Work AI ne s'impose pas grâce aux modèles et aux fonctionnalités. Elle s'impose quand les personnes en voient la valeur dans leurs workflows, puis la partagent. Chez Nextdoor, nous n'avons pas simplement « lancé une plateforme ». Nous avons construit une boucle d'apprentissage qui a transformé la curiosité initiale en habitudes quotidiennes : un rythme d'horaires de permanence, des conseils entre pairs dans Slack, des gains rapides mis en avant dans des bulletins, et des conseils ciblés dans le produit qui ont rencontré les personnes au moment où elles en avaient besoin. Cette boucle a transformé des poches d'expérimentation en capacité à l'échelle de l'entreprise.
Notre conviction : la clé d'une adoption durable consiste à intégrer l'IA directement dans l'environnement de travail des employés, en connectant les systèmes qu'ils utilisent au quotidien et en intégrant de manière fluide l'intelligence dans ces workflows, plutôt que d'ajouter des couches de processus ou de complexité.
Pourquoi nous avons commencé
Comme beaucoup d'entreprises en croissance, les connaissances étaient dispersées entre différentes plateformes. Mais le problème n'était pas le manque d'informations — c'était le coût nécessaire pour les trouver au bon moment, avec le bon contexte.
Les équipes grandissaient vite. Les projets avançaient encore plus vite. Les personnes passaient plus de temps à chercher des réponses qu'à créer de l'impact. Nous avions besoin d'un moyen de rendre les connaissances faciles à trouver, exploitables et sûres.
C'est là que l'idée de Work AI a fait sens : une couche intelligente unique qui relie instantanément les personnes à l'information, à travers les systèmes, sans ajouter de friction ni de nouveaux processus.
De la plateforme à la pratique : ce qui a réellement changé
Nous avons relié les principaux systèmes déjà utilisés par les employés à Glean, afin que les réponses et les actions puissent se faire au même endroit plutôt que dans huit onglets. L'objectif n'était pas d'avoir « plus d'IA ». C'était d'avoir moins de friction : un seul endroit pour poser une question, un seul endroit pour agir, avec un contexte tenant compte des permissions à chaque fois.
Nous avons ancré notre déploiement Glean autour de quatre actions légères auxquelles les personnes pouvaient participer en quelques minutes, et non en quelques mois :
- Un canal Slack dédié au support, où les questions, les conseils entre pairs et les réussites de type « montrer et raconter » circulent librement.
- Des horaires de permanence en direct qui ont évolué dans le temps : d'abord chaque semaine pour renforcer la confiance puis une fois par mois à l'échelle de l'entreprise, plus des sessions d'apprentissage hebdomadaires animées par les équipes à mesure que l'expertise se localisait.
- Des mises à jour courtes dans les bulletins de l'entreprise pour déclencher l'action sans ajouter de réunions.
- Une gamification pensée pour reconnaître les trois principaux builders d'agents, les power users de l'assistant et les adeptes de la recherche — afin de célébrer différentes façons de réussir.
Des signaux, pas des slogans : comment nous avons su que cela fonctionnait
Nous pensons qu'une boucle d'apprentissage réussie doit produire sa propre télémétrie. La nôtre l'a fait.
Dès le début du déploiement, les données nous ont montré un engagement régulier au-delà du groupe pilote, et que les personnes commençaient là où elles travaillaient déjà. Pour certaines équipes, Google Drive générait la majorité des clics et des citations pour d'autres, c'était Slack, Confluence ou Coda.
Nous avons pris cela comme des signaux clairs pour adapter la curation de contenu et le réglage des connecteurs à chaque équipe, afin de les rencontrer là où elles en étaient. Nous avons également déployé par défaut l'extension Chrome de Glean, pour faciliter la première prise en main.
En suivant les signaux, nous avons pu faire en sorte que l'adoption reste humaine et accessible. Les personnes n'avaient pas besoin d'apprendre un nouveau système pour essayer l'IA elles apprenaient simplement à poser de meilleures questions dans les endroits où elles travaillaient déjà.
