Power Automate + IA : construire des automatisations capables de comprendre
Dernière mise à jour : 17 sept.
Jusqu’ici, nous avons vu comment créer un flow, comprendre ses étapes, choisir une tâche pertinente et éviter les erreurs les plus fréquentes.
Dans tous ces exemples, le principe reste relativement déterministe :
un événement se produit ;
une règle est vérifiée ;
une action est exécutée.
Cette logique fonctionne très bien lorsque les données sont structurées et que les règles sont claires.
Mais de nombreuses informations utilisées dans les entreprises ne le sont pas.
Un email peut être formulé de plusieurs façons.Un document peut contenir des informations à des endroits différents.Une demande peut être compréhensible pour un humain sans contenir le moindre mot-clé précis.
C’est ici que l’intelligence artificielle devient intéressante.
Elle ne remplace pas Power Automate.
Elle lui permet d’interpréter des informations qu’une règle classique aurait du mal à traiter.
L’IA ne remplace pas la logique du flow. Elle ajoute une capacité d’interprétation entre les données reçues et les actions exécutées.
Pourquoi les automatisations classiques atteignent leurs limites
Imaginons une boîte mail support.
Un flow traditionnel peut facilement vérifier :
l’expéditeur ;
l’objet ;
la présence d’une pièce jointe ;
certains mots-clés ;
une valeur précise dans un formulaire.
Mais les choses se compliquent rapidement.
Prenons ces deux emails :
Bonjour, pourriez-vous me transmettre une copie de ma facture ?
Bonjour, je n’arrive pas à retrouver le document de facturation lié à ma dernière commande.
Pour un humain, les deux demandes sont quasiment identiques.
Pour une automatisation basée uniquement sur des règles, ce n’est pas forcément le cas.
Les mots utilisés sont différents.La structure des phrases est différente.Le besoin réel n’est pas écrit de manière standardisée.
L’IA peut alors analyser le contexte général et identifier l’intention commune :
le client souhaite récupérer une facture.
Cette différence est importante.
Les règles recherchent généralement des éléments connus à l’avance.
Un modèle d’IA peut interpréter une formulation nouvelle, à condition que le contexte et les consignes soient suffisamment clairs.
Le changement de paradigme
Pendant longtemps, les automatisations reposaient principalement sur une logique de type :
Si A → alors B
Si C → alors D
Si E → alors F
Cette approche reste indispensable.
Elle est prévisible, rapide et facile à contrôler.
Mais elle atteint ses limites lorsque l’information reçue est ambiguë ou non structurée.
Avec l’IA, le flow peut suivre une logique complémentaire :
Comprendre
↓
Décider
↓
Agir
L’IA ne doit pas nécessairement prendre la décision finale.
Elle peut d’abord transformer un email, un document ou une demande libre en informations exploitables par Power Automate.
Le flow conserve alors son rôle d’orchestrateur :
il reçoit les données ;
il prépare le contexte ;
il demande une analyse ;
il contrôle la réponse ;
il exécute les actions prévues.
Quels projets deviennent possibles avec l’IA ?
L’ajout d’une couche d’intelligence artificielle permet de traiter des situations auparavant difficiles à automatiser.
Par exemple :
Trier des emails
Identifier le sujet réel d’une demande et l’orienter vers la bonne équipe.
Résumer des conversations
Transformer un échange de plusieurs messages en quelques informations utiles.
Extraire des données
Récupérer automatiquement :
des références ;
des dates ;
des noms ;
des montants ;
des numéros de commande ;
des statuts.
Classifier des demandes
Attribuer une catégorie, une priorité ou un niveau de risque à partir du contenu reçu.
Analyser des documents
Lire des factures, des rapports, des contrats ou des procédures pour en extraire les éléments importants.
Préparer une réponse
Générer un brouillon à partir du contexte disponible, tout en conservant une validation humaine lorsque cela est nécessaire.
L’objectif n’est pas de mettre de l’IA dans tous les flows.
L’objectif est de l’utiliser lorsque l’interprétation humaine représente la principale difficulté.
AI Builder : l’IA déjà intégrée à Power Automate
Power Automate possède déjà ses propres fonctionnalités d’intelligence artificielle.
Microsoft les regroupe sous le nom d’AI Builder.
AI Builder permet notamment de travailler avec :
l’extraction d’informations dans des documents ;
la lecture de factures ;
l’OCR ;
la reconnaissance de formulaires ;
la classification de texte ;
certains modèles personnalisés.
Son principal avantage est son intégration directe dans l’environnement Power Platform.
Il n’est pas nécessaire de construire soi-même une requête HTTP ou de gérer la réponse d’un modèle externe.
