Pourquoi l’automatisation par IA vient de franchir un cap ?

Des outils d'automatisation tels que Zapier, Make ou N8N promettent des gains de temps significatifs en connectant des services via des interfaces graphiques attrayantes. Cependant, la réalité de ces plateformes révèle une proximité étonnante avec le domaine de la programmation. Leur mise en œuvre exige des experts capables de gérer un bricolage constant et un temps de développement non négligeable pour structurer les flux de travail. Cette approche représentait un gouffre en termes d'investissement initial pour des tâches souvent répétitives.

Pour expérimenter avec des outils basés sur les agents, comme N8N, l'acquisition d'un serveur devient nécessaire. Le partenaire Hostinger propose d'ailleurs un hébergement VPS optimisé pour ce type de technologie. Il est recommandé spécifiquement le KVM2, doté de deux cœurs VCPU AMD, 8 Go de RAM et 100 Go de NVME. De plus, Hostinger a lancé un assistant nommé COD pour faciliter la configuration initiale. Une offre promotionnelle est disponible à 6,99 € par mois sur 24 mois, avec une réduction additionnelle de 10 % en utilisant un code spécifique.

Un changement fondamental se produit actuellement dans l'univers de l'automatisation, expliquant pourquoi les start-ups issues de Y Combinator se focalisent exclusivement sur le terme « agent ». Cette vague représente une rupture avec les méthodes précédentes. L'intervention de Shubam, expert ayant développé ses connaissances chez Conto, permet d'éclairer cette mutation. La promesse est de transformer des processus longs en exécution rapide, rendant accessibles des automatisations qui nécessitaient auparavant des jours de conception.

L'automatisation, même avec ces outils no code, reste extrêmement proche de la programmation.

Il y a environ quinze ans, l'automatisation des tâches répétitives impliquait de faire appel à des développeurs pour créer des scripts spécifiques, rendant le processus coûteux, difficile à maintenir et peu accessible. Des services comme Amazon Mechanical Turk illustraient cette époque, où des humains effectuaient littéralement des clics répétitifs pour traiter des données. Cette approche était intrinsèquement chère comparée à la valeur générée par ces tâches purement exécutives.

L'intégration des modèles de langage (LLM) a marqué un tournant, dépassant la simple intégration de chatbots basée sur la hype. Désormais, il est possible de générer directement des automatisations complexes en demandant un 'blueprint', par exemple pour créer une miniature ou configurer un workflow. Cette capacité accélère massivement la phase de construction (V1) des automatisations. De plus, l'existence de nœuds comme ChatGPT ou le support d'OpenRouter a permis de créer des automatisations auparavant jugées impossibles ou infaisables.

La distinction entre les anciennes méthodes et l'approche basée sur l'IA est flagrante dans le traitement des emails. Alors qu'il était extrêmement difficile de faire un filtre fin basé sur l'intention avant l'ère de l'IA, les systèmes actuels utilisent des prompts pour analyser chaque mail et le classer finement. Pour une boîte mail professionnelle, cela signifie pouvoir distinguer automatiquement une demande d'abonné, une invitation à un événement ou une proposition de sponsoring, une granularité que les filtres classiques ne pouvaient atteindre.

Moi j'ai c'est mon impression c'est que tu as toute une gamme d'automatisation qui passe de impossible, infaisable jamais à maintenant c'est bon.

Paradoxalement, la véritable finalité des LLM pourrait se trouver dans l'automatisation répétitive. Si une tâche 'Build' devient récurrente, comme répondre à un sponsor selon un modèle établi, il devient logique de l'encapsuler dans un workflow. Dans le cas d'un business de formation, un agent peut lire une question fréquente, consulter une FAQ interne, scorer le niveau de satisfaction potentiel, rédiger un brouillon, et l'envoyer automatiquement si le score de certitude est suffisant.

Le futur de l'automatisation remet en question la nécessité de décrire les workflows avec des briques de programmation visuelle. Une des raisons majeures de cet optimisme réside dans l'émergence du protocole MCP, soutenu par des modèles d'IA spécifiques. Ce protocole permet de créer des automatisations ultra-puissantes en quelques minutes. Il répond au besoin fondamental des entrepreneurs qui souhaitent voir les tâches récurrentes gérées par l'ordinateur sans avoir les compétences de programmation requises.

Le MCP (Model Communication Protocol) n'est pas une API destinée à être lue par des humains, mais spécifiquement conçue pour les LLM. Il s'agit d'une méthode standardisée pour connecter des applications entre elles, fonctionnant comme une multiprise universelle. Lorsqu'un LLM doit exécuter une action, comme envoyer un email via Gmail, il utilise le protocole pour demander l'action au serveur MCP, qui connaît les spécificités de l'application cible.

En fait, elle est pas faite pour des humains. En fait, ce protocole, il est pas fait pour des LLM.

L'impact du MCP se manifeste dans des domaines variés, y compris pour les non-développeurs. Un exemple spectaculaire est l'utilisation avec Blender, où une simple commande vocale permet à un agent de concevoir un château en 3D, le modèle interagissant avec le logiciel via le protocole. Pour les formulaires, des outils comme Tali permettent de décrire verbalement le formulaire souhaité (champs, types, obligations), et l'agent discute avec le MCP de Tali pour générer la structure complète, rendant la création de formulaires extrêmement rapide.

Une étape ultérieure concerne la création de systèmes véritablement autonomes qui opèrent en arrière-plan sans intervention humaine constante. Ces systèmes combinent des agents, des LLM et des connecteurs basés sur MCP pour résoudre des problèmes par industrie. Cette couche d'abstraction permet aux entreprises de donner aux employés le pouvoir de créer des automates sophistiqués, en connectant des services comme la boîte mail via le protocole standardisé.

L'évolution mène vers une diminution des tâches de 'Run' (exécution) et une augmentation des tâches de 'Build' (construction). Les 'knowledge workers' devront se concentrer sur la réflexion stratégique, l'expérience et la création de valeur ajoutée, plutôt que sur le déplacement de matière ou l'exécution de processus identiques. Le défi psychologique réside dans le fait que les décideurs (C-level) voient l'automatisation comme une opportunité, tandis que les opérationnels peuvent ressentir de l'appréhension face à la disparition de leurs tâches quotidiennes.

Ce changement de paradigme s'applique même aux développeurs : au lieu de se concentrer uniquement sur la vitesse de frappe ou les raccourcis, l'effort se porte sur la refonte et la customisation de l'environnement de travail lui-même. De plus, la réduction du temps nécessaire pour automatiser rend désormais rentable l'automatisation de tâches qui étaient auparavant considérées comme trop mineures pour justifier l'investissement en temps.