Réalisation

Les solutions dépendent bien évidemment des objectifs à atteindre d’où l'importance de bien identifier les besoins et contraintes lors d'un diagnostic.

Voici quelques exemples :

Chatbot assistant interne de procédures

Besoin

Apporter des réponses instantanées aux collaborateurs internes sur les procédures opérationnelles (qualité, sécurité, RH, informatique, process métier) en interrogeant une base de connaissances documentaire en langage naturel — éviter que les équipes perdent 30-45 min/jour à chercher l'information dans des dizaines de PDF, Confluence, SharePoint ou classeurs réseau.

Contraintes

Données sources sensibles (procédures confidentielles, données RH, informations stratégiques) qui ne doivent pas être exposées à l'extérieur de l'entreprise
Documentation multi-formats (PDF, Word, Excel, pages wiki) non structurée et évolutive
Risque d'hallucination du LLM = réponse incorrecte sur une procédure critique (sécurité, conformité)
Nécessité de traçabilité : qui a demandé quoi, quelle source a été utilisée (audit RGPD/ISO)

Solution possible : Chatbot RAG (Retrieval Augmented Generation) avec orchestration multi-LLM

Stack technique souveraine :

Un robot de saisie automatique dans un logiciel

Besoin

Automatiser la saisie de devis dans un logiciel de gestion commercial (ERP, CRM, logiciel métier) à partir de demandes clients reçues par email ou formulaire web — éviter que l'équipe commerciale passe 2-3h/jour à ressaisir manuellement les informations (références produits, quantités, prix, coordonnées client) avec des risques d'erreurs de frappe et des délais de réponse allongés.

Contraintes

Le logiciel cible ne dispose pas d'API pour créer des devis automatiquement (logiciel legacy ou éditeur ne permettant pas l'intégration)
Nécessité d'interagir avec l'interface graphique (clics, saisie champs, navigation menus)
Données sources hétérogènes : emails PDF, formulaires web, documents scannés (nécessite parfois OCR)
Variabilité des cas : certains devis simples (1-3 lignes), d'autres complexes (10+ lignes, remises, options)
Risque d'erreur si le robot ne détecte pas un champ obligatoire ou une incohérence

Solution possible : RPA classique :

Automatisation : Power Automate Desktop, UiPath, Automation Anywhere | Extraction données : Parse email/JSON natif | Connecteurs : Interface UI (clics/saisie simulés) | Hébergement : Machine virtuelle Windows ou poste dédié

Solution possible : RPA + IA (avancé) :

Automatisation : UiPath + Document Understanding, Power Automate + AI Builder | IA OCR/extraction : Mistral Vision, Azure Document Intelligence, GPT-4 Vision | Agent Computer Use : Claude Computer Use API, frameworks multi-modaux | Orchestration : Langchain ou Make/N8N (selon complexité)

Tri et routage intelligent des emails entrants

Besoin

Automatiser le tri des emails reçus sur une boîte générique (contact@, info@, commande@) en analysant le contenu, en extrayant les pièces jointes importantes, puis en les transférant automatiquement au bon service avec un résumé structuré.

Contraintes

Emails contiennent parfois des données sensibles (devis, factures, infos clients)
Certaines pièces jointes doivent être renommées et classées automatiquement (factures → comptabilité, CV → RH)
Risque d'erreur d'aiguillage = perte de temps et mauvaise expérience

Solution possible : Architecture multi-agents orchestrée

Avec du no-code : Orchestration : Make, N8N | LLM : Mistral (local/API) | Connecteurs : Modules natifs email

Avec Microsoft : Orchestration : Copilot Studio + Power Automate | LLM : Azure OpenAI GPT-4 | Connecteurs : Outlook, SharePoint natifs