PLDT affirme que ses agents IA économisent des dizaines de milliers d’heures de travail par an

Une histoire d’IA mesurée en heures de travail

La dernière annonce de PLDT sur l’automatisation ne se présente pas comme le lancement d’un simple chatbot ni comme une expérimentation isolée. Elle repose sur une affirmation de productivité: le fournisseur philippin de services numériques dit utiliser une flotte d’agents IA internes pour économiser chaque année des dizaines de milliers d’heures de travail manuel dans plusieurs fonctions de l’entreprise [1]. Selon l’annonce publiée le 5 octobre par UiPath, ces systèmes ont été construits avec UiPath Agent Builder, Integration Service et Robots, puis déployés dans les ventes aux entreprises, la recherche de connaissances, la gestion des risques et la génération de prospects [1].

PLDT a aussi reçu un Silver Award aux UiPath AI Breakthrough Awards 2026 pour cette mise en œuvre, une distinction que UiPath associe à l’utilisation à grande échelle de l’IA agentique, de l’orchestration métier et de workflows intelligents [1]. TNGlobal a décrit le même déploiement comme couvrant les ventes entreprises, la recherche de connaissances et la gestion des risques, tout en précisant que les chiffres de productivité provenaient de PLDT et de UiPath et n’avaient pas été vérifiés de façon indépendante par le média [2].

Cette réserve est essentielle. Les chiffres sont impressionnants, mais ils restent des indicateurs communiqués par les entreprises concernées, non des données auditées. Ils offrent néanmoins une lecture précise des zones où les grandes organisations trouvent aujourd’hui de la valeur dans les agents IA: non pas dans le remplacement global de services entiers, mais dans la compression de processus lents, répétitifs et fortement dépendants de l’information.

Ellie: propositions commerciales, données CRM et suivi client

L’agent le plus clairement présenté dans ce déploiement est Ellie, acronyme de Enablement and Intelligence Engine [1]. PLDT décrit Ellie comme un assistant IA destiné aux ventes entreprises, capable de combiner les connaissances internes et les données en direct issues de la gestion de la relation client afin de fournir aux équipes commerciales des informations directement utilisables dans les propositions et présentations [1].

Selon UiPath, Ellie génère automatiquement des propositions et des présentations adaptées aux clients, ce qui réduit le travail manuel des équipes de support commercial [1]. PLDT estime que ce seul workflow permet de récupérer environ 18 000 à 25 000 heures de travail par an [1]. TNGlobal a rapporté la même fourchette et a indiqué que les équipes de vente avaient constaté une réduction de 40 % à 60 % du temps consacré à la préparation de propositions et de supports de présentation standards [2].

L’entreprise affirme également que les taux d’erreur dans les propositions ont diminué de 40 % à 50 %, tandis que les taux de ventes additionnelles ont augmenté de 20 % à 50 % [1]. InsiderPH a mis en avant le même ensemble d’indicateurs, en soulignant le rôle d’Ellie dans la réduction du temps nécessaire à la production de propositions standards et dans l’amélioration des performances d’upsell [3].

Ce cas d’usage commercial est important parce qu’il combine recherche de données, génération de contenu et contexte client. Dans de nombreuses grandes entreprises, préparer une proposition est une tâche répétitive, mais rarement simple: les équipes doivent retrouver les bons éléments produits, aligner les informations de service ou de tarification, tenir compte de l’historique du client et éviter les erreurs. La revendication de PLDT suggère qu’une couche agentique peut faire plus que répondre à des questions: elle peut assembler des livrables utilisables tout en se connectant aux systèmes opérationnels.

Ellie est aussi présentée comme un copilote stratégique qui surveille les indicateurs de santé des clients [1]. UiPath indique que l’agent utilise l’analyse prédictive pour détecter les risques d’attrition à partir de signaux comme la baisse d’utilisation des produits ou les retards de paiement, puis alerte les responsables de comptes avec des recommandations de rétention et des opportunités de ventes additionnelles [1]. InsiderPH a également rapporté qu’Ellie surveille ces indicateurs et alerte les responsables de relation client sur les opportunités de rétention et d’upsell [3].

