|
|
@@ -1,5 +1,5 @@
|
|
|
---
|
|
|
-stepsCompleted: [step-01-init, step-02-discovery, step-02b-vision, step-02c-executive-summary, step-03-success, step-04-journeys, step-05-domain]
|
|
|
+stepsCompleted: [step-01-init, step-02-discovery, step-02b-vision, step-02c-executive-summary, step-03-success, step-04-journeys, step-05-domain, step-06-innovation, step-07-project-type, step-08-scoping, step-09-functional, step-e-01-discovery, step-e-02-review, step-e-03-edit]
|
|
|
inputDocuments:
|
|
|
- '_bmad-output/planning-artifacts/product-brief-AImpact-Hub-2026-02-24.md'
|
|
|
- '_bmad-output/brainstorming/brainstorming-session-2026-02-24.md'
|
|
|
@@ -13,6 +13,10 @@ classification:
|
|
|
domain: general
|
|
|
complexity: low-medium
|
|
|
projectContext: greenfield
|
|
|
+lastEdited: '2026-02-27'
|
|
|
+editHistory:
|
|
|
+ - date: '2026-02-27'
|
|
|
+ changes: 'Repositionnement produit — accélérateur de culture IA. Ajout éducation contextuelle dans formulaire (exemples LLM secteur/département), bibliothèque de cas d'usage IA partagée CDO-métiers, enrichissement traduction problème→cas IA, NFR section, mise à jour User Journey Sophie, Innovation section.'
|
|
|
---
|
|
|
|
|
|
# Product Requirements Document - AImpact Hub
|
|
|
@@ -22,21 +26,25 @@ classification:
|
|
|
|
|
|
## Executive Summary
|
|
|
|
|
|
-**AImpact Hub** est un SaaS B2B de collecte et priorisation de cas d'usage IA, conçu pour les responsables de la transformation digitale (CDO, directeurs innovation, DG) dans des entreprises de 40 à 1 500 personnes.
|
|
|
+**AImpact Hub** est un SaaS B2B d'accélération de la culture IA dans l'entreprise — combinant collecte de cas d'usage, éducation IA contextuelle et priorisation collaborative — conçu pour les responsables de la transformation digitale (CDO, directeurs innovation, DG) dans des entreprises de 40 à 1 500 personnes.
|
|
|
|
|
|
-Le problème central n'est pas l'absence d'idées — c'est l'**isolement du CDO**. Il a un mandat ("on fait de l'IA") mais aucun signal terrain qui remonte naturellement. Les idées des métiers restent dans des Excel éparpillés, des conversations de couloir ou simplement dans la tête des gens. ChatGPT a débloqué la demande : les équipes *veulent* faire de l'IA sur leurs données. Mais sans méthode pour identifier et prioriser quoi faire en premier, les initiatives se lancent sans ancrage métier, les POC meurent, et le CDO avance dans le flou.
|
|
|
+Le problème central n'est pas l'absence d'idées — c'est l'**isolement du CDO** couplé à l'**inhibition des métiers**. Le CDO a un mandat ("on fait de l'IA") mais aucun signal terrain qui remonte naturellement. Les métiers, eux, ont des problèmes concrets — mais ne se sentent pas légitimes pour parler d'IA. Résultat : les idées restent dans des Excel éparpillés, des conversations de couloir ou simplement dans la tête des gens. ChatGPT a débloqué la demande : les équipes *veulent* faire de l'IA sur leurs données. Mais sans méthode pour identifier et prioriser quoi faire en premier, les initiatives se lancent sans ancrage métier, les POC meurent, et le CDO avance dans le flou.
|
|
|
|
|
|
-AImpact Hub crée le **chaînon manquant** : les métiers soumettent leurs idées en langage terrain (aucun jargon IA requis), le CDO centralise, et l'IA effectue un premier scoring automatique (impact métier, faisabilité, urgence) qu'il ajuste et réordonne via drag & drop. La boucle se referme côté contributeur : il suit le statut de son idée (`Envoyé → En traitement → Mis à l'ordre du jour`), répond aux questions de qualification si besoin, et revient naturellement soumettre la suivante.
|
|
|
+AImpact Hub crée le **chaînon manquant** à trois niveaux : (1) le formulaire de soumission **éduque activement** les contributeurs en leur montrant des exemples concrets de cas IA dans leur secteur et leur fonction — générés par LLM au moment de l'ouverture du formulaire — pour qu'ils reconnaissent leurs propres problèmes comme des opportunités IA ; (2) une **bibliothèque de cas d'usage IA partagée** entre le CDO et ses équipes leur permet de parcourir ensemble des exemples inspirants et d'identifier collectivement les chantiers prioritaires ; (3) le CDO reçoit des fiches enrichies (titre, domaine IA, type de technologie, scores suggérés, explication claire du potentiel IA) qu'il ajuste et réordonne via drag & drop. La boucle se referme côté contributeur : il suit le statut de son idée (`Envoyé → En traitement → Mis à l'ordre du jour`), répond aux questions de qualification si besoin, et revient naturellement soumettre la suivante.
|
|
|
|
|
|
### Ce qui rend ce produit unique
|
|
|
|
|
|
**Pas Notion, pas Excel — un système prêt à l'emploi :** Notion est une page blanche. Le CDO doit concevoir le système, le maintenir, former les contributeurs, et espérer qu'ils s'y tiennent. AImpact Hub *est* le système : le formulaire est déjà en langage métier, le pipeline est déjà structuré, le scoring est déjà là. Rien à construire, rien à maintenir.
