Tuto Agents IA : cinq cas d'usage sans risque (ou presque) pour un premier déploiement en entreprise
Actuellement, le déploiement des agents IA progresse avec prudence au sein des entreprises françaises. La production s'implante dans les domaines de la "supply chain", du "demand forecasting" et de la logistique. Mais la complexité opérationnelle, notamment, freine encore une expansion massive. Selon Anthony Cirot (VP EMEA South chez Google Cloud), les organisations ne déploient actuellement que 2 à 5 cas d'usage, alors que le potentiel identifié s'élève à près de 200.
Nous avons sélectionné cinq chantiers possiblement plus simples à mettre en place : l’onboarding, les FAQ internes, les demandes répétitives, la préparation de documents et le support aux équipes. Pour chacun, nous verrons pourquoi ils fonctionnent bien et comment s’y prendre pour les mettre en place.
Onboarding : vérificateur et secrétaire RH pour optimiser l’arrivée d’un nouveau venu
Contrairement à d’autres projets IA complexes, l'onboarding repose sur des règles claires et des documents existants. Une erreur de l'agent n'impacte pas directement le client final ou la production. L’installation d’agents IA dans ce secteur libère également les RH des tâches administratives et peut offrir une expérience fluide aux nouveaux arrivants.
La conception de ces agents IA demande d’abord de se poser les questions qui pourraient être celles d’un RH : "De combien avons-nous besoin d’agents pour les tâches spécifiques ? Quels vont être leurs titres, leurs rôles, leurs objectifs, leurs caractères ? Ou encore : à quels dossiers aura accès l’agent ?"
Dans le cas de l’onboarding, nous définissons deux agents. L’inspecteur doit contrôler la présence des fichiers administratifs dans un dossier. Le "secrétaire RH" prend le rapport brut de l'inspecteur et le transforme en un message accueillant. Pour mettre en place cela, nous prenons ensuite en charge l’architecture technique. Notons que la procédure suivante pourra être reprise, en l’adaptant, pour les autres cas d'usage.
Nous ouvrons en premier lieu le terminal, "PowerShell" sur Windows ou "Terminal" sur Mac, et tapons cette ligne : pip install crewai langchain-openai. Cette commande permet de télécharger et d’installer deux moteurs essentiels pour le projet : "crewai", le logiciel qui permet de créer des agents et de les faire travailler en équipe, et "langchain-openai", qui permet à "CrewAI" de communiquer avec l'IA d'OpenAI.
Nous créons ensuite un dossier nommé "MonProjetRH" sur votre bureau, avec cette structure à l'intérieur :
- MonProjetRH/
- onboarding_jean/ (On y crée deux fichiers vides volontairement : "RIB.txt" et "contrat_signe.txt".)
- verif_onboarding.py (C'est ici qu'on écrira le code.)
- .env (Pour notre clé API.)
Pour créer rapidement ce fichier, nous allons dans "PowerShell" : cd C:\Users\admin\MonProjetRH
Et : New-Item .env
Nous cherchons la clé API sur "https://platform.openai.com/" > "API keys" > "Create new secret key". Nous la mettons dans le fichier ".env" : OPENAI_API_KEY=NOTRE_API_KEY
Nous écrivons ensuite ce code dans verif_onboarding.py avec le bloc-notes ou dans VS Code :
import os
from crewai import Agent, Task, Crew
from crewai_tools import DirectoryReadTool
from dotenv import load_dotenv
load_dotenv()
# 1. L'outil pour regarder dans le dossier
outil_dossier = DirectoryReadTool(directory='./onboarding_jean')
# 2. PREMIER AGENT : L'Inspecteur (le "cerveau" technique)
inspecteur = Agent(
role="Vérificateur RH",
goal="Vérifier si RIB.txt, contrat_signe.txt et mutuelle.txt sont présents.",
backstory="Tu es un assistant administratif précis et rigoureux.",
tools=[outil_dossier],
verbose=True
)
# 3. DEUXIÈME AGENT : Le Secrétaire (le "cœur" de la communication)
secretaire = Agent(
role="Secrétaire RH",
goal="Transformer le rapport technique en un message poli pour l'employé.",
backstory="Tu es accueillant et tu aimes aider les nouveaux arrivants.",
verbose=True
)
# 4. PREMIÈRE MISSION : Vérification (brute)
mission_verif = Task(
description="Regarde dans le dossier et liste les documents manquants.",
expected_output="Une liste brute des documents absents.",
agent=inspecteur
)
# 5. DEUXIÈME MISSION : Mise en forme (polie)
mission_polie = Task(
description="Prend la liste des manquants et rédige un message très poli pour demander au nouvel employé de les envoyer.",
expected_output="Un message de bienvenue chaleureux incluant la liste des documents à fournir.",
agent=secretaire,
context=[mission_verif] # <--- C'est ici que le Secrétaire "lit" le travail de l'Inspecteur
)
# 6. LANCEMENT DE L'ÉQUIPE (On met les 2 agents et les 2 missions)
equipe = Crew(
agents=[inspecteur, secretaire],
tasks=[mission_verif, mission_polie]
)
resultat = equipe.kickoff()
print("\n--- MESSAGE FINAL DE VOTRE ÉQUIPE D'AGENTS ---")
print(resultat)
Ici, l’agent inspecteur fait l’inventaire et rédige un rapport brut. CrewAI le récupère et le passe à l’agent secrétaire qui rédige un message poli.
