Intégrer l’IA générative dans vos chaînes de production IT : Visual TOM GenAI-As-Job

L’IA générative entre progressivement dans les systèmes d’information. Mais comment intégrer le LLM dans un véritable processus de production ?

Visual TOM propose une approche simple : considérer l’IA générative comme une capacité supplémentaire de la plateforme de workload automation.

Grâce au connecteur Gen-AI disponible dans la Marketplace (MyApplications), l’appel au LLM est directement configuré depuis le Designer Visual TOM. Il devient alors un job intégré au workflow.

L’objectif n’est pas de confier l’ensemble du processus au LLM. Visual TOM continue de déterminer ce qui doit être exécuté, dans quel ordre et sous quelles conditions. L’idée ici étant de bénéficier du cadre et robustesse du moteur Visual TOM avec ces capacités d’enchainement tout en y insérant des taches intelligentes lorsque nécessaire. Ce qui permet un contrôle et suivi facilité, une meilleure prédictibilité car la partie déléguée aux LLMs se trouve réduite au strict minimum afin de restreindre les phénomènes d’hallucinations et perte de contrôle.

Le modèle intervient uniquement sur les tâches pour lesquelles ses capacités sont pertinentes : comprendre un texte, classifier une information, produire une synthèse, extraire des éléments d’un document ou générer du contenu structuré.

Le cas d’usage : analyse automatique des avis clients

La démonstration illustre un scénario concret : l’exploitation régulière de retours clients stockés en base de données, pour en extraire une synthèse exploitable par les équipes métier. La chaîne complète tient en trois jobs. Voir la vidéo 

Job 1 — Extraction des données (PostgreSQL → CSV)

Le premier job se connecte à une base PostgreSQL et exécute une requête simple (SELECT * FROM feedback;). Le résultat — 10 lignes de commentaires clients — est sauvegardé dans un fichier CSV. C’est un job de base de données standard, configuré via le connecteur natif Visual TOM.

Job 2 — Analyse de sentiment par LLM (le cœur de la démo)

C’est ici que le nouveau type de job Gen-AI entre en jeu. Le job est configuré avec :

• Prompt
• Provider : Groq (avec support natif d’OpenAI, Claude, Gemini et des modèles hébergés localement via Ollama selon les besoins)
• Modèle : llama3-70b-8192

Le prompt demande au modèle d’analyser les commentaires, d’identifier les principaux thèmes positifs et négatifs et de retourner un résultat structuré au format JSON avec les problèmes identifiés et leur niveau d’impact.

Le LLM peut par exemple faire ressortir :

Thèmes positifs : qualité du service client, qualité produit, interface intuitive, support technique compétent, documentation claire ou application mobile pratique.

Thèmes négatifs : délais de livraison, niveau de prix, lenteurs du site web, fonctionnalités limitées ou erreurs fréquentes.

Il peut également classifier les principaux irritants selon leur importance afin que le résultat puisse être exploité automatiquement par la suite.

Deux fichiers sont générés :

• output.json pour disposer du résultat structuré complet ;
• output_summary.txt pour obtenir une synthèse directement lisible.

La clé API utilisée pour accéder au fournisseur LLM est stockée dans Visual TOM sous forme de variable de contexte chiffrée (Coffre Visual TOM) et n’apparaît pas en clair dans la configuration du job.

Job 3 — Envoi du rapport par email

Le troisième job envoie automatiquement le rapport au responsable métier via Azure OAuth. En pièce jointe : le JSON complet. Dans le corps : le résumé textuel généré par le LLM. Le tout sans intervention humaine, piloté par le même moteur d’orchestration qui gère le reste de la production.

Ce que ça change concrètement

1. L’IA s’intègre dans la chaîne, pas à côté

L’approche traditionnelle crée une fracture : d’un côté la production IT supervisée, de l’autre les scripts d’IA bricolés hors ordonnanceur. Résultat : deux supervisions, deux sources d’alerte, une dette de maintenance qui s’accumule.

Avec le type de job Gen-AI, le LLM devient une étape parmi d’autres dans la chaîne de traitement. Il hérite de toutes les fonctionnalités Visual TOM : dépendances entre jobs, gestion d’erreurs, logs d’exécution consultables, relance automatique, supervision temps réel.

2. Choix du provider : cloud ou souveraineté, au choix

Le connecteur Gen-AI supporte nativement plusieurs providers LLM — Groq, OpenAI, Claude et Gemini — sélectionnables dans une liste déroulante, ainsi que des modèles hébergés localement via Ollama et autres alternatives pour les environnements soumis à des contraintes de souveraineté. Les équipes choisissent la combinaison la plus adaptée à leur cas d’usage : rapidité (Groq/llama3), richesse de raisonnement (GPT-4o, Claude Opus, Gemini), contraintes budgétaires, ou maîtrise complète des données avec un modèle on-premise.

