Le paysage des outils IA : APIs, no-code et bases de données vectorielles

Vous voulez construire un bot qui répond aux questions des clients à partir du manuel de procédures de 200 pages de votre entreprise. Vous pourriez passer trois semaines à le coder. Ou vous pourriez l'assembler en une après-midi avec des outils qui existent déjà. Toute l'astuce consiste à savoir quel outil fait quoi.

Cette leçon cartographie le paysage, des builders en drag-and-drop aux APIs en passant par les bases vectorielles, en suivant un seul projet du début à la fin. À la fin, vous saurez vers quel outil vous tourner à chaque étape.

Les trois couches

Voyez la construction avec l'IA comme trois couches, empilées de la plus simple à la plus flexible.

Les outils no-code permettent de connecter des applications et de l'IA en cliquant, sans coder. Exemples : Zapier, Make, n8n.

Les APIs permettent à votre logiciel de parler directement à un modèle d'IA. « 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 → » (Application Programming Interface) désigne simplement un moyen pour deux programmes de s'envoyer des messages. Vous envoyez du texte, vous recevez du texte.

Les bases de données vectorielles stockent l'information pour que l'IA puisse la rechercher par *sens*, et pas seulement par mots-clés. Exemples : Pinecone, Weaviate, Chroma.

Vous n'avez pas toujours besoin des trois. Une automatisation simple peut n'utiliser que du no-code. Une application intelligente de recherche documentaire utilise les trois ensemble.

Notre projet : un bot de réponse sur les procédures

Voici ce que nous construisons : un bot Slack. Un collaborateur tape « Combien de jours de congés après 3 ans ? » et le bot répond à partir du manuel RH de l'entreprise.

Parcourons les couches.

Couche 1 : no-code (Zapier, make)

Les outils no-code sont des pipelines visuels. Vous choisissez un trigger (ce qui déclenche le flux) et des actions (les étapes qui suivent).

Pour notre bot, un flux Zapier pourrait ressembler à ceci :

1. Trigger : nouveau message dans un canal Slack.
2. Action : envoyer ce message à un modèle d'IA (OpenAI, Claude, etc.).
3. Action : publier la réponse de l'IA dans Slack.

Vous construisez cela en cliquant dans des menus. Pas de code. **C'est le moyen le plus rapide de mettre *quelque chose* en ligne**, et pour beaucoup de tâches cela suffit : rédiger des e-mails, résumer des formulaires reçus, taguer des tickets de support.

Make et n8n (que vous pouvez auto-héberger gratuitement) fonctionnent de la même façon avec plus de contrôle visuel.

La limite : les outils no-code sont excellents pour déplacer des données entre applications. Ils sont plus faibles dès qu'il faut de la logique sur mesure ou chercher intelligemment dans une grosse pile de vos propres documents. Pour notre manuel RH, l'IA doit *d'abord lire les bonnes pages*. C'est là qu'interviennent les deux couches suivantes.

Couche 2 : apis (parler directement au modèle)

Un appel d'API, c'est envoyer une requête à un modèle et recevoir une réponse. En 2026, les trois grands sont OpenAI (modèles ChatGPT), Anthropic (Claude) et Google (Gemini). Ils fonctionnent de façon similaire : vous envoyez des messages, vous recevez une réponse, vous payez à l'usage.

Voici l'appel le plus simple possible à Claude en Python :

import anthropic

client = anthropic.Anthropic(api_key="your-key-here")

response = client.messages.create(
    model="claude-sonnet-4-5",
    max_tokens=300,
    messages=[
        {"role": "user", "content": "How many vacation days after 3 years?"}
    ]
)

print(response.content[0].text)

Exécutez ceci et vous obtenez une réponse. Mais il y a un problème : le modèle n'a aucune idée de ce qu'est *votre* politique interne. Il va deviner, ou inventer. Cette réponse fausse et assurée s'appelle une hallucinationhallucinationUne hallucination, c'est lorsqu'un modèle d'IA produit une réponse fluide et assurée mais factuellement fausse, inventée, ou non étayée par ses données sources.Voir la définition complète →.

Il faut lui fournir le texte de la procédure pertinente *à l'intérieur* de la requête. Nous pourrions coller le manuel de 200 pages dans chaque appel, mais c'est lent, coûteux, et souvent trop volumineux. Nous ne voulons que les quelques paragraphes qui répondent réellement à la question.

Comment trouver ces quelques paragraphes parmi 200 pages ? Couche 3.

Couche 3 : bases vectorielles (chercher par le sens)

Une base vectorielle trouve du texte par *sens* plutôt que par mots exacts. Si quelqu'un demande « du temps off », elle peut trouver un paragraphe qui parle de « congés payés », même sans aucun mot en commun.

Voici comment cela fonctionne, en clair.

Les embeddings : transformertransformerUn Transformer est une architecture de réseau de neurones qui utilise le self-attention pour traiter des séquences en parallèle. Elle est au cœur de la plupart des modèles de langage et d'IA générative actuels.Voir la définition complète → du texte en nombres

Un embeddingembeddingUn embedding est un vecteur numérique qui représente des données (texte, images ou items) en capturant leur sens, de sorte que les éléments similaires se retrouvent proches dans l'espace.Voir la définition complète → est une liste de nombres qui représente le sens d'un morceau de texte. Des sens proches donnent des nombres proches. « Chien » et « chiot » se retrouvent côte à côte ; « chien » et « déclaration fiscale » très éloignés.

