Automatiser sa boite mail : le cas d'usage le plus classique en entreprise
+ Deep Research de Perplexity
Hello à tous,
Bienvenue dans cette 48ᵉ édition !
Vous pouvez cliquer sur le ❤️ au-dessus ou en fin de newsletter si vous appréciez le contenu, ça m’aide beaucoup ! 🙏
Voici le sommaire de la semaine :
💼 Automatiser sa boite mail : comment s’y prendre ?
🗞️ 3 actus importantes : Grok 3, Mistral et Deep Research de Perplexity
🎙️ Les leçons de mon échange avec Hugo Amsellem
📝 Mesurer la performance des modèles en valeur économique
⏳ Temps de lecture : 10 min
La promotion sur la formation IA en entreprise et le pack d’automatisation pour créer du contenu (voir cette vidéo démo) se termine ce dimanche à 00h. Pour ceux qui sont intéressés, le code est “IA_UP”.
Me retrouver ailleurs :
🧑💻 Mes réseaux : Linkedin, Youtube
🤚 Rejoindre la communauté IA (ressources, échange, support, ..) : sur Circle
📞 Des besoins en IA : Prendre RDV
📖 Se former sur l’IA : exploitez l’IA générative en entrepise ou automatisez votre création de contenu.
💼 Automatiser sa boite mail
On reçoit tous trop d’emails. Que ce soit en perso ou en pro, la gestion de sa boîte mail devient une tâche chronophage. On passe des heures à trier, répondre et organiser.
L’IA va pouvoir vous aider à traiter automatiquement vos mails, je vous montre tout ça dans cette section.
Pas besoin de partir sur des solutions miracles avec des agents IA ultra-complexes de ce type…
Une automatisation bien pensée peut suffire dans 1ᵉʳ temps avec un outil comme Make ou Zapier (accessible relativement à tous).
🚨Si vous avez un volume minimum de 50 à traiter par jour, il est temps d’utiliser l’IA ! Dans le cas contraire, ce n’est pas utile 🚨
Commencer simplement
Dans un 1ᵉʳ temps, vous pouvez faire une liste des catégories de mails que vous recevez.
L’idéal est de faire un export de votre boite mail sur les derniers pour avoir une liste des mails reçus et des réponses envoyées.
Les mails reçus vous permettront de déterminer facilement les catégories possibles
Les mails envoyés seront une source d’inspiration pour un modèle d’IA en ajoutant des exemples envoyés dans le prompt selon la catégorie.
Pour cela, vous pouvez suivre les étapes suivantes sur Gmail :
Se rendre sur takeout.google.com
Tout désélectionner et choisir uniquement “Messagerie” puis exporter
Transformer le fichier reçu d’un format mbox en csv
Importer le CSV sur Google Sheets pour mener une analyse de texte sur le corps du mail et définir la catégorie de vos mails reçus.
Vérifier les résultats et mener une analyse sur la répartition des catégories. Si plus de 50% des mails tombent dans la même catégorie, il y a un problème de granularité et vous pouvez continuer d’affiner les catégories.
La catégorisation
Une fois que vous avez votre liste de catégorie, vous allez pouvoir créer une automatisation simple sur un outil comme Zapier, Make,.. du type :
Dès qu’un email est reçu dans votre boite mail, il est traité par OpenAI pour identifier la catégorie pertinente sur la base de votre liste initiale de l’étape précédente. Vous stockez tout sur Google Sheets pour vérifier si votre catégorisation est bien pertinente.
💡 Vous pouvez ajouter une colonne explication où l’IA détaille le choix de la catégorie, une occasion de mieux comprendre la décision du modèle et ajuster en conséquence.
Pour cela, vous pouvez forcer le modèle à respecter un schéma de variables JSON que vous pouvez ensuite manipuler dans Make. Pour faire ça, vous devez préciser le format de sortie et les variables dans le prompt, puis activer cette option sur Make dans le module Open AI:
Cela permettra de manipuler les variables “catégorie” et “explication_catégorie” pour les mettre dans une feuille Google Sheets.
L’envoi de template personnalisé et archivage auto
En fonction du mail reçu, c’est tentant de générer des brouillons en automatique. Mais c’est souvent une fausse bonne idée, car le modèle d’IA n’a pas assez de contexte pour fournir une réponse de qualité.
L’IA va fournir la réponse la plus probable, parfois ça passe, parfois ça passe pas. Même en brouillon, avoir des réponses qui sont correctes 1 fois sur 2 va créer de la frustration pour ceux qui vont gérer les brouillons générés.
