4.2Appeler ChatGPT, Claude, Gemini dans un workflow
L'essentiel en 30 secondes
- L'IA devient une étape du workflow : on envoie un prompt (instruction + données), on récupère la réponse pour la suite.
- Prompt précis + sortie JSON : la qualité dépend du prompt ; demander du JSON permet de chaîner proprement.
- Chaque appel se paie en tokens : filtrer avant l'appel et limiter la taille envoyée pour maîtriser le coût.
Mini-cas filé — Lina classe les demandes SAV
Lina reçoit chaque jour des dizaines de messages SAV à Oran : facturation, technique, autre — triés à la main. Elle ajoute une étape IA après le déclencheur : le prompt demande une catégorie en JSON à partir du texte du message, puis un routeur aiguille vers le bon traitement. Premier test sur des messages réels, réponses concises exigées, coût surveillé. Lina vient d'automatiser de la « compréhension du langage » sans coder.
Suite du cas 4.1 — Lina passe du choix de l'outil à sa première étape IA.
1. L'IA comme étape
L'automatisation change de dimension quand on y intègre un modèle d'IA. Dans un workflow (Make, n8n, Zapier), on ajoute un appel à ChatGPT (OpenAI), Claude (Anthropic) ou Gemini (Google) pour traiter du langage : résumer un mail, classer un ticket, extraire des informations, générer une réponse, traduire. Comme pour le tri SAV de Lina, l'IA devient une étape entre le déclencheur et l'action finale.
2. Prompt, format, coût
Principe simple : on envoie un prompt (instruction + données), le modèle renvoie un résultat texte qu'on récupère pour la suite (l'écrire en base, l'envoyer, l'utiliser dans une condition). La qualité dépend de la précision du prompt : consigne claire, catégories fermées, exemple du format attendu.
On gère le format (demander du JSON pour réexploiter proprement) et le coût (chaque appel se facture aux tokens, entrée + sortie). Lina filtre en amont, n'envoie que le texte utile et exige des réponses concises : l'IA délègue à la machine la « compréhension du langage », à condition de la piloter sobrement.
3. Changer de modèle reste simple
Les trois modèles couvrent la plupart des besoins courants ; le choix dépend des tarifs, des connecteurs disponibles et de vos tests sur vos cas réels. Comme l'appel passe par une interface standard (clé + module à remplacer), changer de modèle est souvent trivial : Lina prototype avec l'un, compare avec un autre, et ne sur-optimise pas ce choix au départ.
🔎 Exemple concret — 🔎 Exemple concret — Classer un ticket
L'étape IA de Lina, avec un prompt qui impose le format :
Prompt : « Classe ce ticket parmi :
Facturation / Technique / Autre.
Réponds en JSON : {categorie}. »
Données : {corps du ticket}
→ réponse JSON → routeur selon la catégorie.Lecture : une tâche de « compréhension » automatisée en une étape.
Leçon : demander du JSON pour chaîner proprement.
Vocabulaire de la section
- LLM (modèle de langage)
- IA entraînée sur le texte (ChatGPT, Claude, Gemini) capable de résumer, classer, extraire, générer, traduire.
Exemple simple : Lina l'utilise pour classer les messages SAV au lieu de les trier à la main.
Ce que ce n'est pas : un moteur de recherche ou une base de données.
Réflexe : réserver le LLM aux tâches de langage, pas au stockage.
- Prompt
- Instruction envoyée au modèle (consigne + données) qui détermine la qualité et la forme de la réponse.
Exemple simple : « Classe ce ticket parmi ces 3 catégories, réponds en JSON » : consigne + données.
Ce que ce n'est pas : un mot-clé vague jeté sans consigne ni format.
Réflexe : toujours relire son prompt : consigne claire + format imposé ?
- Token
- Unité de découpage du texte servant à facturer les appels aux modèles, entrée + sortie.
Exemple simple : Chaque message SAV de Lina + la réponse consomment des tokens.
Ce que ce n'est pas : une opération d'automatisation facturée par le SaaS.
Réflexe : estimer entrée + sortie avant d'industrialiser.
- Sortie structurée (JSON)
- Réponse formatée demandée au modèle pour être réexploitée proprement dans la suite du workflow.
Exemple simple : Le {categorie} renvoyé par l'IA alimente directement le routeur de Lina.
Ce que ce n'est pas : un paragraphe libre qu'il faut réinterpréter à la main.
Réflexe : exiger le format dans le prompt, vérifier avant de chaîner.
- Étape IA
- Module d'appel à un LLM inséré dans un workflow, entre le déclencheur et l'action finale.
