Comunica 360 — Formation IA

Vue d'ensemble

Bienvenue dans la formation IA Comunica 360. Explore les modules à ton rythme — du vocabulaire essentiel jusqu'à la création d'agents autonomes.

5

Modules disponibles

35+

Concepts couverts

3

Agents construits

6

Modules au total

Ta progression0%

Parcours de formation

M1

Écosystème IA

Chat vs Code vs Cowork · LLMs · Tokens · Contexte · Vocabulaire technique

Disponible

M2

Prompt Engineering

6 composantes · Techniques avancées · Mega-prompt · Fact-checking

Disponible

M2+

Prompt Avancé · Skills · Agents

NotebookLM · Skills Claude · Agent email · Artifact vs Agent vs Projet

Disponible

M3

Agents Autonomes

Squelette universel · Agent nettoyage · Agent email · Agent WhatsApp

Disponible

M4

Outils IA & Connectivité

NotebookLM · Stack IA 2026 · Claude + WordPress via MCP · APIs & Automatisation

Disponible

N8N

Automatisation N8N — Semaine 1

Workflows · Webhooks · CRM automatique · Agent IA WhatsApp · Claude API

Disponible

M8

Cas Concrets — Projets réels

CRM auto · Agent WhatsApp IA · Notion API · Dashboard /prospect · Catalogue /ftech

Disponible

M5

Création Web / Apps

HTML/JS · GitHub Pages · Netlify · Déployer sa première app IA

Bientôt

M6

Stratégie & Monétisation

Positionnement · Création de contenu IA · Conversion audience

Bientôt

Complété

M1 — Écosystème IA

Comprendre les outils Claude, le fonctionnement des LLMs et le vocabulaire technique essentiel.

Progression du module0%

Comparatif des outils Claude

Outil	Usage principal	Pour qui	Niveau
Claude.ai (Chat)	Conversation, questions, génération de contenu, analyse de documents	Tous	Débutant
Claude Code	Terminal agentique — lit ton codebase, édite des fichiers, exécute des commandes	Développeurs	Avancé
Claude Cowork	Tâches autonomes multi-étapes, accès fichiers locaux, sans coder	Non-développeurs	Intermédiaire
Claude in Chrome	Agent de navigation — contrôle le navigateur, remplit des formulaires	Automatisation web	Intermédiaire
Claude in Excel	Analyse classeurs, génère formules, tableaux croisés dynamiques	Analystes	Intermédiaire

Concepts fondamentaux LLM

Concept

LLM

Large Language Model — modèle entraîné sur des milliards de textes pour générer du langage naturel.

Claude, GPT-4, Gemini

▾

Un LLM est un réseau de neurones artificiels contenant des milliards de paramètres (poids mathématiques), entraîné sur des téraoctets de texte humain — livres, articles, code, sites web. Il apprend des patterns statistiques du langage, pas des règles explicites.

Le processus d'entraînement consiste à prédire le mot suivant dans une séquence, des milliards de fois, jusqu'à ce que le modèle développe une compréhension implicite de la grammaire, des faits, du raisonnement et du contexte.

Transformer architecture — La technologie derrière tous les LLMs modernes depuis 2017 (papier "Attention is All You Need", Google)
Paramètres — Claude 3 Opus : ~175 milliards de paramètres. Chaque paramètre = un poids numérique ajusté pendant l'entraînement
RLHF — Reinforcement Learning from Human Feedback. Technique d'alignement qui rend les LLMs utiles et sûrs

Analogie Stanford / DeepLearning.AIUn LLM est comme un étudiant qui a lu toute la bibliothèque mondiale et peut répondre à n'importe quelle question — mais sans vérifier les sources en temps réel.

Sources : DeepLearning.AI · Stanford CS224N · Anthropic Model Card

Concept

Token

Morceau de mot. "développement" = 2-3 tokens. Chaque conversation a une limite de tokens.

100k tokens ≈ 75 000 mots

▾

La tokenisation est la façon dont les LLMs découpent le texte en unités traitables. Un token n'est pas un mot — c'est un fragment de mot, un mot complet, ou un caractère de ponctuation, selon la fréquence d'apparition dans les données d'entraînement.

"chat" → 1 token (mot courant)
"développement" → 3 tokens : "dé" + "veloppe" + "ment"
"Anthropomorphisme" → 5-6 tokens (mot long et rare)
1 page A4 ≈ 500 tokens · 1 roman ≈ 100 000 tokens

La limite de tokens d'un modèle définit sa "mémoire de travail". Claude a une fenêtre de 200 000 tokens — l'une des plus grandes du marché, équivalente à ~150 000 mots ou un roman complet.

Impact pratiquePlus ton prompt est long et détaillé, plus il consomme de tokens. Un mega-prompt de 800 mots ≈ 1 000 tokens. La réponse de Claude s'ajoute au total. Dépasser la limite = Claude "oublie" le début de la conversation.

Sources : OpenAI Tokenizer · Anthropic Documentation

Concept

Contexte

Mémoire active de la conversation — tout ce que le modèle "voit" en même temps.

Fenêtre de 200k tokens pour Claude

▾

La fenêtre de contexte est la quantité maximale d'information qu'un LLM peut traiter simultanément. Contrairement à un humain qui a une mémoire à long terme, un LLM repart de zéro à chaque nouvelle conversation — il ne se souvient de rien d'une session à l'autre.

Dans une conversation longue, si tu dépasses la fenêtre de contexte, le modèle "oublie" les premières parties de la discussion. C'est pourquoi les projets Claude (qui stockent des fichiers) sont si puissants — ils injectent du contexte permanent à chaque conversation.

Claude 3.5 Sonnet — 200 000 tokens de contexte
GPT-4o — 128 000 tokens
Gemini 1.5 Pro — 1 000 000 tokens (cas exceptionnel)

Cas concret — Projet récurrentQuand tu travailles sur un projet avec un fichier de contexte permanent (prompt système), Claude "se souvient" des règles métier sans que tu les répètes à chaque conversation.

Sources : Anthropic · Google DeepMind · MIT Technology Review

Concept

Température

Paramètre de créativité : 0 = précis/déterministe, 1 = créatif/varié.

0.2 pour du code · 0.8 pour du contenu

▾

La température contrôle le degré d'aléatoire dans les réponses d'un LLM. Techniquement, elle modifie la distribution de probabilité sur les tokens possibles : une température basse concentre la probabilité sur les tokens les plus probables (réponses prévisibles), une température haute distribue la probabilité plus largement (réponses plus surprenantes).

0.0 — Déterministe. La même question donnera toujours la même réponse. Idéal pour : extraction de données, code, traductions, classifications
0.3-0.5 — Légèrement créatif. Bon équilibre pour la rédaction professionnelle, les fiches techniques, les emails
0.7-0.9 — Créatif. Idéal pour : brainstorming, slogans, storytelling, contenu réseaux sociaux
1.0+ — Très aléatoire. Résultats imprévisibles — rarement utile en production

Application pratiquePour générer des documents techniques → température 0.2 (cohérence). Pour du brainstorming créatif → température 0.8 (variété). La plupart des interfaces comme Claude.ai gèrent ça automatiquement.

Sources : DeepLearning.AI "ChatGPT Prompt Engineering for Developers" · OpenAI API Docs

Concept

MCP

Model Context Protocol — standard Anthropic pour connecter Claude à des outils externes.

Claude lit Google Drive, publie sur WordPress

▾

Le MCP (Model Context Protocol) est un standard ouvert lancé par Anthropic en novembre 2024. Il définit une façon standardisée pour les LLMs de se connecter à des sources de données et des outils externes — comme un câble USB universel pour l'IA.

Avant le MCP, chaque intégration IA/outil nécessitait un développement sur mesure. Avec le MCP, un serveur MCP compatible suffit pour que Claude puisse lire, écrire et agir dans n'importe quelle application.

Serveurs MCP disponibles — Gmail, Google Drive, Google Calendar, GitHub, Slack, WordPress, Notion, Jira, et des centaines d'autres
Fonctionnement — Claude envoie des requêtes au serveur MCP → le serveur interagit avec l'app → renvoie les résultats à Claude
Sécurité — Tu donnes des permissions spécifiques (lecture seule, écriture limitée) — Claude n'a jamais un accès illimité

Impact concretClaude + Gmail MCP = agent email qui lit et répond. Claude + WordPress MCP = publication d'articles sans ouvrir le dashboard. Claude + Google Sheets MCP = mise à jour automatique de tes tableaux depuis tes données.

Sources : Anthropic MCP Documentation · Model Context Protocol GitHub (open source)

Concept

RAG

Retrieval Augmented Generation — l'IA cherche dans une base externe avant de répondre.

Agent IA qui cherche dans le catalogue produit

▾

Le RAG (Retrieval Augmented Generation) est une technique qui combine la puissance des LLMs avec la précision d'une base de données. Au lieu de répondre uniquement depuis ses données d'entraînement, l'IA va d'abord chercher des informations pertinentes dans une source externe, puis génère sa réponse en s'appuyant sur ces données fraîches.

C'est la solution au problème de l'hallucination et du cutoff de connaissance : au lieu d'inventer, l'IA s'appuie sur des documents réels et à jour.

Étape 1 — Indexation — Tes documents sont découpés en chunks et transformés en embeddings (vecteurs numériques)
Étape 2 — Retrieval — Ta question est comparée aux embeddings pour trouver les passages les plus pertinents
Étape 3 — Generation — Le LLM répond en s'appuyant sur les passages récupérés + sa connaissance générale

Cas concret — Catalogue produitUn catalogue de 500 références est indexé. Tu demandes : "Quelles sont les dimensions du produit premium ?" → le RAG trouve la fiche exacte → Claude génère une réponse précise sans inventer. NotebookLM utilise exactement ce principe.

Sources : Lewis et al. (2020) "RAG for Knowledge-Intensive NLP Tasks" · DeepLearning.AI RAG Course · LangChain Documentation

Concept

Agent IA

LLM qui prend des décisions, utilise des outils et enchaîne des actions pour atteindre un but.

Agent nettoyage disque — Exemple 01 (M3)

▾

Un agent IA est un LLM augmenté d'une boucle de raisonnement autonome. Là où un LLM classique répond à une question, un agent planifie des étapes, utilise des outils, évalue ses résultats, et continue jusqu'à atteindre son objectif — sans intervention humaine à chaque étape.

Le framework ReAct (Reasoning + Acting), popularisé par Google en 2022, est la base de la plupart des agents modernes : l'agent raisonne → agit → observe le résultat → raisonne à nouveau.

Boucle agent — Objectif → Plan → Action → Observation → Ajustement → Répétition
Outils disponibles — Recherche web, lecture de fichiers, exécution de code, appels API, envoi d'emails
Mémoire agent — Court terme (contexte actuel) + Long terme (base de données, fichiers)
Différence LLM vs Agent — LLM : répond. Agent : agit, décide, s'adapte

Architecture Exemple 03 (WhatsApp)Trigger (email reçu) → Agent lit l'email → Classifie la priorité → Rédige une réponse → Évalue la confiance → Si > 0.85 : envoie · Si < 0.85 : crée un brouillon → Log dans Google Sheets. Tout ça sans intervention humaine.

Sources : Yao et al. "ReAct" (Google, 2022) · Andrew Ng "AI Agents in LangGraph" · Anthropic Claude Agents Guide

Concept

Embedding

Représentation numérique d'un texte. Base technique du RAG et de la recherche sémantique.

Chercher "film adhésif" → trouver "vinyle"

▾

Un embedding est une représentation vectorielle d'un texte — chaque mot, phrase ou document est converti en un vecteur de nombres (ex: 1536 dimensions pour OpenAI ada-002). Les textes sémantiquement proches ont des vecteurs proches dans l'espace mathématique.

C'est pourquoi une recherche par embedding trouve "vinyle autocollant" quand tu cherches "film adhésif" — ils sont proches sémantiquement, même si les mots sont différents. C'est radicalement plus puissant qu'une recherche par mots-clés exacte.

