Automatisation intelligente : quand ajouter un jugement

« Automatisation intelligente » se distingue d’une automatisation classique par une seule chose : une étape où un modèle exerce un jugement sur un cas ambigu, là où une règle fixe — si ceci, alors cela — ne suffit plus. Ce n’est ni la même chose qu’une simple règle codée à l’avance, ni la même chose qu’un agent qui déciderait seul de tout l’enchaînement de ses étapes. C’est un point intermédiaire, et la vraie question n’est presque jamais comment l’ajouter, mais si la tâche en a réellement besoin.

Où la question se pose concrètement

• —Classer des notes de frais par catégorie budgétaire : une règle fixe suffit pour la majorité, mais échoue sur les libellés ambigus qu’un humain trancherait en une seconde.
• —Trier des tickets de support par urgence : un mot-clé fixe rate les messages urgents qui ne contiennent pas ce mot-clé exact.
• —Répartir des candidatures reçues par type de poste, quand l’intitulé du poste visé n’est pas toujours écrit de la même façon d’une candidature à l’autre.

Ce n’est pas nécessaire pour une tâche où les cas ambigus n’existent presque jamais — reformater une date, extraire un numéro de facture à un emplacement fixe dans un document. Ajouter un jugement à une transformation déjà déterministe n’apporte rien et introduit un risque d’erreur là où il n’y en avait pas.

Une méthode pour décider, avant de coder quoi que ce soit

1. 01Listez la règle fixe actuellement utilisée, même informelle, et comptez sur un mois écoulé combien de cas elle a mal classés ou n’a pas su traiter.
2. 02Si ces exceptions sont rares et se laissent décrire par une règle un peu plus précise, élargissez la règle plutôt que d’ajouter un modèle — plus simple à auditer, moins cher à maintenir, et le résultat reste prévisible à cent pour cent.
3. 03Si les exceptions sont fréquentes et demandent de lire le contexte pour trancher, c’est le signal d’ajouter une étape de jugement, pas avant.
4. 04Donnez à cette étape une troisième option explicite — « incertain, à vérifier » — plutôt que de la forcer à choisir entre deux catégories quand elle n’est pas sûre.
5. 05Mesurez pendant deux semaines à quelle fréquence le jugement du modèle diffère de ce qu’une personne aurait décidé, avant de lui faire confiance sans relecture.

Un exemple de bout en bout

Une équipe classe ses notes de frais avec une règle fixe basée sur des mots-clés dans le libellé — « restaurant » va en frais de repas, « taxi » en frais de déplacement. Les cas comme « Uber Eats » livré au bureau se classent mal, tantôt repas, tantôt déplacement, selon qui a écrit la règle en premier.

Ajouter une étape de jugement ici est justifié : le nombre de libellés ambigus augmente avec le nombre de commerces différents, une règle ne peut pas tous les anticiper à l’avance. La consigne donnée au modèle reste précise : classer dans l’une des catégories existantes, ou répondre explicitement « incertain » si le libellé ne permet pas de trancher avec confiance — jamais forcer un choix par défaut qui aurait l’air d’une certitude.

Une automatisation n’est pas plus intelligente parce qu’elle utilise un modèle. Elle l’est quand le modèle intervient exactement là où une règle fixe échoue, et nulle part ailleurs.

Un deuxième cas montre l’inverse : une équipe veut ajouter un jugement pour extraire un numéro de commande d’un e-mail, alors que ce numéro apparaît toujours au même endroit, dans le même format. Ici, une règle fixe suffit entièrement — l’ajout d’un modèle n’améliore rien et introduit une variabilité là où le résultat devrait rester identique à chaque fois.

Pourquoi ne pas ajouter du jugement partout, par prudence

Une règle fixe qui échoue le fait bruyamment — le cas non prévu ressort tel quel, visible. Une étape de jugement mal calibrée échoue en silence : elle produit un résultat qui a l’air raisonnable, pas manifestement faux, et personne ne le remarque avant une relecture. Ajouter un modèle là où une règle suffisait remplace donc un risque visible par un risque plus difficile à repérer, sans gain réel — le même problème que décrit, pour l’automatisation en général, Automatisation IA.

Ce principe — vérifier un résultat produit automatiquement avant de lui faire confiance, en particulier quand une étape de jugement intervient — figure explicitement dans les lignes directrices de l’OCDE sur l’IA. Le rythme auquel ces modèles progressent sur la fiabilité de ce type de classement est suivi chaque année par le Stanford AI Index.

Si l’automatisation touche des données personnelles — candidatures, coordonnées clients —, les recommandations de la CNIL pour les TPE et PME s’appliquent dès qu’une étape de jugement par IA entre dans le traitement, pas seulement pour une génération de texte.

Ce que dit le marché du travail français

Plus d’un tiers des établissements de 10 salariés et plus déclarent déjà utiliser l’intelligence artificielle, selon une enquête de France Travail auprès des employeurs, et la DARES suit en continu quelles tâches administratives sont concrètement automatisables. Le PwC AI Jobs Barometer mesure une prime salariale nette pour les profils qui savent juger où un modèle apporte réellement quelque chose plutôt que l’ajouter partout par réflexe.

Ce que vous essayez cette semaine

1. 01Choisissez une automatisation existante et comptez ses échecs ou exceptions sur le dernier mois.
2. 02Si les exceptions se décrivent par une règle plus précise, élargissez la règle avant d’envisager un modèle.
3. 03Si elles demandent un vrai jugement contextuel, ajoutez une étape IA avec une option explicite « incertain ».
4. 04Mesurez pendant deux semaines l’écart entre ce jugement et ce qu’une personne aurait décidé.

Une fois la décision prise d’ajouter un jugement, la méthode pour cadrer l’enchaînement complet — déclencheur, données transmises, point de contrôle humain — est celle détaillée dans Automatisation IA. Si la tâche va plus loin et demande au système de décider lui-même de ses étapes plutôt qu’une seule décision ponctuelle, Créer un agent IA explique où poser une limite avant de franchir ce cap. La même compétence de contexte précis, appliquée à un texte plutôt qu’à une automatisation, est détaillée dans Formation prompt IA, et Formation IA générative situe cette compétence dans un parcours plus large pour qui débute.

Cette méthode — décider où un jugement ajoute vraiment de la valeur, puis vérifier ce qu’il produit — est ce que Coursium fait pratiquer par petites leçons sur votre téléphone, sur des tâches réelles plutôt que des démonstrations. Gardez une longueur d’avance sur l’IA en commençant ici — ou lisez d’abord à propos de Coursium.