Vous passez chaque chunk de votre manuel dans un modèle d'embedding pour obtenir ces listes de nombres, puis vous les stockez dans la base vectorielle.

from openai import OpenAI
client = OpenAI()

result = client.embeddings.create(
    model="text-embedding-3-small",
    input="Employees earn 20 vacation days after 3 years of service."
)

# Une longue liste de nombres représentant le sens de cette phrase
print(result.data[0].embedding[:5])
# [0.012, -0.045, 0.083, ...]

Le flux, de bout en bout

Quand une question arrive, vous crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →éez aussi l'embedding de *la question*, puis vous demandez à la base : « Quels chunks stockés sont les plus proches en sens ? » Elle renvoie les paragraphes les plus pertinents. Vous collez *ceux-là* dans votre appel d'API.

Ce pattern a un nom : RAGRAGMéthode qui permet à un modèle d'IA de répondre à partir de vos propres documents, en récupérant les passages pertinents avant de générer une réponse.Voir la définition complète → (Retrieval-Augmented Generation). Vous *récupérez* les bons faits, puis vous laissez le modèle *générer* une réponse à partir d'eux. C'est de loin la façon la plus courante dont les entreprises construisent de l'IA sur leurs propres données.

En combinant la récupération et la réponse :

# 1. Créer l'embedding de la question de l'utilisateur et interroger la base vectorielle
question = "How many vacation days after 3 years?"
relevant_chunks = vector_db.search(question, top_k=3)
context = "\n".join(relevant_chunks)

# 2. Envoyer la question + le texte de procédure récupéré au modèle
response = client.messages.create(
    model="claude-sonnet-4-5",
    max_tokens=300,
    messages=[{
        "role": "user",
        "content": f"Use only this policy text:\n{context}\n\nQuestion: {question}"
    }]
)
print(response.content[0].text)

Maintenant le bot répond à partir de *votre* manuel, pas de suppositions. La phrase « Use only this policy text » est votre garde-fou contre l'hallucination.

Quel outil choisir concrètement ?

Voici la décision, en clair.

Utilisez le no-code (Zapier/Make) quand : vous connectez des applications et la tâche d'IA est simple. « Quand un formulaire est soumis, résume-le et envoie-le-moi par e-mail. » Aucune recherche de données sur mesure nécessaire.

Ajoutez une API quand : vous avez besoin de contrôle, de logique sur mesure, ou vous construisez à l'intérieur de votre propre application. Vous écrivez un peu de code, mais vous obtenez exactement le comportement voulu.

Ajoutez une base vectorielle quand : l'IA doit répondre à partir d'un corpus important et spécifique de *votre* contenu (manuels, anciens tickets, documentation produit, un livre). Tout ce pour quoi la recherche par mots-clés n'est pas assez fine.

Pour notre bot RH, la réponse honnête en 2026 : vous pouvez faire *beaucoup* avec moins que vous ne le pensez.

Le raccourci moderne

Beaucoup de plateformes no-code intègrent désormais le RAG. Dans Zapier ou Make, vous pouvez téléverser des documents dans une fonctionnalité de « knowledge » IA, et la plateforme gère les embeddings et le stockage vectoriel en coulisses. Vous ne touchez jamais directement à Pinecone.

Donc une construction réaliste de notre bot en 2026 :

• Trigger Slack dans Zapier.
• Une étape knowledge base où vous avez téléversé le manuel RH.
• Une étape IA qui récupère et répond.
• Renvoi dans Slack.

Aucun code sur mesure. Vous ne descendez au niveau des APIs et d'une base vectorielle autonome que lorsque vous dépassez les limites du no-code : volumes documentaires énormes, logique de récupération spécifique, ou contrôle serré des coûts à l'échelle.

Un modèle mental rapide

Une remarque sur le coût et le lock-in

Deux avertissements pratiques.

Le coût croît avec l'usage. Les outils no-code facturent à la tâche ou au mois. Les APIs facturent au mot traité (mesuré en 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 →, approximativement des fragments de mots). Un bot qui répond à 10 000 questions par jour coûte de l'argent réel. Estimez avant de passer à l'échelle.

Évitez un lock-in fort dès le départ. Des outils comme LangChain et LlamaIndex permettent de basculer entre Claude, GPT et Gemini, ou entre Pinecone et Chroma, sans tout réécrire. Commencez simple, mais gardez vos options ouvertes.

Points clés

• Adaptez l'outil au travail. No-code pour connecter des applications, APIs pour le contrôle sur mesure, bases vectorielles pour chercher dans votre propre contenu par le sens. La plupart des projets ont besoin de moins de couches que prévu.
• Le RAG est le pattern central pour répondre à partir de données privées : créez les embeddings de vos documents, récupérez les chunks pertinents, transmettez-les au modèle. C'est ainsi que fonctionnent réellement la plupart des outils IA en entreprise.
• Ancrez toujours le modèle dans du texte réel (« Use only this policy text… ») pour lutter contre les hallucinations. Un bot qui cite votre manuel vaut mieux qu'un bot qui devine avec aplomb.
• Commencez en no-code, passez au code quand vous butez. En 2026, beaucoup de plateformes intègrent le RAG, donc vous ne toucherez peut-être jamais à une base vectorielle autonome pour de petits projets.
• Surveillez le coût et le lock-in. Estimez la consommation de tokens avant de passer à l'échelle, et utilisez des outils d'abstraction pour pouvoir changer de modèle ou de base plus tard sans tout reconstruire.