À quelle étape votre produit a-t-il besoin d'IA ?

"Ajoutons de l'IA au support" ne décrit pas encore un projet. Il peut s'agir de classer un message, de retrouver une commande ou de répondre au client. Chaque tâche demande des données différentes et tolère des erreurs différentes.

Prenons un service où une personne lit un message, retrouve l'achat et oriente la demande. On peut tester le classement sans donner au modèle le droit de modifier l'achat. Ce périmètre permet de vérifier si l'IA améliore le travail avant d'élargir sa responsabilité.

Nous préférons commencer par la plus petite étape qui a une valeur propre. Si classer les messages n'aide personne à terminer une demande, une belle démonstration ne justifie pas l'intégration.

Choisissez une tâche au résultat vérifiable

Une première version pourrait proposer une catégorie et afficher le passage du message qui justifie ce choix. La personne du support accepte ou corrige la suggestion. L'application enregistre les deux décisions.

Avant de développer, réunissez des messages que vous avez le droit d'utiliser. Retirez les données inutiles. Incluez des demandes courantes, des messages ambigus et des cas à transmettre directement à une personne. Gardez certains exemples à part pour évaluer les changements futurs, sans les employer pour ajuster le prompt.

Demandez à une personne qui connaît le travail de classer les mêmes cas. Si deux personnes ne sont pas d'accord, il manque peut-être une règle de traitement. Changer de modèle ne résout pas une catégorie que l'équipe ne sait pas définir.

Un parcours fixe peut suffire

Anthropic distingue les parcours dont le code définit les étapes des agents qui choisissent leurs prochaines actions. Cette distinction aide à décider de la liberté nécessaire pour la tâche.

Pour le support, la séquence peut être fixe. Recevoir le message, demander le classement, valider la sortie et afficher la suggestion. Le code choisit l'ordre. Le modèle interprète le texte.

Un agent devient pertinent lorsque les étapes suivantes dépendent de découvertes intermédiaires. Même alors, précisez ses actions autorisées et ses conditions d'arrêt. "Résoudre la demande" est trop large pour devenir une permission.

Comparez le coût du traitement complet

Mesurer seulement le pourcentage de catégories correctes laisse du travail de côté. Une erreur peut envoyer une demande dans deux équipes avant son retour au départ. Une suggestion correcte peut aussi arriver si tard que personne ne l'attend.

Pendant le pilote, mesurez le délai avant la bonne orientation, les corrections humaines et les cas sans réponse utile. Ajoutez le coût des appels et le temps de revue. Comparez avec le processus actuel sur des cas de difficulté proche.

La confiance déclarée par le modèle ne prouve pas qu'il a raison. Définissez des motifs observables de revue humaine, comme une catégorie absente, des informations insuffisantes ou une demande hors périmètre.

Fixez le critère de poursuite avant le pilote. Par exemple, conserver la suggestion seulement si elle réduit le temps de tri sans augmenter les mauvaises orientations. Les seuils numériques dépendent du service et demandent une mesure initiale.

Les permissions restent dans le code

Un message client peut contenir des instructions qui demandent d'ignorer les règles. L'application doit les traiter comme du contenu reçu. Ce texte ne peut accorder aucun accès aux outils ni aux données d'un autre client.

Pour le pilote de classement, le modèle n'a pas besoin d'identifiants permettant de modifier les commandes. Si une version ultérieure peut agir, chaque appel doit passer par l'autorisation du serveur. Limitez les ressources accessibles et enregistrez l'action avec son résultat.

Prévoyez aussi un nombre maximal d'essais et une durée limite. Une fois la limite atteinte, transmettez la demande avec le contexte disponible. Un cas coincé dans des tentatives automatiques attend toujours une réponse.

Prévoyez de désactiver la suggestion

Gardez un moyen de travailler quand le modèle est indisponible. Notez les versions du prompt et du modèle pour chaque évaluation, sans conserver de données personnelles inutiles. Avant un changement, rejouez les cas réservés à l'évaluation.

Le premier résultat utile peut être modeste. Une suggestion qui évite de chercher la bonne file mérite déjà une mesure. Élargissez l'autonomie lorsque les observations indiquent quelle prochaine étape vaut la peine d'être automatisée.