L’Oréal, leader mondial de la beauté engagé dans l’industrialisation de l’IA agentique
Numéro un mondial de la beauté, L’Oréal développe, produit et commercialise des produits cosmétiques à travers un portefeuille de marques couvrant le soin, le maquillage, la coloration et le parfum.
Le groupe s’est doté depuis plusieurs années d’une organisation Data & IA structurée (L’Oréal Beauty Tech, Data & AI France). Il a massivement déployé l’IA générativeQu'est-ce que l'IA Générative ? L'IA Générative est une sous-branche de l'IA. Elle se concentre sur la création de nouveaux contenus (textes, images, vidéos...) à partir des données d'entraînement. Les modèles d'IA générative sont capables de générer de nouvelles données similaires au... More auprès de ses collaborateurs via son propre outil, L’OréalGPT.
AVISIA accompagne le Groupe L’Oréal depuis 2016, et plus spécifiquement L’Oréal France depuis 2023, sur la structuration de sa stratégie IA agentiqueQu'est-ce que l'IA agentique ? L'IA agentique représente une évolution majeure dans le domaine de l'intelligence artificielle. Contrairement aux systèmes d'IA traditionnels qui répondent simplement à des requêtes spécifiques, l'IA agentique désigne des systèmes dotés d'une forme d'autonomi... More.
| Présence internationale | Chiffre d’affaires (2024) | Collaborateurs | Partenariat AVISIA (Groupe) |
|---|---|---|---|
|
+150 pays
|
+43 Mds€
|
+90 000
|
Depuis 2016
|
Le défi : sortir du chatbot conversationnel pour industrialiser des agents IA à grande échelle
En 2025, les équipes L’Oréal France avaient déjà pris en main le sujet de l’IA générative. Formations techniques, preuves de concept et premiers projets industrialisés en faisaient partie, dont un assistant service clients et un outil de Gen BIQu'est-ce que la Generative BI (Business Intelligence Générative) ? La Generative BI, ou Business Intelligence Générative, est une approche innovante de la Business Intelligence. Elle utilise des techniques d'intelligence artificielle générative pour analyser, interpréter et visualiser les do... More en langage naturel (text-to-SQL).
Ces initiatives étaient solides et avaient permis une réelle appropriation par les équipes métier. L’étape suivante consistait à faire évoluer ces outils vers des agents (nommés Companions) capables d’agir, et non plus seulement de consulter l’information via des mécanismes de type RAGQu'est-ce que le RAG - Retrieval Augmented Generation ? Le Retrieval Augmented Generation (RAG) est une technique avancée d'intelligence artificielle qui combine la recherche d'informations (retrieval) avec la génération de texte (generation) pour fournir des réponses précises et contextuelleme... More.
À mesure que le nombre d’initiatives se multipliait, trois points de vigilance ont été identifiés pour réussir ce passage à l’échelle :
- Coordination des initiatives : avec la multiplication des projets, un cadre commun devenait nécessaire pour créer, monitorer et sécuriser chaque agent.
- Visibilité centralisée : la gouvernance avait besoin d’une vue d’ensemble sur qui créait quoi, avec quelles données, et comment ces agents étaient partagés.
- Fiabilisation de la donnée : les documents et systèmes sources devaient être mieux structurés pour garantir la pertinence des réponses.
Un exemple concret a rendu cet enjeu tangible. Sur le seul processus Procure-to-Pay (finance/achats), L’Oréal générait chaque année plusieurs dizaines de milliers de bons de commande, avec un processus encore hétérogène.
Un tiers des créateurs de commandes en produisaient moins de dix par an. Cela allongeait les délais de paiement fournisseurs et générait une charge de correction manuelle sur les imputations analytiques.
L’enjeu était clair : construire dès maintenant un cadre de gouvernance solide. Il devait permettre de passer de quelques agents pilotes à une échelle de plusieurs centaines, voire d’un millier d’agents visés pour 2026, sans perdre en maîtrise.
Vous devez faire cohabiter des dizaines d’initiatives IA sans perdre le contrôle sur vos données, vos coûts et votre conformité ? Échangez avec nos experts →
Notre approche : une architecture en 3 couches pour industrialiser et gouverner les agents IA
AVISIA a accompagné L’Oréal dans la construction d’une architecture en trois couches : socle data agent-ready, plateforme agentique et gouvernance. L’objectif était de transformer des initiatives dispersées en une véritable usine à agents, standardisée et pilotée.