Nous lançons cela dans Powershell en nous mettant dans notre dossiers et en tapant:
python verif_onboarding.py
On voit que les tâches ont été bien mises en place. L’agent "vérificateur RH" utilise l’outil list_files_in_directory pour regarder dans le dossier informatique de l'employé. Il voit qu'il manque le document de la mutuelle. A la suite, l’agent "Secrétaire RH" rédige un e-mail structuré et professionnel, prêt à être envoyé. Il demande à l’employé l'attestation de mutuelle tout en lui souhaitant la bienvenue.
FAQ interne : un inspecteur et un secrétaire à disposition
Les agents IA de la FAQ utilisent le RAG ("Retrieval Augmented Generation"). Cela élimine presque totalement le risque d' "hallucinations". Il suffit de modifier les documents de la FAQ pour que les agents se mettent à jour automatiquement. Ce système peut notamment libérer les experts (RH, IT, Services Généraux) des questions répétitives, comme : "Quel est le code wifi ?", "Comment déclarer un sinistre ?".
Pour installer cela, nous créons d’abord un agent "Inspecteur de la FAQ". Son seul rôle est de "lire" les documents. Ceux-ci peuvent, par exemple, être situés dans le dossier "onboarding_jean", créé dans le précédent exemple. Après cela, l’agent "Secrétaire de la FAQ" prend l'information brute et fournit une réponse adaptée à l'employé.
La mise en place technique est "dépouillée". Une seule ligne dans le terminal (pip install crewai langchain-openai) sert à installer les moteurs de l'IA. Un unique dossier sur le bureau ("MonProjetRH") suffit pour stocker les documents et le code. Les documents de FAQ sont les seules "clés du bureau" à donner à l'agent. Il n'a accès à rien d'autre, ce qui garantit une meilleure sécurité. Comme nous l'avons vu dans le code "verif_onboarding.py", CrewAI fait le lien entre ces agents. Il prend la réponse trouvée dans vos documents et la passe à l'agent chargé de la communication.
Concrètement, pour démarrer, identifiez les questions fréquentes. Puis, mettez les réponses dans un dossier. Et lancez votre agent avec la commande : python verif_onboarding.pyVous pouvez vous servir d'un simple canal "Slack", "Teams" ou d'une petite fenêtre de chat interne comme interface pour que l'employé pose une question.
Demandes répétitives : logistique et support IT pour gagner du temps
Les demandes de matériel informatique (ordinateurs, écrans, souris) peuvent être fréquentes. Le déploiement d’agents IA peut être intéressant pour pallier cela sans trop de risque. L’inventaire informatique ne repose normalement pas sur des données sensibles. La gestion de stock est binaire : soit l'objet est là (1), soit il n'est pas là (0). Une erreur est généralement minime.
Vous pouvez d’abord créer un agent logistique pour vérifier si le matériel est en stock. Ensuite, l’agent "Support IT" confirme la commande ou propose une alternative. L’installation est toujours aussi simple, via le terminal : pip install crewai langchain-openai.
L’installation est toujours aussi simple, via le terminal pip install crewai langchain-openai. On crée un dossier sur le bureau avec cette organisation :
- MonProjetIT/
- inventaire/ (on y place un fichier stock.txt listant par exemple : "2 PC Portables, 5 Souris, 0 Écrans". On peut utiliser une fonction Python (update_stock) soustraire physiquement le matériel du stock dès qu'une commande est validée.)
