« AI Native » est un terme en vogue dont le sens varie selon les interlocuteurs. Cette page en propose une définition exploitable, une méthode d'évaluation et une liste d'auto-diagnostic en cinq questions.
L'AI Native décrit la façon dont les processus métier fonctionnent, sans rapport direct avec le nombre d'outils IA que l'équipe a achetés. Pour déterminer si une équipe est AI Native, vérifiez les trois comportements ci-dessous.
Les processus métier s'exécutent automatiquement de façon planifiée ou déclenchés par des événements ; les humains n'agissent plus étape par étape et se chargent seulement de valider les actions critiques et de traiter les exceptions.
Ce qu'a fait chaque étape, ses entrées et sorties, le coût engagé : tout est consultable après coup point par point, et en cas de problème on peut remonter à l'étape précise.
Le processus est écrit sous forme d'une définition partagée qu'un nouveau collègue peut comprendre, reprendre et modifier ; il n'est pas enfermé dans l'historique de conversation d'une personne.
Menez chacune de ces deux hypothèses une fois et comparez laquelle a le plus grand impact sur l'activité.
Supposons que l'on retire le compte de messagerie du collègue qui maîtrise le mieux l'IA dans l'équipe. Résultat courant : l'efficacité de ce collègue baisse, mais l'activité elle-même continue normalement.
Supposons que la plateforme de workflows utilisée par l'équipe soit arrêtée une journée. Si les rapports du matin ne sont plus envoyés, si les modifications en attente de validation s'accumulent et si toutes les tâches planifiées sont à l'arrêt, c'est que les processus métier tournent déjà sur l'IA.
La différence entre ces deux expériences est celle qui sépare « utiliser l'IA » et l'AI Native : un compte de messagerie est un outil personnel, dont le retrait n'affecte que l'efficacité d'une seule personne ; une plateforme de workflows porte les processus métier, et son arrêt affecte la production de toute l'équipe.
Plus vous répondez « oui », plus vous êtes proche de l'AI Native ; une majorité de « non » indique que l'IA en reste au stade de l'outil personnel.
Couper une journée la plateforme d'automatisation utilisée par l'équipe affecterait-il des processus métier ?
Pouvez-vous retrouver le chiffre précis de ce que l'IA a coûté le mois dernier sur un processus donné ?
Avant que l'IA ne modifie un budget, publie du contenu ou écrive des données en production, y a-t-il une étape de validation humaine obligatoire ?
Lorsqu'une exécution de l'IA produit un résultat erroné, pouvez-vous remonter à l'étape fautive et consulter les entrées et sorties de ce moment-là ?
Si le collègue qui a conçu le processus part deux semaines en congé, les autres peuvent-ils le comprendre et le modifier en toute confiance ?
La différence de traitement d'une même tâche selon les deux façons de travailler.
| Dimension | Équipe qui utilise l'IA | Équipe AI Native |
|---|---|---|
| Point d’entrée des capacités | La fenêtre de conversation propre à chacun | Une plateforme de workflows partagée par l'équipe, où chaque processus a un nom et une définition |
| Conservation du savoir-faire | Les prompts efficaces sont enregistrés dans les favoris personnels | Les prompts sont inscrits dans la définition du workflow, et toute l'équipe utilise la même version |
| Gestion des échecs | Relancer à la main et réessayer en reformulant la question | Consulter la trace d'exécution pour localiser l'étape fautive et relancer à partir de là |
| Vérification | En cas de problème, fouiller dans l'historique de conversation | Chaque exécution a un journal, et les modifications critiques ont un enregistrement de validation |
| Calcul des coûts | Consulter une facture d'abonnement globale en fin de mois | La consommation de token et le coût de chaque exécution sont enregistrés point par point |
| Mode de passage à l’échelle | Recruter une personne de plus qui sait utiliser l'IA | Dupliquer un workflow et changer les paramètres pour faire tourner une deuxième activité |
Sous chaque point figure le mécanisme correspondant chez Braidrun, que vous pouvez vérifier un à un après inscription.
Un processus qui n'existe que dans les habitudes de travail d'une personne ne peut être ni revu ni transmis. Il lui faut une définition que toute l'équipe peut ouvrir.
Chaque workflow est une définition YAML, avec synchronisation bidirectionnelle entre canevas et code ; 8 types d'étapes couvrent l'Agent unique, le code, le classifieur, la discussion multi-Agent, la machine à états et le sous-workflow.
L'IA peut se tromper. Les actions comme modifier un budget, publier du contenu ou écrire des données en production doivent s'arrêter avant exécution pour attendre une confirmation humaine ; cette étape de confirmation doit être inscrite dans la définition du processus pour ne pas être contournée.
Une étape manual_approval met l'exécution en pause et notifie le valideur via l'App, par e-mail ou par API ; en cas d'approbation elle se poursuit, en cas de refus ou de dépassement du délai elle s'arrête et rien n'est modifié en production. Les valeurs du formulaire de validation peuvent être modifiées directement, par exemple pour réduire l'enchère proposée par l'IA avant d'approuver.
La sortie de l'IA peut varier d'une fois à l'autre. En cas de problème, il faut pouvoir répondre : quelle étape a échoué, quelles étaient ses entrées et sorties, et combien cette exécution a coûté.
Chaque exécution dispose d'une chronologie qui enregistre étape par étape les journaux, la consommation de token et le coût ; le déroulement de l'exécution peut être exporté en JSON ou YAML ; après un échec, la relance peut repartir d'une étape donnée et les étapes LLM déjà terminées ne sont pas refacturées.
Les modèles évoluent vite, et un choix pertinent aujourd'hui peut changer dans six mois. La définition du processus et le modèle doivent être séparés : lors d'un changement de modèle, le processus lui-même n'a pas à être réécrit.
Utilisez votre propre API Key de modèle, avec la prise en charge de plus de 15 fournisseurs ainsi que d'Ollama et LM Studio en local ; au sein d'un même workflow, chaque Agent peut être configuré avec un modèle différent ; les identifiants sont stockés chiffrés en AES-256-GCM et le déploiement privé est pris en charge.
Découvrez comment la plateforme met en œuvre les quatre exigences énoncées sur cette page : définition du processus, contrôle par validation, traçabilité de l'exécution et choix du modèle.
Une équipe d'application par abonnement gère Apple Search Ads par workflows : l'IA passe en revue un par un jusqu'à 5 000 mots-clés, l'humain ne validant que les changements d'enchère.
Le palier gratuit démarre à partir de modèles, et le mode demo permet d'exécuter votre premier processus sans brancher d'identifiants.