Le système dépasse donc la simple génération de documents. S’il fonctionne comme décrit, Ellie relie la productivité avant-vente à la gestion de compte, en utilisant les données client pour influencer le bon moment et la bonne action suivante. Pour un opérateur télécom qui sert des comptes entreprises, ce type de workflow peut être stratégique, car les ventes, la fidélisation et la qualité de service dépendent souvent de la capacité des équipes à agir avant qu’un problème client ne se transforme en contrat perdu.

KAI: de plusieurs jours de recherche à quelques secondes

Le deuxième système nommé par PLDT est KAI, pour Knowledge, Automation, Intelligence [1]. UiPath affirme que KAI transforme la recherche de connaissances, auparavant susceptible de prendre jusqu’à cinq jours, en réponses contextuelles livrées en une à trois secondes [1]. TNGlobal a rapporté le même passage d’une recherche de plusieurs jours à des réponses quasi instantanées [2].

Le gain de productivité annoncé est considérable. UiPath estime que KAI réduit de 25 000 à 30 000 heures par an l’effort manuel et crée environ 12 équivalents temps plein de capacité productive annuelle [1]. InsiderPH a également rapporté que KAI économise environ 25 000 à 30 000 heures par an en réduisant les délais de recherche de connaissances [3].

Un point clé de la description de UiPath est que KAI est fondé exclusivement sur des sources approuvées [1]. Dans un contexte télécom, cette précision n’est pas secondaire. La recherche de connaissances peut toucher aux spécifications produits, aux engagements de service, à l’information de conformité, à la documentation technique et aux contenus de support client. Si un assistant IA récupère ou synthétise des informations provenant de sources non approuvées ou obsolètes, le gain de vitesse peut rapidement devenir un risque.

La valeur de KAI repose donc sur deux promesses simultanées: la rapidité et le contrôle. Un système qui répond en quelques secondes peut améliorer la réactivité, mais un système ancré dans des sources approuvées rend ces réponses utilisables dans un processus métier réglementé et orienté client. Le taux de réponse 99 % plus rapide rapporté par PLDT suggère que l’outil est évalué non seulement comme une commodité pour les employés, mais aussi comme un moteur de capacité pour la création de propositions et le support client [1].

ERICA: l’évaluation des risques comme workflow agentique

Le troisième agent nommé, ERICA, signifie Enterprise Risk Intelligence Companion Agent [1]. UiPath indique qu’ERICA automatise les déclarations de risques structurées et la notation par rapport aux normes de conformité [1]. L’entreprise affirme qu’ERICA a réduit l’effort manuel de 97 % à 99 % et comprimé les évaluations de risques, qui prenaient auparavant deux à 10 jours, à une durée allant de cinq minutes à un jour [1].

TNGlobal et InsiderPH ont tous deux rapporté cette réduction de 97 % à 99 % de l’effort manuel dans l’évaluation des risques [2][3]. TNGlobal a aussi indiqué qu’ERICA raccourcit les évaluations de risques de deux à 10 jours à une plage comprise entre cinq minutes et un jour [2].

C’est l’un des aspects les plus significatifs de l’annonce, car l’évaluation des risques n’est pas seulement une tâche administrative. C’est un processus où la rapidité, la documentation et la cohérence comptent toutes. Les revues manuelles sont lentes parce qu’elles obligent les équipes à rassembler les preuves, interpréter les normes, évaluer l’exposition et formuler les conclusions dans un format structuré. Un agent IA capable de rédiger, noter et organiser ce travail ne supprime pas nécessairement la responsabilité humaine, mais il change l’endroit où l’effort humain se concentre.

Cette distinction est centrale pour comprendre l’exemple de PLDT. L’entreprise ne dit pas seulement que l’IA produit du texte plus vite. Elle affirme que des agents sont insérés dans des workflows opérationnels où les employés passaient auparavant des jours à collecter, vérifier et mettre en forme l’information. Dans le cas d’ERICA, le récit de productivité porte sur la compression de la préparation et de la structuration du travail de risque, afin que les équipes humaines puissent davantage se concentrer sur le jugement et les décisions de traitement.

