23 octobre 2026Mis à jour le Fathy Shalaby14 min de lecture
Cadre de décision IA : fixer des limites avant que l'IA n'agisse
L'IA ne se contente plus de rédiger des réponses : elle prend de petites décisions au cœur de vrais workflows. Voici les sept éléments du contrat de décision que les équipes produit devraient rédiger avant qu'une décision d'IA n'atteigne un utilisateur ou un système.
Un cadre de décision IA est l'ensemble des règles qu'une équipe produit rédige avant qu'un système d'IA ne classe, n'achemine, ne note ou ne choisisse la prochaine action au sein d'un workflow. Il définit sept éléments : le résultat visé, la question exacte, les réponses permises, les preuves que le modèle peut utiliser, le seuil à partir duquel il agit seul, le relais humain et la trace conservée ensuite.
L'essentiel
Les décisions d'IA sont désormais une brique prête à l'emploi. L'API Decisions d'OpenAI, disponible en général depuis le 22 octobre 2026, renvoie une probabilité, un choix parmi des options fixes ou un score selon une grille (OpenAI, 2026).
Une réponse structurée n'est pas une décision produit. Selon la documentation d'OpenAI elle-même, c'est votre application qui exécute l'action choisie par la réponse, et les seuils doivent être fixés à partir d'exemples annotés et du coût des faux positifs et des faux négatifs.
La réversibilité devrait déterminer le niveau d'autonomie. La distinction d'Amazon entre décisions à sens unique et décisions réversibles est un repère pratique (Amazon, 2015).
La relecture humaine est plus fragile qu'il n'y paraît. Dans une méta-analyse intégrée à une revue de 74 études, un mauvais conseil d'un système d'aide à la décision a augmenté de 26 % le risque de décision erronée (Goddard et al., 2012).
Selon l'article 22 du RGPD, les personnes ont le droit de ne pas faire l'objet d'une décision fondée exclusivement sur un traitement automatisé produisant des effets juridiques ou les affectant de manière significative (EUR-Lex).
Qu'est-ce qui a changé avec les décisions d'IA bornées ?
Jusqu'à récemment, l'IA dans les produits rédigeait surtout : une réponse de chat, un résumé, un brouillon. Aujourd'hui, elle décide de plus en plus : si une demande entre dans le périmètre, dans quelle file elle doit aller, quelle est la gravité d'un problème, si un agent doit continuer ou demander de l'aide.
OpenAI l'a rendu explicite avec son API Decisions, lancée en bêta le 6 octobre 2026 et disponible en général depuis le 22 octobre 2026. Le développeur fournit les preuves et les questions ; l'API renvoie des réponses typées () :
Vérifier une condition, par exemple des dégâts visibles
Une probabilité de 0 à 1 que la condition soit vraie
Choice
Choisir une option dans une liste que vous fournissez
L'une de vos valeurs, avec des probabilités et un champ de confiance
Score
Évaluer une entrée selon des niveaux ordonnés, par exemple la gravité
Un score pondéré par les probabilités sur l'ensemble des niveaux
Elle accepte du texte, des images et du JSON, traite jusqu'à 400 questions par requête (200 pendant la bêta) et est décrite comme environ 10 fois plus rapide que l'API Responses d'OpenAI. Les entrées non mises en cache coûtent 0,10 $ par million de tokens et les tokens de sortie ne sont pas facturés.
Les décisions d'IA deviennent ainsi une primitive composable, comme la recherche ou les notifications. La difficulté se déplace aussi : le modèle est devenu plus facile à appeler, mais la politique qui l'encadre n'est pas devenue plus facile à écrire. La vraie question produit n'est pas de savoir si le modèle peut décider vite. C'est de savoir ce qu'est exactement la décision, quelles preuves peuvent l'influencer et ce qui se passe quand le système doute.
Pourquoi une réponse bornée peut-elle masquer une politique sans limites ?
Imaginez un workflow de support avec trois sorties possibles :
résoudre automatiquement
demander plus d'informations
transmettre à un humain
Ces options semblent bornées. La politique qui les sous-tend reste pourtant floue tant que l'équipe n'a pas répondu à quelques questions de suivi :
Qu'est-ce qui constitue une information suffisante ?
Quelles actions sont réversibles ?
