Tout relier

Objectifs

À l’issue de cette leçon, vous serez capable de :

• Combiner les quatre compétences du framework 4D pour bâtir un processus de travail reproductible, augmenté par l’IA
• Identifier les tâches répétitives qui se prêtent à l’automatisation, et celles qui doivent rester menées par des humains
• Rédiger les descriptions du produit, de la démarche et du comportement qui guident un processus piloté par l’IA
• Prévoir la diligence de création, de déploiement et de transparence avant d’automatiser

Le cas de Prospect Butcher Co. : payer les fournisseurs

Dans la vidéo de la leçon officielle, Corey, qui a cofondé Prospect Butcher Co., une boucherie de deux boutiques à Brooklyn, montre la partie de l’entreprise que les clients ne voient pas : le back-office, et en particulier le paiement des factures. Pour beaucoup de dirigeants, la comptabilité fournisseurs n’est même pas inscrite à l’agenda. Elle vous suit à la maison : on consulte son solde pendant le dîner pour savoir si l’on peut payer un fournisseur ce soir et quand même assurer la paie vendredi.

La situation. La boucherie achète à une poignée de petites fermes familiales et à de nombreux distributeurs. Deux boutiques, deux logiciels de facturation, des conditions de paiement différentes pour chaque fournisseur, et certaines des plus grosses échéances — le loyer, les cartes de crédit — qui ne figurent dans aucun logiciel.

Avant. Aucun système. Un e-mail d’un fournisseur signalait un impayé ; un soir où il restait du temps, Corey ressortait les factures, découvrait des retards, puis vérifiait sur le compte bancaire si les paiements laissaient assez pour la paie. Certaines semaines, deux ou trois heures y passaient, réparties sur plusieurs soirées ; d’autres semaines, rien ne se faisait, et les fournisseurs attendaient. Or les fermes sont de petites exploitations familiales : elles ont besoin d’être payées régulièrement, comme la boucherie elle-même. Payer de façon irrégulière, c’est mettre en danger les relations dont toute l’entreprise dépend.

Délégation : non pas « l’IA peut-elle ? », mais « doit-elle ? »

Première étape : être honnête sur ce qui était réellement confié. Corey a repris plusieurs mois de paiements et découpé le travail en morceaux. C’est la conscience du problème : analyser votre charge réelle, ce qui se répète, ce qui coince.

La surveillance, l’agrégation et le calcul vont à l’IA ; les décisions de jugement, à quelqu’un qui connaît vraiment ces fournisseurs et reconnaît une semaine anormale. Et avant de construire quoi que ce soit, puisque ces données contiennent des coordonnées bancaires de fournisseurs, Corey a choisi un outil qui n’entraîne pas ses modèles sur les données de l’entreprise et dont la politique de confidentialité était acceptable.

La même logique vaut pour un service client : une FAQ documentée est un excellent candidat à l’automatisation ; les réclamations et les décisions de jugement restent humaines.

Description : produit, démarche, comportement

Trois choses à définir : ce que le système produit, comment il traite les données, et comment il se comporte.

Le produit. Chaque lundi matin, une recommandation de paiements :

• en tête, un instantané : toutes les factures en attente des deux boutiques, et la position de trésorerie ;
• puis le détail par fournisseur : ce qui est dû, les factures les plus urgentes, un montant de paiement suggéré ;
• en bas, une prévision de trésorerie : solde de départ, encaissements attendus, paie de la semaine, et la situation après les paiements recommandés.

La démarche. Le système puise dans les logiciels de facturation, les flux bancaires, la messagerie et les données de vente. Chaque lundi, il lit tout et détermine l’urgence de chaque facture selon les conditions de paiement, la fréquence des relances du fournisseur et la trésorerie disponible.

Le comportement. Il ne considère jamais qu’un paiement doit partir : tout est présenté comme une recommandation, avec son raisonnement visible. Il intègre le loyer et les cartes de crédit avant d’indiquer ce qui reste pour les fournisseurs. Et il ne raisonne pas comme pour « la plupart des entreprises », parce qu’une boucherie de deux boutiques, détenue par ses salariés et qui achète des bêtes entières, n’est pas la plupart des entreprises.

