Depuis quelques années, le No code montre son potentiel d'automatisation de toute tâche manuelle et répétitive des employés. Avec les récentes évolutions d'intelligences artificielles "As A Service" et leurs intégrations aux outils No code, des tâches plus intelligentes peuvent désormais être ciblées par nos Product Builders.
Depuis quelques mois, nous avons industrialisé plusieurs automatisations combinant No code x ChatGPT : tour d'horizon de nos apprentissages en 4 points.
1- Comprendre le potentiel du No code x IA pour le recruteur augmenté
Avant l'IA, le No code était un formidable outil d'automatisation basé sur de la manipulation de données : "je prends la donnée dans un outil, je la transforme pour l'utilisateur, je la mets dans un autre outil…".
L'avènement de modules IA (par exemple ChatGPT), performants, peu coûteux et directement intégrés aux plateformes No code, ouvre de nouveaux horizons. Grâce à leur compréhension et interprétation du langage naturel, 2 fonctions sont désormais activables dans nos automatisations No code :
1- Générer un contenu personnalisé. A partir d'une consigne personnalisée (le prompt) et de données contextuelles mises à disposition dans Make, ChatGPT est capable de générer un contenu en langage naturel et personnalisé. Cette génération de contenu peut être associée à un raisonnement intelligent, par exemple écrire du texte, synthétiser un contenu, traduire dans une autre langue, corriger l'orthographe, changer de style, etc.
Un exemple : chez Gojob nous publions nos offres d'emploi sur notre site internet. Chaque offre est pré-rédigée sur un template standard et peu personnalisé, nos équipes opérationnelles personnalisent 3 rubriques de l'offre (lorsqu'elles n'oubliaient pas) : les avantages de la mission, le profil recherché par l'offre et les tâches de la mission. Désormais, les textes de ces annonces sont rédigés grâce à l'IA (voir scénario ci-dessus). Un premier module permet d'obtenir les informations structurées et contextuelles sur l'annonce directement depuis notre backoffice (salaire, lieu de mission, client, etc.). Un second module ChatGPT permet de générer le contenu de l'annonce, en bénéficiant de l'expertise de notre équipe Marketing qui alimente les consignes du Prompt. Enfin, nous transformons la donnée (sous le format "JSON") pour convertir le résultat de ChatGPT dans un format qui est réintégrable dans notre backoffice. Le résultat : désormais nos annonces de job ont un contenu personnalisé avec une bonne qualité de rédaction, tout en faisant gagner du temps à nos équipes opérationnelles.
2- Extraire des informations à partir d'une information non structurée. C'est une deuxième fonction offerte par l'IA, beaucoup moins utilisée mais tout aussi puissante, voire plus ! ChatGPT permet d'interpréter un texte pour extraire des informations (les sentiments exprimés, les thèmes abordés, une évaluation sur un critère spécifié, etc.) et rendre le résultat de cette extraction en format structuré.
Par exemple, nous évaluons chez Gojob nos conversations avec les candidats. Nous récupérons les historiques de conversation via Make et demandons à ChatGPT de (1) qualifier le résultat de la conversation, (2) d'exprimer la satisfaction de la conversation par rapport à des critères prédéfinis avec une note sur 10, et (3) d'expliquer en quelques bullets points pourquoi il a décidé de mettre cette note de satisfaction.
2- Tout part d'une vision sur l'IA x No code : augmenter ses employés plutôt que de créer des automatisations "boites noires"
Deux options sont possibles sur les automatisations No code, et plus spécifiquement dans notre cas sur les automatisations d'interactions humaines :
(Option 1) supprimer la tâche du périmètre de travail des employés en l'ayant automatisée. Dans cette option, c'est ChatGPT (+ alimenté en No code par Make) qui réalise la tâche en autonomie. Un employé métier + un Tech peuvent être chargés d'évaluer la performance du modèle, de le faire évoluer ou de corriger les éventuelles erreurs. La tâche est ainsi supprimée de la fiche de poste de tous nos employés, car elle a été automatisée : une "boîte noire" pour eux. C'est l'option la plus simple, la première à laquelle on pense, celle choisie par 90%+ des automatisations No code. Mais ce n'est pas la plus favorable sur le long terme : ce n'est pas celle que nous avons choisie.
Ou (option 2) augmenter les employés sur leur tâche Dans cette option, c'est toujours ChatGPT (+ Make) qui réalise la tâche. Cependant, la tâche n'est pas supprimée de la fiche de poste de nos employés. Au contraire. Ici, chaque employé se voit doté de son propre assistant virtuel Les employés ont la responsabilité de paramétrer leurs "assistants" (qui vont réaliser les tâches pour eux) selon les critères qui marchent le mieux pour eux. Par exemple, comment doit-il se comporter dans la tâche à réaliser. S'il doit parler à une tierce personne, doit-il tutoyer, vouvoyer, ou encore comment doit-il s'exprimer. Mais aussi comment s'appelle-t-il, quel âge a-t-il, etc. Les employés ont la visibilité de tout le travail effectué par leurs assistants virtuels. Les employés ont la responsabilité de prendre le relais lorsque l'assistant atteint ses limites. Les employés ont la responsabilité d'améliorer le modèle d'intelligence artificielle utilisé (c'est-à-dire le prompt dans notre cas).
3- Tester et monitorer le succès
Une fois notre assistant mis en production, il est clé d'en mesurer le succès. Pour l'une de nos automatisations, générant des intéractions humaines dans certains cas métiers spécifiquement ciblés, les premiers résultats qualitatifs ont été stupéfiants : les échanges étaient d'une qualité égale voire supérieure (car plus rapides) à ceux menés par les employés.
Un des facteurs de succès a été de combler cette analyse qualitative avec des critères d'évaluation des conversations plus quantitatifs venant : De l'employé: nous leurs demandons d'évaluer les performances de leurs assistants virtuels, en annotant les tâches réalisées De ChatGPT : à chaque fin de tâche, une autre automatisation se déclenche, pour demander à ChatGPT d'évaluer l'automatisation de sa tâche et d'extraire toutes les informations pertinentes sur la qualité de la réalisation. Des utilisateurs tiers (par exemple candidats dans notre cas) : nous n'avons pas activé cette source d'évaluation à grande échelle pour le moment, mais une piste complémentaire est de demander directement en fin de conversation au principal intéressé, d'évaluer son expérience.
Ces analyses servent à analyser la performance de l'assistant virtuel, pour faire évoluer les prompts et les automatisations Make. Nos Data Scientists utilisent notamment les annotations pour contrôler, expliquer, détecter les régressions et faire évoluer cette performance.
4 Industrialiser le versioning de prompt
Enfin, chaque employé doit se sentir responsable de la qualité de réalisation de la tâche, donc dans le paramétrage de son assistant virtuel. Un système de versioning et de personnalisation de prompt (ensuite injecté via Make dans ChatGPT) a été mis en place. Basé sur Airtable x Retool, il permet de consulter les précédentes versions des prompts et d'en publier de nouvelles.
Ainsi, l'historique des prompts précédents et l'avantage qu'offre un prompt bien ficelé (+ répondant à l'objectif donné avec une performance mesurée) reste intacte !