Une note vocale peut contenir suffisamment d’informations pour préparer un devis.
Le problème est qu’une note vocale n’est pas une donnée structurée.
Elle doit d’abord être comprise.
Prenons un exemple :
« Chez Dupont, remplacer le chauffe-eau de 200 litres, prévoir deux heures de main-d’œuvre et rappeler le client pour confirmer l’accès au local. »
Pour un humain, l’information est relativement claire.
Pour un logiciel de gestion, elle doit être transformée.
Étape 1 : transcrire
La première étape consiste à transformer la voix en texte.
Audio
↓
Speech-to-text
↓
TexteCette étape peut être réalisée avec un modèle de reconnaissance vocale.
Mais la transcription seule ne suffit pas.
Étape 2 : extraire les informations
Le texte doit ensuite être analysé.
On cherche par exemple :
{
"customer": "Dupont",
"product": "Chauffe-eau 200L",
"quantity": 1,
"labor_hours": 2,
"follow_up": "Confirmer l'accès au local"
}C’est là qu’un LLM devient intéressant.
Il peut transformer un texte libre en structure exploitable.
Étape 3 : appliquer la logique métier
C’est une étape souvent oubliée dans les démonstrations IA.
Le LLM ne devrait pas calculer seul le prix final.
Le système doit appliquer ses propres règles.
Par exemple :
Produit identifié
↓
Recherche catalogue
↓
Prix catalogue
↓
Règles commerciales
↓
Main-d'œuvre
↓
Taxes
↓
TotalL’IA comprend.
Le moteur métier calcule.
Cette séparation est essentielle.
Étape 4 : générer le devis
Une fois les données validées, le système peut préparer le devis.
Mais je conserverais une validation humaine :
Note vocale
↓
IA
↓
Données structurées
↓
Moteur métier
↓
Devis brouillon
↓
Validation
↓
EnvoiCette architecture est beaucoup plus robuste qu’un système dans lequel l’IA génère directement un document final.
Pourquoi cette approche est intéressante
Le gain ne vient pas uniquement de la vitesse.
Il vient de la réduction des doubles saisies.
L’artisan peut parler naturellement.
Le logiciel transforme ensuite cette information en données structurées.
On passe donc de :
interface → formulaire → champs → saisie
à :
conversation → compréhension → données → action
C’est une évolution importante de l’interface homme-machine.
Le rôle du développeur
Construire ce type de système ne consiste pas simplement à connecter une API LLM.
Il faut concevoir :
- les schémas de données ;
- les validations ;
- les règles métier ;
- les permissions ;
- les mécanismes de reprise ;
- les logs ;
- les confirmations humaines ;
- les appels aux outils ;
- les contrôles avant action.
L’IA est une brique.
L’architecture fait le reste.
Un workflow simple peut déjà avoir beaucoup de valeur
Il n’est pas nécessaire de construire un agent totalement autonome.
Un premier workflow peut simplement faire :
🎙️ Note vocale
↓
📝 Transcription
↓
🧠 Extraction
↓
🔎 Recherche client
↓
📦 Recherche produits
↓
🧮 Calcul métier
↓
📄 Devis brouillon
↓
👤 Validation humaineC’est déjà une automatisation concrète.
Et surtout, elle répond à un problème réel.
L’objectif n’est pas de mettre de l’IA partout
C’est probablement la leçon la plus importante.
Il ne faut pas commencer par :
« Où peut-on mettre un LLM ? »
Il faut commencer par :
« Quelle tâche fait perdre du temps à l’utilisateur ? »
Puis regarder si l’IA peut réellement réduire cette friction.
Dans un logiciel métier, c’est souvent là que les meilleurs cas d’usage apparaissent.
Pour aller plus loin :
