Creative Studio Stars — Développement de produits numériques

Construire un bureau IA prévisible pour une délégation cohérente

Source: Social Media Examiner

BuildingPredictableOffice

Article hero image

Vous en avez assez de devoir réexpliquer vos processus, modèles et préférences à chaque fois que vous ouvrez ChatGPT ou Claude ? Vous vous demandez comment mettre en place un espace de travail IA qui vous permette de déléguer de véritables tâches à l’IA et d’obtenir toujours le même résultat fiable ? Dans cet article, découvrez comment construire un espace de travail IA, ou « bureau IA », composé de documents de processus, de modèles et de contexte historique, sur lequel ChatGPT, Claude et d’autres outils IA peuvent s’appuyer pour réaliser les tâches déléguées de manière cohérente. Cet article a été coécrit par Tiffany Kyazze et Michael Stelzner. Pour en savoir plus sur Tiffany, consultez la fin de cet article.

Pourquoi un espace de travail IA rend la délégation possible

Tiffany Kyazze est arrivée à l’IA par le biais de l’automatisation, qu’elle définit comme une séquence : quand ceci se produit, alors cela se produit. Au sein de sa communauté AI Flow Club, elle enseigne aux entrepreneurs à construire des systèmes IA délibérément « ennuyeux », mais bien réfléchis et validés une fois pour toutes, afin d’obtenir des résultats sur lesquels ils peuvent compter. Comme l’IA ne produit pas toujours un résultat déterministe, son objectif est de le rendre contrôlé, contenu et rentable. On ne peut confier du travail à l’IA que si la sortie est prévisible. Tiffany compare cet idéal à un McDouble chez McDonald’s : il est identique à chaque fois, et c’est précisément le but. Un espace de travail IA offre cette prévisibilité en donnant à l’IA un endroit unique où trouver les normes, processus et modèles pour chaque tâche qui lui est confiée.

#1: Ne donner à l’IA que le contexte nécessaire à chaque tâche, en commençant petit

Le malentendu le plus courant que Tiffany observe est la croyance selon laquelle l’IA doit tout savoir : les motivations personnelles, la façon dont quelqu’un travaille, ce qui se passe dans sa vie, et les données de toutes les applications qu’il a jamais utilisées. Les pages de connecteurs et de plugins dans ChatGPT et Claude rendent cela tentant car tant d’applications familières y sont répertoriées. Le problème est qu’un grand modèle de langage (LLM) suppose que tout ce qui est évoqué dans une conversation est destiné à être utilisé. Si quelqu’un dit à l’IA qu’il se sent fatigué et lui demande de rédiger un email déclinant une invitation à un podcast, l’email indiquera probablement que l’expéditeur est fatigué, alors que celui-ci aurait peut-être voulu dire simplement que le moment ne convient pas. Les données connectées présentent le même risque. Un connecteur Stripe peut aider à réconcilier les revenus, mais si l’IA sait qu’une entreprise génère 10 000 $ par semaine, ce chiffre pourrait se retrouver dans des publications sur les réseaux sociaux. Les systèmes de « second cerveau » sont utiles pour connaître une histoire personnelle, mais selon Tiffany, l’IA n’a pas besoin de cette histoire pour travailler. Pour chaque tâche, les bonnes questions sont : quelles informations sont pertinentes et quel est le risque si l’IA en divulgue trop ? Un contexte précis permet également d’économiser des tokens. Sans modèle, une demande de résumé de réunion oblige l’IA à décider à quoi doit ressembler un résumé, ce qu’il faut inclure et ce qui compte comme valeur ajoutée. Le résultat est un document plus long rempli d’informations pertinentes mais inutiles. Si le résumé n’est pas guidé pour se concentrer sur l’avancement du projet, par exemple, les cinq minutes que les participants ont passées à parler de leur week-end finiront par y figurer. Tiffany recommande de définir à la fois le type d’informations nécessaires et la structure de la sortie. Cette définition empêche également l’IA de lire plus qu’elle ne le doit : pour résumer un appel, elle n’utilisera que la transcription de l’appel et le modèle de résumé d’appel, et non des fichiers non liés tels que les règles de planification.

