Quand une équipe métier reçoit une nouvelle application, chaque utilisateur cherche comment faire ce qu’il faisait avant. Dans le portail que nous développons pour une assurance, un gestionnaire cherche à déclarer un déménagement, ajouter un enfant à une famille, créer un nouveau client. Chaque question sans réponse rapide finit en une demande à un collègue ou au support, ce qui peut créer de réelles frictions.
Quand nous livrons une application métier, nous travaillons aussi sur cette phase d’accompagnement de l’utilisateur. Notre objectif : que chaque utilisateur trouve seul comment faire, sans formation longue ni manuel compliqué à parcourir, pour que l’outil soit adopté dès les premières semaines.
Cet article montre comment nous combinons deux types d’IA pour créer un guide intelligent : un modèle de décision, comme Jev de TypeSafe, et un grand modèle de langage (LLM), comme Deepseek Flash, et ce que ça change pour l’utilisateur.
Faire vivre le guide utilisateur dans l’application
L’utilisateur ouvre la barre de recherche et écrit ce qu’il veut faire, avec ses mots. L’application lui propose le guide qui correspond. S’il le lance, elle met en évidence l’endroit où cliquer, puis passe à l’étape suivante dès que c’est fait.
Nous guidons l’utilisateur avec un copilote IA directement dans le contexte de l’application, pour la tâche qu’il veut accomplir.
Des guides construits à partir du code
Une aide générée par une IA peut décrire un bouton qui n’existe pas. Nous avons réglé ce risque à la source : le copilote ne crée aucun guide au moment où l’utilisateur le sollicite. Les guides sont préparés pendant le développement, puis vérifiés.
- Les écrans, les boutons et les champs viennent du code de l’application. Seul l’enchaînement des étapes est rédigé à part, avec l’aide de l’IA, comme on écrit un scénario de test.
- Chaque nouvelle version est vérifiée automatiquement. Chaque étape doit pointer vers un écran, un bouton et un texte qui existent, dans les langues de l’application. Si un bouton disparaît, la version est bloquée tant que le guide n’est pas corrigé.
- Des tests ouvrent l’application dans un vrai navigateur. Ils vérifient que chaque écran s’affiche et que chaque bouton visé par un guide est bien présent, dans la même logique qu’un test de bout en bout.
L’IA a donc un rôle précis : choisir, parmi les guides qui existent et qui fonctionnent, celui qui répond à la demande de l’utilisateur. Quel que soit le modèle utilisé, l’application refuse tout guide qui ne figure pas dans la liste. Il reste à faire ce choix vite et sans créer une consommation excessive de tokens.
Pourquoi la vitesse compte
Une aide sert à explorer : on essaie une formulation, puis une autre, et on découvre au passage ce que l’application sait faire. Une attente de quelques secondes à chaque demande interrompt cette exploration. Pour que ça fonctionne au mieux, la réponse doit arriver pendant que l’utilisateur tape sa recherche.
Un modèle de langage comprend, mais prend son temps
La solution courante consiste à brancher un modèle de langage, le même que dans les assistants conversationnels. Il comprend bien les demandes écrites en langage courant. Un gestionnaire écrit « L’assuré déménage à Lausanne, comment modifier son adresse ? », et le modèle l’envoie vers le guide « Déclarer un changement d’adresse ». Dans nos essais, il trouve le bon guide 44 fois sur 49.
La limite, c’est qu’il lui faut d’une à trois secondes pour proposer un guide, et vu qu’on choisit des modèles qui sont rapides et plus légers, c’est difficile d’évaluer les situations dans lesquelles il hallucine ou se trompe.
Un modèle de décision comme Jev nous permet de répondre directement pendant que l’utilisateur écrit sa recherche
Jev est un modèle de TypeSafe, en accès anticipé depuis le 15 septembre 2026. Contrairement à un modèle de langage, Jev n’écrit pas de texte. On lui donne la demande et la liste des guides et des écrans de l’application, plus « aucun ». Il en choisit un et indique à quel point il est sûr de son choix.
- Il répond en environ 0,3 seconde, pendant que l’utilisateur tape encore sa demande.
- Il choisit toujours dans la liste. Par construction, il ne peut pas proposer un guide qui n’existe pas, sans configuration supplémentaire.
- Il signale quand il hésite. Dans ce cas, la barre de recherche ne propose aucun guide et la demande passe au modèle de langage.
Les deux ensemble
Quand l’utilisateur tape sa demande, Jev répond en premier. S’il est sûr de son choix, le guide s’affiche tout de suite dans la barre de recherche. Sinon, la demande passe au modèle de langage.
Nous avons préparé 91 demandes et les avons figées avant les essais. 49 correspondent à un guide ou à un écran de l’application ; les autres sont des questions sur les règles métier, ou des demandes que l’application ne couvre pas. Nous avons soumis chaque demande aux deux modèles, puis appliqué cette règle (Jev d’abord, le modèle de langage quand Jev hésite) aux réponses mesurées.
Jev suivi du modèle de langage trouve autant de guides que le modèle de langage seul, avec autant d’erreurs. Mais 34 demandes sur 49 reçoivent leur guide en 0,3 seconde environ, au lieu d’une à trois secondes.
Penser l’IA au-delà du chat
Quand on pense IA, on pense vite à une expérience conversationnelle : l’utilisateur pose une question, un assistant lui répond en quelques phrases. Un modèle de décision invite à repenser l’interface elle-même, avec des réponses plus rapides là où l’utilisateur travaille déjà. La barre de recherche que nous venons de montrer en est un exemple. Une suggestion au moment de la saisie d’un formulaire, ou un tri automatique de demandes entrantes, en sont d’autres.
Quand choisir cette approche
Un modèle de décision a sa place quand trois conditions sont réunies :
- Les réponses possibles sont connues d’avance : une liste de guides, de catégories, d’actions.
- La demande de l’utilisateur suffit pour trancher : pas besoin d’aller chercher d’autres informations.
- La réponse doit être immédiate : une recherche, un tri, une suggestion pendant la frappe.
Pour expliquer, rédiger ou raisonner sur une demande complexe, le modèle de langage reste le bon outil.
La route vers l’optimisation
En observant les recherches utilisateurs, nous pouvons adapter les titres des guides avec les mots des utilisateurs. Les demandes sur un « nouvel employé » ont plusieurs fois été envoyées vers « Ajouter un membre à une famille » plutôt que vers « Créer un prospect » : le titre parle de prospect, l’utilisateur parle d’employé. Tous les modèles testés ont trébuché sur ce cas et la correction est parfois simplement de modifier le titre du guide ou ajouter quelques points d’entrés alternatifs.
À retenir
- Pour réussir la prise en main d’un outil métier, nous intégrons l’aide dans l’application, avec une réponse qui arrive pendant que l’utilisateur tape sa demande.
- Les guides viennent du code et sont vérifiés à chaque version : l’IA choisit, elle n’invente pas.
- Un modèle de décision devant un modèle de langage donne la même précision, avec une réponse immédiate pour 7 demandes sur 10.
Sources
- TypeSafe, Introducing System One Models & Jev, 15 septembre 2026
- TypeSafe, documentation des modèles