|
|
|
|
|
|
+**Le formulaire qui éduque :** un contributeur qui n'a jamais pensé à l'IA ouvre le formulaire et voit 2-3 exemples de cas IA concrets dans son secteur et sa fonction — générés par le LLM sur la base du contexte workspace (secteur, taille). Il ne part pas d'une page blanche mais d'un miroir de sa propre réalité métier. L'inhibition ("je ne suis pas légitime") se dissout avant même la première saisie.
|
|
|
+
|
|
|
+**Une plateforme commune, pas deux outils séparés :** la bibliothèque de cas d'usage IA partagée est accessible à la fois au CDO et aux métiers. Ce n'est pas un outil de conseil d'un côté et une boîte à idées de l'autre — c'est un **espace de rencontre** où les équipes et le Transformateur construisent ensemble la vision de ce qu'est l'IA dans leur entreprise.
|
|
|
+
|
|
|
**Asymétrie préservée :** les contributeurs *rêvent* (ils décrivent un problème, pas un cas d'usage IA), le CDO *décide* (l'IA suggère un premier tri, l'humain arbitre et réordonne). Les idées non prioritaires ou hors scope sont visibles et classées — rien n'est perdu, tout est arbitré.
|
|
|
|
|
|
**Conçu pour 1 utilisateur :** fonctionne dès J+1 avec un seul Transformateur, zéro setup, zéro administrateur. Opérationnel en 10 minutes par conception : workspace → invitations → premier formulaire soumis.
|
|
|
|
|
|
-**Timing exact :** la demande IA explose post-ChatGPT. Les CDOs ont le mandat, les budgets bougent, les métiers veulent contribuer. Il manquait l'outil adapté aux contraintes terrain : pas de jargon, pas de formation, pas de maintenance.
|
|
|
+**Timing exact :** la demande IA explose post-ChatGPT. Les CDOs ont le mandat, les budgets bougent, les métiers veulent contribuer. Il manquait l'outil adapté aux contraintes terrain : pas de jargon, pas de formation, pas de maintenance — et qui **active la curiosité IA** plutôt que de la supposer déjà présente.
|
|
|
|
|
|
## Classification du projet
|
|
|
|
|
|
@@ -92,15 +100,15 @@ AImpact Hub crée le **chaînon manquant** : les métiers soumettent leurs idée
|
|
|
|
|
|
### MVP — Minimum Viable Product
|
|
|
|
|
|
-Workspace + onboarding, formulaire soumission (5 champs, langage métier), ingestion email dédiée par workspace, backlog central (liste + kanban 4 colonnes), fiche cas d'usage, scoring IA avec ajustement manuel, drag & drop priorisation, statuts contributeur (`Envoyé → En traitement → Mis à l'ordre du jour`), export PDF / lien partageable.
|
|
|
+Workspace + onboarding (avec configuration secteur/taille entreprise), formulaire soumission avec **exemples IA contextuels générés par LLM** (secteur + département), **bibliothèque de cas d'usage IA** partagée CDO-métiers (parcourir + adopter comme point de départ), ingestion email dédiée par workspace, backlog central (liste + kanban 4 colonnes), fiche cas d'usage avec **explication enrichie** (titre, domaine IA, type de technologie, scores, explication claire du potentiel IA en langage non-technique), scoring IA avec ajustement manuel, drag & drop priorisation, statuts contributeur (`Envoyé → En traitement → Mis à l'ordre du jour`), export PDF / lien partageable.
|
|
|
|
|
|
### Growth (Post-MVP)
|
|
|
|
|
|
-Notifications email, import Excel/CSV, intégration Teams/Slack, commentaires et échanges sur chaque fiche, critères de scoring configurables.
|
|
|
+Notifications email, import Excel/CSV, intégration Teams/Slack, commentaires et échanges sur chaque fiche, critères de scoring configurables, interview IA légère (LLM pose 1-3 questions de qualification post-soumission).
|
|
|
|
|
|
### Vision (Long terme)
|
|
|
|
|
|
-Regroupement automatique d'idées similaires, suggestions de cas d'usage par secteur, suivi de valeur baseline/résultats, benchmarking anonymisé inter-entreprises, module reporting COMEX avancé, multi-workspace par organisation.
|
|
|
+Dashboard maturité IA de l'organisation (répartition des idées par type IA, par département, profondeur de la culture IA), regroupement automatique d'idées similaires, parcours éducatif étendu pour le CDO (benchmark sectoriel, aide à la décision sur chaque fiche), suivi de valeur baseline/résultats, benchmarking anonymisé inter-entreprises, module reporting COMEX avancé, multi-workspace par organisation.
