Une boîte de réception hétérogène

Les demandes arrivent par téléphone, par e-mail, par formulaire web ou par saisie interne. Avant de devenir des interventions, elles sont conservées dans une boîte de réception. Les qualifier, c’est leur attribuer une priorité et un domaine technique, ce qui conditionne ensuite le délai contractuel et le profil du technicien à envoyer.

Confier entièrement cette étape à un modèle de langage serait tentant, mais fragile : une API indisponible, une réponse mal formée ou une clé expirée ne doivent jamais bloquer le traitement des demandes.

Des règles d’abord, le modèle ensuite

Par défaut, la qualification repose sur des règles françaises déterministes. Elles produisent une suggestion accompagnée d’un score de confiance et de raisons lisibles. Un appel optionnel à l’API OpenAI Responses, avec une sortie JSON structurée, peut être activé par-dessus.

FieldFlow revient automatiquement aux règles locales dans quatre cas :

  • la réponse du modèle ne respecte pas le schéma attendu ;
  • sa confiance est trop faible ;
  • l’appel échoue (erreur réseau, limite atteinte) ;
  • aucune clé d’API n’est configurée.

Tracer chaque tentative

Le fournisseur utilisé, le modèle et le motif d’un éventuel repli sont conservés avec la suggestion. Chaque appel est audité sans conserver le prompt : fonctionnalité, ressource concernée, fournisseur, modèle, résultat ou repli, latence, identifiant de réponse et consommation de jetons.

Côté données, seuls l’objet, la description et l’éventuelle catégorie de l’équipement sont envoyés au modèle, jamais les coordonnées du demandeur. L’identité de l’utilisateur, transmise comme identifiant de sécurité, est hachée de façon irréversible.

L’humain reste décisionnaire

Une suggestion n’est pas une décision, ni un diagnostic. Lorsqu’il convertit la demande en intervention, le dispatcher confirme explicitement la priorité, le créneau et le contrat.

Le même principe s’applique aux autres usages de l’IA dans le prototype : la transcription d’un mémo vocal reste un brouillon tant que le technicien ne l’a pas confirmée, et l’assistance visuelle sur photo ne modifie jamais d’elle-même le statut d’une intervention.

Pourquoi ce découpage

Les règles déterministes rendent la fonctionnalité testable, avec des résultats reproductibles, et utilisable sans aucune clé d’API. Le modèle vient améliorer un comportement qui fonctionne déjà, au lieu d’en être la condition. Enfin, comparer ses suggestions à celles des règles et suivre le taux de repli permet de mesurer concrètement ce que l’IA apporte.