Les cas d'usage les plus enthousiasmants chez Nextdoor
- People Operations : découvrez Finn, votre guide pour les inscriptions ouvertes
Chaque année, la période d'inscription ouverte inonde les équipes People de questions récurrentes. Finn, notre agent convivial pour l'année de plan 2026, explique ce qui change, compare les options médicales/dentaires/optiques, oriente directement les employés vers les bonnes actions Workday, et met en avant les avantages et programmes bien-être qu'ils pourraient manquer. Les RH traitent moins de tickets répétitifs les employés font des choix en toute confiance et respectent les délais avec de la marge. - Ventes : une intelligence client instantanée pour un engagement plus profond
Les account executives ne passent plus des heures à reconstituer le contexte des annonceurs. Saisissez une marque, et l'agent commercial remonte des signaux métier à jour depuis le web, les associe à notre historique interne (performances de campagne, interactions, contexte support) et fournit 1 à 5 insights personnalisés, prêts à l'action. Les commerciaux arrivent préparés — avec des arguments et des angles pertinents qui nourrissent de meilleures conversations. - Opérations métier : analyse experte en Trust & Safety
Protéger les utilisateurs signifie examiner rapidement et de manière cohérente un grand nombre de cas de fraude potentiels. Notre agent T&S compile l'historique utilisateur, les liens de politique, les cas similaires passés et les comportements signalés dans une évaluation structurée avec actions recommandées et éléments de preuve. Les analystes restent dans la boucle et gardent le contrôle — mais ils peuvent désormais traiter plus de cas, avec davantage de cohérence, et consacrer leur jugement là où il compte le plus. - Produit & Développement : des références techniques à la demande
Au lieu de fouiller dans le code ou dans une documentation obsolète, les ingénieurs posent désormais des questions en langage naturel et obtiennent des réponses vérifiées extraites du code actuel et de la documentation technique — sans spéculation ni approximation.- Cette capacité en self-service simplifie considérablement les workflows, en augmentant la productivité individuelle de 2 à 3 fois par rapport à une recherche manuelle ou à la sollicitation d'un ingénieur. Elle réduit aussi les changements de contexte des ingénieurs en donnant un accès simple aux réponses. Au-delà des recherches simples, l'agent identifie les derniers déploiements, explique la mise en œuvre des fonctionnalités, met au jour les limites du code (au-delà de GQL), et a déjà permis jusqu'à 2 fois de gain de temps sur des tâches comme la recherche de documents de référence et de détails sur les mutations.
- Revenue Operations : enrichissement des données à la vitesse de RevOps
RevOps passait autrefois 1 à 2 heures pour 50 comptes à rechercher des adresses et à les saisir manuellement dans Salesforce. L'agent d'enrichissement d'adresses ingère un CSV, traite le travail par lots, effectue des recherches automatisées, puis produit en environ 5 à 6 minutes un fichier propre et validé (ou l'envoie directement vers Sheets). Du temps récupéré, une meilleure précision. Voir la Figure 2 pour le flux d'enrichissement d'adresses RevOps.
Exemple : un flux type d'agent
Les leviers derrière les résultats
- Réduire la friction jusqu'au premier succès
SSO, intégration Slack, extension Chrome et générateur d'agents sans code ont permis aux personnes d'essayer des idées immédiatement. Pas de ticket IT, pas d'attente. - Amener l'IA au plus près du travail
Nous avons relié les systèmes les plus importants pour que les employés puissent rechercher une seule fois, citer une seule fois, et agir partout — avec des permissions respectées de bout en bout. - Curer et réutiliser, ne pas réinventer
Un répertoire d'agents, des micro-ateliers et des modèles « Agent Wins » ont aidé les équipes à réutiliser ce qui fonctionnait au lieu de repartir de zéro. Chacun joue un rôle unique pour aider les équipes à remixer des solutions éprouvées plutôt que de recommencer depuis le début.- Répertoire d'agents : une ressource centralisée et consultable qui relie les équipes à des experts métiers et à des solutions éprouvées, garantissant que le savoir-faire n'est pas en silo et accélérant la collaboration.
- Micro-ateliers à l'échelle des équipes : démonstrations ciblées d'outils et de méthodes efficaces pour un apprentissage rapide, pertinent et nuancé selon l'équipe.
- Partage transverse des « Agent Wins » : études de cas documentées et plans réutilisables qui capturent le contexte, les étapes et les résultats de déploiements d'agents réussis. Cela crée une bibliothèque vivante d'approches éprouvées, favorisant une culture d'amélioration continue.
Conclusion : la suite et les enseignements pratiques
Dans un avenir proche, la culture de l'IA semblera aussi normale que la culture des données. Chaque équipe aura quelqu'un capable de construire ou de guider un agent. La conception organisationnelle évoluera des « centres d'excellence » vers des « centres d'activation » distribués, où experts métier et technologues co-créent. Les entreprises qui gagneront sauront combiner jugement humain et automatisation intelligente, et considérer l'IA comme une capacité partagée — et non comme une fonction en silo.
Enseignements pratiques pour passer de la culture à la pratique quotidienne :
- Commencez par les humains, pas par les fonctionnalités : ancrez-vous dans Slack, les horaires de permanence et deux ou trois excellents agents que les personnes peuvent essayer dès aujourd'hui.
- Partagez chaque semaine, en toute transparence, les signaux de « ce qui fonctionne ». Rendez l'apprentissage visible.
- Gardez des points de contact courts et fréquents : un lien à cliquer, un agent à essayer.
- Fermez la boucle publiquement : montrez ce qui a changé grâce aux retours des employés. La confiance se renforce avec le temps.
Notre boucle d'apprentissage — Slack, horaires de permanence, récits de gains rapides et conseils intégrés au produit — n'a pas seulement « lancé l'IA ». Elle a fait en sorte que Work AI ressemble à notre façon de travailler : collaborative, rapide et ancrée dans des résultats concrets. C'est le côté humain de Work AI — créez les conditions, et laissez la communauté faire émerger la valeur.