Dimension — Un vecteur d'embedding contient typiquement 768 à 3072 nombres
Similarité cosinus — La mesure mathématique utilisée pour comparer deux embeddings
Modèles d'embedding — text-embedding-3 (OpenAI), voyage-3 (Anthropic), nomic-embed (open source)

Application catalogueUn stock indexé en embeddings permet à un utilisateur de chercher "scotch large transparent" et de trouver "ruban adhésif polypropylène transparent 48mm" — sans connaître la nomenclature exacte.

Sources : Word2Vec (Google, 2013) · OpenAI Embeddings Guide · Pinecone Vector Database Docs

Concept

CLAUDE.md

Fichier texte à la racine d'un projet — prompt système persistant pour tous les agents.

Instructions permanentes pour Claude Code

▾

Le fichier CLAUDE.md est l'équivalent d'un contrat de travail entre toi et Claude Code. Placé à la racine d'un projet, il est lu automatiquement par Claude Code avant chaque session — comme un briefing que ton assistant consulte avant de commencer à travailler.

Contenu typique — Rôle de l'agent, structure du projet, conventions de code, règles métier, outils à utiliser, ce qui est interdit
Format — Markdown standard. Peut inclure des sections, des listes, du code
Portée — S'applique à tous les agents Claude Code qui opèrent dans le projet
Avantage clé — Tu n'as plus à répéter tes instructions à chaque session

Exemple CLAUDE.md — Fiches techniques"Tu génères des fiches techniques produit. Toujours utiliser la charte couleurs de la marque. Jamais de fautes. Toujours inclure le tableau technique. Sauvegarder dans /output/fiches/."

Sources : Anthropic Claude Code Documentation · GitHub Copilot Instructions Pattern

Schéma — Comunica 360 M1 · Les 9 concepts LLM fondamentaux organisés autour du modèle central

Vocabulaire essentiel — Session M3+

Concept

Hôtes IA

Plateformes ou applications qui hébergent et font tourner un modèle IA.

Claude.ai · API Anthropic · Cursor

▾

Le modèle IA (ex: Claude Sonnet 3.5) est le cerveau — les mathématiques, les paramètres, l'intelligence. L'hôte est l'environnement qui fait tourner ce cerveau et l'expose à l'utilisateur. Un même modèle peut être hébergé sur de multiples hôtes avec des interfaces et des fonctionnalités différentes.

Claude.ai — Hôte web/mobile. Interface chat. Mémoire, projets, artifacts
API Anthropic — Hôte pour développeurs. Intégration dans tes propres apps
Cursor / Windsurf — Hôtes IDE. Claude intégré directement dans l'éditeur de code
Amazon Bedrock — Hôte cloud enterprise. Claude hébergé sur l'infrastructure AWS

Pertinence Comunica 360Quand tu passes de Claude.ai à WordPress MCP, tu changes d'hôte tout en gardant le même modèle. Comprendre cette distinction t'aide à choisir le bon hôte selon ta tâche.

Sources : Anthropic Partner Program · AWS Bedrock Documentation

Concept

ChatBot

Programme qui simule une conversation. Les chatbots IA modernes utilisent des LLMs.

Ancien : arbre de décision · Moderne : LLM

▾

Les chatbots ont évolué en trois générations distinctes. La troisième génération, basée sur les LLMs, a radicalement changé ce qui est possible : de la réponse rigide à la compréhension naturelle.

Génération 1 (1966-2010) — Basé sur des règles. "Si le client dit X, répondre Y". ELIZA (MIT, 1966) est le premier chatbot
Génération 2 (2010-2022) — Machine Learning. Le bot apprend des patterns depuis des données d'entraînement. Siri, Alexa
Génération 3 (2022+) — LLM-based. Comprend le contexte, le sarcasme, les nuances. Répond à des questions jamais vues. Claude, ChatGPT

Opportunité pour ta plateformeUn chatbot LLM sur ton site (via Claude API) peut répondre aux questions des visiteurs 24h/24, personnaliser ses réponses selon le module en cours, et escalader vers un humain pour les questions complexes.

Sources : Weizenbaum (1966) ELIZA · Stanford NLP Group · Gartner Conversational AI Report 2024

Concept

Pipeline

Séquence d'étapes automatisées où la sortie d'une étape devient l'entrée de la suivante.

ERP → Claude → WhatsApp → Commercial

▾

Le concept de pipeline vient du développement logiciel (Unix pipes, années 1970) et s'est généralisé à tous les workflows automatisés. En IA, une pipeline orchestre plusieurs modèles ou outils de façon séquentielle pour accomplir une tâche complexe qu'aucun outil seul ne pourrait faire.

Pipeline simple — A → B → C (linéaire, toujours le même chemin)
Pipeline conditionnelle — A → si condition → B ou C (branchements)
Pipeline parallèle — A → (B et C simultanément) → D (pour la vitesse)
Pipeline avec fallback — A → B → si erreur → C (résilience)

Pipeline — Rapport hebdomadaireExport données brutes → Script Python (nettoyage) → Claude (analyse et commentaires) → Template HTML (mise en forme) → Email automatique (distribution) → Chaque lundi 07h00 → 0 intervention humaine. Pipeline entièrement automatisé.

Sources : Martin Fowler "Patterns of Enterprise Application Architecture" · LangChain Pipelines · Apache Airflow Docs

💡 Pipeline vs Agent — La différence cléUne pipeline suit toujours le même chemin prédéfini (A→B→C). Un agent IA, lui, peut décider quel chemin prendre selon le contexte. Un agent peut contenir plusieurs pipelines.

Schéma — Comunica 360 M1 · Pipeline (chemin fixe) vs Agent IA (chemin adaptatif selon le contexte)

Vocabulaire API & Web — Pratique Nouveau

🎯 Pourquoi c'est stratégiqueEn tant que responsable digital qui délègue à des outils IA ou des développeurs, comprendre ces termes te permet de valider les choix techniques, communiquer précisément et éviter les erreurs coûteuses — sans avoir à coder toi-même.

Terme	Définition simple	Analogie	Dans nos projets
API	Pont entre deux logiciels qui leur permet de communiquer et d'échanger des données	Un serveur de restaurant : tu passes ta commande (requête), il t'apporte le plat (réponse) sans que tu entres en cuisine	API Notion = Claude crée des pages. API WhatsApp = alertes auto. API Claude = intelligence intégrée dans tes apps
Token / Clé secrète	Mot de passe unique qui prouve que tu es autorisé à utiliser une API. À ne jamais partager.	Une clé de badge d'entrée : elle ouvre les portes mais si tu la perds, il faut en créer une nouvelle immédiatement	Token Notion pour créer la structure HQ. Token Claude API pour tes apps IA
Endpoint	URL précise d'une API qui effectue une action spécifique	Un numéro de guichet : guichet 3 = passeports, guichet 7 = permis. /v1/pages = créer une page Notion	/v1/pages, /v1/databases = endpoints Notion utilisés dans l'exemple 02
HTTPS Request (GET/POST)	Demande envoyée à un serveur web. GET = lire des données. POST = créer ou envoyer des données.	GET = consulter ton solde bancaire. POST = faire un virement.	POST /v1/pages pour créer une page Notion. GET pour récupérer des données existantes
Header HTTP	Métadonnées jointes à une requête : qui tu es (Authorization), quel format tu envoies (Content-Type)	L'enveloppe d'une lettre : elle contient l'adresse, le timbre, le nom de l'expéditeur — sans ouvrir la lettre	Authorization: Bearer TOKEN, Content-Type: application/json, Notion-Version: 2022-06-28
JSON	Format texte structuré pour échanger des données entre applications. Basé sur des paires clé/valeur.	Un formulaire administratif numérique : chaque champ a un nom et une valeur, toujours dans le même ordre	Toutes les réponses des APIs (Notion, Claude) sont en JSON. Le script Node.js lit et envoie du JSON
CORS	Restriction de sécurité du navigateur qui bloque les appels vers un autre domaine que la page actuelle	Un vigile d'hôtel : les habitants de l'hôtel peuvent circuler librement, mais les visiteurs externes sont bloqués à l'entrée	Le fichier HTML local ne pouvait pas appeler api.notion.com → erreur CORS → solution : Node.js
Sandbox	Environnement isolé pour tester du code sans risquer d'affecter les données réelles	Un terrain de jeu cerné par une clôture : tu peux faire ce que tu veux à l'intérieur sans sortir des limites	Le sandbox Cowork exécute les scripts dans un environnement contrôlé avec restrictions réseau
Proxy	Intermédiaire qui relaie les requêtes entre ton app et un serveur externe. Peut filtrer ou bloquer certains appels.	Un douanier qui inspecte tous les colis entrants et sortants — il peut en refuser certains selon les règles	Le proxy Cowork bloquait api.notion.com avec un 403 Forbidden → Node.js local contourne ce proxy
Node.js	Environnement d'exécution JavaScript côté serveur (pas dans le navigateur). Peut appeler des APIs directement.	Un employé qui travaille dans les coulisses, pas face au client : il peut accéder à tous les systèmes sans restrictions frontend	Notre script Node.js a résolu CORS et Proxy. Modèle réutilisable pour toutes les APIs futures
fetch() vs https.request()	fetch() = appel API depuis le navigateur (sujet à CORS). https.request() = appel direct depuis Node.js (sans restriction)	fetch() = appeler depuis un téléphone public (surveillance). https.request() = appeler depuis un bureau privé (direct)	fetch() a échoué en HTML. https.request() en Node.js a fonctionné. Règle : toujours Node.js pour Cowork + API
Webhook	Mécanisme où un service externe notifie automatiquement ton application quand un événement se produit	Un portier qui te prévient par message dès qu'un visiteur arrive — tu n'as pas à rester à la porte à attendre	Gmail Webhook → nouvel email reçu → agent email s'active automatiquement (M3)
OAuth	Standard d'autorisation qui permet à une app d'accéder à tes données sans connaître ton mot de passe	"Se connecter avec Google" : Google vérifie ton identité et donne un badge temporaire à l'app, sans lui donner ta clé	Intégration Notion OAuth = accès sécurisé sans mot de passe. Utilisé pour les intégrations publiques
Rate Limiting	Limite du nombre d'appels API autorisés par minute ou par heure. Au-delà : erreur 429 Too Many Requests.	Un guichet bancaire avec une file : maximum 3 clients par minute. Si tu arrives en 4ème : attends.	Notion API : ~3 req/sec. Si le script crée 100 pages trop vite → erreurs. Solution : ajouter un délai entre les appels
ID de ressource Notion	Identifiant unique (UUID) attribué à chaque page ou base de données Notion. Nécessaire pour y accéder via API.	Le numéro de sécurité sociale d'une page : unique, immuable, permet de la retrouver parmi des millions	database_id et page_id sont requis dans chaque appel API Notion. Se trouvent dans l'URL de la page
BDD Notion vs Page Notion	Base de données = tableau structuré avec propriétés (type Excel). Page = document libre (type Word).	Base de données = registre comptable avec colonnes définies. Page = feuille de notes libres.	Formation 30J et Projets SaaS = bases de données. Roadmap et Journal = pages simples
Properties Notion	Champs structurés d'une base de données Notion : title, rich_text, select, number, date...	Les colonnes d'un tableau Excel — chaque colonne a un nom et un type de donnée accepté	Chaque ligne de la base Formation 30J a des propriétés : Titre, Module, Statut, Date
Intégration interne vs OAuth Notion	Interne = token privé pour ton usage personnel. OAuth = accès public que tu accordes à des tiers.	Interne = clé de ta maison (usage personnel). OAuth = code temporaire pour laisser entrer le plombier	Notre exemple utilise une intégration interne (token secret). Pour une app publique → OAuth requis
Async/Await	Syntaxe JavaScript pour gérer les opérations qui prennent du temps sans bloquer le reste du code	Commander au restaurant et continuer la conversation en attendant — tu n'attends pas debout au comptoir	Chaque appel API Notion est async/await : le script attend la réponse avant de passer à l'appel suivant
Promise	Objet JavaScript représentant une valeur future — le résultat d'une opération asynchrone (en attente, succès ou échec)	Un ticket de vestiaire : tu sais que ton manteau sera là, mais pas encore. Quand c'est prêt → résolu (resolve)	Chaque https.request() retourne une Promise. Le .then() s'exécute quand la réponse de Notion arrive

Module suivant

M2 — Prompt Engineering →

›

Complété

M2 — Prompt Engineering

Les 6 composantes d'un bon prompt, techniques avancées, prompts multi-livrables et application aux projets.

