Comment nous avons remporté le challenge Dis-ADEME avec une IA construite en 3 semaines
Quick Answer : le challenge Dis-ADEME et notre prix
DPLIANCE, agence Data/IA basée à Poitiers, a remporté l’un des trois prix du challenge « Dis-ADEME » avec un agent d’instruction : une IA qui analyse automatiquement les demandes d’aides à la transition écologique — éligibilité et complétude — pour pré-instruire les dossiers et soulager les agents instructeurs.
Les faits en bref :
- Le problème : l’ADEME reçoit énormément de demandes d’aides inéligibles ou incomplètes. Leur tri mobilise les agents instructeurs sur des tâches mécaniques, au détriment de l’instruction des dossiers qui en valent la peine.
- La solution : un agent d’instruction qui vérifie automatiquement chaque critère d’éligibilité (par exemple le code APE, via l’API SIRENE de l’INSEE) et la complétude du dossier, et restitue un statut clair et motivé, critère par critère — explicable et traçable.
- Le délai : trois semaines entre la première ligne de code et la démonstration devant le jury, avec une centaine de cas testés.
- Le bénéfice secondaire : les demandeurs peuvent vérifier leur éligibilité avant de déposer — la qualité des dossiers s’améliore en amont.
- Le prototype : public et testable sur ademe.dpliance.com.
- La suite : une industrialisation est en cours pour intégrer la solution aux outils de l’agence.
Le détail du cas est documenté sur notre page réalisation ADEME. Voici l’histoire — et surtout ce qu’elle enseigne à quiconque lance un projet IA.
L’aide qu’on a ratée : pourquoi ce projet existe
Ce projet ne commence pas par un appel d’offres. Il commence par un échec administratif — le nôtre.
Comme beaucoup de jeunes entreprises, nous avons un jour candidaté à une aide publique. Dossier monté, temps investi, dispositif pertinent sur le papier. Résultat : non éligible. Un critère d’éligibilité, que nous n’avions pas identifié dans la documentation du dispositif, nous excluait d’office. L’information existait. Elle était publique. Nous ne l’avions simplement pas vue.
Sur le moment, nous avons vécu cet échec côté demandeur : du temps perdu, une aide manquée. Mais notre dossier non éligible a bien fini quelque part — sur le bureau d’un agent instructeur, qui a dû l’ouvrir, vérifier les critères un à un, constater l’inéligibilité et le rejeter. Multipliez notre cas par les milliers de demandes que reçoit une agence publique, et vous voyez le problème sous son vrai angle : des instructeurs mobilisés à trier des dossiers qui n’auraient jamais dû être déposés, au lieu d’instruire ceux qui le méritent.
Or ce tri est, pour l’essentiel, un problème de données. Les critères d’éligibilité sont des règles. Les caractéristiques d’une entreprise sont des données, largement disponibles dans des référentiels publics. Vérifier les unes au regard des autres est exactement le type de tâche qu’un système d’information bien conçu sait faire — à condition de rester explicable, car chaque dossier engage une décision.
Quand l’ADEME a lancé son challenge « Dis-ADEME » pour faire émerger des solutions facilitant l’accès à ses dispositifs, nous n’avons pas eu à chercher une idée. Nous avions vécu le problème d’un côté du guichet ; le challenge nous a mis face à l’autre côté.
Le problème vu du guichet : trier avant d’instruire
Avant même d’examiner une demande sur le fond, un agent instructeur doit répondre à deux questions mécaniques : le demandeur est-il éligible au dispositif, et le dossier est-il complet ? Une part importante des demandes reçues échoue à l’une ou l’autre — critère non rempli, pièce manquante, dispositif inadapté à la situation.
Ce filtrage est indispensable, mais il n’exige aucune expertise d’instruction : vérifier un code APE, contrôler une liste de pièces, confronter des caractéristiques administratives à des seuils. Des tâches répétitives, chronophages, qui allongent les délais pour tous les demandeurs — y compris ceux dont le dossier est solide — et consomment le temps d’agents dont la valeur est ailleurs : accompagner, arbitrer, décider.
C’est ce périmètre précis que nous avons choisi d’attaquer : automatiser la pré-instruction, pas la décision.
Le challenge Dis-ADEME : trois semaines, un jury, un agent d’instruction
Le principe du challenge : proposer une solution numérique concrète qui simplifie le parcours des bénéficiaires des dispositifs de la transition écologique. Pas un mémoire de prospective — une démonstration qui fonctionne.
L’équipe réunie à Poitiers pour le challenge s’est organisée autour de quatre profils complémentaires : Hichem Ammar-Boudjelal (CEO), Florian Gadal (CTO), Nicolas Albiges (data scientist) et Christian Tchouaffe (data analyst). Quatre personnes, trois semaines, un objectif : qu’un dossier de demande d’aide arrive devant l’instructeur déjà analysé — chaque critère vérifié, chaque signalement justifié.
