Capteurs au bureau : comment générer du ROI sans suréquiper les espaces 🎙️

1️⃣ « Capteurs partout ? Mauvaise idée »

Vous croyez avoir tout entendu sur l’IoT au bureau ?

‍

Dans l’épisode 58 de l’Afterwork(place), Thierry Allio (Shiseido) et Guillaume Blanc (CEO et cofondateur de MerciYanis) commencent par poser une règle simple presque évidente, mais souvent oubliée :

« Le capteur n’est jamais le point de départ. Le besoin, si. »

Et pourtant, dans beaucoup de projets IoT, on fait exactement l’inverse. On parle d’abord technologie : quel capteur, combien, où l’installer… alors que la vraie question devrait être beaucoup plus directe : « Qu’est-ce qu’on cherche à améliorer, maintenant, et à court terme ? »

‍

‍

2️⃣ « Avant de parler techno, parlons objectif »

Là-dessus, Thierry recadre :

‍

« C’est comme cuisiner. Avant de mettre du sel, il faut savoir ce qu’on veut manger. »

Appliqué à l’environnement de travail, le message est limpide : on ne déploie pas des capteurs « parce que c’est possible ». On les déploie parce qu’on a une décision à prendre.

Guillaume le confirme très vite : tout dépend du cas d’usage. Mesurer l’occupation, la qualité de l’air ou la propreté n’a de sens que si la donnée permet, derrière, d’agir.

Et sinon ? On produit de la data… qui finit dans un dashboard que plus personne n’ouvre.

« L’IoT n’a de valeur que lorsque la donnée qu’il génère devient actionnable et utile. »

‍

‍

3️⃣ « Le ROI n’est pas toujours là où on l’attend »

La discussion glisse naturellement vers le ROI.

‍

Et là, pas de promesse miracle. Guillaume est très clair : croire que certains usages permettent mécaniquement de réduire les budgets est souvent naïf, surtout dans le contexte français.

Prenons la propreté à l’usage. La data permet surtout de mobiliser au mieux les ressources disponibles : intervenir au bon moment, au bon endroit, là où il y a réellement eu de l’usage.

Résultat : une meilleure qualité perçue, moins d’irritants, des équipes terrain mieux orientées. Même budget, mais beaucoup plus de valeur.

C’est souvent à cet endroit-là que le ROI devient durable : quand il est opérationnel, avant d’être financier.

‍

‍

4️⃣ « Mesurer l’occupation : arrêtons de vouloir tout voir »

À ce moment de l’épisode, une phrase tombe. Et elle fait mouche :

‍

« On s’en fout de l’IoT : ce qui compte, c’est la data. »

Mesurer l’occupation ne veut pas dire surveiller chaque bureau. Sur le terrain, des approches beaucoup plus sobres donnent des résultats tout aussi pertinents.

Guillaume raconte, par exemple, des déploiements où les capteurs sont déplacés par zones ou par services, sur des périodes définies. Suffisant pour comprendre les usages, identifier les déséquilibres, repérer les pics… sans suréquiper tout le bâtiment.

La technologie a évolué et la logique avec. On est passé du capteur sous chaque poste à des dispositifs capables de lire l’usage d’un espace entier.

‍

‍

5️⃣ « Les salles de réunion racontent toujours la vérité »

Et là, on arrive sur un classique.

‍

Les salles de réunion concentrent à elles seules une grande partie des frustrations au bureau : trop petites, trop grandes, toujours pleines… ou jamais disponibles.

Jusqu’au moment où la data arrive et révèle souvent une réalité beaucoup plus simple : des salles prévues pour dix personnes occupées par trois ou quatre la majorité du temps ; d’autres monopolisées par une seule personne ; et quelques-unes réellement saturées.

À partir de là, la discussion change. On ne parle plus d’impression, mais d’arbitrage : découper, transformer, repenser l’usage.

‍

1. Salles surdimensionnées par rapport à l’usage réel : quand le comptage montre qu’une salle « prévue pour 10 » n’accueille que 3–4 personnes la majorité du temps, la donnée sert à lancer un réaménagement (ex. : scinder la salle en deux espaces plus adaptés).
2. Salles de réunion détournées en usage individuel : si l’analyse fait ressortir que beaucoup de salles sont utilisées par une seule personne, cela indique un manque d’espaces de concentration / d’appels et pousse à créer des phone booths.
3. Décalage entre réservation et présence réelle : en corrélant la donnée d’occupation avec des outils de réservation comme Deskare, on identifie les no-shows (salles réservées mais vides) ou l’inverse (présence sans réservation), ce qui permet ensuite d’ajuster les règles et l’adoption pour libérer de la disponibilité.

‍

‍

6️⃣ Pause dans la discussion

‍

7️⃣ « La qualité de l’air : personne ne la voit, tout le monde la subit »

Retour en studio, et changement de sujet.

‍

La qualité de l’air est probablement l’un des cas d’usage les plus sous-estimés, parce qu’elle est invisible.

Guillaume cite une étude marquante :

« Chez des joueurs d’échecs professionnels, une mauvaise qualité de l’air entraîne entre 20 % et 35 % d’erreurs supplémentaires. »

L’impact sur la performance cognitive est réel.

Si le sujet reste encore peu déployé, c’est aussi parce que mesurer peut parfois révéler des non-conformités. Mais quand la donnée est là, les débats deviennent factuels. Ici, la data ne sert pas seulement à optimiser : elle sert aussi à protéger.

‍

‍

8️⃣ « Si nos clients ont besoin d’un data scientist, c’est qu’on a mal fait notre travail »

Dernier virage sur la donnée : comment l’exploiter sans se perdre dans les dashboards.

‍

Guillaume est clair : si la donnée a besoin d’un expert pour être comprise, c’est qu’on a créé de la complexité au lieu de créer de la valeur. Une plateforme ne doit pas seulement collecter : elle doit traduire la data en informations lisibles et utilisables par un responsable de l’environnement de travail.

Il donne un exemple très concret de ce “travail de traduction” : selon les sujets, la moyenne peut être trompeuse. Sur la température, par exemple, il explique qu’on va plutôt regarder les extrêmes, et qu’il faut aussi distinguer le jour de la nuit, ou encore la semaine du week-end. Sinon, on se retrouve avec des indicateurs biaisés (un bâtiment moins chauffé le week-end peut être normal et même positif en termes d’énergie).

Bref : la bonne analyse, c’est celle qui colle à l’usage réel.

‍

Et pour rendre tout cela actionnable, selon le niveau de maturité des équipes, il décrit trois options :

• KPI “clés en main” : des statistiques prêtes à l’emploi, déjà construites avec les bons découpages (jour/nuit, semaine/week-end, focus sur les extrêmes).
• Connexion par API à un outil de BI (ex. : Power BI) : pour que ceux qui veulent aillent plus loin et créent leurs propres vues.
• IA + MCP : le LLM comme le “cerveau” et le MCP comme le “bras”, qui fait le pont avec les outils ; l’idée étant qu’un client puisse demander des statistiques personnalisées via son IA, qui ira récupérer les données dans MerciYanis.

Au fond, le message de Guillaume est simple : peu importe l’interface, tant que la donnée aide à comprendre vite et à décider mieux.

‍

‍

9️⃣ « RGPD et acceptabilité : la confiance avant les capteurs »

Ils insistent : sans pédagogie, l’adoption ne prend pas.

‍

Sans explication, les capteurs peuvent rapidement susciter des craintes : peur d’être surveillé, peur d’un usage détourné de la donnée, peur d’un manque de transparence. Et dans ce cas-là, même la meilleure solution technique devient contre-productive, parce que la confiance est rompue avant même le déploiement.

La réponse qu’ils défendent est simple et pragmatique : embarquer les bonnes parties prenantes dès le départ (en particulier la DSI et le CSE) et surtout faire de la pédagogie. Dire clairement ce qui est mesuré, dans quel objectif… mais aussi ce qui ne l’est pas. Insister sur le fait que les données sont anonymisées, agrégées, et utilisées pour améliorer les espaces et les services, pas pour contrôler les individus.

Le message est limpide : l’acceptabilité n’est pas un “bonus” du projet, c’est une condition de réussite.

‍

‍

🔟 « Demain, on ne parlera peut-être même plus d’IoT »

Dernière phrase, dernier regard vers l’avenir.

‍

L’IoT a fait rêver. Il a parfois déçu. Et c’est normal.

Mais ce que montre cet échange, c’est que le vrai sujet n’est pas la technologie. Demain, les équipements seront sans doute connectés nativement. Peu importe, finalement, d’où viendra la donnée.

L’enjeu restera le même :

« Aider les organisations à piloter leurs environnements de travail de la façon la plus simple, la plus lisible et la plus performante possible. »

‍