Progression du module0%

Les 6 composantes d'un bon prompt

01

Rôle / Persona

Qui est l'IA dans ce contexte. Définit le cadre de raisonnement et le niveau d'expertise.

▾

Définir un rôle à l'IA active un "mode de raisonnement" spécifique. Des études de l'Université de Stanford montrent que les LLMs obtiennent de meilleures performances sur des tâches spécialisées quand un rôle expert est assigné — phénomène appelé "role prompting" ou "persona prompting".

Rôle générique — "Tu es un assistant utile" → réponses moyennes, ton généraliste
Rôle expert — "Tu es un expert en signalétique avec 15 ans d'expérience chez un imprimeur industriel" → réponses précises, vocabulaire technique, recommandations pertinentes
Rôle double — "Tu es à la fois un expert technique et un commercial" → combine les deux perspectives

Exemple persona — Fiches techniques"Tu es un expert produit spécialisé en signalétique et impression. Tu connais parfaitement les normes ISO pour les enseignes extérieures et les contraintes d'impression grand format."

Sources : DeepLearning.AI Prompt Engineering Course (Andrew Ng) · OpenAI Prompt Engineering Guide · Wei et al. (2022)

02

Contexte

Informations de fond nécessaires. Plus c'est précis, meilleur est le résultat.

▾

Le contexte répond à la question : "Qu'est-ce que l'IA doit savoir sur ma situation pour répondre de façon pertinente ?" Sans contexte, l'IA répond pour un cas générique qui ne correspond probablement pas au tien.

Contexte métier — Secteur, taille d'entreprise, clientèle, défis actuels
Contexte utilisateur — Ton niveau, tes contraintes, ce que tu as déjà essayé
Contexte de la tâche — Pourquoi tu fais ça, pour qui, dans quel délai
Règle d'or — Si un expert humain aurait besoin de cette info pour t'aider, mets-la dans le prompt

Sans contexte vs avec contexteSans : "Comment améliorer mes ventes ?" → réponse générique. Avec : "Je dirige 3 équipes commerciales, concurrence qui baisse ses prix de 15%, produits haut de gamme. Comment repositionner mon offre ?" → réponse actionnable.

Sources : Anthropic Prompt Engineering Guide · Google "Prompting Fundamentals" Course

03

Tâche

Ce que tu veux exactement — action précise et délimitée. Évite les formulations ambiguës.

▾

La tâche est le cœur du prompt. Une tâche vague produit une réponse vague. Une tâche précise produit une réponse précise. Le framework SMART (Spécifique, Mesurable, Atteignable, Réaliste, Temporel) s'applique directement à la définition de la tâche.

Verbes d'action précis — Génère / Rédige / Analyse / Compare / Résume / Traduis / Classe / Extrais
Quantifier — "Rédige 3 variantes" plutôt que "Rédige quelques variantes"
Délimiter — "En 200 mots maximum" plutôt que "Sois concis"
Décomposer — Une tâche complexe = plusieurs sous-tâches numérotées (instructions atomiques)

Tâche floue vs préciseFloue : "Aide-moi avec mon email". Précise : "Rédige un email de relance commercial de 150 mots maximum pour un client qui n'a pas répondu à notre devis depuis 7 jours. Ton professionnel mais chaleureux. Inclure un call-to-action clair."

Sources : MIT "Communicating with AI" Course · DeepLearning.AI Prompt Engineering

04

Format de sortie

Comment tu veux le résultat : liste, tableau, JSON, code, prose, markdown.

▾

Spécifier le format évite le travail de reformatage après coup. L'IA peut produire exactement ce dont tu as besoin si tu le lui précises. Le format optimal dépend de l'usage final : lecture humaine, traitement automatique, insertion dans un document, affichage dans une app.

Pour la lecture — Prose, bullet points, titres H2/H3, tableau Markdown
Pour le code — Bloc de code avec le langage spécifié (```python, ```javascript)
Pour le traitement auto — JSON strict, CSV, XML
Pour les agents — JSON avec schema défini : {"action": "...", "params": {...}, "output": "..."}
Pour les documents — Structure Word/HTML avec sections nommées

Application dashboard"Réponds UNIQUEMENT en JSON valide avec cette structure : {'semaine': N, 'ca_total': X, 'regions': [{'nom': '...', 'ca': X, 'objectif_pct': X}], 'alerte': true/false}". Ce JSON est directement injecté dans le dashboard sans reformatage.

Sources : OpenAI "Structured Outputs" Documentation · Anthropic Tool Use Guide

05

Exemples (Few-shot)

Montrer 1-3 exemples avant la vraie question. Améliore drastiquement la précision.

▾

Le few-shot prompting (Brown et al., GPT-3, 2020) est l'une des découvertes les plus importantes en prompt engineering. En montrant quelques exemples de ce qu'on attend, on peut transformer radicalement la qualité des réponses sans modifier le modèle — juste en changeant le prompt.

Zero-shot — Aucun exemple. Dépend entièrement de la compréhension du modèle
One-shot — 1 exemple. Suffisant pour les tâches simples avec un format clair
Few-shot — 2-5 exemples. Optimal pour la plupart des cas. Montre la variation acceptable
Many-shot — 10+ exemples. Pour les tâches très spécifiques ou les styles particuliers

Few-shot — Descriptions produit"Voici 2 exemples dans notre style : [Exemple 1 : Produit économique, usage intérieur...] [Exemple 2 : Produit haute performance, longue durée...]. Maintenant génère la description pour : [Ton produit]."

Sources : Brown et al. "Language Models are Few-Shot Learners" (OpenAI, 2020) · DeepLearning.AI

06

Contraintes

Ce qu'il ne faut PAS faire. Les contraintes négatives sont les plus puissantes.

▾

Les contraintes négatives ("Ne fais pas X") sont contre-intuitives mais extrêmement efficaces. Elles éliminent les comportements par défaut de l'IA qui ne correspondent pas à ton besoin. Sans contraintes, l'IA optimise pour la réponse "générique" la plus probable — pas forcément la plus utile pour toi.

Contraintes de ton — "Ne sois pas trop formel" · "Pas de superlatifs comme 'excellent' ou 'parfait'"
Contraintes de comportement — "Ne demande pas de confirmation avant d'agir" · "Ne pose pas de questions à la fin"
Contraintes de contenu — "N'invente aucun fait ou chiffre" · "Ne cite pas des concurrents"
Contraintes de format — "Pas de bullet points" · "Pas d'introduction généraliste"
Contraintes de longueur — "Maximum 200 mots" · "Minimum 3 points distincts"

Contraintes pour l'agent email Exemple 02"Ne jamais envoyer automatiquement les emails marqués URGENT. Ne jamais répondre aux newsletters. Ne jamais mentionner que tu es une IA. Ne jamais promettre des délais ou des prix sans validation humaine."

Sources : Anthropic Constitutional AI · OpenAI System Prompt Best Practices · Google Responsible Prompting

Techniques avancées

Technique	Description	Exemple
Chain of Thought	Demander à l'IA de raisonner étape par étape avant de répondre	"Réfléchis étape par étape..."
Few-shot	Donner 2-3 exemples avant la vraie question	3 exemples → question réelle
Instructions atomiques	1 action = 1 ligne numérotée. L'ordre = loi d'exécution.	1. Fais X · 2. Fais Y
Contraintes négatives	Dire explicitement ce qu'il ne faut PAS faire	"Ne demande pas de confirmation"
Format JSON	Demander une sortie structurée pour traitement automatique	"Réponds uniquement en JSON"
Prompt multi-livrables	Un seul prompt → plusieurs formats de sortie numérotés	Vidéo + Podcast + Infographie + Présentation
Brief de production	Penser en créateur : sujet + formats + audience + style + séquence + destination	Prompt NotebookLM/GitHub — Session M2+

Exemple analysé — Session M2+

📌 Contexte de l'exemplePrompt réel passé à Claude pour créer du contenu multiformat sur GitHub via NotebookLM, destiné à un projet de contenu réseaux sociaux.

#	Composante	Ce qui est utilisé dans ce prompt	Niveau
01	Rôle / Persona	"En utilisant ton skill NotebookLM" → définit l'outil/agent	✅ Présent
02	Contexte	GitHub = sujet, créateurs de contenu = audience cible	✅ Présent
03	Tâche	4 livrables distincts numérotés	✅ Multi-tâche
04	Format de sortie	Vidéo / Podcast / Infographie / Présentation minimaliste	✅ Multi-format
05	Exemples	"Enfant de 8 ans" = exemple de niveau de langage attendu	✅ Indirect
06	Contraintes	"Style minimaliste", "très clair", "suite logique"	✅ Présent

5 leçons tirées de cet exemple

Leçon 1

Prompt multi-livrables

Un seul prompt peut commander plusieurs formats différents. La clé : numéroter chaque livrable.

L'ordre d'exécution devient une loi

Leçon 2

L'audience comme contrainte

"Expliquer à un enfant de 8 ans" définit le registre, pas le contenu. Claude adapte tout automatiquement.

Nommer l'audience = contrainte de ton

Leçon 3

Le style comme paramètre

"Présentation minimaliste" = instruction de design transmise à l'outil. 1 mot = 10 lignes de description évitées.

Style → rendu automatique dans Canva

Leçon 4

Logique séquentielle

"Dans une suite logique, commence par..." = Chain of Thought appliqué à un workflow. Document source d'abord.

Ordonner = contrôler la qualité

Leçon 5

Brief de production

Ce prompt n'est pas une question. C'est un brief : sujet + formats + audience + style + séquence + destination.

Penser en créateur avant de taper

🔑 Leçon clé M2Un prompt bien structuré n'est pas une question — c'est un contrat. Chaque composante a un rôle précis et élimine une source d'ambiguïté.

Schéma — Comunica 360 M2 · Les 6 composantes organisées autour du prompt central

Le Mega-prompt

📖 DéfinitionUn mega-prompt est un prompt très long et très détaillé qui donne à l'IA tout son contexte en une seule fois : rôle, règles, exemples, contraintes, format — rien n'est laissé au hasard.

Caractéristique

Longueur assumée

Un mega-prompt peut faire 500 à 2000 mots. Ce n'est pas un défaut — c'est sa force. Plus il est précis, plus le résultat est prévisible.

Prompt système de 800 mots pour la génération de fiches techniques

Caractéristique

Écrit une fois, utilisé 100x

Tu rédiges le mega-prompt une seule fois avec soin. Ensuite tu l'utilises à répétition sans avoir à réexpliquer le contexte à chaque fois.

Prompt système sauvegardé dans un projet Claude dédié

Caractéristique

Remplace la formation de l'IA

Au lieu d'expliquer à chaque conversation qui tu es et ce que tu veux, le mega-prompt encode cette connaissance une fois pour toutes.

Charte couleurs Comunica 360 + structure des sections + règles de mise en page

Structure type

Anatomie d'un mega-prompt

Rôle + Contexte métier + Instructions détaillées + Exemples + Format de sortie + Contraintes absolues.

Les 6 composantes × profondeur maximale

🎯 Exemple concret — Fiches techniquesLe mega-prompt encode : le rôle (expert produit du secteur), la charte (couleurs, polices, logo), la structure des sections, les règles de qualité. Résultat : chaque document généré est identique en qualité à la précédente.

🔑 Leçon retenueUn mega-prompt n'est pas un prompt paresseux — c'est un investissement. 1 heure à le rédiger = 100 heures gagnées sur les conversations futures.

