FICHE · CAS DOCUMENTÉ
Back Market — Laisser l’équipe fraude construire ses propres agents
Des experts métier, non ingénieurs, assemblent en une semaine un orchestrateur d’agents qui évalue les dossiers suspects.
Cas publiquement documenté, avec entreprise identifiable et source.
L’ESSENTIEL
Le cas en bref
- Le problème
- Les fraudeurs changent vite de méthode ; l’équipe fraude dépendait des développeurs pour adapter ses règles.
- La réponse
- Des experts métier, non ingénieurs, assemblent en une semaine un orchestrateur d’agents qui évalue les dossiers suspects.
- Le type de solution
- Agent : le système agit sous supervision humaine.
- Le résultat clé
- L’analyse des réclamations par IA aurait évité près de 100 000 € de fraude en cinq mois ; le programme global vise plus de 1,2 M€ d’économies par an.
Le mécanisme / workflow
- SystèmeRecevoir une réclamation
- AgentÉvaluer chaque dimension
Des sous-agents spécialisés évaluent chacun une dimension.
- AgentComparer aux modèles de fraude connus
- HumainDécider et mettre à jourValidation humaine
Données et entrées
- Historique client
- Données de livraison et de retour
- Incidents de paiement
- Messages des réclamations
Outils nommés · voir la carte des outils
Outils et systèmes cités par la source
- Dust
- Confluence
Impact observé ou attendu
Résultats rapportés par la source
- RAPPORTÉL’équipe a construit le système en une semaine et l’adapte en moins d’un jour à une nouvelle méthode de fraude.
- RAPPORTÉL’analyse des réclamations par IA aurait évité près de 100 000 € de fraude en cinq mois ; le programme global vise plus de 1,2 M€ d’économies par an.
Valeur attendue dans la fiche
- CoûtRéduire les pertes liées à la fraude.
- VitesseS’adapter aux nouvelles fraudes en moins d’un jour.
Type d’impact envisagé
- pertes évitées
- autonomie de l’équipe fraude
Pour se lancer · estimation Acolyte
Ce qu’il faut réunir
- Données : Historique client
- Données : Données de livraison et de retour
- Données : Incidents de paiement
Délai : délai cité par la fiche : quelques jours. Grille estimée par Acolyte à partir de la fiche ; elle se vérifie avec vos données et vos équipes. Le Diagnostic Data & IA ↗
ANALYSE
Ce qu’il faut en retenir
- Quand le métier peut mettre à jour lui-même la connaissance (une page Confluence), l’agent suit le rythme des fraudeurs.
- L’orchestration de sous-agents spécialisés rend chaque critère lisible et vérifiable.
Limites et risques
- Faux positifs sur des clients légitimes
- Données personnelles exposées aux agents
- Le cas est publié par l’éditeur de l’outil ; les 1,2 M€ sont une projection pour l’ensemble du programme, pas pour les seuls agents.
Cadre réglementaire · lecture indicative
Risque minimal
Usage sans obligation spécifique au titre de l’AI Act, en dehors de la maîtrise de l’IA par les équipes. Le RGPD s’applique dès que des données personnelles sont traitées.
Lecture indicative d’Acolyte, pas un avis juridique. Comprendre les niveaux de risque →
Résultats et sources
Preuve et source
DustOuvrir la source ↗Résultat rapporté par la source.PROVENANCE
Source publique
https://dust.tt/customers/back-markets-fraud-team-builds-ai-detection-system-in-one-week-contributingCONFIANCE
MoyenneET CHEZ VOUS ?
Ce que HOCUS ferait ici
Un cas publié ne se recopie pas : il se transpose à vos données, vos équipes et vos contraintes.
Vérifier que ce cas a du sens chez vous, avec quelles données, et ce qu’il rapporterait.
Découvrir ↗2 · ATELIERStringsStrings conçoit des agents et des chaînes automatisées, avec leurs permissions et leurs points de validation.
Voir ↗3 · EN PARLERÉcrire à HOCUSUne question sur ce cas ou sur votre situation.
hello@hocus.works ↗