Comment ajouter des fonctionnalités d'IA à votre app

Pour ajouter des fonctionnalités d'IA à votre app, appelez une API de grand modèle de langage (LLM) depuis votre serveur : envoyez-lui des instructions claires accompagnées des données pertinentes, puis utilisez ce qui revient. La plupart des fonctionnalités utiles correspondent à l'un de quatre schémas — résumer, dialoguer, extraire des données structurées et classer — et chacun représente quelques dizaines de lignes de code qu'un outil de création par IA peut écrire pour vous. Ce qui détermine si la fonctionnalité est réellement bonne, c'est le travail autour de l'appel : garder la clé API côté serveur, maîtriser le coût par utilisateur et vérifier le résultat avant de lui faire confiance.

Les quatre schémas à la base de la plupart des fonctionnalités d'IA

L'extraction et la classification sont souvent les plus précieuses et les moins visibles. Elles font gagner discrètement quelques minutes sur chaque enregistrement, et comme le résultat a une forme fixe, vous pouvez le vérifier automatiquement. Le dialogue est le plus visible, mais le plus difficile à réussir, et il a son propre guide : comment créer une app de chatbot IA.

Comment cela s'intègre dans votre app

Chaque schéma a la même structure :

1. L'utilisateur agit — il clique sur « Résumer », téléverse un fichier, envoie un message.
2. Votre front-end appelle votre propre serveur, pas le fournisseur d'IA.
3. Votre serveur construit la requête : instructions système, saisie de l'utilisateur et données nécessaires au modèle issues de votre base — uniquement les données que cet utilisateur a le droit de voir.
4. Votre serveur appelle l'API du LLM avec une clé stockée dans une variable d'environnement.
5. Votre serveur vérifie la réponse — JSON valide, étiquette connue, longueur raisonnable — puis l'enregistre ou la renvoie.
6. Le front-end affiche le résultat, en diffusant le texte au fur et à mesure pour les réponses plus longues.

La clé reste sur le serveur à l'étape 4 et n'atteint jamais le navigateur. Si la notion d'API est nouvelle, qu'est-ce qu'une API en donne une présentation rapide, et comment utiliser les API de LLM explique plus en détail les tokens, les modèles et les clés.

Choisir un fournisseur et un modèle

Les grands fournisseurs — OpenAI, Anthropic, Google et d'autres — proposent tous des API de texte aux structures assez comparables. Questions utiles pour choisir :

• Qualité sur votre tâche. Testez quelques exemples réels de votre app sur deux ou trois modèles. Les différences sont souvent plus claires sur vos données que sur les benchmarks généraux.
• Taille et coût. Les fournisseurs proposent des modèles plus grands et plus performants, et des modèles plus petits, moins chers et plus rapides. La classification et l'extraction simple fonctionnent souvent très bien sur un petit modèle ; un raisonnement long ou une rédaction nuancée peut exiger un modèle plus grand.
• Sortie structurée. Pour l'extraction et la classification, privilégiez la fonctionnalité d'API qui fait renvoyer au modèle un JSON conforme à un schéma que vous fournissez, plutôt que d'analyser du texte libre.
• Traitement des données. Lisez les conditions du fournisseur sur la conservation des entrées API et leur utilisation éventuelle pour l'entraînement, et vérifiez si cela convient aux données que vos utilisateurs vous confient.
• Limites. Les nouveaux comptes ont souvent des limites de débit plus basses ; vérifiez-les avant un lancement.

Les noms de modèles et les prix changent souvent. Le code doit donc lire le nom du modèle depuis la configuration plutôt que de le coder en dur à plusieurs endroits.

Ajouter une fonctionnalité, étape par étape

Prenons un exemple concret : un petit CRM où chaque contact possède un long historique de notes.

1. Stockez la clé. Créez une clé dans le tableau de bord de votre fournisseur et enregistrez-la comme secret côté serveur, par exemple OPENAI_API_KEY ou ANTHROPIC_API_KEY.

2. Demandez une fonctionnalité précise :

Ajoute un bouton « Résumer » sur la page du contact. Côté serveur, envoie les 20 dernières notes du contact à [FOURNISSEUR] en utilisant le secret [NOM_VARIABLE], avec des instructions pour écrire trois puces : statut actuel, questions ouvertes, prochaine étape. N'inclus que les notes que l'utilisateur connecté peut voir. Affiche un état de chargement, enregistre le résumé avec un horodatage, et affiche « Impossible de résumer pour le moment » si l'appel échoue. N'envoie jamais la clé au navigateur.

3. Ajoutez l'extraction là où elle fait gagner du temps de saisie :

Quand un utilisateur colle une signature d'e-mail dans la case « Ajout rapide », appelle [FOURNISSEUR] côté serveur et renvoie un JSON avec le nom, l'entreprise, le poste, l'e-mail et le téléphone, en utilisant la fonctionnalité de sortie structurée du fournisseur. Valide le JSON côté serveur, pré-remplis le formulaire de nouveau contact avec ces données, et laisse l'utilisateur modifier avant d'enregistrer. Laisse les champs vides plutôt que de deviner.

« Laisser l'utilisateur modifier avant d'enregistrer » est l'élément essentiel : le modèle propose, la personne décide.

4. Classez en arrière-plan :

Quand un nouveau ticket de support arrive, classe-le dans exactement une de ces catégories : facturation, bug, demande de fonctionnalité, accès au compte, autre. Utilise un petit modèle peu coûteux. Si la réponse ne correspond à aucune de ces étiquettes, enregistre « autre ». Affiche l'étiquette comme un tag modifiable.

5. Testez avec des données réelles et désordonnées — notes longues, notes vides, autres langues, signature sans numéro de téléphone — et examinez vingt résultats côte à côte avant la mise en production.

Rédiger des instructions efficaces

Les instructions envoyées avec chaque requête (souvent appelées prompt système) sont la source de la qualité.

• Précisez à qui cela s'adresse et ce qui est attendu. « Les résumés sont lus par un commercial en 10 secondes avant un appel » donne au modèle un objectif.
• Fixez le format. Nombre exact de puces, limite de longueur, champs, étiquettes.
• Indiquez quoi faire en cas de doute. « Si les notes ne mentionnent pas de prochaine étape, écris “Aucune prochaine étape enregistrée”. » Cela réduit les réponses inventées.
• Donnez deux ou trois exemples d'entrées et de sorties correctes pour l'extraction et la classification.
• Séparez les instructions du contenu utilisateur, et identifiez clairement ce contenu, afin que le modèle puisse les distinguer.

Conservez les prompts dans des fichiers de votre code pour qu'ils soient versionnés et relisibles comme tout autre code.

Maîtriser les coûts

Les API de LLM facturent à la token — de petits morceaux de texte — à la fois pour ce que vous envoyez et pour ce qui revient. Le coût augmente avec la quantité de contexte par requête, multipliée par la fréquence d'exécution. Contrôles pratiques :

• N'envoyez que le nécessaire. Les 20 dernières notes, pas tout l'historique. Raccourcissez ou découpez les longs documents.
• Utilisez le plus petit modèle capable de faire le travail. Testez avant de prendre par défaut le plus grand.
• Limitez la longueur des réponses avec le paramètre de nombre maximal de tokens de l'API.
• Mettez les résultats en cache. Stockez un résumé et ne le régénérez que lorsque la source change, au lieu de le faire à chaque affichage de page.
• Limitez par utilisateur. Un plafond quotidien par compte ou par forfait empêche un utilisateur très actif, ou un script, de faire exploser la facture.
• Limitez le débit de l'endpoint comme toute autre route coûteuse.
• Définissez un budget ou une alerte dans le tableau de bord du fournisseur, et suivez l'usage chaque semaine après le lancement.
• Enregistrez la consommation de tokens par fonctionnalité pour savoir ce que coûte chacune.

Si les fonctionnalités d'IA sont au cœur de votre produit, intégrez leur coût de fonctionnement dans vos tarifs plutôt que de l'absorber.

Sécurité et confiance

Les résultats de l'IA sont probabilistes. Ils peuvent être faux tout en paraissant sûrs d'eux, et le texte qu'ils lisent peut les orienter. Concevez en conséquence :

• Considérez les résultats comme des entrées non fiables. Validez la structure, échappez-les avant de les afficher en HTML, et ne les exécutez jamais comme du code ou des requêtes de base de données.
• Gardez un humain dans la boucle pour tout ce qui a des conséquences — envoyer un e-mail, modifier un enregistrement, rembourser un paiement. Le modèle rédige ; une personne confirme.
• Protégez-vous contre l'injection de prompt. Un document ou un message peut contenir un texte du type « ignore tes instructions ». Limitez ce que le modèle peut voir à ce que l'utilisateur courant a le droit de voir, et ne lui donnez pas d'outils capables d'actions sensibles sans que votre code vérifie d'abord les permissions.
• Signalez le contenu généré par l'IA pour que les utilisateurs sachent qu'un résumé ou une suggestion a été généré et puissent le vérifier.
• Gérez les pannes avec élégance. Les fournisseurs connaissent des pannes et des limites de débit. Prévoyez un délai d'attente, affichez un message clair, et laissez le reste de l'app fonctionner.
• Surveillez ce que les utilisateurs envoient. Pour les champs de texte libre, envisagez une étape de modération et soyez clair dans votre politique de confidentialité sur le fait que le contenu est traité par un fournisseur d'IA tiers.

La liste complète des contrôles figure dans la checklist de sécurité pour les apps créées avec l'IA.

Erreurs courantes

• Commencer par un chatbot généraliste alors qu'un simple bouton « Résumer » ou « Catégoriser » aiderait davantage de personnes.
• Mettre la clé dans le code front-end ou dans un dépôt public.
• Envoyer toute la base comme contexte, ce qui est lent, coûteux et risque d'exposer les données d'autres utilisateurs.
• Faire confiance à une sortie en texte libre alors qu'un schéma ou une liste fixe d'étiquettes permettrait de la vérifier.
• Aucune limite par utilisateur, découverte à l'arrivée de la première facture.

Ajouter des fonctionnalités d'IA avec Mythex

Dans Mythex, vous ajoutez l'IA dans votre propre app en la demandant dans le chat, avec votre propre clé de fournisseur. Stockez la clé comme secret de projet — lorsque l'agent en a besoin, Mythex affiche une carte de secrets dans le chat, afin que vous n'ayez pas à coller la clé dans la conversation — et l'agent écrit la route serveur, les prompts et l'interface. L'usage d'IA de votre app est facturé par votre fournisseur, séparément des crédits Mythex que vous dépensez pour créer. La documentation propose un prompt de départ dans ajouter des fonctionnalités d'IA avec vos propres clés API.

Questions