Capstone : un vrai workflow ChatGPT de bout en bout
Cette leçon construit un système réaliste de bout en bout. Il s'agit d'un assistant de support client pour une petite société SaaS. Il répond à partir d'une base de connaissances, récupère en direct les données de commandes et de comptes, transmet les tickets difficiles à un humain et envoie chaque lundi par e-mail un rapport de santé hebdomadaire au fondateur. Vous connaissez déjà chacune des briques séparément. Cette leçon porte sur leur assemblage et, surtout, sur la façon de **choisir *quelle* brique utiliser à quel endroit**.
Le scénario et les contraintes
« SupportBot » doit faire quatre choses :
- Répondre aux questions produit à partir de la documentation interne.
- Consulter l'abonnement en cours d'un client et ses tickets récents.
- Passer la main à un humain quand la confiance est faible ou que le client est en colère.
- Produire un rapport hebdomadaire sur le volume de tickets, le temps de résolution et les principaux problèmes.
Les contraintes qui guident chaque décision : l'équipe compte deux personnes, la documentation change chaque semaine, et les données clients sont dans une base Postgres et dans Zendesk. Elles orientent vers des surfaces différentes selon les tâches.
Décision 1 : Custom GPT ou APIAPIApplication Programming Interface : une interface standardisée qui permet aux applications de communiquer et d'échanger des données sans connaître leur fonctionnement interne respectif.Voir la définition complète → ?
C'est le choix d'architecture central, tranchez-le en premier.
Un Custom GPT (configuré sur chatgpt.com, partagé via le GPT Store, un lien privé ou votre workspace) est le bon endroit pour l'assistant *à usage interne*. Vos deux agents de support l'ouvrent dans ChatGPT, collent l'e-mail d'un client et obtiennent un brouillon de réponse fondé sur votre documentation. Pas d'hébergement, pas de code d'authentification. Votre API est accessible via les Actions.
L'API (la Responses API) est le bon endroit pour tout ce qui est exposé au client ou automatisé : le widget de votre site web, le job de rapport nocturne. Il vous faut un contrôle programmatique, votre propre authentification, des logs et la possibilité de tourner sans humain dans la boucle.
La réponse est donc : les deux, répartis par audience.
- Outil de rédaction pour les agents : Custom GPT.
- Widget du site et rapport planifié : API.
Ne forcez pas une seule surface à tout faire. Le Custom GPT est votre voie rapide ; l'API est votre voie durable.
Décision 2 : Comment la documentation alimente la réponse
La documentation change chaque semaine, la stratégie d'ancrage compte donc.
Côté ChatGPT, utilisez l'app Google Drive (ChatGPT a renommé les « connectors » en « apps » fin 2025) pour relier le dossier actif où l'équipe tient sa documentation. ChatGPT interroge cette source au moment de la requête : une modification faite le lundi est visible le lundi. Charger des fichiers statiques dans la base de connaissances du GPT finirait par être obsolète et nécessiterait de nouveaux chargements. Consultez help.openai.com pour savoir quelles apps votre offre prend en charge et comment les administrateurs les contrôlent, car leur disponibilité dans les Custom GPTs varie selon l'offre.
Pour le widget adossé à l'API, c'est vous qui gérez la recherche. Soit vous faites tourner votre propre recherche vectorielle et transmettez les résultats dans le prompt, soit vous utilisez file search comme outil hébergé de la Responses API. Pour une équipe de deux personnes, le file search hébergé est le choix pragmatique, car il y a moins d'infrastructure à surveiller. Un cron hebdomadaire resynchronise la documentation dans le vector storevector storeUne vector database stocke les données sous forme de vecteurs numériques à haute dimension (embeddings) et retrouve les éléments par similarité plutôt que par correspondance exacte, ce qui rend possible la recherche sémantique et les applications d'IA.Voir la définition complète →.
Décision 3 : Données en direct via Actions ou function calling
L'assistant a besoin de getCustomer(email) et de getRecentTickets(customerId). C'est la même capacité, avec deux implémentations selon la surface.
Dans le Custom GPT, vous les exposez sous forme de GPT Actions : une spécification OpenAPI pointant vers votre API interne, avec l'authentification configurée dans le GPT builder. Le modèle décide quand les appeler.
Dans le widget API, les mêmes opérations deviennent du function calling avec des schémas stricts, de sorte que les arguments arrivent à chaque fois sous forme de JSON conforme au schémamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète →. Voici la définition de l'outil pour la Responses API :
from openai import OpenAI
client = OpenAI()
tools = [{
"type": "function",
"name": "get_customer",
"description": "Look up a customer's subscription and account status by email.",
"parameters": {
"type": "object",
"properties": {
"email": {"type": "string", "description": "Customer email address"}
},
"required": ["email"],
"additionalProperties": False
},
"strict": True
}]
response = client.responses.create(
model="gpt-5",
input="What plan is taylor@acme.com on, and is their account in good standing?",
tools=tools
)
print(response.output)strict: True est le point à retenir. Il garantit que les arguments du modèle respectent votre schéma, si bien que votre backend n'a jamais à parser défensivement un champ e-mail mal formé. Choisissez le modèle sur la page des modèles. Une variante plus petite comme gpt-5-mini suffit souvent pour des consultations et réduit le coût d'un widget très sollicité. Le guide du function calling couvre la boucle complète, y compris la façon de renvoyer le résultat de l'outil pour la réponse finale du modèle.