Exemple simple : Chez Lina : déclencheur message → étape IA classement → routeur.
Ce que ce n'est pas : un agent autonome qui décide seul de ses actions (voir 4.3).
Réflexe : placer l'IA comme une fonction, pas comme un décideur.
En pratique — En pratique — Intégrer un LLM dans un workflow
- Dans votre workflow, ajoutez un module d'appel IA après le déclencheur, avec votre clé d'API stockée en lieu sûr (voir 4.5).
- Rédigez un prompt clair : « Résume ce mail en 3 puces » ou « Classe ce ticket parmi : Facturation / Technique / Autre », format JSON exigé.
- Injectez uniquement les données utiles du déclencheur (le corps du texte, pas les pièces entières).
- Récupérez la réponse et utilisez-la : écrivez-la dans votre base, envoyez-la, ou servez-vous-en dans une condition (routeur).
Script prêt à dire — cadrer l'envoi de données à l'IA (30 s)
« C'est Lina : avant de brancher l'IA sur nos messages clients, je minimise ce qu'on lui envoie — texte utile uniquement, pas de pièces sensibles — et je fais valider le circuit par la DSI. On teste sur un échantillon, on surveille le coût en tokens, puis on décide. »
À dire avant tout branchement sur données réelles ; tracer ce qui est envoyé au modèle.
Modèle copier-coller — fiche étape IA (exemple factice)
FICHE ÉTAPE IA — exemple factice à adapter
DÉCLENCHEUR : _______________ (ex. nouveau message SAV)
DONNÉES ENVOYÉES (texte utile seul) : _______________
PROMPT : « _______________ Réponds en JSON : {_______________}. »
MODÈLE : _______________ (clé stockée en lieu sûr, voir 4.5)
SORTIE → SUITE : _______________ (écrire / envoyer / router)
FILTRE ANTI-GASPILLAGE : n'appeler que si _______________
COÛT SURVEILLÉ LE : _______________Petits volumes, budget serré
Filtrer drastiquement avant l'appel (mots-clés, conditions) : l'IA ne traite que les cas qui le méritent vraiment.
Messages avec données sensibles
Comme Lina : minimiser, anonymiser si possible, et faire valider le circuit par la DSI/RSSI avant les données réelles.
Besoin multilingue (arabe, français)
Tester le même prompt dans chaque langue sur un échantillon : la qualité varie, le format JSON, lui, reste votre garde-fou.
Équipe qui débute avec l'IA
Commencer par un cas borné (classement en 3 catégories) plutôt que par la génération libre : prévisible, mesurable, moins cher.
✓ Bonnes pratiques
- Soigner le prompt (consigne claire + données utiles).
- Demander du JSON pour réexploiter proprement.
- Filtrer avant l'appel, limiter la taille.
✗ Pièges fréquents
- Appeler l'IA sur chaque événement.
- Envoyer des pièces entières au lieu du texte utile.
- Sur-optimiser le choix du modèle.
Points clés à retenir
- On intègre ChatGPT/Claude/Gemini comme étape d'un workflow pour traiter le langage.
- Cas d'usage : résumer, classer, extraire, générer, traduire, analyser un sentiment.
- La qualité dépend du prompt ; demander du JSON facilite la réexploitation.
- Chaque appel se facture aux tokens : soigner prompt et volume pour maîtriser le coût.
Défi 48h — appliquez demain
Ajoutez 1 étape IA à un workflow réel (classement ou résumé), avec prompt imposant le JSON et données minimisées — puis mesurez le coût en tokens.
- Je peux expliquer prompt, token et sortie structurée.
- Je sais chaîner une réponse IA vers un routeur.
- J'ai branché 1 étape IA sobre et mesuré son coût.
Questions fréquentes
Quel modèle choisir entre ChatGPT, Claude et Gemini ?
Les trois couvrent la plupart des besoins courants. Le choix dépend des tarifs, des connecteurs disponibles et de vos tests sur vos cas réels. Prototypez la même tâche avec deux modèles et comparez qualité, coût et régularité. Comme l'appel passe par une interface standard, changer est souvent trivial : ne sur-optimisez pas ce choix au départ.
Comment maîtriser le coût des appels IA ?
Filtrez en amont pour n'appeler que quand c'est nécessaire, limitez la taille envoyée, choisissez un modèle adapté (un petit suffit souvent pour classer), exigez des réponses concises (la sortie est facturée aussi) et surveillez la consommation. La sobriété se conçoit dès la construction du workflow.
Comment intègre-t-on une IA dans un workflow ?