Étude de cas téléphonie

Comment Diyeva est passée de moins de 40% à plus de 90% de prises de rendez-vous réussies grâce à une refonte complète de ses automatisations

Prendre rendez-vous

Entreprise: Diyeva
Date: 27 octobre 2025
Secteur: Téléphonie par IA pour professionnels de santé
Taille: Startup en croissance
Siège: France
Cas d’usage: Prise de rendez-vous automatisée pour un centre ophtalmologique via secrétaire IA

> 90 %

de rendez-vous correctement enregistrés

avant : moins de 40 %

≈ 294 h

d'appels dégagées par mois pour la secrétaire

avant : charge très élevée

+ 98 %

d'appels traités

par rapport à la base de référence

1 jour

pour identifier les vrais problèmes

après plusieurs semaines sans succès

Contexte & enjeux

Diyeva propose un service de téléphonie par intelligence artificielle dédié aux professionnels de médecine, avec une secrétaire IA capable de gérer les appels, qualifier les demandes et prendre des rendez-vous tout en divisant par 3 les coûts opérationnels.

Pour un centre ophtalmologique, Diyeva s’appuyait sur fine-tuner.ai pour traiter les appels et sur une API interne de prise de rendez-vous, mais le système en production souffrait d’un taux de réussite inférieur à 50 % : moins de la moitié des rendez-vous confirmés par téléphone arrivaient réellement dans l’agenda du médecin.

Situation avant intervention

L’architecture reposait sur fine-tuner.ai pour décrocher et gérer les conversations, et sur des scénarios n8n pour orchestrer les appels vers l’API d’agenda (recherche d’agenda, disponibilités, création de rendez-vous).

Le précédent prestataire avait développé l’ensemble des automatisations dans n8n, mais n’arrivait pas à stabiliser le système : rendez-vous non enregistrés, données incomplètes, interprétation approximative des types de rendez-vous et forte insatisfaction des patients se présentant au centre sans rendez-vous réellement créé.

Problèmes rencontrés

Limites de n8n pour gérer des flux de données complexes (conversions XML/JSON, cas métier multiples) et finalisation difficile du projet par le prestataire initial.
Perte ou mauvaise interprétation de données entre l’IA et l’API : types de rendez-vous mal compris, informations patients incomplètes, rendez-vous fantômes dans le parcours utilisateur.
Coûts opérationnels élevés à cause des appels répétés lorsqu’un premier appel n’aboutissait pas, et frustration importante côté patients et centre ophtalmologique.

Objectifs du projet

Atteindre un taux de réussite de prise de rendez-vous supérieur à 90 %.
Fiabiliser la communication entre l’IA et l’API du centre ophtalmologique avec une traçabilité claire.
Stabiliser rapidement un système déjà lancé en production pour rattraper la situation du précédent prestataire.
Travailler avec une vraie logique d’obligation de résultat pour garantir la satisfaction de Diyeva et du centre.

Solution technique

De n8n à Symfony 7.3

Nous avons migré les automatisations critiques de n8n vers une application dédiée sous Symfony 7.3, hébergée sur nos serveurs, afin de reprendre le contrôle complet sur la logique métier et les échanges avec l’API du centre ophtalmologique.

1
Appel entrant
2
IA fine-tuner.ai
3
Qualification (type + date de rendez-vous)
4
Recherche des disponibilités via l’API Symfony
5
Proposition de créneau au patient
6
Validation : création du rendez-vous via l’API du centre
7
Confirmation au patient
Chaque étape est tracée et testée.

Reprise et réécriture des appels API : recherche d’agenda, recherche de rendez-vous, vérification de disponibilités, création et annulation de rendez-vous.
Mise en place d’un service de communication XML vers l’API du centre, exposé via des routes claires dans des contrôleurs Symfony.
Simplification et regroupement des types de rendez-vous pour faciliter la compréhension par l’IA et fiabiliser les appels API.

Qualité, tests et monitoring

Tests automatisés

Collection Postman couvrant l’intégralité du cycle : token, recherche d’agenda, disponibilités, prise et annulation de rendez-vous.

Monitoring

Suivi des appels et de la transmission des paramètres via fine-tuner.ai, complété par les logs Apache et serveurs pour retracer chaque interaction.

Sécurité

Sécurisation des échanges par une authentification via jeton d’API, limitée aux services autorisés.

Les résultats

Avant

Taux de réussite des prises de rendez-vous: < 40 %
Heures d’appels dégagées pour la secrétaire: Non mesuré / charge très élevée
Économie mensuelle estimée: Coûts opérationnels importants
Volume d’appels traités: Base de référence

Après

Taux de réussite des prises de rendez-vous: > 90 %
Heures d’appels dégagées pour la secrétaire: ≈ 294 h / mois
Économie mensuelle estimée: ≈ 3 492 € / mois (estimation)
Volume d’appels traités: + 98 %

D'où vient l'économie mensuelle estimée ? Elle valorise les ≈ 294 heures d'appels dégagées chaque mois (des heures supplémentaires que les secrétaires n'ont plus à effectuer) au taux horaire brut du SMIC, soit 294 h × 11,88 € ≈ 3 492 € par mois. C'est une estimation, pas un chiffre comptable : elle ne tient pas compte des charges patronales ni du coût de la solution, et dépend du volume d'appels de chaque structure.

Markez Safikhanov, Diyeva — Markez SafikhanovPrésident de Diyeva

Services et expertises mobilisés

Audit d’architectures no-code / low-code existantes (n8n) pour identifier les limites et points de rupture.
Refonte en code sur-mesure sous Symfony 7.3 pour les automatisations critiques métier.
Intégration d’une IA vocale (fine-tuner.ai) avec l’API de prise de rendez-vous du centre ophtalmologique.
Mise en place de tests automatisés (Postman) et d’un monitoring opérationnel complet.
Accompagnement et formation de l’équipe Diyeva à la lecture des logs, au suivi des erreurs et à l’exploitation de la solution.

Agents IA sur mesure avec Symfony →Automatisation n8n →Agence web automatisations →

Prendre rendez-vous Auditer mon système automatisé