Les mêmes opérations OpenAPI servent à la fois vos GPT Actions et vos outils de function calling. Écrivez l'API une fois, exposez-la deux fois.
Décision 4 : L'escalade et la frontière du human-in-the-loop
Ne laissez jamais un bot de support garantir un remboursement ou clôturer un ticket de lui-même. Construisez un outil d'escalade explicite, escalate_to_human(reason, urgency), et demandez au modèle de l'appeler quand le client est mécontent, demande de l'argent, ou quand la documentation ne couvre pas la question.
Faites de l'escalade un outil à part entière, avec son propre schéma strict. Lorsqu'il est appelé, votre code place la conversation dans une file Zendesk et indique au client qu'un humain s'en occupe. « Le bot s'est trompé » devient « le bot connaissait ses limites », et c'est ce qui sépare un assistant utile d'un risque.
Décision 5 : Où le modèle orchestre, où votre code orchestre
Avec plusieurs outils et une logique en plusieurs étapes (consulter le client, vérifier les tickets, décider de répondre ou d'escalader), vous avez plusieurs options :
- Laisser le modèle orchestrer via la boucle d'outils de la Responses API. Simple, adapté aux flux linéaires.
- Utiliser l'Agents SDK quand vous voulez des agents typés, des handoffs entre agents spécialisés (un « agent facturation » et un « agent technique »), des guardrailsguardrailsRègles et contrôles qui maintiennent un système d'IA dans des limites sûres, légales et conformes à la marque, en bloquant les sorties et actions hors cadre.Voir la définition complète → et du tracing. Pour le schéma escalade et handoff de SupportBot, l'Agents SDK se justifie, car les handoffs sont une primitive native.
- Utiliser AgentKit, lancé en octobre 2025. Agent Builder permet de construire visuellement le même workflow. ChatKit fournit une interface de chat intégrable, ce qui peut vous éviter de développer vous-même le front end du widget du site.
Le ChatGPT agent (l'agent multi-étapes de ChatGPT qui navigue et clique) est excellent pour des investigations ponctuelles du type « trouve tous les tickets ouverts qui mentionnent le nouveau bug de facturation ». Ce n'est pas là que vous faites passer le trafic de production. Utilisez ChatGPT agent pour l'exploration, et l'Agents SDK ou AgentKit pour le système déployé.
Décision 6 : Le rapport hebdomadaire
C'est là que Code Interpreter (analyse de données) donne toute sa mesure. Le rapport exige de vrais calculs : temps de résolution médian, variations de tickets d'une semaine sur l'autre, graphique des principales catégories de problèmes.
Vous avez deux options propres.
Option A : une tâche planifiée dans ChatGPT. Les tâches ChatGPT exécutent un prompt selon un calendrier récurrent et vous notifient le résultat. Les tâches s'exécutent depuis une conversation ChatGPT classique, pas depuis un Custom GPT. Mettez les instructions dans la tâche elle-même, par exemple : « Chaque lundi à 8 h, résume les tickets de la semaine dernière à partir de l'export Zendesk de mon Project, calcule les statistiques de résolution et signale les trois principaux problèmes. » C'est l'option la moins coûteuse en effort, sans code à héberger, mais vérifiez quels outils une tâche peut utiliser avec votre offre.
Option B : un job API sur votre propre cron. Un petit script interroge Postgres, transmet les lignes au modèle avec l'outil Code Interpreter pour faire les calculs et générer un graphique, puis envoie le résultat par e-mail. Vous gagnez en contrôle, et le tout est versionné et testable. Choisissez cette option quand le rapport alimente un traitement en aval ou que le fondateur a besoin du même format à chaque fois.
Pour une équipe de deux personnes, commencez par l'option A. Passez à l'option B quand le rapport devient critique ou quand il doit récupérer des données en direct sans intervention.
Vérification des acquis
1. Dans la conception de SupportBot, pourquoi choisit-on un Custom GPT plutôt que l'API pour l'outil de rédaction destiné aux agents ?
2. La leçon conclut que la réponse à « Custom GPT ou API ? » est « les deux ». Quel principe guide cette répartition ?
3. Puisque la documentation change chaque semaine, pourquoi la leçon préfère-t-elle relier un dossier Google Drive actif via les Connectors plutôt que charger des fichiers statiques dans la base de connaissances du GPT ?
