L'IA dans ALICE n'est pas un agent autonome. C'est un assistant contextuel qui analyse les donnees existantes (exercices, assiduite, planning, facturation) pour generer des suggestions actionnables. 80% des fonctionnalites IA sont de simples requetes MongoDB avec des regles metier. Les 20% restants utilisent Claude Haiku pour la mise en forme en langage naturel. Aucune decision n'est prise automatiquement — l'humain valide toujours.
1. Les 3 niveaux de faisabilite
Chaque fonctionnalite IA d'ALICE est classee selon son niveau technique. Cette classification permet de prioriser le developpement et d'estimer l'effort.
1
Regles + MongoDB
Requetes aggregation MongoDB avec seuils configures. Zero API externe. Exemple : "assiduite < 60% = alerte decrochage".
2
Claude Haiku API
Les donnees sont extraites par MongoDB, puis formatees en langage naturel via Claude Haiku. Cout ~0.001$/requete.
3
Agents autonomes
NON prevu. Pas d'IA qui prend des decisions seule, pas d'actions automatiques sans validation humaine.
Principe fondamental
L'IA dans ALICE est un copilote, pas un pilote. Elle suggere, elle ne decide pas. Chaque suggestion affiche ses sources (exercices, notes formateur, donnees planning) pour que l'utilisateur puisse juger de la pertinence.
2. Suggestions IA contextuelles
Des bannieres "Suggestion IA" apparaissent en haut des pages pour signaler des actions prioritaires. Elles sont generees par des requetes MongoDB avec des regles metier simples.
"3 opportunites Capgemini arrivent a echeance cette semaine. Relancer le contact RH pourrait debloquer 45 000 EUR de CA."
Detecte les opportunites dont la date d'echeance approche et calcule le CA potentiel a partir des devis associes.
Comment : Requete MongoDB sur formations.dateEcheance < J+7 avec statut: "onboarding". Somme des montants devis.
"5 formations en onboarding depuis plus de 30 jours. Planifier les relances pourrait accelerer le demarrage de 12 apprenants."
Identifie les formations bloquees en phase d'onboarding au-dela d'un seuil configurable (defaut : 30 jours).
Comment : formations.statut == "onboarding" ET dateCreation < J-30. Comptage apprenants rattaches.
"Le PCA a augmente de 18% ce mois. 3 formations non demarrees concentrent 8 280 EUR de PCA. Recommandation : accelerer le lancement."
Surveille l'evolution du PCA et identifie les formations non demarrees qui concentrent le plus de PCA.
Comment : Calcul PCA = montant facture - (heures realisees / heures totales * montant). Comparaison M vs M-1. Tri par PCA decroissant.
"2 factures en retard de paiement (Engie 780 EUR, 12 jours). Recommandation : envoyer une relance automatique via Brevo."
Detecte les factures dont le paiement depasse la date d'echeance. Suggere une relance via Brevo (email automatise).
Comment : Requete Sellsy API GET /invoices avec filtre payment_status: "unpaid" et due_date < today.
"Priorisez la relance Pierre Moreau (38j onboarding) et le plan Qualiopi James Watson / Marc Leroy (score 55%). Ces 2 taches ont le plus fort impact sur vos KPIs cette semaine."
Croise les KPIs (onboarding, Qualiopi, assiduite) pour identifier les 2-3 actions a plus fort impact. La formulation naturelle est optionnellement generee par Claude Haiku.
Comment : Score d'impact = f(jours retard, montant CA, nb apprenants concernes). Top 3 tries par score decroissant.
"Causes principales detectees : rythme inadapte (4), contenu non adapte (3), probleme technique (2), absence formateur (1)."
Agregue les motifs de decrochage saisis par les formateurs pour faire emerger les causes recurrentes.
Comment : Agregation MongoDB $group par motifDecrochage, tri par frequence.
"2 tests cette semaine presentent un risque d'absence eleve. Rappels SMS J-1 suggeres."
Identifie les apprenants a risque d'absence en croisant l'historique d'assiduite avec les tests planifies.
Comment : assiduite < 70% ET test.date dans la semaine. Suggere un rappel SMS via Brevo.
