Agents IA encadrés dans NetSuite, avec une validation humaine à chaque écriture

Le problème

Les responsables de la finance et des opérations avaient déjà essayé l'IA générative et en avaient gardé des prototypes de chatbot. Aucun n'a atteint la production, pour des raisons bien documentées. On ne peut pas laisser un modèle de langage deviner un solde de compte, un code de taxe ou une valorisation de stock. Envoyer des milliers de lignes de transaction dans une fenêtre de contexte épuise le budget et fait dériver le modèle. Et aucun comité d'audit n'accorde à un agent non gouverné un accès en écriture au grand livre. Ce qu'il leur fallait n'était pas un modèle plus intelligent, mais une manière gouvernée de faire travailler n'importe quel modèle.

Ce que nous avons fait

Nous avons déployé Aissistor, le framework ERP agentique de DataOngoing, lors d'un sprint de deux semaines sur les rôles NetSuite existants. Un routeur central répartit le travail entre des agents spécialisés : un agent de rapprochement fournisseurs, un détecteur de fuites de marge au grand livre, un auditeur de recherches enregistrées et un inspecteur de contrats. Chaque agent n'agit que par l'intermédiaire d'outils Model Context Protocol formels : execute_suiteql pour des requêtes paramétrées en lecture seule, get_record_schema pour la structure, et propose_transaction_draft pour tout ce qui modifierait le grand livre. Les lectures vont directement à NetSuite. Les écritures s'arrêtent à une revue intermédiaire où le responsable des comptes fournisseurs voit l'écart mis en évidence et clique sur approuver avant l'enregistrement de la pièce.

Ce schéma est l'un des workflows conçus, avec ses points de contrôle et les preuves associées.

Fonctionnement du mécanisme

1. Des appels d'outils, pas du texte libre

   Pour examiner le solde d'un client, le worker appelle execute_suiteql avec une requête paramétrée et reçoit des lignes structurées issues des tables NetSuite. Le modèle résume et signale les anomalies dans des données qu'il n'a pas générées, et chaque chiffre de sa réponse remonte à une ligne.

2. Le garde-fou financier avec validation humaine

   Un worker peut auditer 5 000 bons de commande et trouver 14 factures fournisseurs en double, ou assembler un projet de facture fournisseur à partir d'un scan OCR. Il ne peut enregistrer ni l'un ni l'autre. Le brouillon arrive dans une fenêtre de revue avec l'écart mis en évidence ; le superviseur approuve, et NetSuite écrit l'enregistrement sous le rôle de cette personne.

3. Décomposition en sous-agents

   Un seul prompt ne résout pas un problème d'ERP. Un agent de recherche extrait les notes de transaction, les contrats fournisseurs et l'historique de paiement ; un agent d'analyse forensique examine les ventilations au grand livre et les pourcentages de marge ; un agent de documentation assemble la synthèse pour le conseil, avec des liens d'audit vers les enregistrements.

Résultats

À retenir

1. L'IA sans outils encadrés est un risque

   Ne laissez jamais un modèle accéder à l'ERP par des scrapers ou des pilotes de base de données sans autorisation. Exigez des interfaces MCP formelles avec des jetons basés sur les rôles et une frontière lecture/écriture que vous pouvez auditer.

2. L'objectif est de supprimer la charge administrative, pas les personnes

   Les comptables seniors devraient analyser la stratégie de trésorerie, pas saisir à la main des numéros de facture de douze chiffres issus de PDF scannés. Le worker fait la saisie ; la personne exerce son jugement.

3. Une architecture déterministe surpasse la taille du modèle

   Un modèle discipliné doté d'outils SuiteQL précis bat un modèle généraliste bien plus grand qui devine. La gouvernance est la fonctionnalité.

Rétrospective composite ; le client est présenté comme un archétype et les chiffres illustrent le mécanisme. Voir aussi : Automatisation des équipements et des documents de l'atelier au grand livre