Cadrage : diagnostiquer les défis du passage à l’échelle
AVISIA a mené un état des lieux des usages IA existants (L’OréalGPT, MyCompanion, TeamCompanion, premiers REX métier). Ce diagnostic a confirmé les trois points de vigilance à traiter en priorité. Il a aussi permis de fixer un objectif clair : faire passer les agents du statut d’assistants qui consultent l’information à celui d’agents capables de l’actionner.
Construction du socle data agent-ready
Avant de démultiplier les agents, la donnée qu’ils consomment devait être fiabilisée. Les équipes ont structuré les API, les bases documentaires et les couches sémantiques nécessaires. C’était la condition indispensable pour passer d’une simple consultation à une action réelle sur les systèmes.
Déploiement de la plateforme agentique
Une plateforme centralisée a été mise en place comme porte d’entrée unique pour créer, superviser et connecter les agents. Elle repose sur deux familles d’agents reliées par le protocole A2A (agent-to-agent).
Les agents personnels en no-code servent un usage libre des collaborateurs. Les agents d’entreprise, orientés process, sont connectés aux systèmes (CRM, gestion de tickets, bases de scoring) via le protocole MCP. Cette standardisation, partagée entre développeurs experts et collaborateurs métier, a réduit le délai de mise sur le marché de chaque nouveau cas d’usage.
Mise en place de la gouvernance et du pilotage
Une cellule de pilotage dédiée valide désormais les données, les modèles, la conformité (RGPDQu'est-ce que le RGPD (Règlement Général sur la Protection des Données) ? Si vous travaillez de près ou de loin avec la donnée, le sigle RGPD (Règlement Général sur la Protection des Données) fait sans doute partie de votre quotidien, parfois perçu comme une contrainte, mais de plus en ... More, AI ActQu'est-ce que l'IA Act ? Le 13 mars 2024, le Parlement européen a adopté l’IA Act (ou Règlement sur l'Intelligence Artificielle), marquant une étape historique : il s’agit du premier cadre juridique complet au monde visant à encadrer le développement, la mise sur le marché et l’utilisat... More) et les accès de chaque agent avant sa mise en production.
Un nouveau process en trois étapes garantit que chaque Companion s’intègre aux standards du groupe : pré-validation, consultation auprès de plus de vingt « champions métier » globaux, puis validation officielle via une demande ServiceNow. Traçabilité et audit-compliance sont intégrés à chaque étape. Un monitoring actif et un suivi FinOps de la consommation de tokens complètent le dispositif.
Déploiement de cas d’usage pilotes et mise à l’échelle
Pour démontrer la valeur du dispositif, AVISIA a accompagné le lancement de Companions métier à fort impact opérationnel. L’un d’eux est un assistant de création de bons de commande pour le processus Procure-to-Pay, capable d’extraire les informations d’un devis, de vérifier les référentiels fournisseurs et de préparer automatiquement le panier d’achat.
Ce cas d’usage a validé la mécanique de bout en bout (cadrage, priorisation par la valeur et l’effort, construction en 2 à 4 mois, mise en run), avant réplication sur d’autres métiers : marketing, opérations, supply, commerce et finance.
Les résultats : une usine à agents en ordre de marche
Plus de deux nouveaux Companions lancés chaque mois
Une appropriation dépassant largement le stade du POC
D’agents qui consomment à des agents qui agissent
Ces résultats vous intéressent ? Discutons de votre projet →
Pourquoi choisir AVISIA pour votre projet Data & IA ?
Une double expertise gouvernance IA et architecture agentique
AVISIA a construit avec L’Oréal les trois couches indispensables au passage à l’échelle (socle data, plateforme agentique, gouvernance), plutôt qu’un simple empilement d’agents isolés. Cette approche a déjà fait ses preuves sur d’autres projets de mise en production maîtrisée de l’IA.
Un partenaire du Groupe L’Oréal depuis 2016
AVISIA accompagne le Groupe L’Oréal depuis 2016, et L’Oréal France depuis 2023. Nos consultants connaissaient déjà l’organisation Data & IA du groupe avant le lancement du chantier d’industrialisation agentique.
Un choix technologique guidé par le projet, pas par défaut
Sur ce projet, AVISIA a mobilisé l’écosystème Google Cloud pour la plateforme agentique et les protocoles A2A et MCP. Ce choix répondait aux besoins de standardisation et d’ouverture de L’Oréal.
AVISIA est agnostique par principe : nous travaillons aussi bien avec Google Cloud qu’avec AWS ou Microsoft Azure. Nous sélectionnons la technologie en fonction du contexte client, jamais l’inverse.
Vers plus d’autonomie, pas plus de dépendance
Notre philosophie consiste à transférer la compétence de création et de maintenance des agents aux équipes métier elles-mêmes. Trois niveaux structurent ce transfert : Product Owner no-code, IT low-code/pro-code, Companion Factory experte.
