Cas pratiques
Étude de cas : e-commerçant automatise 95% des tickets SAV
Comment une boutique e-commerce de 2,5M€ CA a automatisé 95% de son service client avec un agent IA. Zéro réponse manuelle pour les demandes courantes, CSAT +18 points.
Quand Antoine, chef-propriétaire d’un restaurant bistronomique dans le quartier Saint-Cyprien à Toulouse, nous a contactés en décembre 2025, il faisait face à un paradoxe courant en restauration : une cuisine d’excellente qualité, des clients fidèles, mais une rentabilité qui stagnait malgré un taux de remplissage de 85 %. Le problème ne venait pas de l’assiette — il venait de tout ce qui se passe en coulisses.
Son établissement de 25 couverts, avec une équipe de 6 personnes, propose une cuisine du marché avec un menu qui change chaque semaine. Une ambition culinaire admirable, mais qui transforme la gestion opérationnelle en casse-tête permanent : combien commander ? Quels plats sont vraiment rentables ? Qui travaille quand ?
Cette étude de cas détaille comment nous avons automatisé la gestion des commandes, des stocks et du planning avec l’IA — et les résultats mesurés après 90 jours.
Le diagnostic : 4 problèmes qui grignotaient la marge
1. Un gaspillage alimentaire à 18 %
Antoine commandait « au feeling ». Avec un menu qui change chaque semaine et des produits frais du marché, estimer les bonnes quantités relevait de la devinette. Résultat : 18 % des achats alimentaires finissaient à la poubelle. Sur un budget achats de 8 500 €/mois, cela représentait 1 530 € de pertes sèches chaque mois.
Le problème était amplifié par l’absence de données historiques exploitables. Antoine notait ses commandes sur un carnet, sans jamais les croiser avec la fréquentation réelle ou les plats vendus.
2. Une marge nette bloquée à 8 %
Pour un restaurant bistronomique de cette taille, la marge nette moyenne du secteur se situe entre 10 et 15 %. Avec 8 %, Antoine se payait à peine et n’avait aucune capacité d’investissement. Le gaspillage, les commandes mal calibrées et l’absence d’analyse de rentabilité par plat expliquaient cet écart.
3. Un planning fait à la main : 4 heures par semaine
Chaque dimanche soir, Antoine passait 4 heures à construire le planning de la semaine sur un tableur Excel. Jongler entre les disponibilités de 6 employés, les contraintes légales (repos hebdomadaire, amplitude horaire), les compétences de chacun et les pics de fréquentation prévisibles. Sans compter les modifications de dernière minute — un SMS ici, un appel là — qui rendaient le planning obsolète dès le mardi.
4. Aucune visibilité sur la rentabilité par plat
Antoine savait intuitivement que certains plats « marchaient mieux » que d’autres, mais il n’avait aucun chiffre. Le food cost de chaque recette n’était pas calculé systématiquement. Impossible de savoir si le plat star de la carte était vraiment rentable ou s’il canibalisait la marge avec des ingrédients trop coûteux.
La solution : 4 briques d’automatisation IA interconnectées
Après un audit automatisation IA de l’établissement, nous avons déployé une solution en 4 modules, chacun adressant un problème identifié. L’ensemble repose sur des workflows N8N connectés aux outils existants du restaurant (caisse Lightspeed, Google Sheets pour les recettes, Google Calendar pour le planning).
Module 1 : Prévision de fréquentation IA
Le premier module analyse cinq sources de données pour prédire la fréquentation du lendemain et de la semaine :
- Historique de fréquentation : 14 mois de données de caisse, croisées par jour de semaine, semaine du mois et période de l’année
- Météo : récupération automatique des prévisions à 7 jours (un jour de pluie à Toulouse = +15 % de fréquentation en moyenne, terrasse fermée mais salle pleine)
- Événements locaux : matchs du Stade Toulousain, festivals, jours fériés, vacances scolaires académie de Toulouse
- Réservations en cours : synchronisation temps réel avec le système de réservation
- Tendances : jour de la semaine, première ou dernière semaine du mois (impact sur le pouvoir d’achat)
Le modèle produit une estimation de couverts avec un intervalle de confiance. Après 90 jours de calibration, la précision atteint 92 % à ±2 couverts pour le lendemain et 85 % à ±4 couverts pour la semaine.
