Guide : IA et workflows augmentés

Un workflow classique exécute une séquence d'actions prédéfinie. Il est parfait pour les processus stables, à faible variabilité. Mais il atteint ses limites quand les entrées sont non structurées :

• Un email client libre qui doit être classé et traité
• Un PDF de facture aux formats variés
• Un contrat à analyser pour extraire des clauses
• Une demande de support en langage naturel

L'IA comble cette limite : elle apporte la compréhension que le workflow ne peut pas avoir.

Le principe

Le workflow orchestre. L'IA comprend. L'humain valide (quand nécessaire). C'est cette combinaison qui donne les meilleurs résultats.

1. Classification

Catégoriser automatiquement emails, tickets, documents. Exemple : trier les demandes entrantes par type et priorité.

2. Extraction d'information

Extraire des données structurées d'un texte libre : nom, montant, dates, adresses. Exemple : lire une facture PDF et créer la fiche comptable.

3. Génération assistée

Produire une première version de texte : réponse client, résumé, note interne. L'humain relit et valide.

4. Recherche dans une base documentaire

Répondre à une question à partir d'une documentation interne. Exemple : assistant support connecté au manuel produit.

5. Aide à la décision

Analyser un contexte et proposer une action. Exemple : détecter une transaction suspecte et proposer une vérification.

Un workflow augmenté par l'IA suit un schéma récurrent.

1. Déclencheur

Un événement : email reçu, formulaire soumis, fichier déposé, appel API.

2. Prétraitement

Extraction du texte, nettoyage, normalisation. Parfois OCR si le document est scanné.

3. Appel IA

Envoi du texte au modèle avec une consigne précise. Le modèle retourne une réponse structurée (JSON si possible).

4. Validation

Seuil de confiance : si la confiance est élevée, on continue automatiquement. Sinon, escalade vers un humain.

5. Action

Créer une fiche, envoyer un email, mettre à jour un système, déclencher une autre étape.

6. Journalisation

Garder une trace : entrée, sortie du modèle, décision, action. Indispensable pour la qualité et la conformité.

Un modèle IA peut produire du texte libre. Mais pour automatiser, il faut des sorties structurées.

Techniques

• Prompts structurés — instructions précises sur le format attendu (JSON)
• Function calling — les modèles récents permettent de spécifier un schéma de sortie
• Validation post-traitement — vérifier que la sortie respecte le format, sinon retry

Exemple

Pour classer un email, on peut demander au modèle de retourner :

{"categorie": "support|commercial|facturation|autre", "urgence": "faible|normale|haute", "resume": "..."}

Le workflow peut alors router l'email selon la catégorie et l'urgence.

La règle

Ne jamais faire confiance à une sortie IA non validée. Toujours vérifier le format avant d'agir.

Un workflow augmenté par l'IA doit savoir quand ne pas décider seul.

Le principe

Le modèle retourne un score de confiance. Selon ce score :

• Confiance élevée (> 0.9) — action automatique
• Confiance moyenne (0.6 à 0.9) — action automatique mais avec vérification a posteriori
• Confiance faible (< 0.6) — escalade vers un humain

Comment définir les seuils

Cela dépend du risque de l'action. Un email de réponse automatique peut tolérer un seuil bas. Une écriture comptable doit exiger un seuil très élevé.

L'apprentissage

Les cas escaladés vers un humain sont autant d'exemples pour améliorer le modèle ou les consignes. Prévoir une boucle de retour.

Coût des appels

Chaque appel à un modèle commercial coûte. Pour un volume élevé, cela peut devenir significatif.

Stratégies d'optimisation

• Cacher les réponses — si la même entrée revient, ne pas rappeler le modèle
• Choisir le bon modèle — un modèle plus petit suffit pour des tâches simples
• Batch — regrouper les appels quand c'est possible
• Modèle local — pour les volumes très élevés, un modèle open source hébergé coûte moins cher

Latence

Un appel IA prend 1 à 5 secondes. Pour un workflow qui doit répondre en moins d'une seconde, prévoir du pré-calcul ou un modèle plus rapide.

• ☐ Cas d'usage précis identifié
• ☐ Schéma de sortie du modèle défini
• ☐ Prompt testé sur 20 cas réels
• ☐ Seuils de confiance définis
• ☐ Mécanisme d'escalade vers humain
• ☐ Journalisation en place
• ☐ Coût mensuel estimé
• ☐ Performance mesurée
• ☐ Boucle de feedback prévue
• ☐ Documentation rédigée