Le problème métier
Affecter une intervention terrain ne consiste pas simplement à choisir le technicien le plus proche. Il faut tenir compte des compétences, de la zone, des horaires, des indisponibilités, de la charge et des contraintes opérationnelles.
Dans FieldFlow AI, l’IA intervient d’abord pour structurer et qualifier la demande. La décision d’affectation reste ensuite pilotée par un moteur métier déterministe et explicable.
Cette séparation est importante : un modèle génératif est très performant pour comprendre un texte libre, mais il ne doit pas devenir l’unique arbitre d’une décision opérationnelle critique.
Séparer IA et décision métier
Le LLM ne reçoit pas la responsabilité finale du dispatch. Il produit une qualification structurée, accompagnée d’un niveau de confiance, d’éléments clés et de raisons lisibles.
Le moteur de scoring peut alors comparer plusieurs techniciens à partir de règles contrôlables : compétences, distance, charge, disponibilité, historique, zone d’intervention et contraintes SLA.
Cette architecture permet de rejouer une décision, de comprendre pourquoi un technicien a été choisi et de garder un comportement prévisible même lorsque le modèle IA évolue.
Concevoir un score explicable
Un score utile ne doit pas être un simple nombre. Il doit être accompagné d’un détail par critère afin que le responsable d’exploitation puisse comprendre rapidement la recommandation.
Par exemple, un technicien peut obtenir 92/100 avec un détail indiquant : compétence parfaite, zone compatible, faible charge, disponibilité immédiate et distance raisonnable.
Cette granularité rend le système plus acceptable pour les équipes métier et facilite le diagnostic lorsqu’un résultat semble incohérent.
Sécuriser l’auto-affectation
Une recommandation calculée à un instant donné peut devenir invalide quelques secondes plus tard. Un technicien peut être affecté ailleurs, passer indisponible ou sortir d’une zone autorisée.
Avant toute auto-affectation, le backend doit donc revalider les contraintes critiques dans une transaction courte et protégée contre les conflits de concurrence.
Le système peut également définir un seuil minimal de confiance ou de score sous lequel une validation humaine reste obligatoire.
Observabilité et amélioration continue
Les décisions doivent être historisées avec la qualification IA, le score final, les critères utilisés, le technicien retenu et les corrections humaines éventuelles.
Ces données permettent ensuite de mesurer la pertinence des règles, les erreurs de qualification, les taux de validation humaine et les écarts entre recommandation et décision finale.
L’IA devient ainsi une composante mesurable du système, et non une boîte noire difficile à maintenir.