Fact-checking avec l'IA

📖 DéfinitionLe fact-checking est la vérification systématique des informations produites par une IA avant de les utiliser ou les publier. Les LLMs peuvent "halluciner" — inventer des faits qui semblent vrais.

Risque

Hallucination

Un LLM peut inventer des statistiques, des noms, des dates ou des sources qui n'existent pas — avec une totale assurance dans le ton.

Claude cite un article qui n'a jamais été publié

Risque

Cutoff de connaissance

Claude ne connaît pas les événements après août 2025. Toute info récente doit être vérifiée par une autre source.

Prix d'un outil IA sorti en 2026 → vérifier sur le site officiel

Bonne pratique

Demander les sources

Ajouter au prompt : "Cite tes sources" ou "Indique si tu n'es pas certain". Claude signalera alors ses doutes.

"Si tu n'es pas sûr d'une information, dis-le explicitement"

Bonne pratique

Croiser avec la recherche web

Pour les chiffres, dates, noms propres → vérifier sur Perplexity AI ou Google. Claude avec web search réduit fortement ce risque.

Perplexity AI = Claude + recherche web temps réel

🔑 Leçon retenueL'IA est un assistant brillant mais pas une encyclopédie infaillible. Vérifie toujours les chiffres, les noms propres et les dates avant de publier.

Schéma — Comunica 360 M2 · Risques d'hallucination vs bonnes pratiques de fact-checking

Prompt à copier — Mega-prompt (modèle)

# RÔLE
Tu es un expert produit spécialisé en [TON SECTEUR].

# CONTEXTE
Tu génères des fiches techniques professionnelles pour les produits SIGN et RIGIDE.
Charte : fond blanc, texte noir, accent #7c6dfa, logo de la marque en haut à droite.

# TÂCHE
Génère une fiche technique complète pour le produit suivant : [NOM_PRODUIT]

# FORMAT DE SORTIE
Structure obligatoire :
1. Titre produit + référence
2. Description commerciale (3 lignes max)
3. Tableau technique : dimensions, grammage, finitions disponibles
4. Image produit (placeholder si non fournie)
5. Conditions d'utilisation et précautions

# CONTRAINTES
- Jamais de faute d'orthographe
- Toujours inclure le tableau technique
- Ton professionnel et concis — pas de superlatifs
- Format .docx final

Module suivant

M3 — Agents Cowork →

›

Complété

M3 — Agents Cowork

Exemple 01 : Agent nettoyage disque · Exemple 02 : Agent email · Exemple 03 : Agent WhatsApp notifications · Squelette universel réutilisable.

Progression du module0%

📌 Exemple 01 — ContexteDisque C: à 93% de capacité (6,53 Go libres sur 97 Go). Premier agent autonome réel — modèle réutilisable pour tous les agents futurs.

Anatomie du prompt — Exemple 01

Bloc	Rôle	Ce qu'il apporte
Rôle	Définit l'identité de l'agent	Cadre tout le raisonnement vers PowerShell/Windows
Actions atomiques	1 action = 1 ligne numérotée	Ordre imposé. Aucune ambiguïté. Contrat d'exécution.
Notification PC	Output utilisateur local	Toast Windows sans ouvrir de fenêtre
Notification Email	Canal distant	Gmail push = alerte smartphone même PC éteint
Planification	Trigger temporel	RunIfMissed = exécution au prochain démarrage
Comportement autonome	Fire and forget	Ne demande jamais de confirmation. Se débrouille seul.

5 concepts clés — Exemple 01

Concept

Persona

Définir le rôle de l'agent avant toute instruction.

"Tu es un assistant d'automatisation Windows"

▾

La persona ancre le raisonnement du LLM dans un domaine précis. Sans persona, le modèle répond de façon généraliste. Avec une persona experte, il active les patterns de raisonnement correspondants appris durant son entraînement.

Persona technique — "Tu es un expert PowerShell Windows Server 2019" → réponses précises, commandes exactes, gestion d'erreurs adaptée
Persona métier — "Tu es un commercial senior spécialisé en B2B" → ton, vocabulaire et priorités adaptés
Persona combinée — "Tu es un expert technique ET un formateur pédagogue" → explications accessibles avec profondeur technique

Règle d'orLa persona doit correspondre à l'output attendu. Pour un script PowerShell → expert système. Pour un email commercial → commercial senior. Pour une fiche technique → technicien produit.

Concept

Trigger Temporel

L'agent s'active seul selon un calendrier. Aucune intervention humaine.

Chaque Samedi à 08h00

▾

Le trigger temporel transforme un script passif en agent actif. L'agent ne répond plus — il agit de façon proactive selon un planning défini. Le Planificateur de tâches Windows, cron (Linux/Mac) et les outils comme Make ou Zapier sont les implémentations les plus courantes.

Cron expression — Format standard : minutes heures jour mois semaine. "0 8 * * 6" = chaque samedi à 08h00
RunIfMissed — Option critique : si le PC était éteint à l'heure prévue, la tâche s'exécute au prochain démarrage
Fréquences courantes — Quotidien (rapports), hebdomadaire (résumés de performance), mensuel (bilans), événementiel (alertes stock)

Cas concret — Dashboard hebdoTrigger : chaque lundi 07h00 → Agent extrait les données de la semaine → Génère le dashboard CA → Envoie par WhatsApp avant la réunion de 09h00.

Concept

Résilience

RunIfMissed = l'agent rattrape les exécutions manquées automatiquement.

PC éteint → exécution au prochain démarrage

▾

Un agent résilient continue de fonctionner même quand les conditions ne sont pas idéales. La résilience se conçoit en anticipant les scénarios d'échec : PC éteint, réseau indisponible, fichier manquant, service tiers en panne.

RunIfMissed (Windows) — Exécute la tâche manquée dès que le PC redémarre
Try/Catch (PowerShell) — Capture les erreurs et continue l'exécution ou envoie une alerte
Retry logic — En cas d'échec : réessayer 3 fois avec 5 minutes d'intervalle avant d'escalader
Log obligatoire — Chaque exécution (succès ou échec) est tracée avec horodatage

Pattern standardSi l'agent échoue → log l'erreur dans cleanup_errors.txt → envoie un email d'alerte → continue les autres tâches. L'échec d'une étape ne bloque pas les suivantes.

Concept

Multi-canal

Un seul agent, plusieurs canaux de notification simultanés.

PC (Toast) + Mobile (Gmail push)

▾

Un agent multi-canal adapte le canal de sortie selon l'urgence et le contexte. La même information peut être communiquée différemment selon qui doit la recevoir et dans quel délai.

Notification Toast (PC) — Confirmation locale immédiate. Visible uniquement si le PC est allumé
Email Gmail — Archivage automatique. Push sur smartphone si notifications activées. Idéal pour les rapports
WhatsApp Business — Taux d'ouverture 98%. Lecture en moins de 3 min. Idéal pour les alertes critiques
Slack / Teams — Notification d'équipe. Idéal pour la collaboration multi-personnes

Règle de sélectionCritique + immédiat → WhatsApp. Important + documenté → Email. Information locale → Toast. Collaboration équipe → Slack.

Concept

Squelette Universel

Persona + Actions + Output + Trigger + Résilience. Réutilisable pour tout agent.

Rapport hebdo · Alerte stock · Envoi devis

▾

Le squelette universel est un template de prompt que tu remplis pour créer n'importe quel agent. Chaque bloc a une fonction précise et ne peut pas être omis sans dégrader la qualité de l'agent.

Persona — Qui est l'agent ? Quel est son domaine d'expertise ?
Actions séquentielles — Que fait-il exactement ? Dans quel ordre ?
Output — Qu'est-ce qu'il produit ? Où ? Sous quel format ?
Trigger — Quand s'active-t-il ? Quel événement ou quel horaire ?
Résilience — Comment gère-t-il les erreurs ? Que fait-il si une étape échoue ?

Application immédiatePrends le prompt copiable en bas de cette section → remplace les crochets [ACTION], [TRIGGER] etc. par tes informations → tu as un agent fonctionnel en 10 minutes.

Schéma — Comunica 360 M3 · Les 5 blocs d'un agent autonome

📌 Exemple 02 — Agent Email IntelligentAgent qui lit tes emails entrants, les classe par priorité, génère un résumé en 2 lignes et répond automatiquement selon le niveau de confiance. Outils requis : Gmail MCP + Google Calendar MCP + Mémoire.

Pipeline — Agent Email

Trigger

Nouvel email reçu (webhook Gmail)

→

Lecture

Contenu + contexte de la conversation

→

Classification

Urgent / Normal / Newsletter / Spam

→

Résumé

2 lignes extraites du message

→

Rédaction

Réponse adaptée au ton détecté

→

Action

Urgent=brouillon · Normal=envoi auto · Newsletter=archive

4 concepts appris — Exemple 02

Concept

Trigger Événementiel

L'agent s'active sur un événement, pas sur un horaire fixe.

Différent du trigger temporel — plus réactif

▾

Contrairement au trigger temporel (qui attend un horaire), le trigger événementiel réagit à quelque chose qui se produit. C'est le modèle des systèmes réactifs modernes — l'agent "écoute" en permanence et s'active dès qu'une condition est remplie.

Webhook — Un service externe notifie l'agent qu'un événement s'est produit (ex: Gmail Webhook → nouvel email)
Polling — L'agent vérifie régulièrement (ex: toutes les 5 min) si un événement s'est produit
Event stream — L'agent reçoit un flux continu d'événements en temps réel

Trigger événementiel vs temporelTemporel : "Chaque lundi à 08h00, génère le rapport" → prévisible, planifiable. Événementiel : "Dès qu'un email de client VIP arrive, analyse et réponds dans les 10 minutes" → réactif, imprévisible dans le timing.

Concept

Seuil de confiance

L'agent décide seul si confiance > 0.85. En dessous → escalade humaine.

0.85 → envoi auto · 0.60 → brouillon

▾

Le seuil de confiance est le mécanisme qui évite les erreurs coûteuses dans un agent autonome. Il force l'agent à évaluer sa propre certitude avant d'agir — et à demander validation humaine quand il n'est pas sûr. C'est la clé pour déployer des agents en production sans risque.

Confiance haute (0.85+) — Réponse standard, contexte familier, action claire → agent agit seul
Confiance moyenne (0.60-0.85) — Contexte ambigu, demande inhabituelle → brouillon pour validation
Confiance basse (<0.60) — Situation inconnue, risque élevé → escalade immédiate vers un responsable humain

Implémentation pratiqueDans le prompt système de l'agent email : "Après avoir rédigé la réponse, évalue ta confiance de 0 à 1. Si > 0.85 : envoie. Si 0.60-0.85 : crée un brouillon avec note 'À valider'. Si < 0.60 : transfère à un humain avec contexte complet."

Concept

Escalade humaine

En dessous du seuil → brouillon pour validation. L'agent sait quand il ne sait pas.

Urgent = toujours brouillon, jamais auto-envoi

▾

L'escalade humaine est un principe fondamental de l'IA responsable. Un bon agent n'essaie pas de tout faire seul — il reconnaît ses limites et passe la main quand c'est nécessaire. Ce n'est pas une faiblesse : c'est ce qui rend l'agent déployable en entreprise.

Quand escalader — Demande ambiguë, montant financier important, client stratégique, risque légal ou réputationnel
Comment escalader — Brouillon annoté + résumé de la situation + recommandation de l'agent + action suggérée
Règle absolue — Les emails marqués URGENT ou les clients VIP → toujours validation humaine, quelle que soit la confiance

Cas concretUn client réclame une remise de 30%. Confiance : 0.4 (situation délicate). L'agent crée un brouillon : "Remise demandée. Client stratégique. Recommandation : 10% max. À valider avant envoi."

Concept

Mémoire contextuelle

L'agent connaît les échanges passés avec chaque contact.

Historique Gmail → réponse cohérente

▾

La mémoire contextuelle donne à l'agent la capacité de se souvenir des interactions passées — comme un assistant humain qui connaît l'historique de chaque client. Sans mémoire, chaque email serait traité hors contexte, produisant des réponses incohérentes et potentiellement contradictoires.

