Construire un agent d'intelligence pour le Deal Desk avec LangChain et OpenAI

Construire un agent d'intelligence pour le Deal Desk avec LangChain et OpenAI

La plupart des parcours d'IA en entreprise commencent par des prompts. Les équipes utilisent des modèles de langage pour résumer des documents, classifier des tickets ou générer des insights à partir de textes non structurés. Ces capacités sont précieuses et souvent la première étape dans l'adoption de l'IA au sein de l'organisation.

Cependant, les équipes opérationnelles telles que Revenue Ops ou Deal Desk ont généralement besoin de plus que de la génération de texte. Elles nécessitent des décisions cohérentes, guidées par des politiques. Au-delà de la compréhension du langage, le système doit appliquer des règles, faire respecter des seuils et produire des résultats qui soient répétables et audités.

Chaque jour, quelqu'un lit des dizaines, voire des centaines de notes CRM, et décide si un accord peut être approuvé ou s'il est suffisamment risqué pour être escaladé.

Une note de deal typique pourrait se lire comme suit :

• Le client évalue un déploiement pluriannuel à travers plusieurs régions.
• Les achats poussent pour un rabais de quarante-deux pour cent en raison de la pression concurrentielle.
• Les finances demandent des termes de paiement de quatre-vingt-dix jours pour s'aligner sur leur cycle budgétaire interne.

Un examinateur humain interprète immédiatement cela comme :

• L'accord nécessite une escalade ou une approbation.
• Le rabais est trop élevé.
• Le cycle de paiement est trop long.

Ce raisonnement n'est pas de l'intelligence artificielle. C'est simplement une politique commerciale appliquée à un langage complexe.

C'est ici qu'une conception basée sur des agents devient puissante. Au lieu de demander à un LLM de tout décider, nous répartissons les responsabilités. S'il y a une vérité difficile dans l'IA en entreprise, c'est celle-ci : vous ne pouvez pas vous fier uniquement aux prompts pour établir un processus commercial fiable. Bien que les modèles de langage soient exceptionnels pour comprendre les nuances des notes CRM d'un vendeur, ils peuvent être peu fiables pour faire respecter des politiques numériques strictes, comme savoir de manière cohérente si un rabais de 42 % viole un seuil de 40 %.

Pour construire un Agent d'Intelligence pour le Deal Desk que Revenue Ops puisse réellement faire confiance, nous devons cesser de traiter le LLM comme un décideur autonome. Au lieu de cela, nous avons besoin d'une approche hybride où l'IA interprète le langage, mais un code déterministe applique les règles. Un agent coordonne la séquence des étapes. Ensemble, ils agissent comme un analyste numérique discret qui lit les notes, vérifie les règles et produit un résumé clair pour la direction.

Le flux est simple.

Nous commençons par une simple exportation CSV (deals.csv) qui ressemble à un extrait CRM. (Quelques lignes d'échantillon sont affichées ci-dessous à titre de référence). Chaque ligne contient un identifiant de deal et une note libre rédigée par un vendeur.

Le LLM lirait la note et extraire des informations structurées telles que le pourcentage de rabais et les jours de paiement. De petits outils Python appliquent des seuils numériques exacts. Enfin, le LLM convertit les résultats structurés en un court résumé exécutif qu'un manager peut lire en quelques secondes.

LangChain comme l'épine dorsale de l'orchestration de l'agent

LangChain est un cadre conçu pour construire des applications où les modèles de langage peuvent interagir avec des outils externes, des données et de la logique de manière structurée et fiable. Au lieu d'utiliser un LLM comme un générateur de texte autonome, LangChain permet à ce dernier d'agir comme partie d'un système orchestré en appelant des fonctions Python, en faisant respecter des règles commerciales, en accédant à des ensembles de données et en coordonnant des flux de travail en plusieurs étapes.

Dans l'Agent d'Intelligence pour le Deal Desk, LangChain est essentiel car il permet au LLM de se concentrer sur l'interprétation des notes CRM non structurées tandis que des outils de politique déterministes appliquent des seuils exacts, garantissant que les décisions restent cohérentes, auditées et prêtes pour la production plutôt que purement basées sur des prompts.

Architecture de haut niveau :

À un niveau élevé, l'architecture de l'Agent d'Intelligence pour le Deal Desk est divisée en trois zones fonctionnelles qui séparent clairement l'interprétation de l'IA de la logique commerciale déterministe.

• Zone 1 (Entrée de données et configuration) : Le processus commence ici. Les notes CRM brutes et non structurées sont ingérées et l'environnement opérationnel, y compris les paramètres stricts du LLM et les seuils de politique numérique, est configuré.

• Zone 2 (Le raisonnement agentique) : [Le contenu de cette section n'est pas fourni dans l'extrait.]