Trois semaines, c’est court. C’est aussi un excellent filtre à décisions. Chaque fonctionnalité devait justifier sa place, sinon elle sortait du périmètre. Ce que nous avons gardé :
- La vérification automatisée de l’éligibilité : chaque critère du dispositif est confronté à des données fiables — par exemple le code APE de l’entreprise, récupéré via l’API SIRENE de l’INSEE à partir du seul SIRET.
- Le contrôle de complétude : les pièces et informations attendues sont vérifiées, et ce qui manque est nommé précisément.
- Une restitution explicable et traçable : pour chaque critère, un statut clair — rempli, non rempli, information manquante — motivé et sourcé. L’instructeur voit pourquoi un dossier est signalé, pas seulement qu’il l’est.
Le prototype a été testé sur une centaine de cas avant la démonstration, puis présenté au jury — et il est resté public : nous croyons qu’une démonstration se juge en la manipulant, pas sur des captures d’écran.
Ce qui a fait la différence : la pré-instruction explicable
Deux partis pris ont porté le projet — et aucun des deux n’est un exploit d’algorithme.
L’explicabilité et la traçabilité. Un agent qui rendrait un verdict global — « dossier à rejeter » — serait inutilisable dans un service public, où chaque décision doit pouvoir être motivée. Notre agent d’instruction ne décide rien : il vérifie, trace et justifie. Chaque critère a un statut explicite, chaque statut cite la donnée et la source qui le fondent, et l’incertitude est assumée (« information manquante » vaut mieux qu’une réponse inventée). L’instructeur garde la main sur la décision — avec, enfin, un dossier pré-analysé sous les yeux.
L’usage intelligent des données publiques. L’administration connaît déjà le code APE, l’effectif ou l’ancienneté d’une entreprise : ces données sont dans le répertoire SIRENE, accessible par API. Plutôt que de faire ressaisir ces informations — avec les erreurs et la friction que cela implique — l’agent les récupère à partir du seul SIRET et vérifie les critères correspondants automatiquement, avec une source citable pour chaque vérification.
La leçon tient en une phrase : ce qui a fait gagner une solution IA, c’est tout ce qui entoure le modèle. L’IA est nécessaire ; la rigueur de la vérification, la traçabilité et l’usage des données publiques ont fait la différence.
Le bénéfice secondaire : des demandeurs mieux accompagnés
Un agent d’instruction bien conçu ne sert pas qu’aux instructeurs. Le même moteur de vérification, exposé en amont du dépôt, permet à un demandeur de contrôler son éligibilité avant de constituer son dossier — et de savoir précisément quel critère pose problème ou quelle pièce manque. C’est exactement ce qui nous aurait évité notre propre échec administratif.
Comme le résume Christian Tchouaffé dans la presse locale : « Notre but était de créer un agent d’instruction qui accompagne les demandeurs ». Le cercle est vertueux : des demandeurs mieux informés déposent des dossiers mieux constitués, la part de demandes vouées au rejet diminue, et le temps des instructeurs se reporte sur les dossiers qui méritent une vraie instruction. C’est ce parcours que montre le prototype public.
Et maintenant : l’industrialisation
Un prix de challenge valide une direction ; il ne constitue pas un produit fini. La suite logique est en cours : une phase d’industrialisation pour intégrer la solution aux outils de l’agence.
Passer d’un prototype convaincant à un système intégré, c’est notre métier de tous les jours en tant qu’agence Data/IA : fiabilisation des sources de données, tenue à jour des référentiels de critères, robustesse, sécurité, conformité RGPD par design. Nous n’en dirons pas davantage ici — le périmètre et le calendrier de cette intégration appartiennent à l’ADEME, pas à nous.
Ce que ce projet enseigne à tout projet IA
Au-delà de l’anecdote, ce challenge condense trois convictions que nous appliquons à chaque projet que nous concevons et déployons.
1. Aller en production vite — le périmètre réduit, pas la qualité
Trois semaines n’ont pas produit un prototype au rabais : elles ont produit un périmètre honnête. Un parcours complet, de bout en bout, testé sur une centaine de cas, qui rend un service réel à un utilisateur réel — plutôt que dix fonctionnalités à moitié finies. C’est l’inverse du projet IA qui passe dix-huit mois en cadrage et meurt en comité. La vitesse n’est pas une prise de risque : c’est une méthode de réduction du risque, parce qu’elle confronte la solution à la réalité le plus tôt possible.