La mission se termine, la gouvernance reste.
FLOA Bank : industrialiser la gouvernance de l’IA en production
Comment monitorer et gouverner des modèles d’IA en production dans un secteur fortement régulé, avec le même souci de traçabilité et de conformité que sur l’architecture agentique de L’Oréal.
Questions fréquentes
Qu’est-ce qu’un agent IA agentique, et en quoi diffère-t-il d’un chatbot conversationnel ?
Un chatbot conversationnel consulte de l’information et formule une réponse, souvent via un mécanisme de RAG qui va chercher la donnée pertinente dans une base documentaire. Un agent IA agentique va plus loin : il peut décider d’une suite d’actions et déclencher une opération réelle dans un outil métier, sans intervention humaine à chaque étape.
Chez L’Oréal, cette bascule s’est traduite par le passage d’assistants qui consultaient de la documentation à des Companions capables d’agir. L’un d’eux extrait les informations d’un devis, vérifie des référentiels fournisseurs et prépare automatiquement un bon de commande sur le processus Procure-to-Pay.
Cette différence est structurante pour la gouvernance. Un agent qui agit doit être supervisé, tracé et audité, au même titre qu’un collaborateur humain habilité à effectuer cette action.
Comment gouverner des centaines d’agents IA en production sans perdre le contrôle ?
La gouvernance à grande échelle repose sur trois piliers. Une plateforme centralisée sert de porte d’entrée unique pour créer et superviser les agents. Une cellule de pilotage valide les données, les modèles et les accès avant mise en production. Un monitoring actif suit l’usage, y compris la consommation de tokens en FinOps.
Chez L’Oréal, ce cadre s’appuie sur un process de validation en trois étapes avant qu’un Companion ne soit mis en production : pré-validation, consultation auprès de plus de vingt « champions métier » globaux, puis validation officielle via une demande ServiceNow. Cette gouvernance a accompagné la croissance vers un objectif de plus de 1000 agents visés en 2026, contre 5 agents pilotes au départ.
Vous souhaitez cadrer la gouvernance de vos propres agents IA ? Nos consultants peuvent auditer votre dispositif actuel et identifier les priorités de mise en conformité. Échangez avec un expert →
Quel est le rôle des protocoles A2A et MCP dans une architecture d’agents IA ?
Le protocole A2A (agent-to-agent) permet à des agents de communiquer et de se coordonner entre eux. Il peut par exemple transmettre une tâche d’un agent personnel vers un agent d’entreprise plus spécialisé. Le protocole MCP (model context protocolQu'est-ce que le Model Context Protocol (MCP) Le Model Context Protocol (MCP) est un standard ouvert développé par Anthropic en novembre 2024, conçu pour faciliter l'intégration des modèles de langage (LLM) avec des outils, données et services externes. Comparable à un "port USB-C" pour l'IA,... More) standardise la façon dont un agent se connecte aux systèmes d’information pour lire ou écrire de la donnée.
Chez L’Oréal, cette standardisation a permis de faire cohabiter deux familles d’agents sans multiplier les connecteurs ad hoc à chaque nouveau cas d’usage. Les agents personnels en no-code servent un usage libre. Les agents d’entreprise sont orientés process. Ce choix a réduit le délai de mise sur le marché de chaque nouveau Companion.
Adopter ces standards dès la construction du socle technique évite une dette d’intégration coûteuse lorsque le nombre d’agents se multiplie.
Combien de temps faut-il pour construire et déployer un Companion métier ?
Le cycle de construction dépend de la complexité du cas d’usage, de la disponibilité des données sources et du niveau de connexion aux systèmes existants. Un Companion limité à la consultation se construit généralement plus vite qu’un agent qui doit agir sur plusieurs systèmes métier.
Chez L’Oréal, le cycle de construction stabilisé est de 2 à 4 mois par Companion. Le rythme dépasse deux lancements par mois une fois la plateforme agentique et la gouvernance en place, grâce à une priorisation systématique par la valeur business, l’effort de développement et la maturité data du cas d’usage.
Vous souhaitez estimer le délai pour votre organisation ? La maturité de votre socle data est le facteur le plus déterminant pour ce délai. Cadrez votre projet avec un expert →
Vos agents IA méritent une gouvernance à la hauteur de votre ambition
Partagez-nous votre contexte : nombre d’initiatives IA en cours, systèmes à connecter, exigences de conformité et objectif de passage à l’échelle.
Un expert AVISIA reviendra vers vous sous 48h.
Chargement du formulaire de contact…