Quels comptes clients ou types de problèmes sont exclus ?
Une réponse à faible confiance est-elle toujours escaladée ?
Que voit le relecteur avant d'approuver ?
Comment saurons-nous si la règle d'escalade est trop agressive ou trop laxiste ?
Le modèle peut renvoyer un choice propre. Le produit reste responsable des conséquences de ce choix. La documentation d'OpenAI le dit elle-même : l'API renvoie des réponses typées, et votre application exécute les actions que ces réponses sélectionnent.
Cela compte encore plus dans le développement produit. « Construire la fonctionnalité », « lancer l'expérience » et « ignorer la demande » ne sont pas des sorties de modèle hors contexte. Ce sont des décisions qui engagent des utilisateurs, des ressources, un coût d'opportunité et des engagements futurs.
Comment rédiger un contrat de décision pour un workflow d'IA ?
Utilisez ce modèle en sept parties avant de relier une décision d'IA à un quelconque effet de bord. C'est le cœur du cadre de décision IA.
1. Nommer le résultat
Partez du résultat pour l'utilisateur ou l'entreprise, pas de la tâche du modèle.
Faible : « Classer les retours. »
Mieux : « Acheminer les retours pour que l'équipe puisse décider si un problème d'onboarding mérite un test. »
Le résultat évite que l'équipe n'optimise un indicateur de substitution sans valeur produit.
2. Écrire la question en une phrase
La question doit pouvoir être tranchée avec le contexte disponible et ne pas cacher plusieurs décisions en une seule.
Faible : « Est-ce une fonctionnalité de valeur que nous devrions construire ? »
Mieux : « Les preuves disponibles justifient-elles de lancer une expérience d'onboarding avant d'engager du temps d'ingénierie ? »
La seconde version sépare la collecte de preuves de l'engagement à construire.
3. Définir les réponses permises
Donnez à chaque réponse un sens compréhensible par une personne, et une étape suivante.
Réponse
Signification
Étape suivante
Lancer un test
Les preuves suffisent pour une expérience réversible
Définir le plus petit test et la mesure de succès
Rassembler des preuves
Le signal est plausible mais incomplet
Préciser les preuves manquantes et un responsable
Ne pas poursuivre pour l'instant
Les preuves actuelles ne soutiennent pas l'opportunité
Consigner la raison et un déclencheur de réexamen
Autre / pas clair
Le cas ne correspond à aucune option
Envoyer dans une file de relecture générale
Ne laissez pas « oui » signifier à la fois « lancer un test » et « livrer la fonctionnalité » : ce sont deux niveaux de risque différents. OpenAI recommande d'inclure une option de repli comme « autre » lorsque les catégories ne couvrent pas toutes les entrées, et d'envoyer ces cas en relecture.
4. Fixer la frontière des preuves
Notez ce que le système peut utiliser : citations de clients et conversations de support, données d'usage du produit, thèmes d'entretiens, historique de livraison, éléments de marché, et la fenêtre de temps qui compte.
Notez aussi ce qu'il ne doit pas supposer en silence. Un modèle ne devrait pas transformer une prémisse non vérifiée en fait produit parce qu'elle figurait dans un prompt. Quand les preuves sont minces, la bonne réponse est souvent « rassembler des preuves », et c'est pourquoi cette option existe.
5. Fixer le seuil selon le coût de l'erreur
La confiance n'est pas l'exactitude. OpenAI conseille d'utiliser des exemples annotés issus de votre propre application pour fixer les seuils de routage, de filtrage ou de relecture, et de les choisir en fonction du coût des faux positifs et des faux négatifs.
Une action automatique peut être raisonnable quand elle est peu risquée, réversible et facile à contrôler. Exigez une relecture humaine quand l'action modifie l'accès d'un client, de l'argent, un engagement de roadmap ou un enregistrement durable. Le seuil est une décision produit, pas un réglage du modèle. L'exemple détaillé ci-dessous montre comment en choisir un.
6. Concevoir le relais
« Human in the loop » n'est pas un workflow complet. Précisez ce que reçoit le relecteur :
la réponse proposée
les preuves qui l'ont influencée
l'incertitude ou le contexte manquant
les alternatives envisagées
l'action exacte en attente d'approbation
Le relecteur ne devrait pas avoir à reconstruire le dossier de zéro, sinon le système n'a fait que déplacer le travail. Pour le côté utilisateur, c'est-à-dire quand le produit lui-même doit demander, agir ou s'arrêter, voir le contrat de relais de l'IA.
