Automatisations IA : combiner LLM et workflows

Combiner un LLM avec un workflow d'automatisation ouvre des cas d'usage impossibles avant. Le LLM agit comme un cerveau au cœur du workflow.

1. Ce que le LLM apporte

Dans une automatisation classique, les décisions sont prises par des règles fixes (if/else, regex, conditions). Limites :

• Ne gère pas l'ambiguïté
• Ne comprend pas le langage naturel
• Inflexible face aux nouveaux cas

Avec un LLM :

• Classification sémantique (« cet email est-il une plainte ? »)
• Extraction depuis du texte libre (« quel produit est mentionné dans cet email ? »)
• Rédaction contextualisée (« écris une réponse personnalisée »)
• Résumé automatique
• Décision nuancée

2. Patterns d'usage du LLM dans un workflow

a) LLM en classifier

Trigger : email reçu
  → LLM : classer en {SAV, Commercial, Spam, Autre}
  → Si SAV → créer ticket
  → Si Commercial → notifier sales
  → Si Spam → archiver

b) LLM en extracteur structuré

Trigger : facture PDF reçue
  → OCR → texte brut
  → LLM : extraire { vendor, amount, date, items[] } en JSON
  → Créer entrée dans la compta

c) LLM en rédacteur

Trigger : nouveau client signé
  → LLM : rédiger un email de bienvenue personnalisé avec son nom, son secteur, ses objectifs (depuis le CRM)
  → Envoi via SMTP

d) LLM en orchestrateur

Trigger : ticket support reçu
  → LLM : analyser le ticket
  → LLM décide :
    - Réponse simple → générer + envoyer
    - Question technique → router vers Niveau 2
    - Plainte → escalader manager

3. Outils pour ajouter du LLM à ses workflows

• Modules OpenAI / Anthropic / Gemini dans Make/n8n/Zapier
• Modules "HTTP request" pour appeler n'importe quelle API LLM
• OpenRouter : un endpoint unique pour appeler tous les LLMs
• API de classification spécialisée (Hugging Face, Replicate…)

4. Prompt dans un workflow : bonnes pratiques

Dans un workflow, le prompt doit être stable et fiable :

Rôle : tu es un classifieur d'emails.
Contexte : nous sommes une PME e-commerce.
Tâche : classe cet email dans une catégorie.
Format : réponds avec UNIQUEMENT un mot parmi : SAV, COMMERCIAL, SPAM, AUTRE.
Ne donne aucune explication.

Email :
---
{email_body}
---

Toujours :

• Forcer un format de sortie strict (JSON, mot unique…)
• Donner des exemples si la tâche est ambiguë (few-shot)
• Spécifier les cas limites ("Si tu ne sais pas, réponds AUTRE")
• Tester le prompt sur 20-50 cas réels avant production

5. Coût et performance

• Chaque appel LLM coûte (selon le modèle, 0,001€ à 0,10€ par appel typique)
• Volume × coût × marge = bilan ROI
• Pour les workflows à très haut volume, considérer un modèle plus petit (Haiku, GPT-4o-mini) ou un classifier dédié moins cher

6. Gérer l'incertitude

Un LLM n'est pas 100% fiable. Pour les workflows critiques :

• Vote majoritaire : appeler 3 fois, prendre la réponse majoritaire
• Confidence threshold : demander à l'LLM de noter sa confiance, ne valider que si haute
• Human-in-the-loop : si confiance basse, escalade humaine
• Fallback : si le LLM échoue, règle simple par défaut

7. Logs et monitoring

Logger chaque appel LLM :

• Input
• Output
• Coût
• Latence
• Erreurs éventuelles

Permet de mesurer la qualité, le coût et de détecter les dérives.