3. Detection de risques et conflits
Des alertes automatiques signalent les situations a risque (decrochage apprenant, conflit planning) pour permettre une intervention rapide.
"Risque de decrochage detecte pour Antoine Garcia (assiduite 55%)"
Surveille l'assiduite, les scores d'exercices et la participation. Quand plusieurs indicateurs passent sous les seuils, une alerte est generee pour le formateur et l'admin.
Comment : Score composite = 0.4 * assiduite + 0.3 * scores_exercices + 0.3 * participation. Si < 60%, alerte "risque eleve".
"Christina M. a un chevauchement jeudi 14h (M. Dupont / T. Laurent)"
Detecte les chevauchements de seances pour un meme formateur ou apprenant, et les seances planifiees pendant des indisponibilites declarees.
Comment : Intersection de creneaux horaires par formateur. Comparaison seances vs indisponibilites declarees.
Compare les heures declarees par le formateur (emargement) avec les heures planifiees. Signale les ecarts significatifs pour eviter les erreurs de facturation.
Comment : |heures_declarees - heures_planifiees| > seuil (configurable, defaut 10%). Alerte dans la vue facturation formateur.
"Suggestion IA" — creneau propose dans le calendrier
Propose des creneaux optimaux pour planifier des seances en croisant les disponibilites formateur, les preferences apprenant, et les salles disponibles.
Comment : Intersection des creneaux libres formateur + apprenant. Priorite aux creneaux reguliers (meme jour/heure).
4. Analyse des lacunes apprenants
Le systeme detecte les lacunes de chaque apprenant en croisant les resultats d'exercices, les notes du formateur et l'historique de progression. C'est l'une des fonctionnalites IA les plus visibles de la plateforme.
L'onglet "Analyse IA" de la formation affiche les lacunes identifiees avec un score par competence : Expression ecrite (42%), Grammaire (51%), Prononciation (58%), Comprehension orale (85%). Chaque lacune indique ses sources (exercices, notes formateur) et un detail explicatif.
Comment : Agregation des scores exercices par competence ($group by skill). Les sources sont les exercices rates + notes formateur tagguees. La formulation du detail peut optionnellement passer par Claude Haiku pour etre plus naturelle.
Le formateur voit les barres de progression des lacunes pour chaque apprenant, avec la tendance (amelioration ou regression). Il peut assigner directement des exercices cibles generes a partir des lacunes detectees.
Comment : Meme pipeline que la vue apprenant. Ajout d'un calcul de tendance (comparaison score actuel vs score il y a 2 semaines). Les exercices suggeres sont filtres par tag competence.
A partir des lacunes detectees, le systeme recommande des exercices existants du Content Hub qui ciblent les competences faibles. Les exercices sont tagges "Recommande" et tries par pertinence.
Comment : Matching des tags competence des lacunes avec les tags des exercices du Content Hub. Score de pertinence = correspondance tags + niveau adapte.
5. Matching et recommandations
Des algorithmes de matching aident a associer formateurs, apprenants et contenus de maniere optimale.
"Matching IA valide (91% compatibilite)"
Dans le pipeline admin, le systeme calcule un score de compatibilite entre un formateur et une formation en fonction des competences, de la disponibilite et de l'historique.
Comment : Score = 0.4 * match_competences + 0.3 * disponibilite + 0.2 * proximite_geo + 0.1 * satisfaction_historique. Formateurs tries par score decroissant.
"IA : profil similaire resolu par appel (73%)"
Quand un apprenant est bloque dans le pipeline (ex: onboarding lent), le systeme recherche des profils similaires deja resolus et indique la methode qui a fonctionne.
Comment : Recherche par similarite sur domaine + entreprise + motif_blocage. Pourcentage = taux de succes de la methode sur les cas similaires.
"Recommande pour Capgemini (8 demandes similaires)"
Identifie les modules de soft skills les plus demandes par les entreprises similaires et les recommande proactivement.
Comment : Agregation par entreprise.secteur + module_soft_skill. Comptage des demandes similaires dans les 12 derniers mois.
Synthese des metriques cles par formateur : satisfaction moyenne, taux de completion, nombre d'apprenants actifs, tendance. Permet a l'admin d'identifier rapidement les formateurs performants ou ceux qui ont besoin d'accompagnement.
