Code, automatisation ou IA: choisir le bon outil pour chaque tâche

Quand j’ai commencé à m’enthousiasmer pour les Large Language Models, je voulais mettre de l’IA partout. Service client? IA. Génération de contrats? IA. Traitement des factures? IA. Contrôles de la qualité des données? IA.

Il m’a fallu quelques leçons coûteuses pour comprendre que mettre de l’IA partout est une aussi mauvaise idée que de n’en mettre nulle part.

Certaines tâches exigent la précision du code sur mesure. D’autres, la fiabilité d’une automatisation déterministe. Et certaines ont réellement besoin du jugement que seule l’IA apporte. Le plus difficile, c’est de savoir quand ne pas utiliser l’IA.

Voici le cadre que j’utilise chaque jour.

Trois outils, trois tâches

Code: quand vous avez besoin d’un système principal

Le code d’application sur mesure sert à la logique métier centrale. Il définit votre produit, doit être parfaitement juste à chaque exécution et doit vous appartenir entièrement.

Dans notre entreprise, cela comprend:

• L’algorithme de mise en relation des professionnels de santé et des institutions
• Les calculs de prix et de salaires
• Les fonctionnalités de la plateforme avec lesquelles les utilisateurs interagissent directement
• Les modèles de données et les règles métier qui régissent le fonctionnement de l’ensemble

Ces éléments doivent être entièrement déterministes. Quand vous calculez le salaire de quelqu’un, « à peu près juste » n’est pas une option. Quand vous affectez une infirmière à une garde à l’hôpital, vous devez vérifier ses qualifications, ses disponibilités, ses préférences et les conditions contractuelles. À chaque fois, de la même manière, sans la moindre ambiguïté.

Le code sur mesure signifie aussi qu’il vous appartient pour toujours. Aucune dépendance envers un fournisseur, aucun changement d’API qui casse votre activité centrale, aucuns frais mensuels qui augmentent avec l’usage.

Utilisez du code quand: la logique est déterministe, elle est au cœur de votre activité et vous avez besoin d’un contrôle total.

Automatisation: quand le processus doit s’exécuter de manière fiable sans réfléchir

L’automatisation des workflows, avec des outils comme n8n, Zapier ou Make, convient aux processus répétitifs qui doivent toujours se dérouler de la même façon sans justifier du code sur mesure.

Chez Carewell, notre couche d’automatisation gère:

• Des centaines de contrats de travail générés chaque semaine (chacun en 45 secondes environ)
• Les workflows de signature électronique
• La génération de factures
• Les alertes sur la qualité des données
• Les rapports et notifications planifiés

Rien de tout cela ne nécessite d’IA. Un contrat est généré à partir de données structurées et d’un modèle. Une facture suit une formule. Un workflow de signature suit des étapes définies. Ces processus doivent être fiables au point d’en devenir ennuyeux. Une même entrée doit toujours produire la même sortie.

Utiliser l’IA pour générer des contrats reviendrait à engager un poète pour remplir vos déclarations fiscales. Techniquement possible, impressionnant sur le plan créatif et parfois erroné au point de vous valoir un procès.

Utilisez l’automatisation quand: le processus est répétitif, le résultat est déterministe et la fiabilité compte plus que la flexibilité.

IA: quand le jugement est nécessaire

L’IA convient aux tâches qui demandent de comprendre le langage, de reconnaître des schémas ou de gérer l’ambiguïté. Autrement dit, celles pour lesquelles il n’existe pas une seule bonne réponse que l’on pourrait déduire d’une formule.

Dans nos opérations, l’IA s’occupe de:

• Support client: notre chatbot répond aux questions 24 heures sur 24, 7 jours sur 7, en langage naturel
• Présélection des candidatures: lire les CV et faire correspondre les compétences aux exigences
• Prévision de la demande: prévoir quelles institutions auront besoin de personnel et à quel moment
• Apprentissage des préférences: comprendre au fil du temps ce que chaque professionnel apprécie ou non dans ses missions
• Génération de descriptions de compétences pour les certificats de travail

Ces tâches ont un point commun: elles exigent du jugement. Aucune formule ne vous dit si une infirmière s’intégrera bien à la culture d’une équipe donnée. Aucun arbre de décision ne peut traiter toutes les questions possibles d’un client. L’IA apporte la flexibilité nécessaire pour gérer l’ambiguïté, au prix d’un manque de précision occasionnel.