Pour un besoin bien défini et relativement standard, AI Builder peut donc être une très bonne première option.
Il devient particulièrement intéressant lorsque :
le format des documents est répétitif ;
les champs à extraire sont connus ;
le processus reste dans l’environnement Microsoft ;
la simplicité de maintenance est prioritaire.
AI Builder n’est toutefois pas une solution universelle.
Dès qu’il faut interpréter des emails très variables, résumer une conversation ou analyser une demande complexe, un modèle de langage offre généralement davantage de flexibilité.
Connecter Power Automate à un modèle de langage
Lorsqu’AI Builder ne suffit pas, Power Automate peut communiquer avec un modèle externe via une requête HTTP.
Le principe général est le suivant :
Power Automate récupère les données ;
le flow prépare le contenu utile ;
une requête est envoyée au modèle ;
le modèle analyse les informations ;
la réponse est renvoyée dans un format exploitable ;
Power Automate contrôle puis utilise cette réponse.
Le point essentiel est la préparation du contexte.
Il ne suffit pas d’envoyer un email complet au modèle et d’attendre une réponse fiable.
Il faut préciser :
ce que le modèle doit rechercher ;
les règles à respecter ;
le format attendu ;
ce qu’il doit faire lorsque l’information est absente ;
ce qu’il ne doit jamais inventer.
Pourquoi utiliser une réponse structurée ?
Une réponse en langage naturel est difficile à exploiter automatiquement.
Par exemple :
Il semble que cette demande concerne probablement le service facturation et présente une priorité moyenne.
Cette phrase peut être compréhensible pour un humain, mais elle est peu pratique pour un flow.
Une réponse structurée est beaucoup plus utile :
{
"categorie": "Facturation",
"priorite": "Moyenne",
"confiance": 0.91,
"a_verifier": false
}
Power Automate peut ensuite utiliser chaque champ dans une condition, une ligne Excel, une notification ou une autre action.
La structure permet également d’indiquer clairement les cas incertains.
Par exemple :
{
"categorie": "Inconnue",
"priorite": "A vérifier",
"confiance": 0.42,
"a_verifier": true
}
Le flow ne force alors pas une mauvaise décision.
Il peut envoyer le dossier à un utilisateur ou suivre un parcours spécifique.
Un exemple concret : analyser des échanges email
Prenons un cas logistique.
Une boîte mail reçoit plusieurs conversations concernant des demandes de transport.
Les informations importantes peuvent être réparties entre plusieurs messages :
la demande initiale ;
la réponse du fournisseur ;
la confirmation d’enlèvement ;
la preuve de livraison ;
une éventuelle échéance.
Une automatisation basée uniquement sur des mots-clés peut facilement sélectionner le mauvais échange ou manquer une information formulée différemment.
Avec un modèle de langage, le flow peut demander :
d’identifier la conversation la plus pertinente ;
de distinguer les messages actuels des anciens échanges ;
d’extraire les événements importants ;
de signaler les données manquantes ;
de renvoyer un résultat standardisé.
L’IA ne remplace pas le contrôle métier.
Elle accélère l’analyse d’un volume de texte qu’il serait difficile de traiter manuellement.
Le flow peut ensuite appliquer des règles strictes sur le résultat :
statut valide ou non ;
date présente ou absente ;
confiance suffisante ou non ;
validation humaine nécessaire ou non.
Les garde-fous indispensables
Un modèle d’IA peut se tromper.
Il peut mal interpréter une phrase, confondre deux informations ou produire une réponse incomplète.
Il faut donc prévoir des contrôles autour de chaque étape importante.
Quelques garde-fous utiles :
imposer une sortie structurée ;
définir des valeurs autorisées ;
prévoir une valeur « inconnu » ;
vérifier les champs obligatoires ;
contrôler la cohérence des dates et des montants ;
conserver une trace de la réponse reçue ;
envoyer les cas incertains vers une validation humaine ;
prévoir un comportement lorsque l’appel échoue.
Cette logique est essentielle lorsque le résultat déclenche une action importante.
L’IA peut analyser.
Le flow doit contrôler.
L’utilisateur doit pouvoir reprendre la main lorsque le niveau de confiance est insuffisant.
Ce que l’IA ne remplace pas
L’IA est puissante, mais elle ne remplace pas :
un processus mal conçu ;
des données de mauvaise qualité ;
des objectifs flous ;
une absence de gouvernance ;
une validation métier.
Si l’organisation est chaotique, ajouter GPT ne résoudra pas automatiquement le problème.
L’IA amplifie ce qui existe déjà.
Si les données sont bonnes et le processus clair, elle peut accélérer l’analyse et élargir les possibilités.