Module 2 : Commandes fournisseurs automatiques
Ce module transforme les prévisions de fréquentation en bons de commande. Le processus est le suivant :
- Antoine saisit le menu de la semaine dans un Google Sheet standardisé (plats + recettes avec grammages)
- Le workflow croise les recettes avec les prévisions de couverts pour calculer les quantités exactes de chaque ingrédient
- Il déduit le stock restant (inventaire simplifié en fin de service)
- Il génère les bons de commande par fournisseur, en respectant les minimums de commande et les jours de livraison
- Antoine valide en un clic — les commandes partent par email aux fournisseurs
Le gain est double : moins de gaspillage (quantités ajustées) et moins de ruptures (plus de « on n’a plus de bar, on propose la daurade »).
Module 3 : Planning intelligent
Le module planning automatise 90 % du travail qu’Antoine faisait manuellement :
- Collecte des disponibilités : chaque employé renseigne ses indisponibilités via un formulaire simple (Google Forms → N8N)
- Contraintes légales intégrées : repos hebdomadaire, 11h entre deux services, amplitude maximale, heures supplémentaires
- Compétences mappées : qui peut faire le chaud, le froid, le service, la plonge
- Prévisions de fréquentation : les jours à forte affluence reçoivent automatiquement plus de personnel
Le système génère une proposition de planning qu’Antoine peut ajuster en quelques minutes. Les modifications sont notifiées automatiquement à chaque employé par SMS.
Module 4 : Analyse de rentabilité par plat
Chaque semaine, un rapport automatique croise trois données pour chaque plat de la carte :
- Food cost réel : coût des ingrédients basé sur les prix fournisseurs actuels (pas les prix théoriques)
- Popularité : nombre de ventes, tendance sur les 4 dernières semaines
- Marge brute : prix de vente – food cost – part proportionnelle des charges variables
Le rapport classe les plats en 4 catégories (la matrice BCG adaptée à la restauration) :
- Stars : populaires et rentables → à mettre en avant
- Vaches à lait : très rentables mais moins populaires → à promouvoir
- Dilemmes : populaires mais peu rentables → à reformuler (grammages, ingrédients)
- Poids morts : ni populaires ni rentables → à remplacer
Antoine reçoit ce rapport chaque lundi matin avant de composer le menu de la semaine. Il peut ainsi prendre des décisions basées sur des données concrètes plutôt que sur l’intuition.
Les résultats après 90 jours
Gaspillage alimentaire : de 18 % à 6 %
La réduction la plus spectaculaire. En ajustant les quantités commandées sur la base de prévisions fiables, le gaspillage a chuté de 67 %. Sur un budget achats de 8 500 €/mois, cela représente une économie de 1 020 €/mois (passage de 1 530 € à 510 € de pertes).
Concrètement, Antoine commande désormais avec une précision qu’il n’aurait jamais pu atteindre manuellement. Le jour où le Stade Toulousain joue à domicile, le système anticipe automatiquement +20 % de couverts et ajuste les commandes en conséquence.
Marge nette : de 8 % à 14 %
La marge nette a bondi de 75 %. Cette amélioration s’explique par la combinaison de trois facteurs :
- Réduction du gaspillage : 1 020 €/mois récupérés
- Optimisation du food cost par plat : les plats « dilemmes » ont été reformulés, économisant 380 €/mois en moyenne
- Meilleure gestion des heures sup : le planning optimisé a réduit les heures supplémentaires de 15 %
Planning : de 4 heures à 10 minutes par semaine
Antoine consacre désormais 10 minutes à valider et ajuster le planning généré automatiquement, contre 4 heures auparavant. Il a récupéré 3h50 par semaine — du temps qu’il réinvestit en cuisine et en relation client.