7. Garder la trace
Consignez la question, le contexte, la réponse, les preuves, le relecteur et le résultat. C'est la différence entre une action d'IA et une décision produit contrôlable. Quand l'équipe découvre plus tard qu'une décision était mauvaise, la trace montre si la cause était des preuves manquantes, une grille défaillante, une option floue ou un mauvais seuil. Un modèle de journal de décisions produit convient très bien, même sans outil dédié.
Comment choisir un seuil de confiance ? Un exemple chiffré
Les chiffres sont illustratifs, pas un benchmark. Supposons qu'une équipe SaaS de 6 personnes veuille qu'un système d'IA achemine les tickets de support entrants vers l'une de quatre files, en envoyant tout ce qui est incertain à une personne. Elle annote à la main 500 anciens tickets, les passe dans le modèle et regarde ce qui se passerait avec différents seuils de confiance :
Seuil d'acheminement automatique
Acheminés automatiquement
Mauvaise file parmi les tickets acheminés
Laissés à une personne
Coût total
0,95
240 (48 %)
1 % (environ 2)
260
environ 570 minutes
0,85
355 (71 %)
3 % (environ 11)
145
environ 510 minutes
0,70
430 (86 %)
8 % (environ 34)
70
environ 820 minutes
La colonne des coûts chiffre les erreurs. L'équipe estime qu'un ticket mal acheminé coûte environ 20 minutes de retard et de transferts, et qu'un ticket laissé à une personne coûte environ 2 minutes de tri. À 0,85, 11 erreurs d'acheminement coûtent 220 minutes et 145 tris manuels en coûtent 290. À 0,70, 34 erreurs coûtent 680 minutes pour n'économiser que 150 minutes de tri. Le seuil de 0,85 l'emporte.
Ajoutez ensuite les règles que le tableau ne peut pas saisir. Les comptes entreprise et tout ce qui mentionne la facturation vont toujours à une personne, quel que soit le score. L'équipe revérifie le seuil chaque mois sur 50 tickets fraîchement annotés, car la composition des entrées dérive.
Quelles décisions d'IA nécessitent une relecture humaine ?
Combinez réversibilité et conséquence. Jeff Bezos décrivait les décisions lourdes de conséquences et irréversibles comme des portes à sens unique qui méritent une délibération lente et soigneuse, et les décisions réversibles comme des portes à double sens qui doivent être prises vite par des individus ou de petits groupes (Amazon, 2015). L'année suivante, il a ajouté que la plupart des décisions devraient être prises avec environ 70 % des informations que l'on aimerait avoir (Amazon, 2016).
Appliqué à l'IA, cela donne une échelle d'autonomie :
Type de décision
Exemple
Autonomie suggérée
Réversible, faible conséquence
Étiqueter un retour, acheminer un ticket, suggérer un label
Agir automatiquement, journaliser, relire par échantillon chaque semaine
Réversible, conséquence modérée
Rédiger une réponse, ouvrir un ticket, planifier une expérience
Agir, puis prévenir un responsable qui peut annuler
Difficile à inverser ou coûteux
Changer les prix, envoyer aux clients, engager du temps de roadmap
Proposer seulement ; une personne nommée approuve
Effet significatif sur une personne
Accès, crédit, emploi, résiliation de compte
Décision humaine ; vérifier d'abord les obligations légales
La dernière ligne a un poids juridique en Europe. L'article 22 du RGPD donne aux personnes le droit de ne pas faire l'objet d'une décision fondée exclusivement sur un traitement automatisé qui produit des effets juridiques ou les affecte de manière significative, avec des exceptions limitées. Lorsqu'une exception s'applique, le responsable du traitement doit tout de même offrir au moins le droit d'obtenir une intervention humaine, d'exprimer son point de vue et de contester la décision (EUR-Lex). Pour savoir comment le règlement européen sur l'IA classe les fonctionnalités d'IA, consultez notre guide de classification des risques selon l'AI Act de l'UE. Pour la méthode générale sur la réversibilité, lisez la réversibilité comme exigence produit.