2. L’explicabilité n’est pas une option
Une pré-instruction alimente une décision administrative : accorder ou refuser une aide. Un score opaque serait inutilisable — et indéfendable face à un demandeur qui demande « pourquoi ? », comme face au droit administratif qui impose de motiver. Notre parti pris : chaque critère vérifié est tracé et justifié, chaque statut cite sa source, et l’instructeur voit exactement pourquoi un dossier est signalé. C’est aussi la direction qu’impose la réglementation, de l’AI Act aux obligations de motivation du secteur public — nous y consacrons un article dédié sur l’IA explicable.
3. Les données publiques bien utilisées valent mieux qu’un modèle plus gros
L’API SIRENE existait avant nous. Les référentiels de critères aussi. La valeur n’était pas dans une donnée secrète ni dans un modèle exotique : elle était dans l’assemblage — brancher des sources fiables, structurer les règles, et laisser l’IA faire ce qu’elle fait bien (analyser un dossier, le confronter à des critères) sans lui faire porter ce qu’elle fait mal (inventer des faits administratifs). La France dispose d’un patrimoine de données ouvertes remarquable ; il est très sous-exploité.
Ce type de solution — partir d’un problème réel, construire vite, mettre en production un système explicable et souverain — c’est exactement ce que nous faisons pour nos clients. Le cas complet est détaillé sur notre page réalisation ADEME, et notre approche sur la page de l’agence.
FAQ
Qu’est-ce que le challenge Dis-ADEME ?
Dis-ADEME est un challenge d’innovation lancé par l’ADEME (Agence de la transition écologique) pour faire émerger des solutions numériques qui simplifient l’accès à ses dispositifs d’accompagnement. DPLIANCE a remporté l’un des trois prix du challenge avec un agent d’instruction : une IA qui pré-analyse les demandes d’aides — éligibilité et complétude — pour soulager les agents instructeurs, construite en trois semaines.
Que fait concrètement la solution développée par DPLIANCE ?
Elle pré-instruit les demandes d’aides. L’agent d’instruction vérifie automatiquement chaque critère d’éligibilité — par exemple le code APE, récupéré via l’API SIRENE de l’INSEE — ainsi que la complétude du dossier, puis restitue un statut clair et motivé, critère par critère. Les agents instructeurs reçoivent des dossiers déjà analysés, avec la justification de chaque signalement, au lieu de trier manuellement les demandes inéligibles ou incomplètes.
Peut-on tester le prototype ?
Oui. Le prototype présenté au challenge est public et accessible sur ademe.dpliance.com. Il illustre le parcours complet : analyse d’une demande d’aide, vérification automatisée des critères d’éligibilité et de la complétude, et restitution explicable des résultats.
Pourquoi l’intégration de l’API SIRENE a-t-elle fait la différence ?
Parce que l’administration possède déjà une partie des informations à vérifier. À partir du SIRET du demandeur, l’agent d’instruction récupère les caractéristiques administratives de l’entreprise (code APE, notamment) dans le répertoire SIRENE de l’INSEE et vérifie les critères correspondants automatiquement — sans ressaisie, sans erreur de saisie, et avec une source citable pour chaque vérification.
La solution aide-t-elle aussi les demandeurs ?
Oui, c’est le bénéfice secondaire du projet. Le même moteur de vérification permet à un demandeur de contrôler son éligibilité avant de déposer son dossier. Résultat : moins de demandes vouées au rejet, des dossiers mieux constitués — et donc moins de tri mécanique en aval pour les instructeurs. Comme le résume Christian Tchouaffé dans la presse locale : « Notre but était de créer un agent d’instruction qui accompagne les demandeurs ».
La solution sera-t-elle intégrée aux outils de l’ADEME ?
Une phase d’industrialisation est en cours pour intégrer la solution aux outils de l’agence. Nous n’en dirons pas plus à ce stade : le périmètre et le calendrier relèvent de l’ADEME. Le prototype public, lui, reste accessible.
Comment construire une IA utile en trois semaines ?
En réduisant le périmètre au parcours qui crée de la valeur, pas en réduisant la qualité. Trois choix ont compté : partir d’un problème réel (le tri des demandes inéligibles ou incomplètes, que nous avions vécu de l’autre côté du guichet), s’appuyer sur des données publiques fiables (API SIRENE, référentiels des aides) plutôt que de tout faire générer par le modèle, et rendre chaque vérification explicable — un statut motivé par critère, pas un score opaque. Le prototype a été testé sur une centaine de cas avant la démonstration.
Qui compose l’équipe DPLIANCE ?
L’équipe réunie pour le challenge : Hichem Ammar-Boudjelal (CEO), Florian Gadal (CTO), Nicolas Albiges (data scientist) et Christian Tchouaffe (data analyst). DPLIANCE, qui portait le projet, est une agence Data/IA française souveraine : nous concevons, implémentons et déployons des solutions Data/IA en production, RGPD par design et par défaut.
Sources : Le 7 — « Comment DPLIANCE a séduit l’ADEME » ; Innover pour la transition écologique — lauréats.