paradoxal : une exigence de mise en conformité imminente contrastant avec un déficit de préparation structurel. Podcast
Les données partagées par Marc Roussel, vice-président exécutif urbanisation et assurance de Bureau Veritas, soulignent l’ampleur du chantier en matière de conformité à l’AI Act ou RIA : 68% des entreprises éprouvent des difficultés à interpréter les exigences des textes européens.
Par ailleurs, 60% n’ont pas encore instauré la gouvernance nécessaire. Ce hiatus entre l’ambition législative et la réalité du terrain traduit une fragilité structurelle qui dépasse la simple méconnaissance juridique.