Les conflits de planning ont également disparu : les contraintes légales sont respectées automatiquement, et chaque employé reçoit son planning par SMS dès validation.
Food cost optimisé sur chaque plat
Grâce à l’analyse hebdomadaire, Antoine a identifié que 3 plats sur 12 (en moyenne) étaient des « dilemmes » — populaires mais peu rentables. En ajustant les grammages ou en substituant certains ingrédients sans compromettre la qualité, il a amélioré la marge brute de ces plats de 4 à 7 points.
Le retour sur investissement détaillé
| Poste | Montant |
|---|---|
| Investissement initial | 4 800 € |
| Audit et conception | 1 200 € |
| Développement des 4 modules | 2 800 € |
| Formation équipe | 800 € |
| Coût mensuel récurrent | 120 € |
| Hébergement N8N + API | 80 € |
| API météo + SMS | 40 € |
| Gains mensuels | 2 100 € |
| Réduction gaspillage | 1 020 € |
| Optimisation food cost | 380 € |
| Temps récupéré (valorisé) | 450 € |
| Réduction heures sup | 250 € |
Délai de rentabilité : 2,5 mois. Dès le troisième mois, l’investissement est amorti et le restaurant génère un gain net de 1 980 €/mois (2 100 € de gains – 120 € de coûts récurrents).
Sur 12 mois, le ROI de l’automatisation atteint 395 % — un ratio exceptionnel mais cohérent avec ce que nous observons dans la restauration, où les gains sur le gaspillage et le food cost sont immédiatement mesurables.
Ce que cette étude de cas signifie pour la restauration en Occitanie
Le cas d’Antoine n’est pas isolé. La région Occitanie compte plus de 18 000 restaurants, dont une majorité d’indépendants qui font face aux mêmes problématiques : gaspillage, marges serrées, gestion du personnel chronophage.
Les spécificités de la restauration occitane — circuits courts, produits du marché, saisonnalité touristique marquée — rendent l’automatisation IA particulièrement pertinente. Un restaurant qui travaille avec des producteurs locaux a besoin de prévisions précises pour éviter de gaspiller des produits de qualité (et coûteux).
Nous avons documenté d’autres cas d’usage de l’IA dans l’hôtellerie-restauration : de la gestion automatisée des avis Google à l’optimisation du revenue management hôtelier. Les possibilités dépassent largement la gestion des stocks.
Les prérequis pour reproduire ces résultats
Pour qu’un restaurant puisse bénéficier d’une automatisation similaire, trois conditions sont nécessaires :
- Un système de caisse numérique : Lightspeed, Zelty, L’Addition ou équivalent — pour disposer d’un historique de ventes exploitable
- Au moins 6 mois d’historique : le modèle de prévision a besoin de données passées pour être fiable
- Un menu structuré : les recettes doivent pouvoir être formalisées avec des grammages (même approximatifs au départ)
Si ces trois conditions sont réunies, le déploiement prend 3 à 4 semaines et le retour sur investissement est visible dès le premier mois complet d’utilisation.
Conclusion : l’IA au service de l’artisanat culinaire
Ce qui frappe dans cette étude de cas, c’est que l’IA n’a pas changé la cuisine d’Antoine. Il continue de proposer une carte du marché, de travailler avec ses producteurs locaux et de tout préparer maison. Ce qui a changé, c’est tout le reste : les commandes sont précises, le gaspillage est minimal, le planning se fait tout seul et chaque plat est analysé objectivement.
L’automatisation des processus en restauration ne remplace pas le savoir-faire du chef — elle lui permet de se concentrer sur ce qu’il fait de mieux.
Vous gérez un restaurant et vous voulez savoir combien l’IA pourrait vous faire gagner ? Demandez votre audit gratuit — nous analysons vos flux actuels et estimons votre ROI en moins de 48 heures.