Mémoire à court terme — Le fil de la conversation actuelle (fenêtre de contexte du LLM)
Mémoire à long terme — Base de données des échanges passés (Google Sheets, Notion, CRM)
Mémoire sémantique — Profil du contact : préférences, historique achats, ton préféré

Impact concretL'agent se souvient que ce client préfère les emails courts, qu'il y a eu un litige de livraison il y a 3 mois, et que sa dernière commande portait sur X produit. La réponse intègre tout ce contexte automatiquement.

♻️ Squelette universelPersona → Actions séquentielles → Output → Trigger → Résilience. Ce modèle s'applique à n'importe quel agent autonome : nettoyage, email, rapports, alertes stock.

📌 Exemple 03 — Agent WhatsApp NotificationsTu reçois une alerte WhatsApp automatique dès qu'un événement se produit — sans ouvrir ton PC, sans vérifier manuellement. Un agent surveille en continu et te notifie en temps réel.

Pourquoi WhatsApp plutôt qu'un email ?

Canal	Taux d'ouverture	Délai de lecture moyen	Idéal pour
Email	~22%	6 à 12 heures	Rapports, archives
Notification PC	~40%	2 à 4 heures	PC allumé uniquement
WhatsApp	~98%	3 minutes	Alertes critiques temps réel

Pipeline — Agent WhatsApp

TRIGGER

Événement détecté (stock bas, email reçu, rapport prêt)

→

CONDITION

Vérification du seuil ou de la règle définie

→

MESERP

Génération du message contextualisé par Claude

→

ENVOI

WhatsApp Business API → ton téléphone

→

LOG

Traçabilité : date, événement, message envoyé

4 cas d'usage concrets

Cas d'usage

Alerte stock bas

Agent surveille la base stock → message WhatsApp au commercial concerné.

⚠️ Stock produit bas — 3 unités restantes (seuil : 10)

▾

L'agent interroge la base de données stock toutes les heures. Quand un produit passe sous le seuil défini (configurable par produit et dépôt), il génère une alerte personnalisée et l'envoie au bon commercial via WhatsApp Business.

Déclencheur — Stock < seuil minimum défini par agence
Message — Produit, agence, stock actuel, seuil, suggestion de commande
Destinataire — Responsable du dépôt concerné

Message type"⚠️ ALERTE STOCK · Agence Paris · Vinyle blanc 1m×50m : 3 rouleaux (seuil : 10) · Délai réappro : 5 jours · Suggéré : Commander 25 rouleaux · Réf. FA-BL-100"

Cas d'usage

Rapport CA hebdomadaire

Chaque lundi 08h00 → résumé CA depuis les données → WhatsApp.

📊 CA Semaine 15 — Objectif 92% atteint

▾

Pipeline automatique : extraction données → nettoyage → analyse Claude → formatage → envoi WhatsApp. Le dirigeant reçoit le résumé chaque lundi avant sa réunion sans ouvrir un seul fichier.

Données sources — Export données hebdomadaire (CSV ou Excel)
Analyse — CA par équipe, par collaborateur, vs objectif, vs semaine N-1
Format — Message WhatsApp structuré + lien vers dashboard complet

Message type"📊 Semaine 15 · CA Total : objectif 92% ✅ · Région A : +5% · Région B : -2% · Région C : +12% · Alerte : 2 devis expirent cette semaine"

Cas d'usage

Relance client automatique

Devis sans réponse depuis 5 jours → notification au commercial.

🔔 Devis #2847 — Client stratégique — 5 jours sans réponse

▾

L'agent monitore les devis ouverts dans le CRM ou Google Sheets. Après X jours sans réponse, il génère un rappel personnalisé pour le responsable commercial — avec contexte client et suggestion d'approche.

Délai configurable — 3 jours pour les petits comptes, 5 jours pour les moyens comptes, 2 jours pour les VIP
Contexte fourni — Historique client, montant du devis, dernière interaction
Suggestion — L'agent propose un angle de relance adapté au profil client

Valeur ajoutéeSans l'agent : les équipes oublient de relancer. Avec l'agent : taux de conversion des devis +25% (estimation). Chaque relance dans les 5 jours multiplie par 2 la probabilité de closing.

Cas d'usage

Notification publication

Article publié via WordPress MCP → WhatsApp pour partager sur les réseaux.

✅ "5 agents IA pour votre business" publié

▾

Quand Claude publie un article sur WordPress via MCP, il déclenche automatiquement une notification WhatsApp avec le titre, l'URL et une suggestion de post LinkedIn/Instagram prêt à copier-coller.

Trigger — Publication WordPress détectée via webhook
Contenu du message — Titre, URL, résumé en 2 lignes, hashtags suggérés
Bonus — Draft de post LinkedIn (200 mots) et Instagram (caption + 5 hashtags) inclus

Impact Comunica 360Tu publies un article → tu reçois le WhatsApp → tu copies le post LinkedIn en 1 tap → tu le colles et publies. Temps total : 30 secondes. Sans l'agent : 20 minutes de rédaction du post.

Stack technique — 3 options selon ton niveau

Option	Outil	Difficulté	Coût
Sans code	Make (ex-Integromat) + WhatsApp Business	⭐ Facile	~9€/mois
Semi-code	Node.js + Twilio API WhatsApp	⭐⭐ Moyen	~0.005€/message
Avancé	Claude Code + WhatsApp Business API directe	⭐⭐⭐ Avancé	Gratuit (1000 msg/mois)

🎯 Recommandation pour démarrerCommencer par Make + WhatsApp Business. Zéro code, opérationnel en 2 heures. Une fois les cas d'usage validés → migrer vers Claude Code + API directe pour plus de contrôle et de personnalisation des messages.

🔑 Leçon retenueWhatsApp n'est pas juste un canal de notification — c'est le canal avec le taux d'ouverture le plus élevé (98%). Un agent qui notifie sur WhatsApp est lu dans les 3 minutes. C'est la différence entre une alerte vue et une alerte ignorée.

Prompt à copier — Squelette universel d'agent

# RÔLE
Tu es un assistant d'automatisation [WINDOWS / GMAIL / WHATSAPP].

# TÂCHES (exécuter dans cet ordre)
1. [Action 1 — précise et atomique]
2. [Action 2]
3. [Action 3]
4. Génère un log dans [DOSSIER] nommé log_AAAA-MM-JJ.txt

# OUTPUT
5. Notification [PC Toast / Email Gmail / WhatsApp] avec :
   - Titre : "[NOM_TÂCHE] terminé"
   - Message : "Résultat : [X] — [DATE] à [HEURE]"

# TRIGGER
6. Planifie via [Planificateur Windows / Webhook / Cron] :
   - Fréquence : [Chaque samedi / À chaque email / Chaque lundi 08h00]
   - Option : RunIfMissed = true

# COMPORTEMENT AUTONOME
Gère les erreurs silencieusement.
Aucune confirmation utilisateur requise.
Exécution complète sans interaction humaine.

Exemple 02 — Notion Setup via API Nouveau

📌 ContexteObjectif : créer automatiquement la structure "Comunica 360 HQ" dans Notion via l'API officielle, exécuté depuis Cowork sur PC local. Niveau : Débutant · Durée estimée : 45 min.

Prérequis

Avant de commencer

Compte Notion (gratuit)
Node.js installé sur le PC
Comprendre ce qu'est une API (voir M1)
Token d'intégration Notion créé

Objectifs

Ce que tu sais faire après

Appeler une API externe depuis Cowork
Contourner les erreurs CORS et Proxy
Créer des bases de données et pages Notion par script
Réutiliser le pattern Node.js pour toute API future

Ce qu'on a tenté — et pourquoi ça a échoué

Tentative	Résultat	Raison
fetch() depuis fichier HTML local	❌ CORS bloqué	CORS = restriction navigateur. Les fichiers HTML locaux ne peuvent pas appeler des APIs externes.
Appel depuis sandbox Cowork	❌ Proxy 403	L'environnement sandbox filtre les appels réseau vers des domaines externes.
Script Node.js natif (https.request)	✅ Succès	Node.js tourne sur la machine locale, sans navigateur. Pas de restriction CORS. Appel direct.

💡 Leçon cléCORS est une restriction du navigateur, pas d'internet. Node.js la contourne car il fait des appels réseau directs — comme un serveur, pas comme une page web.

Pattern universel — Cowork + toute API externe

Node.js — https.request() réutilisable

const https = require('https');

function apiRequest(method, hostname, path, token, body) {
  return new Promise((resolve, reject) => {
    const data = JSON.stringify(body);
    const options = {
      hostname, port: 443, path, method,
      headers: {
        'Authorization': `Bearer ${token}`,
        'Content-Type': 'application/json',
        'Content-Length': Buffer.byteLength(data)
      }
    };
    const req = https.request(options, (res) => {
      let result = '';
      res.on('data', chunk => result += chunk);
      res.on('end', () => resolve(JSON.parse(result)));
    });
    req.on('error', reject);
    req.write(data);
    req.end();
  });
}

// Exemple : créer une page Notion
apiRequest('POST', 'api.notion.com', '/v1/pages', TON_TOKEN, {
  parent: { database_id: 'ID_DE_TA_BASE' },
  properties: { title: [{ text: { content: 'Nouvelle page' } }] }
}).then(res => console.log('Créé :', res.id));

Résultats obtenus — Comunica 360 HQ

Élément créé dans Notion	Type	Appels API
Base de données Formation 30J	Notion DB	1 + 30 lignes
Base de données Projets SaaS	Notion DB	1 + 6 lignes
Page Roadmap Globale	Page	1
Page Modules Formation /appr	Page	1
Page Journal des Sessions	Page	1

⚡ KPIsTemps d'exécution : ~2 min · ~38 appels API · 2 erreurs résolues (CORS + Proxy) · 5 éléments créés en une exécution

5 règles Cowork à retenir — APIs

#	Règle	Pourquoi
1	Utiliser Node.js natif pour tous les appels API depuis Cowork	Contourne CORS et restrictions proxy
2	Jamais fetch() dans un fichier HTML vers une API externe	Bloqué par CORS systématiquement
3	Ne jamais exposer un token dans une capture ou le chat	Token compromis = régénérer immédiatement
4	Tester avec 1 seul appel avant de lancer une boucle	Corriger 1 erreur plutôt que 30
5	Stocker les tokens dans des variables d'environnement (.env)	Ne jamais hardcoder un secret dans le code

🔑 Ce qu'on retientLe vrai obstacle avec les APIs n'est pas la logique — c'est l'environnement d'exécution. Comprendre où tourne ton code (navigateur vs Node.js vs serveur) détermine ce qui marche ou échoue.

Module suivant

SK — Skills Claude →

›

Complété — M2+

SK — Skills Claude

Comprendre les fichiers SKILL.md · Étapes concrètes de création · Skill vs Artifact vs Agent vs Projet.

Progression du module0%

📖 DéfinitionUn Skill est un fichier SKILL.md contenant des instructions spécialisées. Quand Claude détecte que ta demande correspond à un Skill disponible, il le lit avant d'agir — comme un agent qui consulte son manuel avant de travailler.

💡 AnalogieUn cuisinier polyvalent consulte la fiche recette spécifique avant de faire une tarte Tatin. Le Skill = la fiche recette. Claude = le cuisinier. Ton prompt = "fais une tarte Tatin".

5 étapes concrètes pour créer un Skill

Étape 01

Définir l'intention

Répondre à 3 questions avant d'écrire quoi que ce soit.

Avant d'écrire une seule ligne

▾

Les 3 questions obligatoires avant de créer un Skill :

Question 1 — Que doit permettre ce Skill ? Décris le résultat attendu en une phrase
Question 2 — Quand doit-il se déclencher ? Quels mots ou contextes signalent son utilisation ?
Question 3 — Quel est le format de sortie attendu ? Fichier HTML ? Réponse structurée ? Code ?