3. Paramétrage sans code

La configuration du job Gen-AI se fait entièrement via le Designer Visual TOM : fichier de prompt, fichier d’entrée, fichier de sortie, provider, modèle, température, nombre de tokens. Pas de Python à écrire, pas de dépendances à gérer. Les équipes exploitation configurent l’appel LLM exactement comme elles configureraient une requête SQL.

4. Planification et automatisation complètes

Le workflow est configuré pour s’exécuter quotidiennement, avec une fenêtre d’exécution définie. Cela signifie que chaque jour, sans intervention humaine : les feedbacks sont extraits de la base, analysés par le LLM, et le rapport atterrit dans la boîte mail du responsable avant le début de la journée de travail.

Les cas d’usage qui s’ouvrent devant vous

Ce connecteur ouvre la porte à une catégorie entière de cas d’usage difficiles à industrialiser jusqu’ici :

• Analyse de documents en masse : classifier des contrats, des tickets de support ou des rapports d’incidents selon leur contenu, et déclencher les traitements appropriés.
• Enrichissement de données : générer automatiquement des résumés, des scores ou des catégories via LLM à partir d’extractions brutes, et les injecter dans l’ERP ou le CRM.
• Synthèse opérationnelle : consolider les logs d’incidents, identifier les patterns récurrents, et envoyer un briefing structuré à l’équipe chaque lundi matin.
• Détection d’anomalies : passer des données de production (métriques, KPIs) à un LLM pour détecter des tendances anormales, en complément des alertes seuil traditionnelles.

Dans tous ces cas, la valeur ajoutée est la même : l’analyse intelligente s’intègre dans le flux de production existant, avec la traçabilité, la robustesse et la supervision qui caractérisent les chaînes Visual TOM.

Une remarque sur la gouvernance

Intégrer des LLM dans des processus de production pose des questions légitimes : quel fournisseur AI ? Quelle localisation des données envoyées au LLM ? Quelles garanties de confidentialité ?

Visual TOM répond à ces questions en laissant à l’entreprise le choix du provider et donc du niveau de garantie souhaité. Pour les organisations avec des contraintes de souveraineté, le connecteur Gen-AI se connecte nativement à Ollama pour héberger et exécuter le modèle en local, sans qu’aucune donnée ne sorte du système d’information — au même titre que Groq, OpenAI, Claude ou Gemini pour les usages en mode cloud. La clé API (le cas échéant) est une variable de contexte chiffrée — les données envoyées au LLM dépendent du prompt et du fichier d’entrée, ce qui permet une maîtrise fine de ce qui sort du SI.

L’autre versant de l’IA : piloter Visual TOM en langage naturel

Le job Gen-AI-As-Job fait entrer l’IA dans vos chaînes de traitement. Visual TOM propose désormais un second axe, complémentaire : l’usage d’assistant IA conversationnel pour piloter l’ordonnanceur lui-même en langage naturel — interroger l’état d’une chaîne, diagnostiquer un incident, déclencher une action, sans naviguer entre plusieurs écrans. Compatible avec Claude et autres assistants qui supportent le MCP (Model Context Protocol), cet assistant s’adresse directement aux équipes exploitation : on décrit ce qu’on cherche, il l’exécute.

Une démonstration vidéo est disponible sur la page produit Visual TOM — elle montre l’assistant à l’œuvre : voir la démo en langage naturel →

Ensemble, les deux fonctionnalités portent la même conviction : l’IA n’a de valeur en production que si elle reste gouvernée, traçable et intégrée aux processus existants — que ce soit comme job dans la chaîne, ou comme interface pour la piloter.

Conclusion

Les fonctionnalités Gen-AI-As-Job et pilotage en langage naturel de Visual TOM ne prétendent pas révolutionner l’intelligence artificielle. Elles font quelque chose de plus utile : elles rendent les LLM opérationnellement plus fiables dans un contexte de production IT — que ce soit comme job supervisé, planifié et tracé au sein de la chaîne.

Pour les équipes exploitation qui cherchent à tirer parti de l’IA sans créer une nouvelle dette technique à côté de leur production, c’est précisément le maillon manquant.

Vous souhaitez voir ces fonctionnalités en action dans votre environnement ? Demandez une démonstration personnalisée →

Prochainement : de l’IA générative à l’Agentic AI

Appeler un LLM depuis un workflow n’est qu’une première étape. La suivante consiste à lui donner davantage de contexte et surtout des outils qu’il peut utiliser pour accomplir une tâche.

Dans un prochain article, nous verrons comment Visual TOM peut aller plus loin que le simple appel à un modèle en intégrant des capacités agentiques directement dans les workflows : contexte, outils, raisonnement et actions contrôlées.