Si les données sont incomplètes et les règles incohérentes, elle risque surtout de produire des résultats difficiles à contrôler.
Les erreurs que j’ai faites
Vouloir utiliser l’IA partout
Lorsque l’on découvre ces outils, la tentation est forte.
On a envie d’ajouter GPT dans chaque flow.
Avec le recul, beaucoup de tâches sont déjà parfaitement gérées par des règles simples.
L’IA doit être utilisée lorsqu’il existe une ambiguïté réelle, pas lorsqu’une condition suffit.
Penser que l’IA comprend tout
Les modèles sont impressionnants, mais ils restent faillibles.
Une réponse fluide n’est pas forcément une réponse exacte.
Il faut donc distinguer :
une réponse bien formulée ;
une réponse vérifiée ;
une réponse suffisamment fiable pour déclencher une action.
Cette distinction change complètement la manière de concevoir un flow.
Envoyer trop de données au modèle
Au début, j’avais tendance à transmettre de longs contenus sans toujours les nettoyer.
Cela augmente le coût, le temps de traitement et le risque de confusion.
Aujourd’hui, je cherche d’abord à préparer le contexte :
supprimer les informations inutiles ;
limiter les doublons ;
conserver les messages pertinents ;
isoler les éléments importants ;
préciser la période ou le périmètre analysé.
Un meilleur contexte produit souvent de meilleurs résultats qu’un modèle plus puissant.
Négliger les cas incertains
Une automatisation ne doit pas forcément choisir une réponse dans tous les cas.
Lorsque l’information est insuffisante, le meilleur résultat peut être :
À vérifier manuellement.
Prévoir cette sortie est souvent plus fiable que de forcer le modèle à produire une décision.
Oublier le coût et la complexité
Une condition Power Automate est simple à maintenir.
Un appel à un modèle ajoute du coût, du temps d’exécution et de nouveaux points de défaillance.
Lorsque le volume augmente, cette différence devient importante.
Les bonnes pratiques
Avant d’ajouter de l’IA dans un flow, posez-vous ces questions :
Une règle simple permet-elle déjà de résoudre le problème ?
La tâche nécessite-t-elle réellement une interprétation ?
Les données sont-elles suffisamment claires et complètes ?
Quel résultat exact le modèle doit-il produire ?
Que se passe-t-il si sa réponse est incomplète ou incertaine ?
Le gain attendu justifie-t-il la complexité supplémentaire ?
Pour construire une solution fiable :
commencez par un périmètre limité ;
utilisez des exemples représentatifs ;
imposez une sortie structurée ;
définissez les valeurs autorisées ;
testez les cas normaux et les cas difficiles ;
mesurez les erreurs, pas seulement les réussites ;
ajoutez une validation humaine lorsque l’enjeu le justifie ;
conservez des règles classiques autour de l’IA.
La meilleure architecture est rarement « tout IA ».
Elle combine généralement :
des règles simples pour les cas prévisibles ;
l’IA pour les informations ambiguës ;
des contrôles pour sécuriser les décisions ;
une intervention humaine pour les exceptions.
Comment cette vision a changé ma façon de travailler
Pendant longtemps, je considérais l’automatisation et l’intelligence artificielle comme deux sujets séparés.
Aujourd’hui, je les vois comme deux briques complémentaires.
Power Automate orchestre les étapes et applique les règles.
L’IA interprète les informations difficiles à structurer.
Les contrôles vérifient que le résultat est exploitable.
L’utilisateur intervient lorsque le système atteint ses limites.
Cette combinaison permet de construire des automatisations plus flexibles sans renoncer à la fiabilité.
L’objectif n’est pas de créer un système qui prétend tout comprendre.
L’objectif est de créer un système capable de comprendre suffisamment pour agir correctement dans un périmètre défini.
En résumé
✅ Les règles classiques restent indispensables pour les cas prévisibles.
✅ L’IA devient utile lorsque les informations sont ambiguës ou non structurées.
✅ AI Builder convient particulièrement aux cas encadrés et aux documents répétitifs.
✅ Les modèles de langage offrent davantage de flexibilité pour les emails et les demandes complexes.
✅ Une réponse structurée est plus exploitable qu’un texte libre.
✅ Chaque résultat important doit être contrôlé avant de déclencher une action.
✅ La meilleure architecture combine règles, IA, contrôles et validation humaine.
Pour aller plus loin
Ressources disponibles
Les guides et templates proposés sur ce site s’appuient sur une approche pragmatique de l’automatisation : comprendre le processus, choisir le bon niveau d’IA et sécuriser chaque résultat avant son exploitation.
Commentaires