Exemple Skill — FormationQ1 : "Permettre à Claude de consolider les apprentissages dans la bonne section de la plateforme." Q2 : "Quand l'utilisateur demande d'ajouter du contenu à la formation." Q3 : "Bloc HTML structuré prêt à intégrer dans la plateforme."

Étape 02

Écrire le SKILL.md

Structure : nom, description, objectif, règles, format, contraintes.

Fichier texte Markdown standard

▾

Un SKILL.md bien écrit contient 4 parties essentielles :

Frontmatter YAML — name + description (le déclencheur — la partie la plus critique)
Contexte projet — Tout ce que Claude doit savoir sur l'environnement dans lequel il opère
Workflow détaillé — Les étapes exactes à suivre, dans l'ordre, avec les conditions
Références — Pointeurs vers les fichiers de référence à lire selon le besoin

Taille idéaleMoins de 200 lignes pour le SKILL.md principal. Si tu as besoin de plus → créer des fichiers de référence dans un dossier /references. Un bon skill suit exactement cette structure.

Étape 03

Tester avec 3 prompts

Varier les formulations. Vérifier que la sortie correspond aux règles.

Si 1 test échoue → réviser

▾

Les 3 tests doivent couvrir des formulations différentes pour vérifier que le déclencheur est robuste :

Test 1 — Formulation exacte — "Ajouter à la formation : Agent WhatsApp" → le skill se déclenche
Test 2 — Formulation variante — "ajouter à la formation : Agent WhatsApp" → se déclenche aussi
Test 3 — Cas limite — "Comment créer un agent WhatsApp ?" → ne doit PAS se déclencher (question générale, pas une consolidation)

Critères d'évaluationLa sortie respecte-t-elle la section cible ? Le HTML généré est-il dans la charte V3 ? La structure pédagogique en 5 temps est-elle présente ? Si non sur l'un de ces critères → réviser le SKILL.md.

Étape 04

Optimiser le déclencheur

La description doit contenir les mots-clés exacts que l'utilisateur va taper.

❌ "créer du contenu" → ✅ "NotebookLM, podcast IA"

▾

La description dans le frontmatter YAML est ce que Claude lit pour décider s'il doit activer le skill. Elle doit être "pushy" — légèrement agressive dans le déclenchement — pour éviter les cas où Claude ne l'utilise pas alors qu'il le devrait.

Inclure les variations — "ajouter à la formation", "mise à jour module", "nouvelle leçon", "consolider"
Inclure les contextes — "dans le projet /formation", "pour Comunica 360"
Éviter les termes trop génériques — "formation", "apprentissage" → trop communs, déclenchement non désiré

Pattern efficace"Déclencher quand l'utilisateur demande d'ajouter du contenu à la formation. Ce skill gère : l'organisation dans la bonne section, la génération du HTML structuré..."

Étape 05

Itérer

Prompt → Résultat → Évaluation → Révision → Retest jusqu'à 3/3.

3/3 tests réussis = Skill validé

▾

Un skill est rarement parfait à la première version. Le processus d'itération est standard dans le développement logiciel et s'applique directement aux skills IA.

Itération 1 — Draft initial. Tester les 3 prompts. Identifier les gaps
Itération 2 — Corriger les gaps identifiés. Re-tester. Mesurer l'amélioration
Itération 3+ — Affiner les cas limites. Le skill est bon quand les 3/3 tests sont satisfaisants
Maintenance — Mettre à jour le skill quand le projet évolue (nouveau module, nouvelle charte...)

Exemple d'itérationV1 : déclencheur trop général → déclenché sur des questions non pertinentes. V2 : liste des déclencheurs précisée, workflow en 5 étapes ajouté. Résultat : fonctionne correctement sur 3/3 tests.

Skill vs Artifact vs Agent vs Projet

Type	Définition	Utilisé par	Durée de vie	Exemple
Skill	Instructions spécialisées pour Claude (SKILL.md)	Claude en interne	Permanent	Skill PPTX, Skill NotebookLM
Artifact	Fichier ou interface généré dans Claude.ai	L'utilisateur	One-shot	Infographie GitHub, cette plateforme
Agent	LLM autonome avec outils — agit sans intervention	Indirectement	Continu	Agent email, Agent nettoyage
Projet	Contexte persistant multi-sessions avec mémoire	L'utilisateur	Continu	Projet formation, Projet catalogue, Projet dashboard

🎯 Réponse à la question clé M2+Pour créer du contenu réseaux sociaux depuis GitHub : on crée un Projet Claude avec le document source comme contexte → on génère des Artifacts (infographie, post) à l'intérieur → un Agent vient plus tard pour automatiser la publication. Séquence : Document source → Projet → Artifacts → Agent.

Module suivant

M4 — Outils IA & Connectivité →

›

En cours

M4 — Outils IA & Connectivité

NotebookLM · Stack IA 2026 · Claude + WordPress via MCP · APIs, automatisation & sécurité.

Progression du module0%

NotebookLM — Second cerveau documentaire

📖 DéfinitionOutil Google (Gemini 3) qui crée une base de connaissances depuis tes propres sources — PDF, Google Docs, YouTube, pages web. S'ancre exclusivement dans ce que tu lui fournis.

Fonctionnalité

Audio Overview

Podcast conversationnel entre 2 hôtes IA depuis tes documents. Jusqu'à 12 min. En français.

Résumé de 80 pages → podcast à écouter en voiture

▾

L'Audio Overview est la fonctionnalité signature de NotebookLM. Deux voix IA (un homme et une femme) conduisent une vraie conversation sur le contenu de tes sources — avec des questions, des rebondissements, des exemples. Ce n'est pas une lecture de texte : c'est une discussion synthétisée et structurée.

Durée — 8 à 12 minutes selon le volume des sources
Langues — Disponible en français, anglais, espagnol et 10+ autres langues depuis 2025
Personnalisation — Tu peux définir le ton (débutant/expert), le focus, les points à insister
Format — Fichier audio MP3 téléchargeable

Use case Comunica 360Importer le contenu de ta formation → NotebookLM génère un podcast de 10 min où deux voix expliquent les concepts IA aux futurs apprenants → tu publies ce podcast comme teaser.

Fonctionnalité

Video Overview

Vidéo slides commentée avec narration IA (~6 min).

Rapport technique → vidéo pédagogique client

▾

NotebookLM génère automatiquement une vidéo de présentation : slides visuelles + narration IA + images illustratives depuis tes sources. Lancé en novembre 2025, c'est l'une des fonctionnalités les plus puissantes pour transformer des documents en contenu consommable.

Format — Vidéo MP4, ~6 minutes, style "explainer video"
Slides — Générées automatiquement depuis les points clés des sources
Images — Illustrations IA basées sur le contenu (pas d'images prises sur le web)
Idéal pour — Onboarding clients, formation interne, contenu YouTube/LinkedIn

Cas pratiqueImporter un catalogue produit → NotebookLM génère une vidéo de présentation de 6 min pour les nouvelles recrues → ils connaissent les 50 produits principaux avant leur première semaine terrain.

Fonctionnalité

Infographies & Slides

Présentations et infographies pro depuis tes sources. Lancé nov. 2025.

Sources → présentation prête en 1 clic

▾

NotebookLM génère des infographies visuelles et des présentations complètes directement depuis tes sources. Propulsé par Nano Banana Pro, le rendu est professionnel et personnalisable. C'est la réponse directe à la création de contenu visuel chronophage.

Infographies — Schémas, comparatifs, timelines, process flows depuis ton contenu
Slides — Présentation de 10-20 slides avec structure narrative automatique
Export — PNG/PDF pour les infographies, PPTX pour les slides

Workflow Comunica 360Claude structure la leçon texte → importer dans NotebookLM → générer l'infographie résumée → intégrer dans la page HTML du module.

Fonctionnalité

Mind Map

Carte mentale interactive pour naviguer les connexions entre tes sources.

10 documents → carte des connexions en 1 clic

▾

NotebookLM analyse automatiquement les thèmes principaux de tes sources et génère une carte mentale interactive navigable. Les nœuds sont cliquables — tu accèdes directement au passage source qui a généré chaque branche.

Navigation — Clique sur un nœud → extrait le passage source correspondant
Profondeur — 3 niveaux de détail : thème principal → sous-thèmes → détails
Export — PNG ou SVG pour intégration dans des documents
Mise à jour — La Mind Map se régénère automatiquement si tu ajoutes des sources

Cas concretImporter les derniers plans stratégiques → Mind Map des axes prioritaires → voir en un coup d'œil les points communs et les divergences.

Fonctionnalité

Quiz & Flashcards

Jusqu'à 75 flashcards et QCM avec indices depuis tes sources.

Formation → quiz auto-généré

▾

NotebookLM génère automatiquement des quiz et flashcards basés sur les points clés de tes sources. Les questions sont contextualisées — ce ne sont pas des questions génériques mais des questions spécifiques à ton contenu.

Flashcards — Jusqu'à 75 cartes question/réponse par notebook
QCM — Questions à choix multiples avec 4 options et explication de la bonne réponse
Indices — Si tu bloques, NotebookLM donne un indice contextuel (pas la réponse directement)
Mode interactif — Système de révision type "Anki" intégré

Module certification Comunica 360Importer les modules M1-M4 dans NotebookLM → générer 30 flashcards + 15 QCM → c'est la base de l'examen de certification. Score 80%+ = certificat Comunica 360.

Nouveauté — Avril 2026

Intégration Gemini

NotebookLM intégré directement dans Gemini. Notebooks synchronisés.

Continuer dans Gemini sans changer d'app

▾

Depuis le 9 avril 2026, NotebookLM est intégré nativement dans l'interface Gemini de Google. Les notebooks sont synchronisés entre les deux outils — tu peux créer un podcast dans NotebookLM et continuer l'analyse dans Gemini sans changer d'application.

Synchronisation — Tes notebooks NotebookLM apparaissent directement dans Gemini
Avantage Gemini — Fenêtre de contexte de 1 million de tokens (vs 200k pour Claude)
Complémentarité — NotebookLM pour structurer et synthétiser, Gemini pour analyser en profondeur

Workflow combinéNotebookLM : importer 20 rapports ERP → générer le podcast résumé → Mind Map. Gemini : analyser les 20 rapports en une seule requête grâce au contexte 1M tokens → identifier les tendances sur 2 ans.

Mind Map — C'est quoi exactement ?

📖 DéfinitionUn Mind Map (carte mentale) est une représentation visuelle d'idées organisées autour d'un sujet central, avec des branches qui relient les concepts entre eux — comme une toile d'araignée d'idées.

Structure

Centre → Branches

Le sujet principal est au centre. Les idées principales rayonnent en branches. Les détails s'ajoutent en sous-branches. On lit du centre vers l'extérieur.

Centre : "Formation IA" → Branche : "Outils" → Sous-branche : "Claude, NotebookLM, Canva"

Avantage

Vue d'ensemble instantanée

En 1 coup d'œil, tu vois toutes les connexions entre les sujets — impossible avec un texte linéaire. Idéal pour la planification et la mémorisation.

Roadmap Comunica 360 en Mind Map → voir tous les modules et leurs liens

Usage IA

NotebookLM Mind Map

NotebookLM génère automatiquement un Mind Map depuis tes sources. Il identifie les thèmes principaux et crée les connexions sans que tu aies à structurer quoi que ce soit.

Importer 5 rapports ERP → Mind Map des tendances commerciales Q1 2026

Outils Mind Map

Au-delà de NotebookLM

D'autres outils créent des Mind Maps : Miro, Whimsical, MindMeister, Xmind. Certains intègrent l'IA pour suggérer les branches automatiquement.

Miro + IA → brainstorming collaboratif avec l'équipe commerciale

🔑 Leçon retenueUn Mind Map ne remplace pas un document — il le complète. Utilise le texte pour les détails, le Mind Map pour voir la structure globale et les connexions.