Discernement : tester sur des semaines déjà connues

Avant toute mise en service, Corey a fait tourner le système sur des mois passés, où les décisions étaient déjà prises et les bonnes réponses connues, puis a comparé ses recommandations avec ce qui avait réellement été payé. L’essentiel était solide : les totaux par fournisseur étaient justes, les signaux d’urgence tirés des e-mails utiles, les calculs de trésorerie cohérents. Mais deux choses clochaient :

1. Des factures déjà payées étaient comptées. Les données du logiciel de facturation ne filtraient pas les factures soldées : le système pensait que l’entreprise devait environ 18 000 dollars de plus qu’en réalité. Le genre d’erreur qui n’apparaît qu’en comparant le résultat à ce que l’on sait être vrai. Y croire aurait conduit à payer deux fois des fournisseurs.
2. Les mauvaises personnes étaient prioritaires. C’est la leçon la plus importante. Le système voulait payer d’abord les plus grosses factures, donc celles des fermes : des bêtes entières, plusieurs milliers de dollars pour une semaine de bœuf. Logique sur le papier, faux pour cette entreprise : ce sont souvent les fournisseurs hors fermes qui relancent le plus fort, pour une facture de 600 dollars. Il a fallu une priorisation fondée sur le fonctionnement réel des relations fournisseurs, pas sur les seuls montants.

Corey a corrigé les deux — des filtres pour lire correctement le statut des factures, une logique de priorité réécrite — en deux passages : décrire, vérifier, ajuster. Jusqu’à obtenir des recommandations réellement utilisables comme point de départ. Tester avec de vrais exemples révèle les manques que vos descriptions ne voient pas.

Diligence : des lignes qui ne bougent pas

Ce processus touche à la trésorerie et aux fournisseurs, deux relations où l’on ne peut pas être négligent.

• L’IA recommande, l’humain paie. C’est Corey qui saisit les factures et valide les paiements dans le logiciel. Cette ligne ne bouge pas.
• La relecture n’est jamais sautée. Même avec des recommandations fiables, une erreur coûte cher : payer trop vite, et la paie manque ; oublier quelqu’un qui attend, et une relation est en danger. La confiance augmente chaque semaine, mais elle se gagne par les données, elle ne se présume pas.
• La transparence. L’entreprise appartient à ses salariés : les décisions ne sont pas celles d’une seule personne. Corey en a parlé avec Greg, qui a cofondé l’entreprise : ce qui était construit, pourquoi, et où va le temps gagné — dans l’équipe et l’expérience client, pour continuer à grandir sans alourdir le back-office.

Le résultat. Les deux ou trois heures dispersées sur les soirées et les week-ends sont devenues 45 minutes concentrées le lundi : relire la recommandation, trancher, payer. Et surtout, les fournisseurs sont payés régulièrement, chaque semaine, à temps. Pour de petites fermes qui dépendent d’une trésorerie fiable, cette régularité compte plus que le temps gagné.

À vous de jouer

Exercice 1 : repérer les tâches à automatiser

Partie 1 — Recenser vos tâches répétitives. Repensez à votre dernière semaine et listez 5 à 10 tâches répétitives ou chronophages : réponses aux demandes des clients, publications sur les réseaux sociaux, factures, relances de prospects, tableaux de bord. Pour chacune, notez : sa fréquence (quotidienne, hebdomadaire, mensuelle) ; sa durée ; si elle est plutôt standardisée ou très variable d’un cas à l’autre ; la conséquence si elle est mal faite.

Partie 2 — Classer selon leur adéquation à l’IA.

• L’IA peut s’en charger : réponses standardisées, informations documentées, processus clairs et répétables — les questions sur vos horaires, votre politique de retour, vos services.
• L’IA assiste, l’humain décide : l’IA rédige, prépare ou organise, mais un humain relit avant tout envoi — des relances personnalisées, une synthèse d’avis clients.
• L’humain doit s’en charger : décisions à fort enjeu, situations émotionnellement délicates, jugement complexe — une réclamation, une négociation de contrat, un incident de service.

Partie 3 — Prioriser. Choisissez, parmi les deux premières catégories, la tâche qui vous ferait gagner le plus de temps, et écrivez en une phrase pourquoi : temps gagné, fréquence, simplicité de l’automatisation. Puis demandez-vous quels critères vous ont guidé, si le nombre de tâches automatisables vous a surpris, et si la gravité des erreurs possibles a pesé dans votre classement.

Exercice 2 : décrire votre automatisation

Décrivez le système avec les trois types de Description du framework.

Partie 1 — Le produit. En deux ou trois phrases : quel résultat final voulez-vous (par exemple, un projet de réponse aux questions courantes sur vos services) ? Quelles entrées le système reçoit-il (e-mails entrants, formulaire de contact, liste de questions fréquentes) ? Quelles sorties doit-il produire (un e-mail classé avec un projet de réponse, un élément signalé pour relecture humaine) ?