Comment : Agregation des enquetes satisfaction + taux completion formations + comptage apprenants. Comparaison M vs M-1 pour la tendance.
"Marie a progresse de B1 a B2 en comprehension en 6 semaines — rythme 2x superieur a la moyenne. Recommandation : proposer des contenus C1 en reading."
Analyse la progression d'un apprenant et suggere des ajustements de contenu (niveau plus eleve ou revision) en fonction du rythme observe.
Comment : Comparaison du rythme de progression avec la moyenne des apprenants du meme domaine/niveau. Formulation via Claude Haiku.
6. AIce — Exercices IA
Le module "AIce" est le moteur d'exercices IA de la plateforme. Il permet aux apprenants de realiser des exercices interactifs (QCM, writing prompts, cas pratiques) et aux formateurs de generer de nouveaux exercices.
Les apprenants accedent a un module dedie "AIce" avec des exercices par formation : QCM, writing prompts, cas d'usage metier. Les exercices sont crees par les formateurs via le Content Hub et peuvent etre enrichis par l'IA.
Comment : Les exercices sont stockes en MongoDB avec des metadonnees (type, niveau, competences ciblees, media). Le scoring des reponses ouvertes utilise Claude Haiku pour evaluer la pertinence.
Les QCM sont scores automatiquement (Niveau 1). Pour les questions ouvertes, Claude Haiku evalue la reponse et genere un feedback personnalise expliquant les erreurs et les pistes d'amelioration (Niveau 2).
Comment : QCM : comparaison reponse vs cle. Ouvert : prompt Claude Haiku avec la question, la reponse attendue, et la reponse de l'apprenant. Retour structure (score 0-100 + feedback texte).
"Pierre a echoue 3 fois sur le QCM 'Fondamentaux IA generative' (taux reussite 28%). L'exercice semble trop avance pour son niveau actuel."
Detecte quand un apprenant echoue plusieurs fois au meme exercice et alerte le formateur. Permet d'adapter le contenu ou le niveau.
Comment : Comptage tentatives par exercice/apprenant. Si nb_echecs >= 3 ET taux_reussite < 40%, notification formateur.
7. Generation de contenu
Les formateurs peuvent generer des exercices en decrivant ce qu'ils souhaitent en langage naturel.
Champ dans le Content Hub : "Ou decrivez l'exercice et laissez l'IA le generer..."
Le formateur decrit l'exercice souhaite en francais (ex: "un QCM de 10 questions sur les fondamentaux du machine learning, niveau debutant"). Claude Haiku genere l'exercice complet (questions, reponses, explications) que le formateur peut ensuite editer avant publication.
Comment : Prompt structure vers Claude Haiku avec le domaine de la formation, le niveau de l'apprenant, et la description du formateur. Retour JSON structure (questions + reponses + explications). Le formateur valide et publie.
8. Ask ALICE — Assistant conversationnel
Un champ de recherche en langage naturel integre directement dans les dashboards Admin et Formateur. L'utilisateur pose une question, ALICE interroge la base et repond.
"Quels apprenants n'ont pas fait d'exercice cette semaine ?"
L'admin peut poser des questions en francais sur ses donnees. ALICE traduit la question en requete MongoDB, execute, et formate la reponse en langage naturel. Exemples : "Combien de formations sont en retard ?", "Quels formateurs sont disponibles jeudi ?", "Quel est le taux de completion moyen ce mois ?".
Comment : Claude Haiku recoit la question + le schema des collections MongoDB. Il genere la requete d'agregation. Le serveur l'execute et renvoie les resultats. Claude Haiku formate la reponse. Double validation : la requete generee est limitee a des operations read-only.
"Quels apprenants n'ont pas fait d'exercice cette semaine ?"
Meme principe que la version Admin, mais limite au perimetre du formateur (ses apprenants, ses formations, ses seances). Le formateur ne peut pas interroger les donnees des autres formateurs.
Comment : Meme pipeline que l'Admin, avec un filtre formateur_id injecte automatiquement dans chaque requete generee. Garantit l'isolation des donnees.