Pipeline NotebookLM + Claude — Multiplication ×10

Étape	Outil	Ce qu'il fait
Ingestion	NotebookLM	Charge PDF, vidéos YouTube, Google Docs — jusqu'à 50 sources
Synthèse	NotebookLM	Génère podcast, vidéo, infographie, Mind Map automatiquement
Analyse profonde	Claude	Raisonnement long, instructions complexes, prompt engineering
Production	Claude	Rédaction, code, scripts, tableaux, fiches techniques
Publication	Claude + MCP	Publie sur WordPress, envoie emails, met à jour des fichiers

💡 Principe cléNotebookLM = cerveau documentaire. Claude = cerveau exécutif. Deux outils connectés sont exponentiellement plus puissants que deux usages séparés.

Stack IA 2026 — Par catégorie

🧠 Assistants généralistes

★Claude

★ChatGPT

Gemini

Mistral

Grok (xAI)

Manus

📄 Recherche & Documentation

★NotebookLM

Perplexity AI

Gamma

🎨 Design & Visuel

★Canva AI

Midjourney v7

Adobe Firefly

Leonardo AI

Flair AI

🎬 Vidéo & Avatar

★HeyGen

Synthesia

Veo (Google)

Sora 2

Higgsfield AI

🔊 Audio & Voix

★ElevenLabs

💻 Code & Développement

★Claude Code #1

Cursor #2

GitHub Copilot

Antigravity

⚙️ Automatisation

Zapier AI

Make

ClickUp AI

Fathom

🌐 Web Apps sans code

★Lovable

Gamma

Nouveaux outils à connaître — 2025/2026

Assistant IA — xAI

Grok

Assistant IA créé par xAI (Elon Musk). Intégré nativement dans X (Twitter). Accès en temps réel aux posts X — ce que Claude et ChatGPT n'ont pas par défaut.

Analyser les tendances X en temps réel · Résumer un fil d'actualité · Générer du contenu pour X

Agent IA autonome

Manus

Agent IA chinois (2025) capable d'exécuter des tâches complexes de façon totalement autonome : recherche web, rédaction, code, navigation. Il agit sans supervision humaine sur plusieurs heures.

Demander à Manus de faire une veille concurrentielle complète → il cherche, analyse et livre le rapport seul

Vidéo IA cinématique

Higgsfield AI

Outil de génération vidéo IA spécialisé dans les effets cinématiques et la cohérence des personnages. Crée des vidéos avec le même personnage d'une scène à l'autre — problème majeur résolu.

Créer une série de vidéos Comunica 360 avec le même avatar cohérent d'une vidéo à l'autre

Outil	Type	Point fort unique	Cas d'usage Comunica 360
Grok	Assistant IA	Accès temps réel à X (Twitter)	Veille tendances IA · Contenu X optimisé
Manus	Agent autonome	Exécute des tâches complexes seul pendant des heures	Recherche concurrentielle · Rédaction longue forme
Higgsfield	Vidéo IA	Cohérence du personnage entre les scènes	Série vidéo formation avec avatar persistant

🎯 Pertinence pour Comunica 360Grok pour la veille et le contenu X. Manus pour automatiser la recherche de contenu. Higgsfield pour créer une série vidéo de formation avec un avatar cohérent — sans studio, sans caméra.

Claude + WordPress via MCP

🔌 Comment ça marcheWordPress.com intègre un serveur MCP natif. Claude lit et écrit sur ton site via des commandes en langage naturel — sans ouvrir le dashboard, sans copier-coller.

Action possible

Créer & Publier

Rédiger un article complet avec structure SEO, balises, FAQ et le publier directement en brouillon WordPress.

Action possible

Audit en masse

Analyser les métadonnées des 50 derniers articles et corriger automatiquement en une conversation.

Action possible

SEO automatisé

Générer blocs FAQ Schema JSON-LD, assigner catégories/tags, identifier le maillage interne manquant.

Résultat documenté

ROI réel

348 articles — Score SEO 68→83/100 — Sessions organiques +174% — Trafic IA +300%.

98 sessions · coût réel ~40€

⚡ Pertinence Comunica 360Les agences qui maîtrisent ces workflows dès 2026 auront 18 à 24 mois d'avance. La plateforme peut être publiée et maintenue via Claude + WordPress MCP sans jamais ouvrir le dashboard.

Connectivité & Automatisation — Stack complet Nouveau

🔌 Pourquoi c'est essentielLes outils IA isolés ont une valeur limitée. C'est quand ils se connectent entre eux — via des APIs et des plateformes d'automatisation — qu'ils deviennent exponentiellement puissants. Ce stack couvre tous les niveaux : sans code, low-code, et code.

Automatisation sans code

Automatisation — Self-hosted / Cloud

N8N

Plateforme d'automatisation open-source. Connecte 400+ services avec une interface visuelle par nœuds.

Email reçu → Claude analyse → réponse WhatsApp → log Notion

▾

Self-hosted — Gratuit en hébergement sur ton propre serveur (VPS Hostinger = ~5€/mois)
Cloud — Version hébergée payante à partir de 20€/mois
Avantage clé — Code JavaScript possible dans les nœuds pour la logique avancée
400+ intégrations — Gmail, Notion, Slack, WhatsApp, Claude API, Google Sheets...

Stack Comunica 360N8N self-hosted : réception email → analyse Claude → création ticket Notion → notification WhatsApp commerciaux → mise à jour Google Sheets. Un seul workflow automatisé pour tout.

Automatisation — Cloud

Make.com

Ex-Integromat. Interface visuelle drag-and-drop. Plus accessible que N8N pour les débutants.

Formulaire rempli → email auto → CRM mis à jour

▾

Gratuit — 1 000 opérations/mois (suffisant pour débuter)
Payant — À partir de 9€/mois pour des volumes plus importants
Vs N8N — Plus simple à prendre en main. Moins flexible techniquement.
1 500+ intégrations — Connecteurs prêts à l'emploi sans code

Recommandation Comunica 360Débuter avec Make.com pour apprendre les concepts (trigger → action → condition). Migrer vers N8N self-hosted quand les volumes augmentent ou que la logique devient complexe.

Automatisation — Cloud

Zapier

Le plus connu, le plus simple. Idéal pour des automatisations simples (1 trigger → 1 action).

Nouvel abonné Mailchimp → ajout Google Sheets

▾

Gratuit — 100 tâches/mois, 5 zaps actifs
Payant — À partir de 20€/mois pour des volumes sérieux
Avantage — Le plus simple à prendre en main. Zéro technique.
Limite — Plus cher que Make/N8N pour des volumes identiques. Logique limitée.

VerdictZapier = parfait pour tester rapidement une automatisation simple. Pour tout projet sérieux Univergroupe → préférer Make ou N8N. Zapier revient 3x plus cher à volume équivalent.

APIs clés du stack Comunica 360

API	Rôle	Intégration stack	Tarif indicatif
Claude API (Anthropic)	Intelligence IA principale — raisonnement, rédaction, analyse, code	Cerveau de tous les agents. Appelé par N8N, Make, ou directement en Node.js	~3€/million tokens (Sonnet)
Notion API	Base de données flexible — CRM, wiki, gestion de projets	Stockage structuré des données agents. Logs, fiches clients, roadmaps	Gratuit (usage personnel)
Google APIs	Suite : Sheets (tableaux), Gmail (emails), Drive (fichiers), Calendar	Source de données ERP → Google Sheets → Claude → rapport automatique	Gratuit jusqu'aux limites
WhatsApp Business API	Envoi de messages WhatsApp automatisés depuis une application	Canal de notification final des agents (alertes stock, devis, rapports)	Twilio: ~0.05€/message · Meta direct: ~0.03€
OpenAI API (GPT-4)	Alternative Claude pour certains cas (vision, TTS)	Complément si fonctionnalité spécifique manquante dans Claude	~10€/million tokens (GPT-4o)
Mistral API	LLM français — option souveraineté européenne des données	Alternative pour les cas où les données ne peuvent pas quitter l'UE	~0.7€/million tokens (Mistral 7B)

Stack recommandé — Nivel débutant Comunica 360

Étape	Outil	Objectif	Durée apprentissage
1	Claude.ai (Chat)	Comprendre les capacités IA, prompt engineering	M1-M2 — acquis ✅
2	Make.com (gratuit)	Premier workflow automatisé sans code	1 weekend
3	Notion API + Node.js	Comprendre les APIs, créer des données par script	M3 Exemple 02 — acquis ✅
4	Claude API	Intégrer l'intelligence IA dans ses propres apps	M5 — à venir
5	N8N self-hosted	Orchestrer des workflows complexes multi-agents	M5-M6 — à venir
6	WhatsApp Business API	Notifications temps réel pour les agents commerciaux	Projet /gstock

Sécurité & Bonnes pratiques — Tokens & APIs

Règle #1

Variables d'environnement (.env)

Tous les tokens et clés API doivent être stockés dans un fichier .env, jamais dans le code source. Le fichier .env ne doit jamais être publié sur GitHub.

TOKEN=sk-xxx dans .env · process.env.TOKEN dans le code · .env dans .gitignore

Règle #2

Token compromis → Régénérer immédiatement

Si un token apparaît dans une capture d'écran, un email ou un chat : le révoquer dans les paramètres de l'API concernée et en créer un nouveau dans les 5 minutes.

Token Notion visible dans le chat Claude → Notion Settings → Integrations → Revoke → New token

Règle #3

HTTPS obligatoire

Toute communication avec une API doit utiliser HTTPS (port 443). Jamais HTTP. Les tokens en clair sur HTTP = interception possible.

https://api.notion.com ✅ · http://api.notion.com ❌

Règle #4

Principe du moindre privilège

Créer un token avec seulement les permissions nécessaires pour la tâche. Pas besoin d'accès lecture + écriture si on fait que lire.

Intégration Notion lecture seule pour les rapports · écriture uniquement pour les agents créateurs

🔑 Règle d'orTraite chaque token comme un mot de passe bancaire. Invisible, stocké en sécurité, révoqué dès le moindre doute. Un token exposé peut donner un accès total à tes données Notion, Gmail ou Claude.

Aller au

Glossaire IA →

›

Complété — Semaine 1

N8N — Automatisation

Workflows · Webhooks · CRM automatique · Agent IA WhatsApp · Claude API.

Progression du module0%

🎯 Ce que tu construis dans ce moduleUn système complet : formulaire web → CRM automatique (Gmail + Google Sheets + WhatsApp) + Agent IA WhatsApp capable de répondre en français, arabe et anglais. Durée : 5 sessions de 2-3h.

Jour 1 — Fondations N8N

Concept clé — Le WorkflowUn workflow = une suite d'actions automatiques enchaînées. Trigger → Action 1 → Action 2 → Résultat. Analogie : une recette de cuisine où chaque étape dépend de la précédente.

Composant #1

Le Trigger

Point de départ du workflow. Rien ne s'exécute sans lui.

Manuel → test · Webhook → production · Schedule → tâches planifiées

▾

Trigger Manuel — Clic sur "Execute" dans l'interface. Usage : tester et déboguer uniquement
Webhook — URL publique qui reçoit des données depuis un formulaire ou service externe. Usage : production
Schedule — Exécution planifiée (chaque lundi à 8h, chaque 30 minutes...). Usage : rapports auto, nettoyages

Règle de baseDévelopper avec le Trigger Manuel, déployer avec Webhook ou Schedule. Ne jamais laisser un Trigger Manuel en production.

Composant #2

Le Nœud

Une étape de traitement. Reçoit un INPUT, produit un OUTPUT.

Edit Fields · Gmail · Google Sheets · Twilio · AI Agent

▾

INPUT — Données reçues du nœud précédent (JSON automatique)
Traitement — Ce que le nœud fait : transformer, envoyer, stocker, analyser
OUTPUT — Données produites, transmises au nœud suivant
400+ nœuds disponibles — Gmail, Sheets, WhatsApp, Notion, Claude, HTTP Request...

AnalogieUn nœud = un employé spécialisé dans une tâche. Il reçoit un dossier (INPUT), fait son travail, et transmet le dossier complété (OUTPUT) au collègue suivant.

Composant #3

La Connexion

Le fil entre deux nœuds. Les données circulent de gauche à droite.