Partie 2 — La démarche. Écrivez la logique étape par étape, comme des instructions pour un nouvel employé très capable mais très littéral : que fait le système en premier en recevant une demande ? Quels sont les points de décision (« Si la question porte sur les prix, utilise la grille tarifaire jointe. S’il s’agit d’une demande sur mesure, signale-la pour relecture humaine. ») ? Quand doit-il passer la main à un humain ? À quelles informations ou quels documents doit-il avoir accès (votre FAQ, vos tarifs, vos conditions d’annulation) ?

Partie 3 — Le comportement. Quel ton (chaleureux et professionnel, détendu, formel et concis) ? Comment accuser réception de la demande avant de répondre ? Comment gérer l’incertitude (« Si tu n’es pas sûr de la réponse, dis-le et signale-la pour relecture : ne devine jamais ») ? Que ne doit-il jamais faire (« Ne promets jamais un horaire de rendez-vous précis. Ne communique jamais les informations d’un autre client. N’accorde jamais de remise sans accord ») ?

Partie 4 — Tester avec de vrais exemples. Donnez vos trois descriptions à un outil d’IA avec 3 à 5 exemples réels de votre entreprise (anciens e-mails de clients, demandes) et évaluez : le classement est-il juste ? Les réponses sont-elles exactes et au bon ton ? A-t-il inventé une information qu’il n’avait pas ? Que faut-il ajuster ? Prévoyez au moins deux ou trois tours d’affinage avant que le système soit fiable : c’est normal.

Exercice 3 : préparer la Diligence

Partie 1 — Diligence de création. Pourquoi cette tâche convient-elle à l’IA ? Qu’est-ce qui pourrait mal tourner ? Listez au moins trois défaillances possibles — un tarif erroné, une réponse type à une réclamation, une information destinée à un autre client — et, pour chacune, comment vous la repéreriez et quel garde-fou mettre en place. Quel impact réel une erreur aurait-elle sur vos clients ou votre entreprise ?

Partie 2 — Diligence de déploiement. Relirez-vous chaque sortie avant qu’elle n’atteigne un client, ou par échantillons ? À partir de quand, et sur quelles preuves, pourriez-vous alléger le contrôle ? Comment surveiller les problèmes dans la durée (contrôles hebdomadaires, suivi des retours clients, journal des erreurs) ? Quels signaux vous feraient suspendre ou arrêter l’automatisation ?

Partie 3 — Diligence de transparence. Qui doit savoir que l’IA intervient : clients, salariés, partenaires ? Écrivez la formulation exacte que vous utiliseriez (mention en bas des e-mails, note sur votre site, clause dans vos conditions). Quel recours offrez-vous à qui veut parler à une vraie personne ? Votre secteur ou votre pays impose-t-il des règles sur la transparence de l’IA ? Dans le doute, renseignez-vous avant de déployer.

Pour conclure : rédigez une déclaration de préparation à l’automatisation de trois à cinq phrases : ce que vous automatisez, pourquoi c’est approprié, quels garde-fous vous avez prévus, et comment vous serez transparent. Elle servira de référence pour vous et pour votre équipe.

Questions de réflexion

• En quoi combiner les quatre compétences a-t-il changé votre approche par rapport aux leçons précédentes ?
• Décrire une automatisation assez précisément pour que l’IA l’exécute a-t-il été plus facile ou plus difficile que prévu ?
• Après les exercices 2 et 3, la tâche choisie à l’exercice 1 est-elle toujours la bonne à automatiser en premier ?
• Comment votre vision de l’équilibre entre efficacité et relation personnelle avec les clients a-t-elle évolué ?

Sources officielles : Tying it all together (Claude Academy, vidéo et sa transcription)

Points clés à retenir

• Partez de la conscience du problème : analysez votre charge réelle, ce que demandent les clients, ce qui se répète
• La délégation des tâches pose la question « l’IA doit-elle le faire ? », pas seulement « peut-elle ? » : les FAQ documentées s’automatisent, les réclamations et les décisions de jugement restent humaines
• Décrivez richement : ce que le système produit, sa logique étape par étape, son ton, ses limites et ses règles de comportement
• Testez sur de vrais exemples dont vous connaissez la réponse : c’est là que le Discernement révèle les failles
• Pratiquez la Diligence : relire avant que rien n’atteigne un client, être honnête sur le rôle de l’IA, offrir toujours un accès à un humain

Crédits et licence — Adaptation française de la leçon « Tying it all together » du cours « AI Fluency for Small Businesses » de Claude Academy, l’académie d’Anthropic, créé par Anthropic en partenariat avec PayPal, Prospect Butcher Company et MAKS TIPM Rebuilders. 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.