IA ou automatisation : code déterministe ou LLM, qui fait quoi ?

Beaucoup de dirigeants arrivent avec la même demande : "on veut de l'IA sur ce processus". Dans une bonne partie des cas, après audit, la réponse la plus pertinente n'est pas un modèle d'intelligence artificielle, mais une automatisation classique bien conçue. Et quand l'IA a sa place, elle s'intègre comme une étape du flux, pas comme une solution qui remplace tout le reste.

Deux façons de travailler très différentes

Un traitement déterministe, construit par exemple avec Make, Zapier ou n8n, donne toujours le même résultat pour les mêmes données d'entrée. Une règle de calcul, un test sur une date, un routage selon un champ : tout se vérifie, se rejoue et s'explique. Son coût de fonctionnement est faible et ne dépend pas du volume.

Un modèle de langage (LLM) fonctionne autrement : il produit la réponse la plus probable. C'est ce qui le rend excellent pour comprendre un texte rédigé librement, mais c'est aussi pourquoi deux exécutions sur la même demande peuvent donner deux réponses un peu différentes. Son résultat n'est jamais garanti à 100 %, et son coût augmente avec le volume.

Quand l'automatisation classique suffit

• Le processus est stable et répétitif, avec des règles claires et peu d'exceptions
• La fiabilité et la traçabilité totale sont non négociables (facturation, conformité, données réglementées)
• Le volume est élevé, au point où le coût d'appel à un modèle d'IA deviendrait significatif
• Il n'y a pas besoin d'interpréter du texte libre ou du contenu ambigu

Beaucoup de projets présentés comme des "projets IA" n'ont en réalité besoin que d'un flux d'automatisation bien conçu, plus simple à maintenir dans la durée qu'un système à base de modèles.

Le plus souvent : un flux hybride

Dès qu'il faut interpréter du contenu non structuré, traiter des cas qui sortent des règles prévues ou rédiger un texte, l'automatisation classique atteint ses limites. Mais la réponse n'est pas pour autant de tout confier à l'IA. La bonne architecture part d'une règle simple.

Au code reviennent :

• les calculs, les montants, les dates et les règles de gestion
• le routage d'une demande selon des critères connus
• les contrôles de format et de cohérence
• la lecture et l'écriture dans vos outils : ERP, CRM, tableur, messagerie

Au modèle de langage reviennent :

• la lecture d'un texte libre : un email, un PDF, une note manuscrite numérisée
• l'extraction d'informations d'un document sans structure fixe
• le classement d'une demande ambiguë
• la rédaction d'un brouillon de réponse ou d'un résumé

Un exemple concret : une demande de devis reçue par email

Prenons une PME industrielle qui reçoit chaque jour des demandes de prix par email, chacune rédigée à sa façon. Un flux hybride la traite en six étapes :

• Code : l'arrivée de l'email déclenche le flux.
• LLM : le modèle lit l'email et en extrait la référence, la quantité et la date souhaitée, dans un format imposé.
• Code : le flux vérifie que la référence existe au catalogue et que la quantité est plausible. En cas de doute, la demande part vers un humain.
• Code : le prix et le délai sont calculés à partir de vos règles, jamais par le modèle.
• LLM : le modèle rédige un brouillon de réponse à partir de ces éléments.
• Humain : un commercial relit et envoie.

Le modèle n'intervient que sur deux étapes, là où il apporte vraiment quelque chose. Tout ce qui engage l'entreprise, le prix et le délai, reste calculé par des règles que vous maîtrisez.

Encadrer le modèle là où il intervient

• imposer un format de réponse précis, que le code peut lire sans ambiguïté
• contrôler systématiquement cette réponse avant de poursuivre le flux
• prévoir une voie de repli vers un humain quand le contrôle échoue
• garder une trace de chaque exécution et suivre le coût des appels

Ce que ça change pour une PME

Pour une PME industrielle ou logistique de la Calade et du Beaujolais, cette approche a trois avantages très concrets. Les coûts restent prévisibles, puisque le modèle n'est appelé que sur une partie du flux. Le fonctionnement s'explique et s'audite, ce qui compte dès qu'un client, un auditeur ou un dirigeant demande pourquoi une décision a été prise. Et la maintenance reste à la portée de l'entreprise : une règle se corrige en quelques minutes, sans dépendre du comportement d'un modèle.

L'essentiel se joue avant le choix de l'outil : décider, étape par étape, ce qui relève d'une règle et ce qui relève de l'IA. Sur un cas de constitution de dossiers d'intervention en environnement réglementé, un agent LLM aurait pu tout produire. L'objectif zéro erreur a conduit à une architecture hybride : du code pour l'assemblage, la numérotation et les contrôles, un LLM limité à la lecture des documents hétérogènes et à l'explication des écarts, et un humain qui tranche chaque écart (voir le cas).