|
|
|
|
|
|
## User Journeys
|
|
|
|
|
|
@@ -124,13 +132,13 @@ Fin du mois : 12 idées qualifiées, export généré. Au COMEX, pour la premiè
|
|
|
|
|
|
**Sophie, 38 ans, Responsable RH — même entreprise**
|
|
|
|
|
|
-Sophie reçoit l'invitation de Marc. Le message est clair : *"On construit la roadmap IA de l'entreprise. J'ai besoin de ta perspective terrain."* Elle ne se sent pas légitime sur l'IA, mais la première question du formulaire change la perspective : *"Décrivez quelque chose dans votre quotidien qui vous prend du temps et qui pourrait bénéficier de données ou d'automatisation."*
|
|
|
+Sophie reçoit l'invitation de Marc. Le message est clair : *"On construit la roadmap IA de l'entreprise. J'ai besoin de ta perspective terrain."* Elle ne se sent pas légitime sur l'IA — elle n'y connaît rien. Mais avant même de voir le formulaire, la plateforme lui présente 3 exemples de cas IA en RH dans une entreprise de distribution : *"Analyser automatiquement les entretiens de sortie pour détecter des tendances"*, *"Générer des synthèses de CV pour pré-trier les candidatures"*, *"Identifier les signaux d'absentéisme dans les données de paie"*. Ces exemples ne viennent pas d'un consultant — ils ont été générés par le LLM à partir du secteur et du département configurés dans le workspace.
|
|
|
|
|
|
-Elle pense immédiatement aux comptes rendus d'entretiens de sortie — 15 à 20 documents non structurés à analyser manuellement chaque mois pour en extraire les tendances RH. Elle décrit ça en 3 lignes. Impact : fort. Urgence : récurrente. Soumet.
|
|
|
+Sophie lit le deuxième exemple et s'arrête. C'est exactement ce qu'elle fait à la main chaque mois. Elle n'aurait pas su appeler ça "un cas IA". Maintenant elle le sait. Elle clique sur le formulaire, décrit le problème en 3 lignes — 15 à 20 comptes rendus d'entretiens de sortie non structurés à analyser manuellement chaque mois. Impact : fort. Urgence : récurrente. Soumet.
|
|
|
|
|
|
-Deux jours plus tard : "En traitement". Marc lui a posé une question de qualification : *"Combien de temps y passez-vous chaque mois ?"* Elle répond en 30 secondes. La semaine suivante : "Mis à l'ordre du jour". Elle dit à sa collègue DAF : *"Tu devrais en soumettre une aussi."*
|
|
|
+Deux jours plus tard : "En traitement". Marc lui a posé une question de qualification : *"Combien de temps y passez-vous chaque mois ?"* Elle répond en 30 secondes. La semaine suivante : "Mis à l'ordre du jour". Elle dit à sa collègue DAF : *"Tu devrais en soumettre une aussi — il y a même des exemples pour la finance, tu verras."*
|
|
|
|
|
|
-**Capabilities révélées :** formulaire en langage terrain orienté problème/données, suivi de statut contributeur, questions de qualification Transformateur → Contributeur, boucle de retour visible.
|
|
|
+**Capabilities révélées :** exemples IA contextuels générés par LLM (secteur + département) avant la saisie, bibliothèque de cas d'usage comme point de départ optionnel, formulaire en langage terrain orienté problème/données, suivi de statut contributeur, questions de qualification Transformateur → Contributeur, boucle de retour visible.
|
|
|
|
|
|
---
|
|
|
|
|
|
@@ -164,9 +172,12 @@ Marc les passe une par une à "Non prioritaire". Elles ne disparaissent pas —
|
|
|
|
|
|
| Capability | J1 Transfo | J2 Contrib | J2b Relance | J3 Edge |
|
|
|
|---|---|---|---|---|
|
|
|
-| Création workspace + invitation | ✓ | | | |
|
|
|
+| Création workspace + invitation (configuration secteur/taille) | ✓ | | | |
|
|
|
| Formulaire soumission (langage terrain / IA) | | ✓ | | |
|
|
|
+| **Exemples IA contextuels à l’ouverture du formulaire** | | ✓ | | |
|
|
|
+| **Bibliothèque de cas d’usage IA** (parcourir + adopter) | ✓ | ✓ | | |
|
|
|
| Backlog central (liste + kanban) | ✓ | | | ✓ |
|
|
|
+| Fiche enrichie (titre, domaine IA, type IA, explication, scores) | ✓ | | | |
|
|
|
| Scoring IA + ajustement manuel | ✓ | | | |
|
|
|
| Drag & drop priorisation | ✓ | | | |
|
|
|
| Suivi statut contributeur | | ✓ | | |
|
|
|
@@ -218,3 +229,274 @@ AImpact Hub traite des données personnelles d'employés (noms, emails, idées s
|
|
|
**Hors scope MVP :**
|
|
|
- DPA (Data Processing Agreement) formalisé — à prévoir pour les clients grands comptes en V2
|
|
|
- Chiffrement end-to-end des pièces jointes — chiffrement au repos suffisant en MVP
|
|
|
+
|
|
|
+## Innovation & Patterns Différenciants
|
|
|
+
|
|
|
+### Innovation 1 : éducation contextuelle avant la saisie
|
|
|
+
|
|
|
+Le premier frein à la contribution n'est pas le manque de temps — c'est le sentiment de ne pas être légitime sur l'IA. AImpact Hub adresse ce frein **avant même que le contributeur ne touche le formulaire** : à l'ouverture, le LLM génère 2 à 3 exemples de cas d'usage IA concrets, adaptés au secteur de l'entreprise et au département du contributeur (quand connu).
|
|
|
+
|
|
|
+**Exemple :** pour un contributeur RH dans une entreprise de distribution, le LLM affiche :
|
|
|
+- *"Analyser automatiquement les entretiens de sortie pour détecter les tendances de turnover"*
|
|
|
+- *"Pré-trier les candidatures en extraisant les compétences clés des CV"*
|
|
|
+- *"Détecter les signaux d'absentéisme dans les données de paie"*
|
|
|
+
|
|
|
+Ces exemples ne sont pas des tips génériques — ils sont contextualisés. Un responsable logistique verra des exemples supply chain, un DAF verra des exemples finance.
|
|
|
+
|
|
|
+**Ce que font les alternatives :** aucune solution existante ne fait ce travail d'activation. Les contributeurs arrivent sur Notion ou un Google Form avec une page blanche. AImpact Hub leur donne un miroir de leur propre réalité métier.
|
|
|
+
|
|
|
+### Innovation 2 : bibliothèque de cas d'usage IA — espace commun CDO-métiers
|
|
|
+
|
|
|
+La bibliothèque est un catalogue de cas d'usage IA curatés et organisés par secteur et fonction, **accessible à la fois aux contributeurs et au CDO**. Ce n'est pas un outil de conseil parallèle : c'est une ressource partagée qui vit dans la même plateforme.
|
|
|
+
|
|
|
+- **Le contributeur** peut parcourir la bibliothèque pour s'inspirer, puis "adopter" un cas comme point de départ de sa soumission (pré-remplissage du formulaire)
|
|
|
+- **Le CDO** peut partager des cas de la bibliothèque avec ses équipes pour orienter la collecte vers des thématiques stratégiques
|
|
|
+- **Effet :** la bibliothèque crée un **langage commun IA** entre le CDO et ses métiers — ils ne partent plus de zéro à chaque conversation
|
|
|
+
|
|
|
+### Innovation 3 : couche de traduction problème → cas IA enrichi
|
|
|
+
|
|
|
+Le différenciateur technique d'AImpact Hub est la capacité à transformer une description de problème en langage terrain en une fiche de cas d'usage IA structurée, pré-scorée et expliquée — sans que le contributeur n'ait besoin de connaître l'IA.
|
|
|
+
|
|
|
+**Exemple :** le contributeur écrit *"On passe 3 heures par semaine à réconcilier des factures à la main"*. Le LLM produit automatiquement :
|
|
|
+- Titre normalisé : *"Automatisation réconciliation factures"*
|
|
|
+- Domaine détecté : Finance
|
|
|
+- Type d'IA pressenti : Automatisation de processus / OCR
|
|
|
+- Explication claire : *"L'IA peut lire vos factures (même scannées), en extraire les montants et références, et les rapprocher automatiquement de votre comptabilité. Pas besoin de données structurées en amont."*
|
|
|
+- Scores suggérés : impact fort, faisabilité moyenne, urgence récurrente
|
|
|
+
|
|
|
+Ce que font les alternatives : Notion, Excel et les outils génériques ne font pas cette traduction. Les cabinets de conseil la font à la main, en atelier, facturé 2 000 €/jour. AImpact Hub l'automatise et la rend accessible à tout moment.
|
|
|
+
|
|
|
+### Capacités LLM — MVP
|
|
|
+
|
|
|
+Le système doit fournir deux capacités IA distinctes : (1) afficher des exemples de cas d'usage contextuels à l'ouverture du formulaire contributeur, basés sur le secteur et la taille du workspace ; (2) enrichir chaque idée soumise (titre, domaine, type IA, explication, scores suggérés) après la soumission, pour que le CDO découvre une fiche déjà structurée dans son backlog. L'enrichissement est visible uniquement côté CDO ; les exemples à l'ouverture sont visibles par le contributeur. Les contraintes de délai et de fallback sont définies dans la section Non-Functional Requirements (NFR3, NFR4, NFR8, NFR9).
|
|
|
+
|
|
|
+### Roadmap innovation (V2+)
|
|
|
+
|
|
|
+**Interview IA légère :** après soumission, le LLM pose 1 à 3 questions de qualification pertinentes basées sur ce qui a été écrit — *"Vous mentionnez une ressaisie manuelle, quel volume par semaine ?"* — pour enrichir l'idée avant qu'elle arrive au CDO.
|
|
|
+
|
|
|
+**Traduction visible pour le contributeur :** afficher la fiche structurée au contributeur juste avant validation — effet "magique" : il décrit un problème, il voit apparaître un cas d'usage IA.
|
|
|
+
|
|
|
+**Dashboard maturité IA :** analyse agrégée du backlog — répartition des idées par type IA (automatisation, prédiction, NLP, vision), concentration par département, profondeur de la culture IA dans l'organisation.
|
|
|
+
|
|
|
+### Validation de l'approche
|
|
|
+
|
|
|
+| Risque | Mitigation |
|
|
|
+|---|---|
|
|
|
+| Exemples contextuels hors-sujet si secteur mal configuré | Onboarding demande secteur + sous-secteur, exemples affichent un avertissement si contexte générique |
|
|
|
+| Qualité du scoring LLM faible si description trop courte | Score = "suggestion" — le CDO ajuste toujours. Afficher une indication de confiance basée sur la longueur de la description |
|
|
|
+| Bibliothèque non utilisée (trop de friction) | Adoption optionnelle — le formulaire classique reste le chemin principal |
|
|
|
+| Appel API LLM en échec | Fallback : fiche créée sans enrichissement, CDO qualifie manuellement. Log d'erreur visible dans le workspace |
|
|
|
+
|
|
|
+## SaaS B2B — Requirements Spécifiques
|
|
|
+
|
|
|
+### Modèle multi-tenant
|
|
|
+
|
|
|
+Unité de tenant : le **workspace**. Chaque entreprise opère dans un workspace isolé. Les données (idées, contributeurs, fichiers) ne sont jamais partagées entre workspaces. Un Transformateur peut avoir plusieurs workspaces (rare en MVP mais techniquement supporté).
|
|
|
+
|
|
|
+### Modèle de permissions (RBAC)
|
|
|
+
|
|
|
+| Rôle | Capacités |
|
|
|
+|---|---|
|
|
|
+| **Transformateur** (admin) | Crée le workspace, invite les contributeurs, consulte le backlog, score et ajuste, drag & drop priorisation, pose des questions de qualification, marque "Non prioritaire", envoie les relances, exporte |
|
|
|
+| **Contributeur** | Soumet des idées, suit le statut de ses propres idées, répond aux questions de qualification |
|
|
|
+
|
|
|
+Pas de rôle intermédiaire en MVP. Pas d'accès en lecture seule public. Les exports sont soit PDF téléchargeable, soit lien partageable non authentifié (consultation uniquement).
|
|
|
+
|
|
|
+### Tiers d'abonnement (freemium — à affiner)
|
|
|
+
|
|
|
+**Objectif :** couvrir les coûts serveur (hébergement + appels API LLM) tout en maximisant l'adoption. Les limites du tier gratuit doivent permettre de vivre la valeur du produit, pas juste de le découvrir.
|
|
|
+
|
|
|
+| | **Free** | **Pro** *(à pricer)* |
|
|
|
+|---|---|---|
|
|
|
+| Workspaces | 1 | 1+ |
|
|
|
+| Idées max | 30 | Illimité |
|
|
|
+| Contributeurs max | 5 | Illimité |
|
|
|
+| Scoring LLM | ✓ (limité) | ✓ |
|
|
|
+| Export PDF | 1/mois | Illimité |
|
|
|
+| Relance automatique | ✓ | ✓ |
|
|
|
+| Support | — | Email |
|
|
|
+
|
|
|
+> **Principaux drivers de coût :** appels API LLM (~0.01-0.02€/idée scorée) + hébergement EU. Les limites du tier Free sont calibrées pour que le coût serveur reste marginal.
|
|
|
+> **À affiner :** pricing exact, seuils précis, éventuel tier Enterprise (SLA, DPA, SSO).
|
|
|
+
|
|
|
+### Intégrations
|
|
|
+
|
|
|
+| Intégration | Scope |
|
|
|
+|---|---|
|
|
|
+| Ingestion email (inbox dédiée par workspace) | MVP |
|
|
|
+| API OpenAI (scoring LLM) | MVP |
|
|
|
+| Export PDF | MVP |
|
|
|
+| Teams / Slack | V2 |
|
|
|
+| API publique | V2 |
|
|
|
+| Import Excel/CSV | V2 |
|
|
|
+
|
|
|
+### Conformité
|
|
|
+
|
|
|
+RGPD + hébergement EU — détaillé en section Domain Requirements.
|
|
|
+
|
|
|
+## Project Scoping & Phased Development
|
|
|
+
|
|
|
+### MVP Strategy & Philosophy
|
|
|
+
|
|
|
+**Approche MVP :** *Experience MVP* — faire vivre la valeur core dès le premier usage. Le produit est opinioné : aucun paramètre configurable en MVP, tout est fixe. Objectif : adoption, pas flexibilité.
|
|
|
+
|
|
|
+**Risques d'activation prioritaires :**
|
|
|
+- Le Transformateur crée le workspace et ne sait pas par où commencer → adressé par l'onboarding guidé
|
|
|
+- Les features proposées ne correspondent pas à ce que le Transformateur souhaitait en s'inscrivant → adressé par un onboarding qui montre la valeur immédiatement (soumettre sa première idée lui-même en 2 minutes)
|
|
|
+
|
|
|
+### MVP Feature Set (Phase 1)
|
|
|
+
|
|
|
+| # | Feature | Statut |
|
|
|
+|---|---|---|
|
|
|
+| 1 | Workspace + onboarding guidé *(configuration secteur/taille → soumettre 1ère idée → inviter 3 personnes → attendre 48h)* | ✅ Must-have |
|
|
|
+| 2 | Invitation contributeurs | ✅ Must-have |
|
|
|
+| 3 | Formulaire soumission (5 champs, langage terrain) | ✅ Must-have |
|
|
|
+| 4 | **Exemples IA contextuels à l’ouverture du formulaire** *(2-3 cas générés par LLM selon secteur + département)* | ✅ Must-have |
|
|
|
+| 5 | **Bibliothèque de cas d’usage IA** *(parcourir par secteur/fonction, adopter comme point de départ, accessible CDO + contributeur)* | ✅ Must-have |
|
|
|
+| 6 | Ingestion email dédiée par workspace | ✅ Must-have |
|
|
|
+| 7 | Backlog central — liste + kanban 4 colonnes | ✅ Must-have |
|
|
|
+| 8 | Fiche cas d’usage enrichie *(titre, domaine IA, type IA, explication claire, scores)* | ✅ Must-have |
|
|
|
+| 9 | Enrichissement LLM post-soumission (suggestion asynchrone) | ✅ Must-have |
|
|
|
+| 10 | Ajustement manuel du score | ✅ Must-have |
|
|
|
+| 11 | Drag & drop priorisation | ✅ Must-have |
|
|
|
+| 12 | Statuts contributeur (Envoyé / En traitement / Mis à l'ordre du jour) | ✅ Must-have |
|
|
|
+| 13 | Questions de qualification (Transformateur → Contributeur) | ✅ Must-have |
|
|
|
+| 14 | Statut "Non prioritaire" + filtrage backlog | ✅ Must-have |
|
|
|
+| 15 | Relance automatique J+21 | ✅ Must-have |
|
|
|
+| 16 | Relance manuelle Transformateur | ✅ Must-have |
|
|
|
+| 17 | Notification email Transformateur à nouvelle idée soumise | ✅ Must-have |
|
|
|
+| 18 | Export PDF / lien partageable | ✅ Must-have |
|
|
|
+| 19 | RGPD base + mention hébergement EU | ✅ Must-have |
|
|
|
+| 20 | Responsive correct (desktop-first, pas mobile-first) | ✅ Must-have |
|
|
|
+
|
|
|
+### Post-MVP Features
|
|
|
+
|
|
|
+**Phase 2 (Growth) :** Import Excel/CSV, notifications email contributeur enrichies, critères de scoring configurables, intégration Teams/Slack, commentaires/échanges sur fiche, interview IA légère (LLM pose 1-3 questions de qualification post-soumission).
|
|
|
+
|
|
|
+**Phase 3 (Expansion) :** Dashboard maturité IA (répartition par type IA, par département), traduction visible problème → cas IA côté contributeur, regroupement automatique d'idées similaires, parcours éducatif étendu pour tous profils, benchmarking anonymisé inter-entreprises, suivi de valeur baseline/résultats, multi-workspace/organisation, DPA, SSO.
|
|
|
+
|
|
|
+### Risk Mitigation Strategy
|
|
|
+
|
|
|
+| Risque | Mitigation |
|
|
|
+|---|---|
|
|
|
+| Activation nulle (page vide) | Onboarding guidé avec checklist 3 étapes |
|
|
|
+| PMF (mauvaises features) | Onboarding montre la valeur immédiatement — 1ère idée soumise en < 2 min |
|
|
|
+| Contributeurs qui ne reviennent pas | Relance J+21 + qualification questions + statuts visibles |
|
|
|
+| Exemples IA hors-sujet (secteur mal configuré) | Onboarding demande secteur obligatoire ; fallback sur exemples génériques avec indicateur visuel |
|
|
|
+| Bibliothèque non utilisée | Adoption optionnelle — chemin formulaire classique toujours disponible |
|
|
|
+| Scoring LLM décevant | Score labellisé "Suggestion IA", CDO ajuste toujours |
|
|
|
+| Coûts LLM dépassés | Limite 50 appels LLM/mois tier Free, fallback sans exemples si quota atteint |
|
|
|
+| Ingestion email en spam | SPF/DKIM, inbox dédiée par workspace |
|
|
|
+
|
|
|
+## Functional Requirements
|
|
|
+
|
|
|
+### Workspace & Gestion de compte
|
|
|
+
|
|
|
+- **FR1 :** Le Transformateur peut créer un workspace en renseignant le nom de l'entreprise et son email
|
|
|
+- **FR2 :** Le Transformateur suit un onboarding guidé à la création du workspace (checklist : configurer le contexte entreprise → soumettre une 1ère idée → inviter des contributeurs → attendre les premières soumissions)
|
|
|
+- **FR3 :** Le Transformateur peut configurer les informations de base de son workspace (nom, secteur d'activité, taille de l'entreprise en nombre d'employés) — ces données alimentent la personnalisation des exemples IA et des suggestions de la bibliothèque
|
|
|
+- **FR3b :** Le système utilise le secteur et la taille configurés pour contextualiser les appels LLM (exemples formulaire contributeur, bibliothèque cas d'usage) — si secteur non configuré, le LLM utilise un contexte générique entreprise PME
|
|
|
+- **FR4 :** Le système applique les limites du tier Free (nombre d'idées, contributeurs, exports)
|
|
|
+- **FR5 :** Le Transformateur peut voir son niveau d'abonnement et les limites associées
|
|
|
+
|
|
|
+### Gestion des contributeurs
|
|
|
+
|
|
|
+- **FR6 :** Le Transformateur peut inviter des contributeurs par email
|
|
|
+- **FR7 :** Le contributeur invité reçoit un email avec un lien direct vers le formulaire de soumission
|
|
|
+- **FR8 :** Le contributeur peut accéder au formulaire et soumettre une idée sans créer de compte
|
|
|
+- **FR9 :** Le Transformateur peut voir la liste des contributeurs invités avec leur statut (invité / a soumis / n'a rien soumis)
|
|
|
+- **FR10 :** Le système envoie automatiquement une relance aux contributeurs sans soumission 21 jours après leur invitation
|
|
|
+- **FR11 :** Le Transformateur peut envoyer manuellement une relance à tous les contributeurs du workspace
|
|
|
+- **FR12 :** Le Transformateur peut personnaliser le message de la relance manuelle (objet + corps) avant envoi
|
|
|
+- **FR13 :** Le Transformateur reçoit une confirmation avant envoi d'une relance manuelle indiquant le nombre de destinataires
|
|
|
+
|
|
|
+### Éducation IA & Bibliothèque de cas d'usage
|
|
|
+
|
|
|
+- **FR14-IA1 :** À l'ouverture du formulaire de soumission, le système affiche 2 à 3 exemples de cas d'usage IA contextuels, générés par le LLM sur la base du secteur et de la taille du workspace ; si le département du contributeur est connu, les exemples sont également filtrés par fonction
|
|
|
+- **FR14-IA2 :** Les exemples affichés ne contiennent pas d'acronymes ni de termes techniques IA dans le corps du texte (ex. NLP, OCR, ML, LLM, API) — uniquement des descriptions courtes en langage métier de problèmes que l'IA pourrait résoudre, testable par vérification d'absence de ces termes dans chaque exemple
|
|
|
+- **FR14-IA3 :** Le contributeur peut accéder à la bibliothèque de cas d'usage IA depuis le formulaire ; la bibliothèque est organisée par secteur et par fonction
|
|
|
+- **FR14-IA4 :** Le contributeur peut sélectionner un cas de la bibliothèque pour pré-remplir le formulaire (titre et description partiellement renseignés) — il adapte ensuite à sa situation réelle
|
|
|
+- **FR14-IA5 :** Le CDO peut accéder à la même bibliothèque depuis son tableau de bord workspace et partager un lien direct vers un cas ou une catégorie avec ses contributeurs
|
|
|
+- **FR14-IA6 :** La bibliothèque contient au minimum 5 cas d'usage IA par secteur principal (distribution, industrie, services, santé, finance) et par fonction principale (RH, finance, supply chain, commercial, opérations) au lancement
|
|
|
+
|
|
|
+### Soumission d'idées
|
|
|
+
|
|
|
+- **FR14 :** Le contributeur peut soumettre une idée via un formulaire web en langage métier (5 champs : description du problème, département, impact estimé, fréquence, pièces jointes optionnelles)
|
|
|
+- **FR15 :** Le contributeur peut soumettre une idée par email à une adresse inbox dédiée par workspace
|
|
|
+- **FR16 :** Le contributeur reçoit une confirmation visuelle de soumission
|
|
|
+- **FR17 :** Le contributeur peut joindre des fichiers à sa soumission — types acceptés : PDF, DOCX, XLSX, PNG, JPG ; taille max 10 Mo par fichier ; maximum 3 pièces jointes par soumission
|
|
|
+
|
|
|
+### Enrichissement IA & Scoring
|
|
|
+
|
|
|
+- **FR18 :** Le système enrichit automatiquement chaque idée soumise (asynchrone, < 10s) via LLM : titre normalisé (< 8 mots), domaine métier détecté (parmi : RH, Finance, Supply Chain, Commercial, Opérations, IT, Autre), type d'IA pressenti (parmi : Automatisation de processus, Analyse documentaire / NLP, Prédiction / Machine Learning, Vision par ordinateur, Autre), explication du potentiel IA en 2-3 phrases en langage non-technique, scores suggérés sur une échelle de 1 à 5 : impact métier, faisabilité technique, urgence
|
|
|
+- **FR18b :** L'explication générée par le LLM est rédigée pour être directement lisible par le contributeur et par le CDO — elle décrit ce que l'IA ferait concrètement, sans jargon, et les données requises pour que ça marche
|
|
|
+- **FR19 :** Le Transformateur peut voir les scores LLM suggérés (1-5) et l'explication enrichie pour chaque idée dans la fiche détaillée et dans la vue backlog
|
|
|
+- **FR20 :** Le Transformateur peut ajuster manuellement les scores (1-5) de chaque idée — la valeur ajustée remplace la suggestion LLM et est tracée dans l'historique de la fiche
|
|
|
+- **FR21 :** En cas d'échec de l'appel LLM (timeout, erreur API), le système crée la fiche sans enrichissement automatique dans un délai de 30s maximum ; un indicateur visuel "À qualifier manuellement" est affiché sur la fiche ; le CDO peut déclencher manuellement une nouvelle tentative d'enrichissement
|
|
|
+
|
|
|
+### Backlog & Gestion des idées
|
|
|
+
|
|
|
+- **FR22 :** Le Transformateur peut voir toutes les idées dans une vue liste triable (par score, date, statut, domaine)
|
|
|
+- **FR23 :** Le Transformateur peut voir toutes les idées dans une vue kanban 4 colonnes (Idée / À qualifier / Prioritaire / En cours)
|
|
|
+- **FR24 :** Le Transformateur peut filtrer le backlog par statut, domaine et contributeur
|
|
|
+- **FR25 :** Le Transformateur peut ouvrir la fiche détaillée d'une idée (description, score, statut, historique, pièces jointes)
|
|
|
+- **FR26 :** Le Transformateur peut changer le statut d'une idée (Envoyé / En traitement / Mis à l'ordre du jour / En cours / Non prioritaire) — les idées "Non prioritaire" sont exclues de la vue active mais restent accessibles via filtre
|
|
|
+- **FR27 :** Le Transformateur peut rechercher des idées par mots-clés dans le backlog
|
|
|
+- **FR28 :** Le Transformateur peut voir un résumé des nouvelles activités depuis sa dernière visite (nouvelles idées, réponses reçues)
|
|
|
+
|
|
|
+### Qualification & Communication
|
|
|
+
|
|
|
+- **FR29 :** Le Transformateur peut poser une question de qualification à l'auteur d'une idée depuis la fiche
|
|
|
+- **FR30 :** Le contributeur reçoit une notification email quand une question de qualification lui est posée
|
|
|
+- **FR31 :** Le contributeur peut répondre à la question de qualification (depuis email ou plateforme)
|
|
|
