Automatiser un rapport sans perdre la traçabilité
Retour terrain · 6 min
Quand on parle d’automatisation par l’IA, la démonstration montre souvent la génération. Le travail difficile commence avant : retrouver les bonnes données, distinguer les faits des interprétations et permettre à un expert de vérifier chaque conclusion.
Voici le retour d’expérience d’un rapport périodique dont la préparation mobilisait jusqu’à deux semaines et qui a été ramenée à environ trois heures de supervision.
Le problème n’était pas la rédaction
L’équipe devait consolider des informations provenant de multiples systèmes : données métier, contrats, échanges et comptes-rendus. Le processus combinait quatre opérations :
- collecter les données utiles ;
- rapprocher des formats et vocabulaires différents ;
- préparer une synthèse exploitable ;
- faire vérifier les conclusions par les responsables concernés.
La rédaction des quarante pages était visible. Mais l’essentiel du temps partait dans la recherche, le nettoyage et la vérification.
Le système : trois couches plutôt qu’un agent autonome
1. Une ingestion contrôlée
Chaque source suit un traitement adapté. Les documents conservent leur provenance, leur date et leur périmètre. Les données structurées ne sont pas transformées en texte tant qu’une requête déterministe suffit.
2. Une extraction par question métier
Le système ne reçoit pas « écris le rapport ». Il traite une liste de questions précises : évolution d’un indicateur, événement notable, écart par rapport à une période ou point nécessitant une décision.
for question in questions_metier:
passages = index.search(question, filters=perimetre)
extraction = llm.extract(question, passages)
assert extraction.sources
sections.append(extraction)Chaque résultat doit comporter une source. Sans source suffisante, la bonne sortie est « information absente », pas une réponse probable.
3. Une génération sous contrainte
Le modèle assemble ensuite un brouillon à partir des extractions validées. Les tableaux issus du système métier restent calculés par du code. Les commentaires et recommandations sont présentés comme tels.
Avant / après
| Étape | Avant | Après |
|---|---|---|
| Collecte et rapprochement | plusieurs jours | automatisés et contrôlés |
| Première version | jusqu’à 2 semaines | environ 3 heures |
| Rôle de l’expert | produire et vérifier | vérifier, corriger, décider |
| Traçabilité | dispersée | source associée aux éléments clés |
Ces chiffres décrivent ce processus précis. Ils ne constituent pas une estimation générique pour tous les rapports.
Trois enseignements transférables
La qualité des données est une fonction produit
Nettoyer une source une seule fois ne suffit pas. Il faut détecter les changements de format, les données manquantes et les doublons au fil des exécutions.
L’humain doit intervenir au bon endroit
Demander une validation à chaque phrase annule le gain. Supprimer toute validation crée un risque inacceptable. Le bon niveau consiste à signaler les écarts, les sources faibles et les conclusions à fort impact.
Commencer par un seul rapport
Le premier périmètre sert à construire les évaluations, comprendre les exceptions et mesurer le temps complet. La généralisation ne vient qu’après.
Votre processus est-il un bon candidat ?
Posez quatre questions :
- le rapport est-il récurrent et relativement stable ?
- les sources sont-elles identifiables ?
- un expert sait-il reconnaître une bonne sortie ?
- le coût d’une erreur permet-il une validation humaine ?
Si les réponses sont majoritairement positives, un pilote ciblé peut produire une preuve rapidement.
Vous avez un rapport ou une synthèse qui absorbe plusieurs jours ? Cadrons le processus.