Utilisez l’IA quand: la tâche implique du langage, du jugement, de l’ambiguïté ou la reconnaissance de schémas qui ne peuvent pas être réduits à une formule.

Les cinq couches

Quand je prends du recul et regarde l’ensemble de notre stack technologique, je vois cinq couches conceptuelles:

┌──────────────────────────────────────┐
│  COUCHE HUMAINE                      │
│  Décisions, relations, créativité    │
├──────────────────────────────────────┤
│  COUCHE IA                           │
│  Jugement, langage, analyse          │
├──────────────────────────────────────┤
│  COUCHE D'AUTOMATISATION             │
│  Processus déterministes, fiabilité  │
├──────────────────────────────────────┤
│  COUCHE DES DONNÉES                  │
│  Source de référence, analyse métier │
├──────────────────────────────────────┤
│  COUCHE DES CONNAISSANCES            │
│  AI OS — mémoire institutionnelle    │
└──────────────────────────────────────┘

Couche des connaissances: le Company AI Operating System. Des connaissances structurées sur l’entreprise, stockées dans des fichiers texte simples. Elles alimentent toutes les couches supérieures.

Couche des données: votre base de données, vos outils de business intelligence, votre source de référence pour les données opérationnelles. Des chiffres, des enregistrements, des indicateurs.

Couche d’automatisation: les outils de workflow qui connectent les systèmes et exécutent des processus déterministes. Aucun jugement nécessaire, seulement une exécution fiable.

Couche IA: les modèles de langage et les autres systèmes d’IA qui traitent les tâches nécessitant du jugement, une compréhension du langage ou la gestion de l’ambiguïté.

Couche humaine: les décisions stratégiques, la création de relations, le travail créatif et le jugement éthique. Les éléments qui nécessitent encore une personne.

Chaque couche a une tâche claire. Les problèmes commencent quand vous utilisez la mauvaise couche: l’IA pour des calculs déterministes, l’automatisation pour des tâches qui demandent du jugement ou, le plus souvent, des humains pour des tâches qui auraient dû être automatisées il y a des années.

L’évolution du paiement des salaires

Prenons un exemple concret tiré de mon expérience.

Depuis les débuts de notre entreprise, la vérification des salaires versés aux professionnels de santé temporaires fait partie de mes responsabilités hebdomadaires. Voici comment elle a évolué:

Phase 1: manuelle. J’ouvrais une feuille de calcul Excel, comparais chaque paiement avec les données de la plateforme, vérifiais les calculs et signalais les écarts. Cela prenait des heures.

Phase 2: semi-automatisée. Nous avons construit une automatisation qui prenait en charge les calculs et les recoupements. Je faisais un contrôle de cohérence en parcourant les résultats et en repérant tout ce qui semblait incorrect. Cela prenait peut-être 30 minutes.

Phase 3: entièrement automatisée. L’automatisation s’occupe de tout. Je clique sur « valider le paiement ». Terminé.

Cette progression, du travail manuel au contrôle de cohérence puis au simple clic, est l’évolution naturelle de tout processus à mesure que votre automatisation gagne en maturité. Et nous n’avons eu besoin d’IA à aucun moment. Les calculs de salaire sont déterministes. Les règles sont claires. L’automatisation était le bon outil dès le départ.

Si nous avions essayé d’utiliser l’IA pour vérifier les paiements, nous aurions introduit un risque inutile (et si le modèle hallucinait un montant erroné?) sans aucun bénéfice (les calculs de salaire ne comportent aucune ambiguïté).

La checklist de décision

Quand vous examinez une tâche et vous demandez quel outil utiliser, passez ces questions en revue:

1. Existe-t-il une formule ou une règle qui donne la bonne réponse à chaque fois? Oui → Code ou automatisation. N’utilisez pas l’IA.

