Automatiser une tâche avec l'IA, de bout en bout

Automatiser une tâche avec l'IA peut tenir en ne serait-ce que six étapes : choisir une tâche répétitive et volumineuse dont la sortie est facile à vérifier, la décomposer, choisir la bonne approche (le plus souvent un bon prompt branché sur un RAG, pas un fine-tuning), tester en bac à sable, garder un humain dans la boucle sur l'envoi, puis mesurer le gain réel. Le succès ne dépend presque jamais du modèle : il dépend du choix de la tâche et de l'endroit où tu places l'humain.

Admettons, chez Maisons&Mobilia, Sophie gère le service après-vente. Sophie veut arrêter de réécrire les mêmes réponses de premier niveau. On suit chaque décision, avec ses arbitrages et ses garde-fous.

Étape 1 : choisir la bonne tâche

C'est l'étape qui va influencer profondément les autres. Et paradoxalement, c'est sûrement celle qui est la plus sous-estimée. Une bonne tâche à automatiser coche trois cases : elle est répétitive, elle est volumineuse, et sa sortie est facile à vérifier.

Sophie reçoit chaque jour une cinquantaine de messages clients. La moitié sont des questions de premier niveau qui reviennent sans cesse : où en est ma livraison, comment retourner un produit, quelle est la garantie de ce canapé. Répétitif, volumineux, et vérifiable d'un coup d'œil : une réponse correcte se repère en quelques secondes. C'est exactement le profil. À l'inverse, gérer un litige délicat avec un client furieux n'est ni répétitif ni vérifiable vite, on le laisse à Sophie.

Étape 2 : décomposer la tâche

« Répondre aux e-mails » est trop gros pour être automatisé d'un bloc. On le découpe en sous-étapes claires, parce que chacune se traite et se vérifie séparément.

Pour une réponse de premier niveau, le découpage est simple : lire le message et identifier la demande, retrouver l'information juste dans la base M&M (politique de retour, délais, garanties), rédiger un brouillon dans le ton de la maison, puis soumettre ce brouillon à Sophie. La dernière sous-étape, l'envoi, reste hors du périmètre automatisé. Ce découpage te montre déjà où l'IA aide (retrouver et rédiger) et où l'humain tranche (valider et envoyer).

Étape 3 : choisir l'approche

Ici on arbitre entre trois leviers : un bon prompt, un RAG, un fine-tuning. La tentation est de réentraîner un modèle « maison ». C'est presque toujours le mauvais réflexe pour démarrer.

Le besoin de Sophie se sépare en deux. D'abord le ton et le format : tutoiement chaleureux, signature M&M, réponse courte. Ça, un bon prompt le règle, gratuitement et tout de suite (voir écrire un bon prompt). Ensuite le fond factuel : les délais, la politique de retour, la garantie d'une référence précise. Le modèle ne les connaît pas, et un prompt ne les fera pas apparaître. C'est un problème de connaissances, donc un RAG : on branche la base de connaissances M&M, et à chaque message le système va y chercher les passages utiles avant de rédiger (voir qu'est-ce qu'un RAG).

Le fine-tuning, lui, est écarté. Il coûte cher, et surtout il figerait le savoir au jour de l'entraînement : quand un délai ou une politique change, un modèle réentraîné ne le saurait pas, alors que le RAG consulte la base à jour à chaque réponse. Le bon montage est donc prompt plus RAG, sans réentraînement.

Étape 4 : brancher et tester en bac à sable

On ne lâche jamais une automatisation directement sur de vrais clients. On la teste d'abord sur des données factices ou sur d'anciens messages anonymisés, sans rien qui parte vraiment.

Sophie fait tourner le montage sur cinquante messages passés dont elle connaît déjà la bonne réponse. Elle lit les brouillons et traque trois choses : les réponses à côté de la plaque (mauvaise compréhension de la demande), les informations inventées (un délai plausible mais faux, le signe qu'une donnée manquait dans la base), et le ton qui dérape. Chaque problème se corrige à sa source : une demande mal comprise se règle dans le prompt, une info absente se règle en complétant la base de connaissances. C'est en bac à sable, pas en production, qu'on découvre ces trous.

Étape 5 : garder Sophie dans la boucle

Le garde-fou central de tout ce cas tient en une règle : l'IA propose, l'humain envoie. C'est la supervision humaine (human in the loop), placée juste avant l'action irréversible.

Concrètement, le système ne dispose d'aucun moyen d'envoyer un message seul. Il dépose son brouillon dans une file. Sophie le relit, ajuste une formulation si besoin, et clique pour envoyer. Elle gagne l'essentiel du temps de rédaction tout en gardant le dernier mot et la responsabilité de ce qui part. Si une information manquait, le brouillon le signale au lieu d'inventer, et Sophie complète à la main. Ce n'est pas un agent autonome qui gère le SAV tout seul : c'est un assistant cadré, supervisé, sur une tâche précise. C'est ce périmètre serré qui le rend fiable.

Étape 6 : mesurer le gain réel

Sans mesure, tu ne sais pas si ça vaut le coup, tu le crois. On pose une baseline avant, on mesure après quelques semaines d'usage réel, et on compte le coût total.

Sophie note son point de départ : combien de messages de premier niveau par jour, combien de minutes chacun en moyenne, combien finissent par une relance du client parce que la réponse était à côté. Après trois semaines, elle remesure les mêmes chiffres. Le gain à suivre n'est pas « combien de brouillons l'IA a produits » (de l'activité, pas de la valeur) mais le temps par message avant et après, le taux de reprise, et le coût total une fois ajoutés l'abonnement, l'intégration et le temps de relecture de Sophie. La méthode complète, baseline comprise, est détaillée dans le ROI de l'IA générative. Le piège classique : prendre une démo réussie sur des cas faciles pour un résultat. Seule la mesure réelle tranche.

Le récap actionnable

Pour automatiser une tâche avec l'IA, dans l'ordre :

1. Choisis une tâche répétitive, volumineuse, à sortie vérifiable. Si vérifier prend autant de temps que faire, change de tâche.
2. Décompose-la en sous-étapes, et repère lesquelles l'IA traite et laquelle l'humain tranche.
3. Choisis l'approche : prompt pour la forme, RAG pour les connaissances à jour, fine-tuning seulement si le comportement par défaut résiste, ce qui est rare au démarrage.
4. Teste en bac à sable sur des données factices avant le moindre contact avec un vrai client.
5. Garde l'humain dans la boucle sur toute action irréversible : l'IA propose, tu valides et envoies.
6. Mesure une baseline avant, le gain réel après, et le coût total, pas l'activité brute.

Aller plus loin

Lire la méthode aide, la manipuler l'ancre. L'app saisir.ai te fait construire ce genre de cas toi-même, en français, sans coder, environ 5 minutes par jour : tu cadres une tâche, tu branches les bonnes briques et tu vois où l'humain doit reprendre la main.

Pour les deux briques au cœur de ce cas, commence par écrire un bon prompt qui règle le ton et le format, puis qu'est-ce qu'un RAG pour brancher proprement ta base de connaissances.