Pourquoi cette annonce dépasse le cas PLDT

Le cas PLDT est notable parce qu’il présente l’IA agentique avec des indicateurs opérationnels: heures récupérées, temps de réponse réduits, erreurs diminuées et cycles d’évaluation raccourcis. UiPath décrit cette mise en œuvre comme une transition de l’automatisation classique vers des agents IA, l’orchestration métier et des workflows intelligents à l’échelle de l’entreprise [1].

Cette lecture renvoie à une question plus large pour les entreprises: que se passe-t-il lorsque l’IA n’est plus placée en périphérie du travail, mais au cœur des systèmes qui coordonnent ce travail? Les agents de PLDT semblent se situer entre les employés, les bases de connaissances internes, les données CRM, les standards de conformité et les outils d’automatisation. Leur valeur vient de l’orchestration: rassembler les bonnes données, déclencher le bon workflow, produire un livrable exploitable et suggérer la bonne action humaine.

Pour PLDT, l’affirmation immédiate concerne la productivité. Ellie est associé à 18 000 à 25 000 heures récupérées par an, tandis que KAI est associé à 25 000 à 30 000 heures d’effort manuel réduit par an [1][2]. Ensemble, ces fourchettes indiquent déjà un gain de capacité interne important, sans même compter la réduction annoncée de l’effort manuel dans les évaluations de risques avec ERICA.

Pour d’autres entreprises, la leçon la plus utile se trouve peut-être dans le choix des cas d’usage. PLDT applique les agents IA là où l’information est fragmentée, où les cycles sont longs et où les employés ont besoin de résultats directement actionnables. Les propositions commerciales, la recherche de connaissances et la notation des risques sont des processus différents, mais ils partagent un même problème: trop de temps qualifié est consacré à chercher, compiler et reformater l’information.

Les questions qui restent ouvertes

L’annonce laisse aussi plusieurs questions sans réponse. TNGlobal a explicitement noté que les chiffres provenaient de PLDT et de UiPath et n’avaient pas été vérifiés de manière indépendante [2]. Les articles ne détaillent pas entièrement la méthode de calcul des heures économisées, des réductions de taux d’erreur ou de l’évolution des ventes additionnelles. Ils ne précisent pas non plus comment PLDT mesure la revue humaine, le traitement des exceptions ou le contrôle qualité à long terme des sorties produites par les agents.

Ces limites ne remettent pas forcément en cause l’annonce, mais elles indiquent comment elle doit être lue. Il s’agit d’un cas d’usage rapporté par les entreprises, avec des indicateurs opérationnels concrets, plutôt que d’un benchmark audité applicable à tous les déploiements IA du secteur télécom.

Le point le plus durable est que PLDT présente l’IA agentique comme une composante de son modèle opérationnel. Gilbert Gaw, premier vice-président de PLDT et Smart et responsable de l’IT and Transformation Office, a déclaré que cette reconnaissance reflétait le travail des équipes sur Ellie, KAI et ERICA, ainsi que la volonté de l’entreprise de continuer à repousser les limites de ce que l’IA agentique peut apporter à l’activité et aux clients [1][2]. Karl Crowther de UiPath a décrit PLDT comme une entreprise utilisant les agents IA et l’orchestration métier agentique pour modifier la manière dont le travail s’accomplit [1].

Si les gains annoncés se confirment dans la durée, l’exemple de PLDT apparaîtra moins comme une simple histoire de récompense que comme un signal de maturation de l’IA en entreprise. La prochaine étape ne consistera pas seulement à savoir si les entreprises peuvent déployer des agents, mais si elles peuvent les gouverner, les mesurer et les relier à des workflows où la vitesse et la précision comptent autant l’une que l’autre. Sur ce point, PLDT formule désormais l’une des affirmations les plus nettes du secteur télécom: des dizaines de milliers d’heures de travail économisées chaque année grâce à des agents IA intégrés aux processus métiers centraux.

Sources des dernières 72 heures

1. [1]PLDT Wins Silver Award at 2026 UiPath AI Breakthrough Awards for Agentic AI-Driven Enterprise Transformation5 oct. 2026, 14:00
2. [2]PLDT says AI agents save tens of thousands of work hours annually5 oct. 2026, 02:00
3. [3]WINNING | PLDT's AI agents slash thousands of work hours5 oct. 2026, 08:36

Article généré par IA à partir d’une recherche web récente, puis conservé comme instantané éditorial daté.