2. Le processus doit-il se dérouler à chaque fois de la même manière, de façon fiable? Oui → Automatisation. La cohérence est précisément son objectif.

3. La tâche implique-t-elle du langage naturel: lire, écrire ou comprendre du texte? Oui → Probablement de l’IA. C’est avec le langage que les LLM justifient leur coût.

4. Y a-t-il une ambiguïté, avec plusieurs réponses « correctes » selon le contexte? Oui → IA. C’est exactement ce que signifie faire preuve de jugement.

5. S’agit-il de la logique métier centrale qui définit votre produit? Oui → Code. Vous voulez un contrôle total et aucune dépendance envers un fournisseur.

6. La tâche relie-t-elle plusieurs systèmes dans un workflow répétitif? Oui → Automatisation. C’est pour cela que les outils de workflow ont été conçus.

7. Une mauvaise réponse causerait-elle de vrais dégâts? Si oui, et si la tâche est déterministe → surtout pas d’IA. Utilisez du code ou de l’automatisation. Si oui, mais si la tâche exige du jugement → IA avec validation humaine.

Les erreurs courantes

Mettre de l’IA là où il faut de l’automatisation

L’erreur que je vois le plus souvent consiste à utiliser ChatGPT ou Claude pour des tâches qui ne devraient nécessiter qu’un simple workflow. « J’utilise l’IA pour transformer mes notes de réunion en actions à mener et les envoyer à l’équipe. » Si vos notes suivent toujours la même structure, il vous faut un modèle et un workflow. L’IA n’apporte rien. Si elles varient beaucoup et exigent une interprétation, alors oui, l’IA a du sens.

Mettre de l’automatisation là où il faut du code

Si vous construisez des fonctionnalités centrales de votre produit dans Zapier ou n8n, quelque chose ne va pas. Les outils d’automatisation sont excellents pour connecter des systèmes et exécuter des processus. Ils sont très mauvais pour gérer une logique métier complexe qui doit passer à l’échelle, être testée et être maintenue par une équipe de développement.

Mettre des humains là où il faut de l’automatisation

C’est encore l’erreur la plus coûteuse. Chaque heure qu’une personne consacre à une tâche automatisable est une heure qu’elle ne passe pas sur un travail qui exige du jugement humain, de la créativité ou la création de relations.

Ne pas utiliser l’IA là où elle serait utile

À l’inverse, certaines entreprises sont si prudentes avec l’IA qu’elles se privent d’une valeur bien réelle. Si votre équipe de service client répond manuellement aux mêmes 50 questions chaque jour, c’est une tâche pour l’IA. Si vos recruteurs passent des heures à lire des CV pour effectuer une première sélection, c’est une tâche pour l’IA.

Comment commencer

Si vous partez de zéro, voici la séquence que je recommande:

D’abord: automatisez les tâches évidentes. Regardez ce que votre équipe fait manuellement et de manière répétée: saisie de données, génération de rapports, envoi de notifications, création de documents à partir de modèles. Ce sont des gains faciles grâce à l’automatisation. Des outils comme n8n s’en chargent bien.

Ensuite: repérez les possibilités pour l’IA. Sur quelles tâches votre équipe passe-t-elle du temps alors qu’elles exigent de comprendre le langage ou de faire preuve de jugement? Communication avec les clients, création de contenu, analyse de données nécessitant une interprétation. Ce sont de vrais cas d’usage de l’IA.

Troisièmement: protégez votre cœur de métier. Assurez-vous que votre logique métier centrale réside dans du code que vous contrôlez. Ne construisez pas les fondations de votre produit sur des appels API à des services qui pourraient changer leurs prix, leurs limites d’utilisation ou leur comportement sans préavis.

Quatrièmement: connectez les couches. Toute la puissance vient de la façon dont les couches travaillent ensemble. L’automatisation déclenche l’IA quand une tâche demande du jugement. L’IA renvoie les résultats à l’automatisation pour une transmission fiable. Le code fournit les fondations dont les deux dépendent. Et la couche des connaissances alimente l’ensemble en contexte.

Les entreprises qui réussissent utilisent le bon outil pour chaque tâche. La quantité d’IA utilisée n’a rien à voir avec leur succès.