Assistant IA dans le Chat de Travail : Mise en Œuvre Technique

# # Assistant IA dans le chat de travail : Mise en œuvre technique et cas d'usage pratiques pour l'équipe IT

Une entreprise automatisant les processus métier de ses clients se heurtait à un paradoxe : ses propres processus restaient manuels. Le PDG passait des heures à répondre à des questions répétitives, à formuler des tâches et à soutenir les managers. La solution est venue de l'interne — l'implémentation d'un assistant IA directement dans le chat Telegram de travail. En trois mois, il est devenu un membre à part entière de l'équipe, gérant les demandes, créant des tâches dans GitHub et diagnostiquant les bugs. Cet article détaille les aspects techniques de l'architecture, des exemples concrets et une évaluation honnête des limites.

Architecture de l'assistant IA : Le contexte prime sur le modèle

Le système ne repose pas sur un fine-tuning ou des modèles personnalisés, mais sur une fourniture intelligente de contexte via API à Claude. Le composant clé est le Context Builder, qui rassemble non seulement le dernier message, mais l'ensemble du fil de discussion. Cela permet à l'IA de comprendre de quoi il est question, même si la demande est vague (« est-ce que ça marche ? »).

L'accès aux systèmes internes est organisé via la base de connaissances :

• Codebase : Accès complet au code source actuel (PHP + Vue), lui permettant de trouver les implémentations de fonctions et de vérifier les validations.
• Base de données CRM : Requêtes SQL sur les données clients — abonnements, activité, historique des interactions.
• GitHub : Lecture des issues existantes et création de nouvelles via API.
• Documents internes : Spécifications techniques et guides.

L'architecture est la suivante :

Telegram Bot API
    |
Message Handler (Python)
    | filtering: mention / reply / keywords
    |
Context Builder
    | last N messages + thread topic
    |
Knowledge Base
    +-- Project code (indexed)
    +-- Client DB (SQL queries)
    +-- GitHub Issues
    +-- Internal documents
    |
LLM (Claude) + System Prompt
    |
Response -> Telegram / GitHub API

90 % de l'efficacité provient d'un contexte précis et d'un system prompt bien conçu, plutôt que de la complexité du modèle.

Cas d'usage pratiques : Du support à l'assignation de tâches

Diagnostic de bugs en temps réel à partir du code

Un manager reçoit un appel : le client n'arrive pas à sauvegarder un modèle avec un lien. Au lieu d'attendre la réponse d'un développeur, il poste dans le chat :

« Les gars, le client demande — peut-on créer un modèle avec un lien ? Ça ne se sauvegarde pas pour elle. »

L'assistant IA répond en 30 secondes :

• Trouve le contrôleur TemplateController@store.
• Analyse la validation — l'appel à strip_tags() supprime le HTML.
• Conclut : les URL en texte brut passent, pas le HTML.

Réponse :

« Vérifié dans le code. TemplateController@store fait passer le texte du modèle par strip_tags() — les liens HTML sont supprimés. Mais les URL en texte brut (sans <a href>) se sauvegardent sans problème. Demandez au client de coller le lien en texte brut, sans mise en forme. »

Cela économise jusqu'à 30 heures-personnes par semaine, auparavant consacrées aux demandes de support routinières.

Création automatique de tâches GitHub

Quand le PDG écrit « Rom, rédige une tâche pour Dima », l'IA :

• Analyse l'ensemble du fil de discussion.
• Trouve le code existant de hachage d'images.
• Formule les spécifications avec des détails techniques : distance de Hamming, seuils de correspondance, scoring combiné.
• Crée une issue avec les bonnes étiquettes et assigne l'exécutant.

Résultat — une tâche structurée sur laquelle le développeur peut se lancer directement, sans besoin de précisions du tech lead.

Où l'IA excelle et où elle pèche

Forces

• Réponses à des questions routinières : Abonnements, activité client, nombre d'objets en base.
• Formulation de tâches : Transformer des demandes informelles en spécifications techniques.
• Diagnostic initial : Réduire les zones de recherche de bugs, pointer vers le code pertinent.
• Support hors horaires : Réponses instantanées la nuit ou le week-end.
• Génération de réponses clients : Brouillons d'emails basés sur le contexte de discussion.

Limites et risques

• Bugs complexes inter-systèmes : L'IA voit le code de chaque service mais ne saisit pas toujours les interactions en exécution.
• Décisions business : La collecte de données est possible, mais les décisions restent humaines.
• Soutien émotionnel : Les situations conflictuelles avec les clients nécessitent un manager en live.
• Contextes longs : Dans les discussions étalées sur des jours, l'IA peut perdre le fil.
• Hallucinations : Fabrications confiantes (par ex., sur une fonctionnalité d'import Excel inexistante) ont causé trois incidents en trois mois.

Pour atténuer les risques, le system prompt inclut une règle : en cas d'incertitude, le dire explicitement et recommander une vérification avec les développeurs.

Métriques et implications stratégiques

Sur trois mois :

• ~2500 messages de l'IA dans le chat
• ~120 tâches créées dans GitHub
• 60 % des questions des managers résolues sans intervention du PDG
• Temps de réponse moyen : 15–40 secondes
• 3 incidents critiques dus à des hallucinations

Enseignement clé — la valeur ne réside pas seulement dans les économies de coûts, mais dans la vitesse. Les clients obtiennent des réponses quasi instantanées, réduisant le churn.

Points clés

• 80 % de l'efficacité de l'IA dépend de la qualité du contexte, pas du choix du modèle.
• La confiance en l'IA croît de façon non linéaire : des requêtes formelles à l'interpellation par son nom.
• Une erreur atteignant un client peut saper la confiance dans toute l'entreprise.
• L'IA ne remplace pas les humains — elle transforme les rôles : le PDG passe à la stratégie, les managers au support terrain.
• Le CRM évolue d'un outil géré par des humains à un système autonome où les humains observent et corrigent.

Prochaines étapes — intégration IA pour l'analyse d'appels (STT → LLM → rapports), génération d'emails personnalisés et création automatique de profils clients.

— Editorial Team