Pour cela, à ce stade, le mieux est de :
déplacer les mails dans un dossier de la catégorie ou ajouter un label = prioriser les demandes entrantes / avoir une meilleure organisation
remplir des templates (validés par votre équipe en amont) avec une personnalisation du contenu en fonction du mail reçu = pas de risque d’erreurs et envoi du mail possible (ou génération de brouillon pour garder le contrôle)
archivage des mails inutiles ou ceux qui ne demandent pas de réponse
Vous pouvez donc créer une branche par catégorie avec un filtre :
Aller plus loin progressivement
Pour aller plus loin, l’idéal est de faire une cartographie de l’ensemble de vos process interne quand vous recevez un mail : quelles sont les tâches réalisées manuellement pour répondre à cet email ?
Exemple :
Identifier le contact sur le CRM → récupérer les informations pertinentes → répondre au mail avec les infos
Un fournisseur envoie un contrat → extraction de la pièce jointe → stockage dans le drive → génération d’une tâche pour validation
Aller sur yousign → créer un contact → ajouter un document et remplir des champs → envoyer le document au contact
…
Une fois que la cartographie des process est réalisée, vous allez déjà y voir plus clair.
Et vous allez pouvoir créer des prompts avancés dans chaque situation en ajoutant des exemples de réponses (grâce à l’étape précédente d’extraction de mails), et surtout faire des appels API aux outils pour réaliser les mêmes actions que vous faites manuellement.
L’impact ?
une réduction du temps passé (et un délai plus court de réponse)
une meilleure qualité dans la réponse
un suivi précis des exécutions pour mener des analyses
Encore plus loin ?
Parfois, certains outils ne sont pas accessibles par API. Pour ça, il existe les agents de navigation web comme Operator d’OpenAI. J’en avais parlé dans cette édition. Il est donc possible de faire des appels API à des outils de ce type (Twin en France par exemple à 0,05€ par étape réalisée) pour aller chercher des informations ou réaliser des actions sur des sites non accessibles par API.
Pour moi, c’est un gros plus, car ça permet de débloquer beaucoup de use cases d’automatisation sur la gestion des mails.
C’est vraiment un bon en avant !
L’importance de l’analytics
L’automatisation n’est jamais figée. Une fois en place, il faut continuellement analyser les exécutions :
la répartition des catégories
le nombre de brouillons générés par l’IA
le nombre d’emails envoyés par l’IA (et en %)
…
Vous aurez un historique complet, et ça apporte souvent de bons insights business.
Et itérer / ajuster le scénario en fonction de l’évolution de votre activité.
À quel moment basculer vers des agents IA ?
Pendant le mapping du process, si vous vous apercevez qu’il y a beaucoup de complexité, c'est-à-dire que dans chaque branche (catégorie), vous avez des conditions qui s’enchainent et viennent alourdir l’exécution. Plusieurs options :
Soit vous avez un bloc lourd d’une série de tâches que vous devez faire à chaque fois (exemple : identifier un client dans votre CRM). À ce moment-là, vous pouvez faire un appel HTTP vers un autre scénario Make et alléger l’ensemble du scénario.
soit vous avez vraiment plusieurs conditions qui s’enchainent, étapes de vérification, etc → dans ce cas, il sera nécessaire de basculer vers un agent IA qui pourra agir en fonction du contexte. (je pourrais revenir dessus dans une prochaine édition)
Pour ceux qui se posent des questions entre automatisation IA et agents IA, j’ai publié ce post LinkedIn qui peut vous aider.
Pour finir,
L’objectif à atteindre - l’inbox 0 - devient accessible avec l’IA.
Mes conseils : mapper vos process, y aller progressivement, aller plus loin qu’une simple génération de brouillon, garder un contrôle humain pour les situations complexes, et analyser & itérer.
Concrètement, quel serait le temps économisé avec l’IA sur sa boite mail ?
Dans beaucoup de cas, l’IA va aller chercher 70 à 80% de traitement sur vos mails.
Si vous avez une personne à temps plein avec un salaire médian de 2600€, soit 3 385 € en charge employeur, on parle de 2 500 € d’économie par mois.
🗞️ 3 actus importantes
Grok 3 : xAI muscle son IA pour rivaliser avec OpenAI et Google
xAI d’Elon Musk lancent Grok 3, un modèle d’IA nouvelle génération conçu pour surpasser GPT-4o et Gemini. Grok 3 bénéficie d’une puissance de calcul dix fois supérieure à son prédécesseur et introduit plusieurs innovations majeures :
Think Mode : auto-vérification des réponses pour plus de précision
Big Brain Mode : raisonnement avancé pour les problèmes complexes
DeepSearch : analyse en temps réel du web et des contenus de X
Voice Mode (prévu sous peu) : interaction vocale avec l’IA
Selon xAI, Grok 3 dépasse GPT-4o sur plusieurs benchmarks scientifiques et mathématiques. Pour l’instant, l’accès est réservé aux abonnés Premium sur X, avec une offre SuperGrok à venir pour débloquer toutes les fonctionnalités. Musk prévoit également d’open-sourcer Grok 2 une fois Grok 3 stabilisé.