4. Sélectionnez TOUTES les tâches du scénario SupportBot pour lesquelles l'API convient mieux que le Custom GPT.
Sélectionnez toutes les réponses correctes.
5. Sélectionnez TOUTES les contraintes qui, selon la leçon, doivent guider les décisions d'architecture de SupportBot.
Sélectionnez toutes les réponses correctes.
Assembler les surfaces
Voici la vue d'ensemble, surface par surface :
| Tâche | Surface | Pourquoi |
|---|---|---|
| Rédaction des réponses par les agents | Custom GPT + apps + Actions | Rapide, sans hébergement, documentation à jour |
| Widget de chat du site web | Responses API + file search + function calling (ChatKit pour l'interface) | Programmatique, maîtrise de l'authentification et des logs |
| Routage multi-agents et escalade | Agents SDK ou Agent Builder | Handoffs et guardrails intégrés |
| Rapport hebdomadaire | Tâche ChatGPT (au départ), puis API + Code Interpreter (à l'échelle) | De vrais calculs selon un calendrier |
Une seule API backend sert les consultations, exposée en Actions au GPT et en outils de fonction à l'API. Une seule source documentaire (le dossier Drive) alimente à la fois l'app ChatGPT et la synchronisation du file search. Vous ne construisez pas quatre systèmes. Vous construisez deux points d'intégration, votre API et votre documentation, et vous y branchez plusieurs surfaces.
Mémoire, Projects et instructions
Quelques fonctionnalités de ChatGPT améliorent discrètement l'outil destiné aux agents :
- Placez les règles de ton de SupportBot, la politique d'escalade et la règle « toujours citer la documentation » dans les instructions du Custom GPT, pas dans chaque prompt.
- Regroupez le travail de support de l'équipe dans un Project afin que conversations, fichiers et instructions restent rassemblés, séparés de leurs autres usages de ChatGPT.
- Désactivez la mémoire pour le support. Vous ne voulez pas qu'elle transporte des hypothèses d'un client à un autre sans rapport. La mémoire est très utile pour un assistant personnel et risquée pour un outil de support partagé.
Un mot sur Canvas et Codex
Pour rédiger les modèles de rapport ou le texte des e-mails, Canvas est une meilleure surface d'édition que le chat, car vous itérez directement sur le document. Le travail d'implémentation (le script Responses API, la spécification OpenAPI, le cron) est exactement ce à quoi sert Codex. Utilisez-le pour poser la structure de la boucle de function calling et de la requête Postgres, puis relisez chaque ligne avant qu'elle ne touche aux données clients.
Les modes de défaillance à anticiper
Avant de livrer, décidez à l'avance de ce qui se passe quand quelque chose casse :
- L'API de consultation est indisponible. Votre fonction doit renvoyer un objet d'erreur clair, et les instructions du modèle doivent préciser « si une consultation échoue, escalade plutôt que de deviner ».
- Le modèle invente une politique. Limitez-le à répondre uniquement à partir de la documentation récupérée. Si la recherche ne renvoie rien de pertinent, il doit le dire et escalader.
- Rate limits ou pics de coût. Enregistrez la consommation de tokenstokensUn token est l'unité de base de texte que traitent les modèles de langage : le plus souvent un fragment de mot, un mot entier ou un signe de ponctuation, plutôt qu'un simple caractère.Voir la définition complète → par conversation. Le widget du site est votre surface sans plafond : limitez la longueur des conversations et prévoyez un repli vers un handoff humain.
Concevez tout cela sur papier d'abord. C'est moins cher à décider maintenant qu'à déboguer en production.
Points clés
- Répartissez par audience, pas par fonctionnalité. Un Custom GPT sert votre équipe interne (rapide, sans hébergement). La Responses API gère les flux exposés aux clients et automatisés (contrôle, logs, authentification).
- Construisez le backend une fois et exposez-le deux fois. Les mêmes opérations OpenAPI alimentent vos GPT Actions et vos outils de function calling, et un seul dossier de documentation alimente à la fois l'app ChatGPT et le file search.
- Faites de l'escalade un outil à part entière avec un schéma strict. Demandez au modèle d'escalader en cas d'échec ou de faible confiance plutôt que de deviner.
- Commencez par la surface la moins coûteuse en effort et passez à la suivante quand la tâche devient critique. Une tâche ChatGPT peut produire les premiers rapports hebdomadaires. Un cron API + Code Interpreter prend le relais quand le rapport alimente un traitement en aval.
- Tournez-vous vers l'Agents SDK ou AgentKit quand vous avez besoin de handoffs, de guardrails, de tracing ou d'une interface de chat prête à l'emploi. Réservez ChatGPT agent à l'exploration, pas au trafic de production.
À faire, tiré de cette leçon
Ces actions sont compilées dans le plan d'action du rôle.
- Confiez au modèle la seule génération ; collectez, validez et livrez dans le code