+- **FR32 :** Le Transformateur reçoit une notification email à chaque nouvelle idée soumise dans son workspace
|
|
|
+
|
|
|
+### Priorisation
|
|
|
+
|
|
|
+- **FR33 :** Le Transformateur peut réordonner les idées par drag & drop dans le backlog
|
|
|
+- **FR34 :** Le Transformateur peut voir le classement de priorité résultant de ses ajustements
|
|
|
+
|
|
|
+### Export & Partage
|
|
|
+
|
|
|
+- **FR35 :** Le Transformateur peut générer un export PDF du pipeline d'idées priorisé
|
|
|
+- **FR36 :** Le Transformateur peut générer un lien partageable en lecture seule vers son pipeline
|
|
|
+
|
|
|
+### Conformité & Données
|
|
|
+
|
|
|
+- **FR37 :** Le système affiche une mention RGPD sur le formulaire de soumission avant validation
|
|
|
+- **FR38 :** Le Transformateur peut supprimer des idées et des données contributeurs sur demande
|
|
|
+
|
|
|
+## Non-Functional Requirements
|
|
|
+
|
|
|
+### Performance
|
|
|
+
|
|
|
+- **NFR1 :** Le formulaire de soumission contributeur se charge en moins de 2 secondes pour 95% des accès (mesuré par monitoring applicatif)
|
|
|
+- **NFR2 :** La confirmation de soumission est affichée en moins de 1 seconde après validation du formulaire
|
|
|
+- **NFR3 :** La génération des exemples IA contextuels à l'ouverture du formulaire s'exécute en moins de 3 secondes ; en cas de dépassement, des exemples génériques pré-calculés sont affichés immédiatement
|
|
|
+- **NFR4 :** L'enrichissement LLM post-soumission (FR18) est complété en moins de 10 secondes pour 90% des soumissions ; au-delà de 30 secondes, la fiche est créée sans enrichissement (fallback)
|
|
|
+- **NFR5 :** Le backlog central se charge en moins de 3 secondes pour un workspace contenant jusqu'à 200 idées (mesuré sur connexion standard 10 Mbps)
|
|
|
+- **NFR6 :** L'ingestion email (soumission → idée créée dans le backlog) se complète en moins de 15 minutes pour 95% des emails
|
|
|
+
|
|
|
+### Disponibilité & Fiabilité
|
|
|
+
|
|
|
+- **NFR7 :** Disponibilité cible : 99% sur une fenêtre mensuelle (hors maintenance planifiée notifiée 24h à l'avance)
|
|
|
+- **NFR8 :** Le taux d'échec des appels LLM (enrichissement + exemples) ne dépasse pas 5% sur une fenêtre de 7 jours glissants ; au-delà, une alerte est déclenchée côté opérationnel
|
|
|
+- **NFR9 :** En cas d'indisponibilité du service LLM, le formulaire de soumission reste fonctionnel (exemples génériques affichés, enrichissement différé) — aucune interruption du flux contributeur
|
|
|
+
|
|
|
+### Coûts & Scalabilité LLM
|
|
|
+
|
|
|
+- **NFR10 :** Le coût moyen par idée soumise (appels LLM enrichissement + exemples formulaire) ne dépasse pas 0,05 € par idée en conditions normales d'utilisation
|
|
|
+- **NFR11 :** Le tier Free est limité à 30 idées avec enrichissement LLM par workspace ; au-delà, les nouvelles soumissions sont créées sans enrichissement automatique jusqu'au passage en tier Pro
|
|
|
+- **NFR12 :** Un workspace en tier Free ne génère pas plus de 50 appels LLM par mois (toutes sources : enrichissements + ouvertures de formulaire) ; cette limite est appliquée côté serveur
|
|
|
+
|
|
|
+### Sécurité & Données
|
|
|
+
|
|
|
+- **NFR13 :** Les données de tous les workspaces (idées, contributeurs, pièces jointes) sont hébergées exclusivement dans des datacenters situés en Union Européenne
|
|
|
+- **NFR14 :** Les données de chaque workspace sont isolées — aucune donnée d'un workspace n'est accessible depuis un autre workspace, y compris dans les prompts LLM (le contexte workspace envoyé au LLM n'inclut jamais de données d'autres workspaces)
|
|
|
+- **NFR15 :** Les pièces jointes sont stockées chiffrées au repos (AES-256 minimum)
|
|
|
+- **NFR16 :** Les communications entre le client et le serveur sont chiffrées en transit (HTTPS/TLS 1.2+)
|
|
|
+
|
|
|
+### Qualité des outputs LLM
|
|
|
+
|
|
|
+- **NFR17 :** Les exemples contextuels générés par le LLM sont affichés avec un indicateur de confiance "générique" si le secteur du workspace n'est pas configuré — le contributeur sait que les exemples ne sont pas personnalisés
|
|
|
+- **NFR18 :** Les scores LLM suggérés sont affichés avec un label explicite "Suggestion IA — à ajuster" dans l'interface CDO pour éviter toute confusion avec des scores validés manuellement
|