Intégrer l’IA en entreprise commence toujours par la même question : quel problème concret cherche-t-on à résoudre ? Sans cas d’utilisation pertinent, l’IA reste un gadget coûteux. Avec le bon cas d’usage, elle devient un levier concret pour améliorer les processus de l’entreprise.

C’est pourquoi nous avons choisi un exemple qui parle à toutes les entreprises : le filtre de mail de contact, pour montrer concrètement comment intégrer l’IA dans un flux existant.

Filtre de mail de contact

Toutes les entreprises doivent avoir un mail de contact. Certains mails reçus sont définitivement des spams, mais d’autres proviennent de personnes légitimes qui prennent le temps de démarcher. Il nous arrive par exemple de recevoir des demandes de création de site web, nous-mêmes étant une agence web.

Il nous faudrait alors un filtre qui ne détecte pas seulement le spam ou le phishing, mais qui laisse passer uniquement les mails susceptibles de nous concerner.

C’est là que l’IA entre en jeu. Le concept : décrire les types de mails que nous souhaitons recevoir ou non, et laisser l’IA déterminer si le contenu est pertinent.

Comment le filtre fonctionnerait

Les prérequis

Pour ce filtre, nous aurons besoin d’un modèle d’IA. Nous utiliserons OpenRouter, une plateforme qui permet d’utiliser différents modèles de différents fournisseurs de manière uniforme, ce qui évite d’être dépendant d’un seul fournisseur.

Pour choisir le modèle, la meilleure stratégie est de commencer avec un modèle léger et de monter en gamme progressivement jusqu’à obtenir des résultats satisfaisants. On peut également suivre les tendances et benchmarks sur des sites comme https://llm-stats.com/.

Dans notre cas, nous cherchons un modèle :

  • Capable d’analyser simplement une grande quantité de données
  • Texte vers texte uniquement
  • Raisonnement moyen

D’après les modèles disponibles actuellement (fév. 2026), « LongCat-Flash » semble être un bon choix, ou « Ministral 3 2512 » pour une alternative française.

Faire fonctionner l’IA

Pour orienter l’IA dans la bonne direction, il lui faut une instruction de base incluse dans chaque requête : le « system prompt ». Il s’agit simplement de texte décrivant au modèle qui il est et/ou ce qu’il doit faire.

Dans le cas de notre filtre, l’instruction système ressemblerait à ceci :

Tu dois analyser le contenu d'emails selon les critères reçus.

CRITERE_VOULU: [wantedCriteria]  
CRITERE_NON_VOULU: [unwantedCriteria]  
 
Donne un score de 1 à 10 selon si le contenu correspond aux critères voulus et ne contient pas de critères non voulus.

Ne réponds qu'avec le score.

Cette instruction peut être peaufinée au fur et à mesure, pour limiter le nombre de tokens (caractères) envoyés ou obtenir des réponses plus pertinentes.

Testons notre instruction système.

Allons d’abord sur le chat d’OpenRouter, https://openrouter.ai/chat, pour obtenir facilement une réponse. Prenons ces critères :

CRITERE_VOULU: aucun  
CRITERE_NON_VOULU: démarchage SEO, demande de stage

Et cet email :

Je suis un fournisseur de services d'avis. Je m'efforce d'améliorer les notes et les classements Google My Business. J'analyse les avis, les classements Google My Business et les services aux entreprises locales. Plus une entreprise est bien notée, plus elle monte en tête de liste.

Nos services

Optimisation
Avis Google ADS vérifiés et garantis
Avis Trustpilot
Avis sur tous les sites web
Nous acceptons les paiements après intervention. Contactez-nous pour bénéficier de nos services.

Le modèle (Ministral) nous répond :

1

Utiliser le modèle dans notre application

L’intégration de l’IA dans notre application ne nécessite pas beaucoup de code. Il suffit d’envoyer une requête vers les services d’OpenRouter, d’attendre la réponse de l’IA et de poursuivre le traitement classique avec cette donnée supplémentaire.

OpenRouter met à disposition une multitude de bibliothèques (SDK) pour accéder à ses services, mais il est souvent plus simple de passer par l’API directement. Aucune installation n’est nécessaire.

Nous devrons envoyer :

  • Une instruction système avec les critères voulus
  • Le corps du mail à traiter
  • Le modèle d’IA à utiliser
  • La clé d’authentification OpenRouter

En utilisant leur générateur de requête, https://openrouter.ai/request-builder, la requête ressemblerait à ceci :

curl https://openrouter.ai/api/v1/chat/completions \
  -H "Authorization: Bearer <VOTRE_CLE_OPENROUTER>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "<LE_MODELE_VOULU>",
    "messages": [
        {
            "role": "system",
            "content": "<NOTRE_INSTRUCTION_SYSTEME>"
        },
        {
            "role": "user",
            "content": "<LE_CORPS_DU_MAIL>"
        }
    ]
}'

Nous pouvons maintenant tester cette commande dans notre terminal en remplaçant les valeurs. OpenRouter devrait renvoyer un message en JSON avec un code de statut 200.

Supposons que nous ayons une application fullstack en TypeScript (Next.js par exemple). On trouverait une fonction réutilisable comme celle-ci avant l’envoi du formulaire :

async function getRelevencyScore(key: string, system: string, message: string): Promise<number> {
    const url = "https://openrouter.ai/api/v1/chat/completions";

    const headers = {
        "Authorization": `Bearer ${key}`,
        "Content-Type": "application/json"
    };

    const payload = {
        "messages": [
            { "role": "system", "content": system },
            { "role": "user", "content": message }
        ]
    };

    const response = await fetch(url, {
        body: JSON.stringify(payload),
        method: "POST",
        headers,
    });

    const data = await response.json();
    const score = parseInt(data.output.content);

    return score
}

(les erreurs ne sont pas gérées ici)

Il ne reste plus qu’à ajouter une condition bloquant la réception du formulaire si la réponse est inférieure à un certain score. Comme axe d’amélioration, nous pourrions conserver les mails dont le score est trop bas et les rediriger automatiquement vers un dossier spam, ou les lister sur une page d’administration dédiée.

Conclusion

L’exemple du filtre de mail avec OpenRouter montre qu’implémenter l’IA peut s’intégrer facilement à une infrastructure existante. Il suffit d’appeler leur API et de gérer la réponse dans votre code existant.

L’essentiel de l’apprentissage réside dans la gestion des modèles eux-mêmes. Les modèles IA, surtout les plus larges, sont de vraies boîtes noires, et il peut être assez complexe d’affiner les instructions système pour obtenir des résultats pertinents.