La vraie question: ce qui entre est-il prévisible?

La plupart des organisations posent le problème à l’envers. Elles évaluent la difficulté de la tâche, alors que le critère utile porte sur son entrée.

Si l’information arrive dans un format stable — les champs d’un formulaire, les colonnes d’un fichier, la réponse d’un logiciel — les règles s’écrivent. Elles peuvent être longues, comporter des dizaines de cas particuliers, rester fastidieuses à établir: elles restent des règles, et une automatisation classique les appliquera indéfiniment sans se tromper.

Si l’information arrive en langage libre ou dans un document dont la mise en page change d’un expéditeur à l’autre, aucune règle ne tient. C’est précisément là qu’un agent apporte quelque chose que rien d’autre n’apporte.

Une tâche compliquée à entrée prévisible relève donc de l’automatisation. Une tâche triviale à entrée imprévisible relève de l’agent. La difficulté n’est pas le bon critère.

Ce qu’une automatisation simple fait mieux

Elle est déterministe. La même entrée produit toujours la même sortie, ce qui permet de la tester avant la mise en service et de reproduire un problème quand il survient.

Elle est vérifiable. Quand une facture est mal classée, on lit la règle et on voit pourquoi. Il n’y a rien à interpréter, personne à convaincre, et la correction règle le cas définitivement.

Elle ne se trompe pas d’une fois sur trente. Il n’existe aucune marge d’erreur statistique à surveiller, donc aucun processus de relecture à financer en permanence.

Et son coût ne suit pas le volume. Une mécanique qui déplace des données entre deux outils, produit un rapport chaque lundi ou déclenche une alerte au-delà d’un seuil peut tourner des années sans qu’on y revienne.

Ce qu’un agent fait que rien d’autre ne fait

Il lit ce qui n’est pas structuré. Classer un courriel dont la formulation change à chaque expéditeur, extraire les mêmes champs de contrats qui n’ont pas deux fois la même mise en page, résumer quinze pages en cinq lignes: aucune règle ne couvre ces cas, et un humain les traite aujourd’hui à la main.

En contrepartie, un agent se trompe parfois, et sans prévenir. Ce n’est pas un défaut à corriger, c’est la nature de l’outil. Une mise en service sérieuse en tient compte: elle définit ce que l’agent peut faire seul, ce qu’il propose à une personne, et à partir de quel doute il s’abstient. La page IA et agents détaille cet encadrement.

Le coût qu’on oublie de compter

La comparaison honnête n’est pas entre deux prix de licence. Un agent coûte à chaque demande, et il coûte surtout le temps humain de vérifier ce qu’il produit.

La différence se voit sur la durée. Une règle fausse est un bogue: on la corrige une fois, et le sujet est clos. Un agent qui se trompe trois fois sur cent n’est pas un bogue, c’est un régime permanent — quelqu’un devra relire ces cas tous les mois, indéfiniment.

Avant de choisir, il vaut donc mieux estimer trois choses: le coût par demande, le temps de relecture, et ce que coûterait une erreur passée inaperçue. La troisième décide souvent seule.

Le cas le plus fréquent: les deux

En pratique, la bonne réponse est rarement l’une ou l’autre. Elle consiste à construire une chaîne déterministe et à n’appeler un agent qu’à l’étape qui l’exige vraiment.

Sur un flux de demandes entrantes, par exemple: les règles dirigent tout ce qui correspond à un motif connu — un objet reconnaissable, un expéditeur habituel, un formulaire structuré — et l’agent ne traite que le reste. Le volume qui lui parvient diminue fortement, donc le coût aussi, et la surface d’erreur se réduit d’autant.

Par où trancher

Prenez cinquante exemples réels de la tâche, tels qu’ils sont arrivés le mois dernier, sans les choisir.

Si vous parvenez à écrire des règles qui en couvrent quarante-cinq, la question est réglée: c’est une automatisation, et les cinq restants iront à une personne. Si vous n’y arrivez pas, l’agent se justifie — pour ces cas-là uniquement.

Cet exercice suppose de pouvoir sortir ces cinquante exemples de vos systèmes, ce qui est déjà un test en soi. S’il révèle surtout que les données ne sont pas accessibles, c’est par là qu’il faut commencer, avant de choisir un outil.