Pourquoi « human in the loop » ne suffit-il pas à lui seul ?
Parce que les gens s'en remettent aux machines. La revue systématique de Goddard, Roudsari et Wyatt, parue dans le Journal of the American Medical Informatics Association, a examiné 13 821 articles et en a retenu 74 sur le biais d'automatisation, c'est-à-dire la tendance à trop se fier aux conseils automatisés. Dans leur méta-analyse de quatre études, un mauvais conseil d'un système d'aide à la décision a augmenté de 26 % le risque de décision erronée (Goddard et al., 2012).
La même revue a constaté que la charge de travail, la complexité des tâches et la pression temporelle aggravaient la confiance excessive. Parmi les facteurs qui la réduisaient : la formation, l'accent mis sur la responsabilité de l'utilisateur, l'affichage de niveaux de confiance mis à jour, l'emplacement du conseil à l'écran et la fourniture d'informations plutôt que d'une simple recommandation.
Cela se traduit directement dans la conception du relais :
Montrez les preuves avant le verdict, pour que les relecteurs se forgent un avis avant de voir la réponse du modèle.
Montrez une confiance calibrée, pas une seule étiquette assurée.
Nommez le relecteur responsable sur chaque approbation.
Surveillez le temps de relecture. Si chaque approbation prend 3 secondes, on valide à la chaîne.
Semez de temps à autre des erreurs connues pour vérifier que les relecteurs les repèrent encore.
Les concepteurs d'agents font face au même problème à plus grande échelle. Les conseils d'Anthropic sur les agents recommandent de faire une pause pour obtenir un retour humain à des points de contrôle ou quand l'agent rencontre un blocage, d'ajouter des conditions d'arrêt comme un nombre maximal d'itérations, et de tester abondamment dans des environnements isolés, car les erreurs se cumulent (Anthropic, 2024).
Un workflow produit illustratif : la question de l'onboarding
Ce workflow est illustratif, pas un cas client rapporté. Une petite équipe entend sans cesse que les nouveaux utilisateurs sont perdus pendant l'onboarding. Elle pourrait demander à un système d'IA s'il faut construire une grosse refonte de l'onboarding, mais cette question est trop large et trop coûteuse pour être automatisée.
Un meilleur contrat de décision :
Résultat : améliorer l'atteinte de la première valeur sans s'engager trop tôt dans une grosse refonte.
Question : les preuves actuelles justifient-elles une petite expérience d'onboarding ?
Réponses permises : lancer un test, rassembler des preuves, ne pas poursuivre pour l'instant, ou autre.
Preuves : conversations de support récentes, notes d'entretiens, comportement d'activation et parcours d'onboarding actuel, sur les 60 derniers jours.
Seuil : toute recommandation qui modifie la roadmap est relue par le product owner, quelle que soit la confiance.
Trace : extraits de sources, inconnues, recommandation, responsable et mesure de suivi conservés ensemble.
L'IA peut organiser les preuves et formuler une recommandation bornée. Elle ne devrait pas la transformer discrètement en engagement de roadmap. C'est le juste milieu entre deux mauvais extrêmes : l'IA comme simple générateur de texte qui crée plus de tri à faire, et l'IA comme décideur autonome qui engage l'équipe sans relecture.
Comment les équipes produit devraient-elles évaluer une fonctionnalité de décision par IA ?
Quand un éditeur présente une démo rapide, posez ces cinq questions.
La décision est-elle vraiment bornée ?
Pouvez-vous lister toutes les sorties possibles ? Si la réponse est « ça dépend », demandez quelles dépendances sont explicites et lesquelles sont cachées dans le prompt ou le comportement du modèle.
Que coûte chaque erreur ?
Les faux positifs et les faux négatifs ne sont pas interchangeables. Envoyer un ticket peu risqué en relecture n'a rien à voir avec modifier l'accès d'un client ou engager un trimestre de travail d'ingénierie. Le guide du cadre d'évaluation de l'IA montre comment tester chaque type d'erreur séparément.
L'équipe peut-elle inspecter les preuves ?
Un score sans ses entrées est un nouveau genre de statut opaque. Le produit devrait rendre les preuves contrôlables sans prétendre que l'explication du modèle prouve la réponse.
L'action est-elle réversible ?
