Automatiser un workflow avec les 4D

Cette leçon réunit pour la première fois les quatre compétences du cadre sur une seule tâche : mettre en place une automatisation qui tourne de façon répétée, sans que vous relanciez l’IA à chaque fois. Vous suivez Emily, qui prépare un gala et croule sous les mêmes courriels, puis vous cartographiez vos propres tâches répétitives, rédigez la description complète d’une automatisation et, en objectif avancé, planifiez sa diligence.

Les mêmes questions, vingt fois par matin

Le scénario vous dira sûrement quelque chose : une boîte de réception qui déborde, non pas de courriels compliqués, mais des mêmes questions encore et encore. À quelle heure commence l’événement ? Comment modifier mon billet ? Pouvez-vous m’envoyer mon reçu ? Pour une petite association, surtout quand elle organise des événements, c’est une réalité quotidienne et chronophage, pendant que les relations à construire, les programmes à faire tourner et la mission attendent.

Emily, dans la vidéo de la leçon officielle, est coordinatrice du développement pour l’antenne locale d’un groupe de collecte de fonds pour la recherche contre le cancer. Son gala annuel a lieu dans trois semaines et chaque matin apporte vingt à trente courriels qui posent en gros les mêmes cinq questions : reçus pour les donateurs, détails de l’événement, placement aux tables, tenue, stationnement. Certains se répondent immédiatement à partir d’informations documentées ; d’autres demandent un jugement humain ou l’accès à sa base de donateurs. Elle y passe deux heures chaque matin, dix heures par semaine qui pourraient aller à n’importe quoi d’autre. L’IA peut changer cela, à condition de ne pas automatiser à l’aveugle : il s’agit de construire quelque chose qui fonctionne vraiment, sans que les invités du gala aient l’impression d’être renvoyés vers une machine.

Tout commence, avant de toucher à un outil, par la conscience du problème. Emily regarde sa boîte de réception de la semaine passée : que demandent les gens ? Elle en tire une liste précise. L’IA peut sans hésiter gérer les demandes de reçus (modèles standard, accès possible à la base), les questions sur les détails de l’événement (tenue, stationnement, programme : tout est documenté) et les questions de procédure comme la mise à jour d’un billet, qui suit des étapes claires. Les humains gardent les transferts de billets, où une erreur coûte cher, et les plaintes ou inquiétudes, qui demandent un supplément d’empathie et de contexte. C’est la Délégation : la question n’est pas « l’IA peut-elle le faire ? » mais « l’IA devrait-elle le faire, et jusqu’où ? ». Emily y ajoute la conscience de la plateforme : ce projet expose des informations identifiantes et des données de dons ; il lui faut un outil qui n’entraîne pas ses modèles sur les données des utilisateurs.

Vient la Description, en trois volets. Le produit : un système qui lit les messages, les classe, puis rédige une réponse appropriée ou les signale pour relecture. Le processus : lire chaque courriel, identifier sa catégorie, vérifier que l’information nécessaire est disponible, puis rédiger un brouillon ou créer une tâche pour un humain. La performance : un ton professionnel mais chaleureux, ne jamais deviner une information, signaler le doute à un humain, et toujours répondre d’abord à la question posée avant de donner d’autres informations. Emily travaille dans Claude avec l’intégration Gmail, en étant très précise à chaque étape, et teste les réponses sur de vrais courriels reçus. Le Discernement du produit consiste à vérifier réellement les sorties : les brouillons sont-ils utiles, exacts, dans sa voix ? Dans ses tests, l’IA classe correctement : un courriel promotionnel n’appelle pas de réponse, une demande de placement exige un humain, les détails du programme et du stationnement sont justes. Une question d’allergie aux fruits de mer reçoit une réponse exacte, mais qui demande à la personne de confirmer ce qu’elle venait précisément de signaler : Emily retouche la description de performance pour la rendre plus orientée vers l’action. C’est itératif, et c’est normal : on affine ses descriptions à partir de ce que l’on découvre.

Reste la responsabilité : non pas seulement « le système fonctionne-t-il ? », mais « devrais-je l’utiliser ainsi ? ». Diligence de création : Emily a réfléchi à ce que l’IA doit traiter et à ce qui exige un humain ; elle n’automatise pas tout ce qu’elle pourrait, elle préserve délibérément les relations avec les donateurs là où elles comptent. Diligence de déploiement : elle relit encore chaque réponse et l’envoie elle-même ; si elle choisissait un jour l’automatisation complète, elle le ferait avec la confiance d’un système testé à fond. Diligence de transparence : elle s’en remet à la politique d’IA de son organisation, signale que ces courriels sont générés par un système, explique pourquoi (gagner du temps, répondre plus vite) et propose des options claires de suivi si une aide supplémentaire est nécessaire, ce qui aidera énormément si quelque chose tourne mal.

À vous de jouer

Exercice 1 : cartographier vos occasions d’automatisation. Repensez à votre semaine passée et listez 5 à 10 tâches répétitives ou chronophages. Pour chacune : à quelle fréquence revient-elle (quotidienne, hebdomadaire, mensuelle) ? Combien de temps prend-elle à chaque fois ? La réponse ou le processus est-il plutôt standardisé, ou varie-t-il beaucoup ? Triez ensuite en trois catégories. « L’IA peut gérer » : réponses standardisées, informations documentées, processus clairs. « L’IA peut assister, l’humain décide » : l’IA prépare ou rédige, vous relisez avant toute action. « L’humain doit gérer » : décisions à fort enjeu, situations émotionnelles, jugement complexe. Choisissez enfin, dans les deux premières catégories, la tâche qui vous ferait gagner le plus de temps : ce sera votre candidate. Quels critères vous ont aidé à classer chaque tâche ? Le nombre de tâches automatisables vous a-t-il surpris, dans un sens ou dans l’autre ?

Exercice 2 : rédiger la description de votre automatisation. Pour la tâche retenue, écrivez une description de produit : quel résultat final, quelles entrées le système recevra-t-il, quelles sorties doit-il produire ? Puis une description de processus : que fait-il en premier, quels points de décision existent, quand doit-il passer la main à un humain, à quelles informations doit-il accéder ? Puis une description de performance : quel ton, comment gérer l’incertitude, que ne doit-il jamais faire, comment accuser réception de la demande ? Testez enfin avec de vrais exemples : partagez vos descriptions avec l’IA accompagnées de 3 à 5 cas réels tirés de votre travail, et évaluez. A-t-elle classé correctement ? Les réponses sont-elles exactes et appropriées ? Quels ajustements vos descriptions réclament-elles ?

Exercice 3 : planifier la diligence (objectif avancé). Diligence de création : pourquoi cette tâche convient-elle à l’IA ? Qu’est-ce qui pourrait mal tourner, et comment le détecteriez-vous ? Quel serait l’impact d’une erreur ? Diligence de déploiement : relirez-vous chaque sortie, ou procéderez-vous par échantillonnage périodique ? Comment surveillerez-vous les problèmes dans le temps ? Quels déclencheurs vous feraient mettre l’automatisation en pause ? Diligence de transparence : qui doit savoir que l’IA est impliquée ? Comment révélerez-vous son rôle ? Quelles options de suivi offrirez-vous à qui souhaite une attention humaine ?

Questions de réflexion

• Qu’est-ce que l’usage conjoint des quatre dimensions a changé dans votre façon d’aborder cette automatisation ?
• Qu’est-ce qui vous a surpris dans l’effort de décrire un système assez précisément pour que l’IA l’exécute ?

Sources officielles : Workflow augmentation (Claude Academy : vidéo « Workflow automation » de 6 minutes, trois exercices) · Claude au travail (notre cours sur les usages quotidiens de Claude, dont les connecteurs)

Points clés à retenir

• Commencez par la conscience du problème : regardez votre charge réelle, ce que les gens demandent, les motifs qui reviennent, et faites une liste précise avant de décider quoi automatiser.
• La Délégation demande « l’IA devrait-elle le faire ? », pas seulement « peut-elle ? » : les questions documentées sont de bons candidats, les plaintes et les demandes à fort enjeu restent humaines.
• Testez itérativement avec de vrais exemples : les lacunes découvertes dans vos descriptions sont normales et nécessaires.
• Pratiquez les trois diligences : création (être intentionnel sur ce qu’on automatise), déploiement (relire les sorties avant envoi, surtout au début), transparence (être honnête sur le rôle de l’IA, surtout si quelque chose tourne mal).

Crédits et licence — Adaptation française du cours « AI Fluency for Nonprofits » de l’Anthropic Academy, réalisé par Anthropic en partenariat avec GivingTuesday et fondé sur le cadre AI Fluency de Rick Dakan et Joseph Feller. Les supports d’origine sont © 2026 Anthropic, publiés sous licence CC BY-NC-SA 4.0 ; cette adaptation, qui les traduit et les remanie, est diffusée sous la même licence.