Retour au blog

Rétrospective d'une mise en relation industrie-université : nous avons bien fait de commencer par « filtrer les personne

Objet de la rétrospective : un projet de mise en relation d'une entreprise manufacturière avec des experts universitaires pour résoudre un problème de procédé sur une ligne de production. Moment de la rétrospective : trois mois après la fin de la mise en relation. Conclusion en premier : le tournant

Agent IA de recherche scientifiqueAgent IA d'assistant bureautiqueAgent IA

Objet du retour d'expérience : projet de mise en relation d'une entreprise manufacturière cherchant des experts universitaires pour résoudre un problème de procédé sur une ligne de productionDate du retour d'expérience : trois mois après la fin de la mise en relation.Conclusion d'abord : le tournant clé de ce projet a été de faire le travail de sélection avant la rencontre.

Contexte

Ce problème a été travaillé en interne pendant six mois, puis nous avons décidé de chercher une coopération avec des universités. Il y avait eu auparavant deux mises en relation infructueuses : l'une avec une orientation mal alignée, la conversation s'est arrêtée au bout d'une demi-heure ; l'autre avec une partie qui n'avait jamais fait de recherche collaborative industrie-université et n'avait aucune volonté de mise en relation. La raison principale de ces deux échecs était la même —avant le contact, nous ne savions presque rien des experts candidats.

Déroulement

Cette fois, le processus a été réorganisé. Quatre étapes ont été réalisées successivement avant la rencontre :

1. Décomposer le problème — traduire le point de blocage du procédé en domaines de recherche et mots-clés, pour le transformer en langage interrogeable ;

2. Recherche par domaine — utiliser les profils de talents de MuchSci pour rechercher des experts par domaine, et commencer par les statistiques de taille de la base pour évaluer l'ampleur du vivier de candidats ;

3. Deux filtres — le premier filtre l'adéquation du domaine de recherche (examiner les mots-clés et la discipline dans le détail des projets), le second filtre les traces de collaboration industrie-université-recherche (examiner le type de projet et l'organisme porteur) ; tous les détails ont été soumis à une double vérification : « correspondance exacte du nom + validation de l'établissement » ;

4. Mise en relation avec dossier — profils, détails vérifiés et analyse des bases de collaboration, rassemblés en un dossier factuel.

Résultat de la mise en relation : dès la première visite, les discussions sont entrées dans le vif du sujet, et une intention de collaboration a été conclue en deux semaines.

Réflexion

Première question : qu'a permis d'économiser le fait de sélectionner les personnes en amont ? Des visites inutiles. Le double filtrage par orientation et par traces a réduit le vivier de candidats d'« une liste de noms » à « deux ou trois personnes » — d'après l'expérience précédente, si ces deux ou trois personnes avaient été approchées à l'aveugle, le coût aurait au moins triplé.

Deuxième question : qu'ont changé les documents ? L'introduction. On est passé de « nous venons attirés par votre renommée » à « nous avons vu dans les données publiques un projet que vous avez porté telle année, et il correspond exactement à notre problème ». L'expert a mis seulement dix minutes à juger si cela valait la peine de discuter — les propos avaient une source, le consensus est venu plus vite.

Troisième question : qu'a préservé la limite ? L'outil ne fournit à aucun moment de liste de recommandations ; le pouvoir de décision reste à l'entreprise. Avec le recul, cela a au contraire garanti la sincérité de la mise en relation — la sélection, c'est nous qui l'avons faite, et la responsabilité comme la motivation nous incombaient.

Retour aux articles