Commencez l'automatisation par des actions qui peuvent être annulées et dont les effets sont visibles. Gagnez une autonomie plus large par les preuves, pas par l'enthousiasme pour la démo.
Le système apprend-il des résultats ?
Si un relecteur contredit une recommandation, où cela est-il consigné ? Sans boucle de résultats, le workflow répète la même erreur, simplement avec une meilleure latence.
Erreurs fréquentes dans l'automatisation des décisions d'IA
Mélanger des décisions dans une seule question. « Devons-nous construire ça ? » regroupe valeur, coût et calendrier. Séparez-les.
Prendre le score de confiance pour de l'exactitude. Une confiance de 0,9 n'a de sens qu'après l'avoir confrontée à des cas annotés.
Fixer le seuil une seule fois. Les entrées dérivent ; revérifiez-le régulièrement sur de nouvelles annotations.
Une relecture de pure forme. Une approbation humaine qui prend 3 secondes n'est pas une supervision.
Pas d'option « autre ». Forcer chaque cas dans une catégorie connue cache les cas que vous n'aviez pas anticipés.
Automatiser d'abord une porte à sens unique. Commencez par des décisions réversibles et élargissez le périmètre à mesure que les traces montrent que cela fonctionne.
Où Specky intervient
Specky travaille sur la couche entre les signaux éparpillés et la prochaine décision produit. Il intègre dans un Product Graph les appels clients, les retours, Slack, Jira et les analytics, permet à une équipe d'inspecter les preuves derrière une question produit, et consigne le choix validé dans un Decision Log relié à la spec qui en découle et, après le lancement, au résultat du pari. La limite est voulue : le logiciel rédige et relie le travail ; ce sont les personnes qui décident de ce que les preuves permettent. La page des fonctionnalités de product intelligence montre comment cette piste est conservée.
Questions fréquentes
Qu'est-ce qu'un cadre de décision IA ?
Un cadre de décision IA est un contrat écrit pour toute décision automatisée dans un produit : le résultat qu'elle sert, la question exacte, les réponses permises, les preuves qu'elle peut utiliser, le seuil de confiance pour agir seule, le relais humain et la trace conservée. Il transforme une sortie de modèle en politique produit contrôlable.
Une sortie structurée suffit-elle à sécuriser une décision d'IA ?
Non. Une sortie structurée facilite le traitement de la réponse par le logiciel. La sécurité et l'utilité dépendent toujours de la question, de la frontière des preuves, du coût de chaque erreur, de la règle de relecture et de la réversibilité de l'action. La documentation Decisions d'OpenAI laisse l'action qui en découle à votre application.
Quand un système d'IA peut-il agir sans relecture humaine ?
Laissez d'abord l'IA agir seule sur des décisions peu risquées et réversibles, avec un jeu de réponses clair et un résultat visible, comme l'étiquetage ou l'acheminement. Exigez une relecture quand une action modifie l'accès d'un client, l'argent, des engagements de roadmap ou des enregistrements durables, ou touche significativement une personne, là où l'article 22 du RGPD peut s'appliquer.
Comment fixer un seuil de confiance pour les décisions d'IA ?
Annotez quelques centaines de cas réels, passez-les dans le modèle et comparez les taux d'erreur à plusieurs seuils. Chiffrez chaque type d'erreur, par exemple le coût d'une mauvaise action face à une relecture manuelle, et retenez le seuil au coût total le plus bas. Revérifiez-le régulièrement sur des cas fraîchement annotés.
Un relecteur humain supprime-t-il le risque d'erreurs d'IA ?
Pas à lui seul. Une revue systématique du biais d'automatisation a montré que les mauvais conseils de systèmes d'aide à la décision augmentaient de 26 % le risque de décisions erronées. On le réduit en montrant les preuves et la confiance, en nommant un relecteur responsable, en limitant la pression temporelle et en auditant la rapidité des approbations.
Une API de décisions d'IA remplace-t-elle le jugement produit ?
Non. C'est une primitive d'implémentation pour des décisions bornées dans une application. Le jugement produit définit toujours le résultat, les arbitrages, les seuils et le risque acceptable, et décide quelles décisions restent humaines. L'API facilite l'exécution d'une politique écrite ; elle ne l'écrit pas.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing