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:
Author: Augustin Date: 2026-02-26
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 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 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.
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 — et qui active la curiosité IA plutôt que de la supposer déjà présente.
| Dimension | Valeur |
|---|---|
| Type de projet | SaaS B2B — plateforme 1 utilisateur = 1 workspace (MVP), multi-utilisateurs |
| Domaine | Général (outil horizontal, tous secteurs) |
| Complexité | Low-Medium — pas de contrainte réglementaire ; architecture multi-tenant + scoring IA + ingestion email |
| Contexte | Greenfield — nouveau produit, aucune base de code existante |
Le Transformateur (CDO / responsable transformation) :
Le Contributeur métier :
| Métrique | Définition | Signal "ça marche" |
|---|---|---|
| Workspaces actifs | ≥ 1 idée soumise + ≥ 1 connexion Transformateur dans les 30 derniers jours | Indicateur principal de traction |
| Idées par workspace | Nombre d'idées soumises par workspace actif | Indicateur de valeur perçue et d'adoption réelle |
| Plancher financier | Coûts serveur couverts | Minimum de viabilité |
Signal de percée : un workspace avec 5+ contributeurs actifs et 20+ idées — la culture de contribution s'est installée.
| Critère | Cible MVP |
|---|---|
| Disponibilité | 99% (pas de SLA formel en MVP) |
| Chargement formulaire contributeur | < 2 secondes |
| Confirmation de soumission | < 1 seconde |
| Ingestion email → idée créée | < 15 minutes |
| Chargement backlog (≤ 200 idées) | < 3 secondes |
| Scoring IA par idée | < 10 secondes |
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.
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).
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.
Marc, 47 ans, Directeur Transformation — groupe de distribution régional, 300 personnes
Le COMEX a validé le virage IA. Marc a le mandat, pas la méthode. Il a déjà fait des interviews, un Excel, deux ateliers — 14 idées disparates, aucun consensus.
Il s'inscrit avec son email professionnel et un mot de passe, confirme son compte via le lien reçu par mail, se connecte, puis crée son workspace. 8 minutes plus tard, il a invité les responsables de 4 pôles métiers. Message envoyé : "On construit la roadmap IA de l'entreprise. J'ai besoin de tes idées terrain — 2 minutes, c'est tout."
Le jeudi suivant, sans relance, 3 nouvelles idées sont dans son backlog — dont une d'un responsable supply qu'il n'aurait jamais pensé à interviewer. L'IA a proposé un score pour chacune. Il ajuste deux d'entre elles, réordonne par drag & drop. En 20 minutes, il a une première version de sa roadmap.
Fin du mois : 12 idées qualifiées, export généré. Au COMEX, pour la première fois, il présente les idées de ses équipes — pas les siennes.
Capabilities révélées : inscription (email/password) + confirmation email, connexion, création workspace, invitation contributeurs, backlog central, scoring IA + ajustement manuel, drag & drop, export PDF / lien partageable.
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 — 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.
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 — il y a même des exemples pour la finance, tu verras."
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.
Karim, 44 ans, Directeur Commercial — même entreprise
Karim a reçu l'invitation il y a 10 jours. Il avait l'intention de remplir "plus tard". Il n'a rien soumis.
3 semaines après son invitation, il reçoit un email automatique de la plateforme — ton neutre, non-intrusif : "Nous construisons la roadmap IA de l'entreprise. Votre regard sur les défis du pôle commercial nous serait précieux. 2 minutes suffisent." + lien direct vers le formulaire. Une seule relance automatique, jamais plus.
Karim clique. Il pense aux prévisions de vente — Excel manuel, 3 jours par trimestre. Il soumet en 90 secondes.
Capabilities révélées : relance automatique J+21 (si 0 idée soumise), une seule occurrence, log visible dans le workspace, lien direct vers formulaire.
Marc, 3 mois plus tard — 47 idées dans le backlog
C'est une réussite. Mais 8 idées concernent des sujets que le COMEX a explicitement déprioritisés. Elles encombrent la vue principale.
Marc les passe une par une à "Non prioritaire". Elles ne disparaissent pas — filtrables, conservées — mais quittent la vue active. Son backlog retrouve de la clarté : 34 idées qualifiées, ordonnées. La prochaine session COMEX sera nette.
Capabilities révélées : statut "Non prioritaire" (action individuelle), filtrage du backlog par statut, conservation sans suppression.
| Capability | J1 Transfo | J2 Contrib | J2b Relance | J3 Edge |
|---|---|---|---|---|
| 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 | ✓ | |||
| Questions de qualification | ✓ | |||
| Relance automatique J+21 (0 idée soumise) | ✓ | |||
| Relance manuelle Transformateur (tous contrib.) | ✓ | |||
| Statut "Non prioritaire" + filtrage | ✓ | |||
| Export PDF / lien partageable | ✓ |
Relance automatique :
ideas_count == 0Relance manuelle (Transformateur) :
AImpact Hub traite des données personnelles d'employés (noms, emails, idées soumises, pièces jointes). Les exigences minimales applicables dès le MVP :
Hébergement :
Transparence contributeur :
Droits utilisateurs :
Données manipulées :
Hors scope MVP :
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 :
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.
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 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 :
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.
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).
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.
| 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 |
Unité de tenant : le workspace. Chaque entreprise opère dans un workspace isolé. Les données (idées, contributeurs, fichiers) ne sont jamais partagées entre workspaces. MVP : 1 utilisateur (Transformateur) = 1 workspace. Multi-workspace prévu en Phase 3 (Expansion).
Le Transformateur s'inscrit et se connecte via email + mot de passe, avec confirmation par email. Pas d'OAuth (Google, Discord) en MVP.
| Étape | Description |
|---|---|
| Inscription | Email + mot de passe (règles de complexité) |
| Confirmation | Lien envoyé par email — clic valide le compte |
| Connexion | Email + mot de passe (NextAuth Credentials) |
| Création workspace | Immédiatement après première connexion |
Rationale : simplicité, contrôle des données, B2B-friendly, conformité RGPD sans dépendance à des tiers OAuth.
| 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).
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 user = 1 workspace) | 1+ (multi-workspace) |
| Idées max | 30 | Illimité |
| Contributeurs max | 5 | Illimité |
| Scoring LLM | ✓ (limité) | ✓ |
| Export PDF | 1/mois | Illimité |
| Relance automatique | ✓ | ✓ |
| Support | — |
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).
| 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 |
RGPD + hébergement EU — détaillé en section Domain Requirements.
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 :
| # | 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 |
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.
| 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 |