Comment démarrer un espace de travail IA sans le surcharger

Une tendance populaire consiste à utiliser une « master prompt », une autobiographie fournie à l’IA avec chaque requête. Certains ont rédigé des prompts maîtres de 90 pages. Tiffany estime que c’est trop : l’IA ne prête pas suffisamment attention aux détails noyés dans un document volumineux. De plus, cela est difficile à maintenir : si la voix de marque doit changer, trouver cette section ainsi que toutes les autres qui l’influencent prend beaucoup de temps. Tiffany recommande plutôt de commencer par quelques éléments et de s’assurer qu’ils fonctionnent correctement. Commencer petit permet d’ajuster chaque ajout et de voir exactement comment l’IA utilise ces informations. Avec 55 documents dans le dossier dès le premier jour, il est difficile de savoir lesquels l’IA a consultés pour générer un résultat. Quiconque possède déjà autant de fichiers doit explicitement indiquer à l’IA quels documents utiliser pour chaque tâche. Ensuite, si le résultat est médiocre, il n’y a que deux endroits à vérifier : les instructions ou le contexte. Un projet Claude qui fonctionne déjà bien constitue un bon premier candidat. Un projet est un dossier contenant des instructions et des fichiers dédiés à une seule tâche ; il peut ainsi devenir un sous-dossier du nouvel espace de travail, accessible par tout outil d’IA.

#2 : Choisir où réside l’espace de travail IA

Un espace de travail IA est un dossier sur un ordinateur dont les informations sont organisées en sous-dossiers. Tiffany le décrit comme un classeur numérique, semblable à celui qu’elle a reçu lors de son premier emploi, avec des onglets expliquant comment gérer chaque situation, comme un appel au standard. Au lieu d’onglets pour les informations administratives, les processus et les modèles, l’espace de travail possède des sous-dossiers, et l’IA sait exactement où trouver chacun la prochaine fois qu’une tâche se présente. L’espace de travail fonctionne avec des outils capables d’accéder aux fichiers, tels que Claude Cowork, Claude Code, ChatGPT Work et ChatGPT Codex. Selon Tiffany, ChatGPT standard a également accès au système de fichiers. Google Drive peut également servir de source de vérité, car il se connecte à presque tous les outils d’IA.

Comment configurer l’espace de travail avec Markdown et Obsidian

Tiffany conserve son espace de travail dans le système de fichiers de son ordinateur sous forme de fichiers Markdown. Chaque fichier ne pèse que quelques kilo-octets, ce qui limite l’utilisation des tokens. Elle qualifie Markdown de premier langage de l’IA. Même sans mise en forme, il est facile à lire : un dièse (#) indique un titre et des astérisques (*) indiquent le texte en gras. Pour ceux qui ne souhaitent pas lire du Markdown brut, Tiffany recommande Obsidian, qui affiche les fichiers avec une mise en forme épurée et montre quels documents sont connectés. Ces connexions permettent à l’IA de récupérer tout ce dont une tâche a besoin. Par exemple, un processus d’envoi d’e-mail peut être lié à des exemples d’e-mails, à un modèle d’e-mail et aux règles pour décider quels messages méritent une réponse. Tiffany préfère Obsidian à Notion car l’IA y trouve les informations plus rapidement. Une recherche dans Notion avec Claude scanne de nombreux champs, et ses bases de données Notion comportent parfois 20 ou 30 colonnes. Obsidian stocke le même type de champs dans du YAML, un petit bloc de code en haut de chaque fichier, tout en affichant le fichier comme une base de données.

Comment synchroniser l’espace de travail avec une équipe via GitHub

Tiffany synchronise son espace de travail avec GitHub. Elle conserve un dossier dédié au bureau de son équipe sur son ordinateur, tandis que sa collègue Taylor, qui réside au Canada, dispose d’un dossier correspondant sur le sien. Lorsque Tiffany pousse des modifications vers GitHub, le dossier de Taylor se met à jour automatiquement. Si toutes deux modifient le même document, GitHub fusionne les changements sans qu’une version n’écrase l’autre. GitHub offre également aux nouveaux outils d’IA un accès sécurisé, sans leur donner la main sur le système de fichiers. Lorsque Muse a été lancé, Tiffany l’a orienté vers son dépôt GitHub plutôt que de lui accorder un accès direct à son ordinateur, ce qui lui a permis d’obtenir les informations nécessaires.

#3 : Remplir le bureau IA avec des documents de processus, des modèles et du contexte historique

Tiffany qualifie cet espace de travail finalisé de « bureau IA » : un dossier de fichiers servant de point de départ à l’intelligence artificielle. Il contient trois types de contenus.

  1. Documents de processus : Un document de processus décrit les étapes à suivre et sert de procédure opérationnelle standard. Les critères de Tiffany pour déterminer quels emails méritent une réponse en sont un exemple.
  2. Modèles : Un modèle est soit un exemple de livrable finalisé, soit un document que l’IA duplique et remplit. Un modèle à compléter peut ne comporter que des titres avec