Un chatbot peut expliquer une exigence d’appel d’offres. Cela ne signifie pas que l’exigence a été vérifiée au regard des preuves actuelles de l’entreprise, qu’une exception est parvenue au bon relecteur ou qu’une décision a été enregistrée. La conversation peut être terminée alors que la tâche métier a à peine commencé.
Pour l’automatisation des flux de travail par l’IA, la question la plus utile n’est pas « Que doit dire l’assistant ? », mais « Quel travail doit être prêt pour la personne suivante, et que doit-il se passer avant qu’il lui parvienne ? » Une interface de chat peut rester partie intégrante de l’expérience. Mais l’unité de conception doit être la tâche : ses entrées, les actions autorisées, les points de revue et le résultat documenté.
Ce changement modifie ce que vous construisez et la manière dont vous jugez son utilité.
Définir ce que signifie « terminé » avant de choisir l’interface
Commencez par un travail récurrent qui a un début et une fin identifiables. Évitez une mission aussi vaste que « aider aux achats ». Définissez quelque chose de circonscrit, comme la préparation d’un dossier de qualification d’appel d’offres en vue de la décision du responsable des offres.
Formulez la condition d’achèvement en termes métier. Un dossier utile peut nécessiter une liste d’exigences, des preuves à l’appui, les questions non résolues et l’avis d’un relecteur désigné. « Un résumé a été généré » est un événement technique, pas la même condition d’achèvement.
Distinguez la préparation de l’autorité. L’application peut rassembler des preuves et proposer une conclusion sans être habilitée à décider si l’entreprise doit répondre. Une évaluation interne approuvée ne signifie pas non plus qu’une soumission externe a été autorisée. Ces limites doivent être explicites plutôt que déduites d’une réponse assurée.
Précisez aussi ce qui sort du périmètre de la tâche. Un flux de travail qui prépare un dossier de décision n’a pas besoin de contacter un acheteur ni d’engager des ressources. Des exclusions claires rendent les critères d’acceptation plus faciles à tester et empêchent une étape suivante apparemment utile de dépasser le périmètre convenu.
Cartographier les transmissions, pas seulement les prompts
Suivez l’information depuis son arrivée jusqu’à sa destination finale. Quelles sources sont acceptées ? Quelle version s’applique ? Quels champs faut-il extraire ? Quel outil effectue un calcul ou récupère un enregistrement ? De quoi l’étape suivante a-t-elle besoin pour avancer ?
À chaque transmission, définissez le résultat attendu et les contrôles qui lui permettent de passer à la suite. Un paragraphe peut convenir à un relecteur ; un calcul en aval peut nécessiter des valeurs structurées, avec unités et références aux sources. Une information manquante doit rester manquante, et non devenir discrètement une valeur par défaut.
La même discipline s’applique lorsque le travail passe à une personne. « Merci de relire » est trop vague. Indiquez le point à résoudre, les éléments à l’appui et les réponses possibles. Précisez si un retour de commentaires rouvre une étape ou exige de nouvelles preuves.
SmoothOperator.ai réunit les cas métier et les données associées, les méthodes de travail et les outils d’IA. DataStudio prépare et gère les sources, les collections, les accès, les versions et les règles de mise à jour. MetaBuilder définit les étapes, les décisions, les outils autorisés et les points de revue humaine dans une définition de flux de travail versionnée. Ces capacités aident à rendre la méthode explicite ; ce sont toujours les personnes qui fixent les règles et gardent la main sur les décisions métier.
L’objectif pratique est la continuité : chaque étape doit laisser un travail exploitable à l’étape suivante, plutôt qu’une réponse de plus que quelqu’un devra reconstituer.
Utiliser des règles déterministes quand la réponse est déjà définie
Toutes les étapes ne gagnent pas à recourir à l’IA générative. Utilisez du code classique ou des règles déterministes (des règles qui produisent le même résultat à partir des mêmes entrées) pour l’arithmétique, la vérification des champs obligatoires, les changements de statut autorisés et les comparaisons à des seuils explicites.
L’IA est plus appropriée lorsque le travail consiste à interpréter un langage varié, à extraire des exigences candidates ou à rédiger une synthèse soumise à revue. Même dans ce cas, séparez l’interprétation de la règle qui lui est appliquée. Un modèle peut repérer un montant d’assurance indiqué ; un calcul peut comparer ce montant à un enregistrement vérifié de l’entreprise. Aucune de ces étapes ne doit trancher discrètement une clause ambiguë.
Les recommandations d’Anthropic distinguent les flux de travail aux parcours prédéfinis des agents qui orientent dynamiquement leurs propres processus et leur usage des outils. Elles conseillent de commencer par la solution la plus simple qui fonctionne et de n’ajouter de la complexité qu’en cas de besoin.1 Pour une tâche métier répétable, une séquence connue avec des contrôles explicites peut être plus adaptée qu’un agent libre de choisir sa prochaine action.
Il ne s’agit pas d’opposer les règles à l’IA. Confiez chaque partie du travail au mécanisme qui peut être testé le plus clairement. Si une simple recherche suffit pour une étape, il n’y a aucune raison de demander à un modèle de l’improviser.
Un examen d’appel d’offres hypothétique, de la réception à la décision
Prenons, à titre d’illustration, un flux de travail d’examen d’appels d’offres pour une entreprise qui évalue l’opportunité de répondre. Il s’agit d’une conception hypothétique, et non d’une affirmation concernant un déploiement de SmoothOperator.ai ou des résultats obtenus.
La tâche commence par un ensemble approuvé de documents d’appel d’offres et une collection convenue de preuves de l’entreprise. La réception enregistre les versions des documents et signale les contenus illisibles ou manquants. Le flux de travail ne doit pas traiter un jeu de pièces jointes incomplet comme une base complète pour l’examen.
L’IA propose une liste structurée d’exigences, avec l’emplacement dans la source pour chaque élément. Des contrôles déterministes confirment la présence des champs obligatoires. Les exigences chiffrées explicites peuvent être comparées à des valeurs vérifiées ; une formulation ambiguë est transmise à un expert métier au lieu de devenir un « conforme » ou « non conforme » deviné.
L’étape suivante constitue un dossier de qualification. Elle sépare les conclusions étayées des lacunes et des questions d’interprétation. Supposons qu’une exigence mentionne une expérience sur des « projets comparables », sans que les documents définissent la comparabilité. Le résultat utile est la clause, les preuves de l’entreprise potentiellement pertinentes et une question pour le relecteur, et non une conclusion d’éligibilité inventée.
La personne responsable examine la proposition et l’approuve, la rejette ou la renvoie avec des commentaires. Cette décision est intégrée à la traçabilité. Si des preuves supplémentaires sont demandées, la conclusion concernée reste non résolue jusqu’à un nouvel examen.
Dans ce périmètre illustratif, l’achèvement correspond à un dossier de qualification relu et à une décision enregistrée. Il ne signifie pas qu’une offre a été soumise, que l’éligibilité a été juridiquement établie ou que le marché a été remporté. Ce sont des activités et des décisions distinctes.
Associer autorisations et scénarios d’échec à chaque action
L’accès aux outils n’est pas une autorisation générale d’agir. Lire une source approuvée, préparer un brouillon et modifier un enregistrement métier sont des capacités différentes. Définissez chacune de façon restrictive et décidez quelles actions exigent une approbation avant exécution.
L’OWASP identifie l’excès de fonctionnalités, d’autorisations et d’autonomie comme causes de l’autonomie excessive. Ses recommandations consistent notamment à réduire au minimum les outils et privilèges disponibles, à exiger une approbation humaine pour les actions à fort impact et à appliquer les autorisations dans les systèmes en aval, plutôt que de compter sur le modèle pour décider de ce qui est permis.2 Un prompt indiquant « ne pas envoyer » ne remplace pas la restriction de la capacité d’envoi.
Appliquez le même soin à la gestion des échecs. Une source indisponible doit produire un blocage visible, et non une conclusion non étayée. Un appel d’outil refusé ne doit pas pousser le flux de travail à rechercher un accès plus large. Un contrôle en échec doit empêcher que le résultat concerné soit présenté comme prêt à être approuvé.
Les nouvelles tentatives ont elles aussi besoin de règles. Répéter une lecture peut être sans risque ; répéter une écriture peut créer des enregistrements en double. Si un outil expire après une mise à jour possible, vérifiez l’état réel du système avant de réessayer. Définissez lors de la mise en œuvre des tentatives limitées, l’escalade et toute action de reprise. Ne supposez pas que l’application peut annuler chaque modification externe.
Ces contrôles font partie de la conception de la tâche, pas d’un avertissement ajouté à son dernier écran.
Livrer un résultat vérifiable et une trace de ce qui s’est passé
L’IA avec intervention humaine n’est utile que si la personne dispose d’assez de contexte pour contester la proposition. Placez les preuves pertinentes à côté de la conclusion. Distinguez les valeurs structurées confirmées des interprétations du modèle, et montrez quels contrôles ont été effectués et quelles questions restent ouvertes.
Le profil IA générative du NIST avertit que les résultats générés peuvent contenir de fausses informations, y compris des raisonnements ou des citations inventés. Il recommande de revoir et de vérifier les sources et les citations lors de la mesure des risques avant déploiement et du suivi continu.3 Une référence est un élément à examiner, pas la preuve que la conclusion est exacte. De même, le statut de validation décrit les contrôles effectués ; il ne peut pas garantir que toutes les erreurs ont été détectées.
Dans SmoothOperator.ai, TruthFlow exécute le flux de travail configuré, coordonne les modèles et les outils, vérifie les sources, les données structurées et les règles métier, et enregistre les sources, les versions, les modèles, les appels d’outils et les décisions des relecteurs. Les points non résolus sont transmis à une personne. L’application propose ; la personne responsable approuve, rejette ou renvoie des commentaires.
Cette traçabilité peut aider à expliquer ce qui s’est passé et à étayer une analyse. La journalisation seule n’établit pas la conformité. Les contrôles et les preuves pertinents doivent encore être évalués pour la mise en œuvre concernée, dont l’intégration, la validation et le déploiement sont définis au cas par cas.
Évaluez les flux de travail d’IA en entreprise sur l’ensemble de la tâche : les preuves sont-elles complètes, les transmissions exploitables, les exceptions soumises à revue et les résultats autorisés enregistrés ? Incluez dans les tests les documents manquants, les sources contradictoires et les défaillances d’outils, pas seulement les cas simples.
Si vous avez une tâche récurrente qui demande plus qu’une réponse de plus, présentez le flux de travail à SmoothOperator.ai. Partez de ce qui doit être prêt à la fin, de ce qui doit rester une décision humaine et de l’endroit où le travail bloque aujourd’hui.
Références
- Anthropic: Building effective agents
- OWASP: LLM06:2025 Excessive Agency
- NIST: Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile