[EXPLAINÉ🍄] Agents IA vs. Flux de travail

1. Comparaison des Agents IA et des Automatisations de Flux de Travail Traditionnelles [0]

1. L'objectif est d'expliquer pourquoi les agents IA sont plus puissants que les automatisations de flux de travail. [0]
2. Une démonstration visuelle montrera la différence entre les deux approches. [1]
3. Les spectateurs apprendront la puissance des agents IA et les défis de leur adoption. [2]
4. Pendant des décennies, la norme était de créer des flux de travail multi-étapes. [3]
   1. Ceci permettait de relier des API et d'automatiser des tâches (ex: make.com). [3]
   2. En entreprise, cela s'appelle la RPA (Robotic Process Automation). [4]
   3. Pour les PME, c'est l'automatisation de flux de travail (ex: Zapier, Make, Naden, Pipere). [5]
5. La construction et la maintenance de flux de travail codés en dur sont lentes et fragiles. [6]
   1. Cela implique beaucoup de code et de logique répétitifs. [6]
   2. Il faut gérer des dizaines de possibilités et de cas limites. [6]
6. Un exemple montre déjà trois branches logiques différentes pour un seul cas d'utilisation. [7]
7. Les agents IA permettent de connecter des outils une seule fois (ex: N8N). [9]
8. Il suffit de dire à l'agent ce qu'il doit faire en langage naturel. [11]
9. L'agent planifie dynamiquement les actions et l'ordre à suivre. [11]
10. Il peut même récupérer des erreurs sans codage manuel de chaque cas limite. [11]
11. Comprendre ce saut vers les agents IA est crucial pour une automatisation plus rapide. [12]

2. Exemple Réel : Flux de Travail de Remboursement Client (Ancienne Méthode) [14]

2.1. Le Flux de Travail de Support Client (Intercom) [14]

1. L'exemple utilise l'outil de support Intercom pour l'application Blot. [14]
   1. L'outil de construction de flux de travail d'Intercom est jugé maladroit et désordonné. [14]
2. Le flux de travail gère les questions liées à la facturation. [16]
3. Le flux de remboursement (en orange) est l'objet de la discussion. [17]
4. Scénario client : Le client a des questions sur la facturation. [18]
5. Le client sélectionne : "J'ai accidentellement mis à niveau pendant mon essai gratuit." [19]
6. Le chemin explique ce qui est inclus dans l'essai gratuit. [21]
   1. Les clients cliquent souvent sans lire et sont facturés. [22]
7. Le client voit un message expliquant les inclusions/exclusions. [25]
8. Options offertes au client : [25]
   1. "Je veux toujours un remboursement." (Mène au flux de remboursement). [25]
   2. "Je veux rester, mais c'est cher." (Applique un code promo). [25]
   3. Option d'envoyer un message au fondateur. [26]
   4. "Tout va bien. Merci." [27]
9. Si le client choisit "Je veux toujours un remboursement," cela mène à la demande de remboursement. [29]
10. Le flux semble compliqué, mais il s'agit surtout de messages. [30]

2.2. L'Agent IA Stripe (Nouvelle Méthode - Aperçu) [31]

1. L'agent IA dit : "Donnez-moi un instant, je traite votre demande." [31]
2. L'agent IA Stripe dans N8N est appelé. [32]
3. Il suffit de taper ce qui est désiré en langage naturel. [33]
4. L'agent IA détermine comment utiliser ses outils pour accomplir la tâche. [33]
5. Pour annuler un abonnement Stripe et rembourser le dernier paiement, il ne faut qu'un seul appel à l'agent IA N8N. [34]
6. Dans l'ancienne méthode, cette même logique nécessiterait plusieurs étapes de flux de travail. [35]

2.3. La Logique de Flux de Travail Traditionnelle (Ancienne Méthode Détaillée) [36]

1. Voici à quoi ressemblerait la construction dans Make ou un autre constructeur de flux de travail. [36]
2. Cas d'utilisation 1 : Annuler l'abonnement et rembourser la charge (rangée du milieu) [37]
   1. Le support (Intercom) appelle un webhook et transmet l'ID client. [38]
   2. Il faut récupérer les informations du client (appel à l'endpoint get customer de Stripe). [40]
   3. Des filtres et des règles sont nécessaires pour déterminer le chemin suivant. [42]
   4. Il faut récupérer l'ID d'abonnement du client. [44]
   5. Un appel HTTP personnalisé à l'API Stripe est nécessaire pour annuler l'abonnement (car ce n'est pas une action pré-construite). [45]
   6. Pour rembourser la dernière charge, il faut obtenir la liste des charges du client. [46]
   7. Ensuite, il faut appeler l'endpoint de remboursement. [47]
   8. ChatGPT est appelé pour résumer les changements effectués. [48]
   9. Le résumé est renvoyé au webhook de l'outil de support. [50]
   10. Ceci n'est qu'un seul flux de travail possible. [51]
3. Cas d'utilisation 2 : Appliquer un code promotionnel (rangée du haut) [52]
   1. Il faudrait construire un autre flux ou ajouter une logique de branchement. [53]
   2. L'ID d'abonnement Stripe est pris de l'étape get customer. [55]
   3. Le code promotionnel est appliqué à l'abonnement. [55]
   4. ChatGPT résume les changements et envoie le résumé au webhook. [56]
4. Cas d'utilisation 3 : Annuler un abonnement expiré/incomplet et redémarrer l'essai gratuit [57]
   1. Cela se produit lorsque quelqu'un annule puis redémarre, et Stripe le traite comme incomplet. [58]
   2. Il faut d'abord trouver l'abonnement incomplet ou expiré. [59]
   3. Un pas de code est utilisé pour cette tâche (difficile à faire dans Make.com). [60]
   4. L'abonnement est annulé. [61]
   5. Un nouvel abonnement est recréé. [62]
   6. Un résumé IA est généré et envoyé au webhook. [62]
5. Ces trois flux distincts peuvent être construits dans un seul méga-flux avec logique de branchement, ou séparément. [63]
6. L'API Stripe est vaste, et il existe de nombreuses combinaisons d'actions. [64]
   1. Exemple : Annuler, rembourser, passer à un niveau supérieur, et appliquer un code promo. [66]
7. La faiblesse des automatisations traditionnelles est la nécessité de coder en dur chaque chemin. [67]

3. Le Fonctionnement de l'Agent IA Stripe (Nouvelle Méthode Détaillée) [67]

3.1. Configuration et Planification Dynamique de l'Agent IA [67]

1. L'agent IA Stripe gère les trois cas d'utilisation précédents. [67]
2. Il possède un webhook, comme le flux précédent. [69]
3. L'agent IA est construit avec une invite (prompt) définissant son rôle. [70]
   1. L'invite spécifie qu'il est un agent IA utile ayant accès à des outils. [72]
   2. Des exemples d'ID d'objets Stripe sont fournis pour les formats. [73]
   3. Sa tâche est d'analyser la demande, quelle que soit la combinaison d'outils utilisée. [74]
   4. L'agent IA formule un plan pour compléter la requête. [74]
   5. Il exécute le plan et résume ses actions à la deuxième personne. [75]
4. La configuration consiste à attacher les outils auxquels l'agent doit avoir accès. [77]
   1. L'accès à GPT-4 mini est donné pour le modèle de raisonnement. [78]
   2. Les appels d'API attachés incluent : get a customer, get customers' last stripe charges, cancel a subscription, get a subscription, refund the charge, et apply the promo. [79]
5. Avec ces outils, l'agent IA peut effectuer toute combinaison d'actions. [85]
6. L'agent IA gère les trois cas d'utilisation (plus d'autres) sans codage en dur des chemins. [86]
7. Dans le constructeur de flux de travail Intercom, l'instruction est simple. [88]
   1. Pour annuler et rembourser : "Annuler l'abonnement et rembourser la dernière charge." C'est la seule instruction. [89]
   2. Pour appliquer un rabais : L'instruction est "appliquer ce code promotionnel particulier à leur abonnement actif." [91]
   3. L'agent comprend et exécute l'action en langage naturel. [95]

3.2. Exécution et Prise de Décision Dynamique [96]

1. Les exécutions passées de l'agent IA peuvent être vues dans N8N. [96]
2. Les journaux montrent les étapes exactes prises par l'agent. [98]
3. Exemple d'action demandée : Annuler l'abonnement et rembourser la dernière charge. [100]
4. Étapes prises par l'agent IA : [101]
   1. Il a récupéré l'abonnement du client. [101]
   2. Il a réfléchi (journal de l'outil IA). [102]
   3. Il a décidé d'annuler l'abonnement en appelant l'endpoint. [104]
   4. Il a obtenu les charges pour le client. [105]
   5. Il a remboursé la charge. [105]
5. Chaque appel d'API est un outil après la connexion initiale. [106]
6. L'agent IA analyse dynamiquement la tâche et planifie les outils à utiliser. [106]
7. Il orchestre tout dans une séquence raisonnable pour accomplir la tâche. [106]
8. Après la planification, il exécute chaque action et réfléchit au résultat. [107]
   1. Il vérifie si quelque chose a échoué et tente de récupérer l'erreur. [108]
9. Si l'instruction est d'appliquer un code promo, il n'utilisera que les outils pertinents. [109]
   1. Il n'appellera pas l'API de remboursement si elle n'est pas pertinente. [110]
10. Le point clé est que l'utilisateur n'a pas eu à coder en dur toutes ces étapes. [111]
    1. Dans le scénario Make, chaque étape est définie pour le chemin. [111]
    2. Dans N8N, l'agent IA a décidé lui-même des étapes les plus logiques. [112]
11. L'agent IA décide dynamiquement quoi faire, étant donné une tâche et des outils. [114]
12. L'utilisateur n'a pas eu à assembler manuellement les flux de travail multi-étapes. [115]

3.3. Résumé et Garde-fous (Guardrails) [116]

1. La dernière étape est de produire un résumé de ce qui a été fait pour le client. [116]
2. Le résumé est renvoyé à Intercom, puis transmis au client. [118]
3. Ce message n'est pas codé en dur. [121]
4. L'agent IA a écrit ce résumé en réfléchissant aux actions qu'il a prises. [122]
5. La troisième tâche assignée dans l'invite est de simplement résumer les actions. [123]
6. Le résumé sera différent selon la demande (promo, abonnement incomplet, remboursement). [125]
7. Le terme garde-fous (guard rails) est souvent utilisé pour les LLM. [126]
   1. La nature probabiliste des LLM signifie que le même flux peut donner des résultats différents. [127]
8. Les garde-fous disent à l'agent de n'effectuer que certaines actions. [127]
   1. Ils peuvent aussi exiger de toujours demander à un humain avant une décision à haut risque. [127]
   2. Ceci empêche l'agent de faire des erreurs coûteuses. [128]
9. Un garde-fou utilisé ici est le contrôle du message transmis à l'agent IA. [129]
   1. Le client ne peut pas taper n'importe quoi; l'instruction est tapée manuellement (ex: "Annuler l'abonnement expiré ou incomplet"). [130]
   2. Ceci est dû à la haute sensibilité de la facturation et de l'abonnement. [131]
10. Pour un cas d'utilisation moins sensible, le client pourrait interagir directement. [132]

4. Défis à l'Adoption des Agents IA en Production [134]

1. Il est encore très tôt pour les agents IA en production. [135]
2. Peu d'entreprises, en dehors des grandes technologies et des meilleures startups, ont déployé des agents IA à grande échelle. [136]
3. Défi 1 : La nature probabiliste des LLM [137]
   1. Ceci est très différent des logiciels déterministes écrits depuis des décennies. [137]
   2. Les logiciels déterministes produisent le même résultat à chaque fois. [138]
   3. Les LLM peuvent donner des résultats très différents sur 100 exécutions. [139]
   4. Les garde-fous, les cas de test et les opérations LLM (LLM operations) sont cruciaux. [140]
4. Défi 2 : Coût et performance [143]
   1. Chaque appel d'API ajoute de la latence, ralentissant le temps de réponse. [144]
   2. Cela augmente également le coût. [144]
   3. Les flux de travail traditionnels sont plus prévisibles en termes de coûts à grande échelle. [145]
5. Défi 3 : Sécurité et accès aux outils critiques [146]
   1. L'agent IA a accès à des outils critiques de l'entreprise. [146]
   2. Il faut s'assurer que l'agent ne fasse rien d'indésirable. [146]
   3. Il faut utiliser des informations d'identification sécurisées et appliquer le concept du moindre privilège. [146]
   4. Si l'agent n'a pas besoin d'accéder à certains endpoints (ex: écriture de données), il ne doit pas y avoir accès. [147]
6. Défi 4 : Interopérabilité [149]
   1. Le MCP (Model Context Protocol) est pertinent ici. [150]
   2. Le MCP est une interface universelle. [151]
   3. Il permet aux agents IA de se connecter de manière sécurisée et efficace à de nombreux services. [151]
   4. Ceci évite d'écrire des connecteurs personnalisés pour chaque service. [151]
7. L'auteur est optimiste quant aux agents IA malgré les défis réels. [152]
8. Le pouvoir des agents IA est de connecter les outils une seule fois. [154]
9. L'agent décide dynamiquement des actions et de la séquence, gérant les cas limites. [155]
10. Un agent IA peut interagir avec plusieurs systèmes (ex: Stripe, HubSpot, plateforme marketing). [156]
11. L'agent peut décider d'abord de mettre à jour HubSpot, puis Stripe, sans chemins codés en dur. [157]
12. Plus il y a de services et d'endpoints API, plus le nombre de combinaisons d'actions est élevé. [159]