Perplexity lance Deep Research : une alternative gratuite à Deep Research d’OpenAI
Perplexity a récemment annoncé Deep Research, une nouvelle fonctionnalité permettant d’effectuer des recherches approfondies, à l’image de celles proposées par Gemini et OpenAI. Mais contrairement à ces derniers, où l’accès est payant (200$/mois pour OpenAI), Perplexity propose cette option gratuitement, avec une limite de cinq recherches par jour pour les comptes gratuits.
L’outil se veut performant : avec un score de 21,1% sur Humanity’s Last Exam, il se place juste derrière ChatGPT Deep Research (26,6%), en faisant potentiellement l’une des IA de recherche les plus avancées accessibles gratuitement.
Je vous invite vraiment à tester le résultat est bluffant.
Mistral sort (encore) un nouveau modèle
Mistral AI dévoile Mistral Saba, un modèle de 24 milliards de paramètres conçu pour répondre aux besoins spécifiques des langues et cultures du Moyen-Orient et de l’Asie du Sud. Contrairement aux modèles généralistes, Mistral Saba intègre des nuances linguistiques et culturelles essentielles, offrant des réponses plus précises et pertinentes, tout en étant 5 fois plus petit et plus rapide que ses concurrents.
Ce qu'il faut retenir : Avec Saba, Mistral renforce son engagement à proposer des modèles IA adaptés aux spécificités régionales, une approche qui pourrait redéfinir l’accès à l’IA dans ces marchés.
🎙️ Les leçons de mon échange avec Hugo Amsellem
Hugo Amsellem est un entrepreneur, investisseur et penseur des nouvelles tendances culturelles. Ancien pilier de TheFamily, il accompagne aujourd'hui des startups innovants via son fonds Intuition. Il a partagé une vision tranchante sur l’impact de l’IA sur nos vies et sur l’entrepreneuriat, disponible ce week-end sur YouTube et les plateformes audio.
Internet, les réseaux sociaux, puis l’IA : Une évolution inarrêtable
→ Le web a évolué en trois étapes : l’accès à l’information, sa distribution via les réseaux sociaux et aujourd’hui, sa création par l’IA. Cette dernière boucle accélère tout et ouvre un monde de possibilités vertigineuses.
Une transformation radicale du travail et de la création
→ L’IA efface les barrières : demain, une micro-équipe pourra bâtir une startup à succès avec une force de frappe énorme. Mais cette autonomie pose un défi : l’isolement.
Comment se différencier dans un monde saturé de contenu généré ?
→ La vraie valeur viendra de l’authenticité et de l’engagement communautaire. Partager son vécu et interagir directement avec son audience feront toute la différence.
Vers une IA qui crée du lien humain ?
→ Plutôt que d’éloigner les gens, l’IA pourrait bien renforcer nos connexions. Hugo anticipe des outils qui nous aideront à rencontrer ceux qui partagent nos valeurs.
L’IA ne laisse pas de place aux passifs. Ce sont ceux qui l’adoptent maintenant qui définiront les règles de demain.
📝 Mesurer la performance des modèles en valeur économique
L’évaluation des modèles d’IA repose souvent sur des benchmarks techniques : taux de réussite sur des tests algorithmiques, précision des réponses… Mais OpenAI propose une nouvelle approche avec SWE-Lancer, un benchmark qui mesure la capacité des modèles à générer de la valeur économique réelle.
SWE-Lancer repose sur 1 488 tâches de développement freelance issues d’Upwork, allant de simples corrections de bugs (50$) à des implémentations complexes (32 000$), pour un total de 1 million de dollars en valeur. Chaque tâche a été résolue par un humain, permettant de comparer directement la performance des modèles d’IA à celle de développeurs indépendants.
Résultat ? Le meilleur modèle testé, Claude 3.5 Sonnet, a obtenu 40,3% des gains possibles (403 000$).
Si les IA excellent dans l’évaluation de propositions techniques (SWE Manager), elles échouent encore largement sur les tâches de développement pur, notamment celles nécessitant une compréhension globale du code et une capacité à intégrer des solutions dans un projet existant.
Ce benchmark pose une question clé en entreprise : à quel moment l’IA deviendra-t-elle économiquement viable sur des tâches freelance ? Si aujourd’hui elle reste un complément aux développeurs, l’amélioration continue pourrait changer la donne… À suivre donc…
Merci 🫶🏼
D’avoir lu cette édition jusqu’au bout.
Si tu as des questions, tu peux me les poser directement ici :
Si ça t’a plu, pense à cliquer sur le ❤️ juste en dessous et partage ton point de vue en commentaire👇🏼
Vous pouvez aussi partager la newsletter à votre entourage (ça me booste beaucoup 🙏) et gagner des cadeaux 🎁
1 parrainage = 1 hack personnalisé
3 parrainages = +400 outils IA triés par thématique et vertical métier
5 parrainages = 30 min de coaching sur votre problématique
À très vite !
Moi, j'aime bien les simples filtres.
Très intéressant