- gestion_materiel.py (Le code de vos agents)
- .env (la clé API)
Dans le fichier gestion_materiel.py, l'agent Logistique va scanner le fichier stock.txt. Si un employé demande un écran, l'agent va voir "0 Écrans". CrewAI transmettra l’information à l'agent Support IT. Celui-ci va par exemple rédiger : "Bonjour, j'ai bien reçu votre demande d'écran. Malheureusement, nous sommes en rupture de stock. Je vous préviens dès que nous en recevons de nouveaux la semaine prochaine."
Préparation de documents : analyseur et rédacteur main dans la main
La préparation de documents (contrats, comptes rendus, courriers types) offre la possibilité de donner à l'IA ses propres modèles de documents. Le contrôle final de l’humain existe également. Comme pour l'onboarding, nous définissons deux rôles complémentaires. L’agent "Rédacteur technique" collecte les informations brutes (nom, date, objet) et remplit un modèle de document. L'agent "Correcteur / Relecteur" vérifie le ton, l'orthographe et s'assure que le message est prêt à être envoyé.
Pour installer cela, nous utilisons la même procédure que pour notre projet RH. L’installation s’effectue dans le terminal via : pip install crewai langchain-openai. Un dossier MonProjetDocs avec un sous-dossier modeles/ contiennent les fichiers Word ou texte types. L'agent "Inspecteur" vérifie les données sources, et l'agent "Secrétaire" rédige le document final.
Le fichier prepa_docs.py remplace le précédent verif_onboarding.py. Voici le code :
import os
from crewai import Agent, Task, Crew
from dotenv import load_dotenv
load_dotenv()
# 1. PREMIER AGENT : L'Analyseur (il extrait les données)
analyseur = Agent(
role="Analyseur de Données Client",
goal="Extraire le nom du client et le montant de la prestation.",
backstory="Tu es expert pour trouver des informations précises dans des notes brutes.",
verbose=True
)
# 2. DEUXIÈME AGENT : Le Rédacteur (il remplit le document)
redacteur = Agent(
role="Rédacteur de Documents",
goal="Rédiger une facture professionnelle basée sur les infos de l'analyseur.",
backstory="Tu connais parfaitement les codes de la facturation et de la politesse.",
verbose=True
)
# 3. LES MISSIONS
tache_extraction = Task(
description="Dans la note suivante : 'Le client Jean Dupont doit 500€ pour la formation IA', trouve le nom et le montant.",
expected_output="Le nom du client et le montant exact.",
agent=analyseur
)
tache_redaction = Task(
description="Rédige un projet de facture poli pour ce client.",
expected_output="Un texte de facture complet avec salutations.",
agent=redacteur,
context=[tache_extraction] # <--- Toujours le lien entre les deux !
)
# 4. LANCEMENT
equipe = Crew(agents=[analyseur, redacteur], tasks=[tache_extraction, tache_redaction])
resultat = equipe.kickoff()
print("\n--- DOCUMENT PRÉPARÉ ---")
print(resultat)
Dans ce script, pour simplifier, l’agent Analyseur voit que le client est Jean Dupont et que le montant est de 500€. L’agent rédacteur prend ces informations et rédige la facture n°123 en utilisant le modèle standard de l'entreprise, avec une formule de politesse adaptée.
Support aux équipes : le bibliothécaire et l’assistant pour vous épauler
Il existe plusieurs avantages à mettre en place des agents IA pour le support aux équipes (guides, procédures, FAQ). L'agent IA gère une grande partie des questions simples et répétitives. Les experts ne sont sollicités que pour les cas complexes.
Pour le support, nous gardons la même architecture technique. L'agent "Bibliothécaire" fouille dans les guides PDF ou les fichiers texte. L'agent "Assistant Support" rend la réponse claire et actionnable.
Comme pour les autres cas d’utilisation d’agents IA, nous installation via le terminal : pip install crewai langchain-openai. Nous créons un dossier MonProjetSupport avec un sous-dossier guides/ contenant nos procédures.
Pour le code, nous utilisons la logique de verif_onboarding.py. L'agent bibliothécaire regarde dans le dossier guides/, et l'agent assistant support rédige la réponse finale en se basant sur ce que l'inspecteur a trouvé.