IA
Cas d'usage IA
Les tâches concrètes qu'un Agent IA peut effectuer, classifier, résumer, rédiger des réponses, repérer des anomalies. Les cas d'usage sont les briques de chaque agent.
Mis à jour le 18 mai 2026
Configuration · IA · 8.2
Un cas d’usage IA est une tâche bornée qu’un agent peut effectuer : classifier, résumer, proposer, détecter. Les cas d’usage sont les briques, un agent combine un ou plusieurs cas d’usage avec un contexte système et un objet cible. Ici vous configurez ce que l’IA fait ; dans Agents IA (8.1) vous décidez qui.
Pourquoi cela compte pour l’entreprise
"L'IA en fait trop ou trop peu"
Le choix du cas d'usage borne l'action, Classifier n'est pas Répondre.
"Réutilisable entre agents"
Un cas "Classifier ticket" peut servir à plusieurs agents (générique + IT-spécifique).
"Résultats mesurables"
Par cas d'usage : mesure de précision (correct vs corrigé par le traitant).
"Tout n'est pas adapté à l'IA"
Les cas d'usage posent des limites claires, certaines tâches sont triviales (catégorisation), d'autres trop complexes (décision juridique).
Types de cas d’usage courants
| Type | Ce qu'il fait | Mieux adapté à |
|---|---|---|
| Classify | Affecte catégorie/priorité/groupe selon le contenu | Tickets, signalements, demandes |
| Summarize | Résume de longs fils, historiques de tickets ou conversations | Transfert traitant, vue manager |
| Draft response | Rédige une première réponse à partir de la KB | Questions utilisateurs, niveau FAQ |
| Suggest action | Suggère l'étape suivante (escalade, routage, vers la résolution) | Tickets complexes |
| Detect anomaly | Repère des écarts (pic de tickets, réservation inhabituelle) | Incidents majeurs, signaux fraude |
| Extract data | Extrait des infos structurées d'un texte libre (n° série, date, lieu) | Conversations → champs de ticket |
| Match | Lie un élément au meilleur match (question → article KB, ticket → asset) | Suggestions KB |
| Predict | Prédit un résultat (probabilité no-show, délai ticket, risque défaut) | Action préventive |
Que configurez-vous par cas d’usage ?
| Champ | À quoi ça sert |
|---|---|
| Nom et description | Ce qu'il fait, en langage utilisateur. |
| Type | Un parmi ceux ci-dessus (Classify, Summarize, etc.). |
| Entrées | Quels champs lit-il (titre, description, classification, KB) ? |
| Sorties | Quels champs remplit-il (catégorie, priorité, texte de suggestion) ? |
| Seuil de confiance | À partir de quelle certitude la suggestion est-elle affichée / appliquée ? |
| Fallback | Que faire en cas de faible confiance, rien, valeur par défaut, demander à un humain ? |
Quelles décisions allez-vous prendre ?
Quels cas prioriser ?
Commencez par "Classify" (peu risqué, fort impact). "Draft response" seulement après une KB solide.
Stratégie de confiance
Élevée (suggestions sûres uniquement) = moins mais mieux ; basse = toujours montrer quelque chose, plus de bruit.
Réutilisation entre agents
Un "Classifier ticket" générique + variations par service, ou séparé par service dès le départ ?
Stratégie de mesure
Comment mesurez-vous la précision par cas ? Décidez en amont ce qui compte comme un miss (correction traitant).