Chaque nœud reçoit l'OUTPUT du précédent

▾

Direction — Toujours de gauche (Trigger) vers droite (actions finales)
Données — Format JSON automatique entre tous les nœuds
Branches — Un nœud peut envoyer vers plusieurs nœuds en parallèle (ex: Gmail ET Sheets ET WhatsApp)

Syntaxe N8N — Variables dynamiques

Expressions N8N — À mémoriser

{{ $json.NomDuChamp }}              → données du nœud précédent
{{ $now.toISO() }}                  → date/heure actuelle ISO
{{ $('NomDuNœud').item.json.x }}    → données d'un nœud spécifique
{{ $json.body.nom }}                → champ "nom" reçu via Webhook

✅ Livrable Jour 1Workflow [Trigger Manuel] → [Edit Fields] → [Gmail] fonctionnel. Email de notification prospect reçu automatiquement avec les variables Nom, Email, Source.

Jour 2 — Google Sheets CRM

Concept clé — CRM automatiqueChaque prospect → ligne automatique dans Google Sheets. Zéro saisie manuelle. Le nœud "Append or Update Row" ajoute ou met à jour selon l'email (évite les doublons).

Paramètre	Valeur	Explication
Action	Append or Update Row	Crée la ligne si elle n'existe pas, met à jour si elle existe
Mapping Mode	Map Each Column Manually	Tu contrôles quelle variable va dans quelle colonne
Column to Match On	Email	Référence unique — évite les doublons
Date	{{ $now.toISO() }}	Horodatage automatique de l'entrée
Statut	À contacter	Valeur fixe — l'agent commercial sait quoi faire

⚠️ Erreur fréquente"Column to Match On required" → Sélectionner "Email" comme colonne de référence. Sans ça, N8N ne sait pas comment identifier les doublons.

✅ Livrable Jour 2CRM Google Sheets alimenté automatiquement à chaque prospect.

Jour 3 — Webhook & Production

Concept clé — WebhookLe Webhook remplace le Trigger Manuel. Le workflow se déclenche automatiquement quand quelqu'un soumet un formulaire — sans que tu cliques sur quoi que ce soit.

	Test URL	Production URL
Usage	Déboguer nœud par nœud	Workflow complet en production
URL	.../webhook-test/...	.../webhook/...
Quand	Pendant développement	Après validation complète
Règle	Toujours tester ici d'abord	Déployer seulement quand tout est bon

Activer le mode Expression

La touche fx

Pour que {{ $json.body.nom }} soit évalué (pas affiché comme texte), il faut activer le mode Expression sur le champ.

Cliquer sur le champ dans N8N
Cliquer l'icône fx à gauche du champ
Le fond devient foncé → mode expression actif
La valeur réelle s'affiche en preview sous le champ

Sans fx : affiche "{{ $json.body.nom }}" · Avec fx : affiche "Mohamed"

Tester un Webhook

Reqbin.com

Les appels fetch() depuis HTML local sont bloqués par CORS. Pour tester un Webhook sans Node.js, utiliser reqbin.com — outil en ligne qui envoie des requêtes HTTP directement.

Méthode POST · URL = Production URL du Webhook · Body JSON : {"nom":"Test","email":"test@ex.com"}

✅ Livrable Jour 3Webhook en production opérationnel. Formulaire → CRM Sheets + Gmail automatique en temps réel.

Jour 4 — WhatsApp avec Twilio

Concept clé — API WhatsAppDeux approches : Meta Business API (officiel, compte vérifié requis) ou Twilio Sandbox (immédiat, idéal pour démarrer). Pour les premiers tests : Twilio Sandbox.

Configuration Twilio Sandbox

4 étapes pour démarrer

Compte gratuit → Sandbox → Activation téléphone → Credentials

Test complet en moins de 15 minutes

▾

Créer compte gratuit sur twilio.com
Messaging → Try it out → Send a WhatsApp message
Depuis ton téléphone : envoyer "join [mot-code]" au +1 415 523 8886
Récupérer Account SID + Auth Token dans le dashboard

ImportantLe sandbox expire après 72h d'inactivité. Réactiver en renvoyant le message d'activation depuis le téléphone. Pour la production : passer à Twilio payant ou Meta Business API.

Nœud Twilio N8N

Configuration WhatsApp

Resource : SMS avec toggle "To WhatsApp" activé.

Message dynamique avec nom du prospect

▾

Resource : SMS
To WhatsApp : ON ✅ (obligatoire)
From : +14155238886 (numéro Twilio Sandbox)
To : numéro destinataire avec préfixe pays (+212...)
Message : texte avec variables dynamiques {{ }}

⚠️ AttentionTester via Production URL uniquement (pas Test URL) pour déclencher le workflow complet incluant Twilio.

✅ Livrable Jour 4Message WhatsApp automatique envoyé au prospect avec son nom dès la soumission du formulaire.

Jour 5 — Agent IA WhatsApp

Concept clé — Agent IA vs ChatbotUn chatbot suit des règles fixes ("Si X → réponse Y"). Un Agent IA comprend le langage naturel, analyse le contexte et génère une réponse adaptée. Basé sur un LLM (Claude, GPT...).

	Chatbot Simple	Agent IA N8N
Intelligence	Règles fixes préprogrammées	Compréhension langage naturel
Langues	1 langue, réponses fixes	FR / AR / EN automatique
Contexte	Aucune mémoire	Mémoire de conversation (optionnel)
Création	30 min	2-3h (avec N8N + Claude API)
Coût	Gratuit	~0.003€ par réponse (Claude Sonnet)

Architecture Agent IA WhatsApp

Nœud	Rôle	Configuration clé
Webhook	Reçoit les messages WA entrants	Production URL · POST · Body = message Twilio
AI Agent	Cerveau de l'agent — analyse et génère la réponse	Prompt = {{ $json.body.Body }} · System Message = personnalité
Chat Model ★	Le LLM connecté à l'Agent (obligatoire)	Claude Sonnet via Anthropic Credential
Memory	Mémoire de conversation (optionnel)	Mémorise les derniers échanges par session
Tools	Accès données externes (optionnel)	Google Sheets, Notion, calculs, APIs...
Twilio	Envoie la réponse via WhatsApp	To = numéro expéditeur · Message = réponse Agent

Le System Prompt — Clé de l'Agent

💡 PrincipeLe System Prompt définit l'identité, la mission, les limites et le ton de l'agent. Un bon System Prompt = un agent prévisible et utile. Un mauvais System Prompt = réponses incohérentes.

System Prompt — Agent Commercial Univergroupe

Tu es l'assistant commercial d'Univergroupe, spécialiste 
en signalétique et impression.

IDENTITÉ
- Nom : Assistant Univergroupe
- Langue : Réponds en français, arabe ou anglais 
  selon la langue du message reçu
- Ton : Professionnel, chaleureux, concis

MISSION
- Répondre aux questions sur les produits et services
- Orienter vers le commercial selon la ville du client
- Qualifier le besoin avant tout devis

LIMITES
- Ne jamais donner de prix sans connaître les détails
- Ne jamais promettre des délais sans validation
- Pour les commandes urgentes : orienter vers WhatsApp direct

ORIENTATION PAR VILLE
- Fès : contacter Ahmed · Meknès : contacter Karim
- Rabat : contacter Sara · Casablanca : contacter Youssef

Credentials Claude API — Configuration

Étape	Action	Détail
1	Créer compte	console.anthropic.com → Sign up
2	Créer une clé API	Manage → API Keys → Create Key → copier sk-ant-...
3	Ajouter crédit	Billing → minimum 5$ pour démarrer
4	Connecter à N8N	Nœud Chat Model → "Set up credential" → coller la clé
5	Choisir le modèle	claude-sonnet-4-5 (meilleur rapport qualité/coût)

✅ Livrable Jour 5Agent IA WhatsApp Univergroupe opérationnel. Répond en FR/AR/EN. Oriente vers les commerciaux par ville.

Bilan Semaine 1 — Système complet

🏆 Ce que tu as construitUn système d'automatisation commercial complet en 5 sessions, basé sur des outils réels, déployable immédiatement pour une PME.

Compétence	Acquis
Créer et connecter des nœuds N8N	✅ J1
Variables dynamiques {{ }}	✅ J1
CRM Google Sheets automatique	✅ J2
Webhook en production	✅ J3
Mode Expression (touche fx)	✅ J3
WhatsApp via Twilio	✅ J4
Agent IA avec System Prompt	✅ J5
Claude API connectée à N8N	✅ J5

Erreurs fréquentes & Solutions

Erreur	Cause	Solution
Body empty dans Webhook	Mauvaise méthode HTTP	Utiliser POST, pas GET
Variable affichée comme texte	Mode String actif	Activer mode Expression (fx)
Column to match on required	Champ vide Sheets	Sélectionner "Email" comme référence
CORS blocked	fetch() depuis HTML local	Utiliser reqbin.com
Proxy 403 Forbidden	Sandbox Cowork bloqué	Script Node.js natif
Token exposé	Capture partagée	Régénérer immédiatement
Sandbox Twilio expiré	72h inactivité	Renvoyer message d'activation

Module suivant

M8 — Cas Concrets →

›

5 cas documentés

M8 — Cas Concrets

5 projets réels réalisés pendant la formation — reproductibles, vendables à une PME marocaine.

Progression du module0%

Pourquoi les cas concrets sont plus puissants que la théorieUn concept expliqué prend 10 minutes à comprendre. Un cas concret réel prend 10 minutes à reproduire. La différence : avec le cas concret, tu sors avec un livrable fonctionnel. Chaque fiche de ce module est un projet que tu peux refacturer à un client PME demain.

Cas 1 — Système CRM Automatique

📋 ContexteUne PME reçoit des prospects via son formulaire web. La saisie manuelle dans Excel prend 5 minutes par prospect et génère des oublis. L'objectif : automatiser entièrement la capture, la notification et le premier contact.

Outil	Rôle dans le système
N8N	Orchestrateur central — reçoit, distribue, enchaîne les actions
Webhook	Point d'entrée — reçoit les données du formulaire en temps réel
Google Sheets	CRM — stockage structuré des prospects avec horodatage
Gmail	Notification — alerte email au commercial responsable
Twilio WhatsApp	Premier contact — message de bienvenue personnalisé au prospect

Architecture

Flux complet

Prospect soumet le formulaire web
Webhook N8N reçoit les données (nom, email, ville, besoin)
Edit Fields structure les données en variables claires
Google Sheets → nouvelle ligne avec statut "À contacter"
Gmail → email au commercial : "Nouveau prospect : Mohamed, Fès"
WhatsApp → message au prospect : "Bonjour Mohamed, merci pour votre intérêt..."

Résultat

Ce que ça change

Temps de réponse : 48h → 30 secondes
Saisie manuelle : éliminée à 100%
Taux de perte de prospects : réduit à zéro
Premier contact personnalisé : automatique

Testé sur Univergroupe — 3 agences couvertes simultanément

Ce qu'on retient
1	Le Webhook est le pivot central — il reçoit tout et distribue aux bons canaux
2	Les branches parallèles (Sheets + Gmail + WA) s'exécutent en simultané
3	La colonne "Email" comme référence Sheets évite tous les doublons

💼 Valeur commercialePitch PME marocaine : "Vos commerciaux passent combien de temps à saisir les prospects dans Excel ? Je vous automatise ça en 3 jours." Prix suggéré : 3 000 – 5 000 MAD (installation + formation). Maintenance : 500 MAD/mois.

Cas 2 — Agent IA WhatsApp Univergroupe

📋 ContexteLes commerciaux Univergroupe reçoivent 50+ messages WhatsApp par jour. Répondre à chaque question répétitive (délais, gammes, prix indicatifs) prend 2-3h/jour par commercial. L'objectif : un agent IA qui répond 24h/24 et oriente intelligemment.

Outil	Rôle
Twilio	Réception et envoi des messages WhatsApp
N8N Webhook	Réception des messages entrants → déclenche le workflow
AI Agent N8N	Orchestrateur IA — analyse le message, choisit la réponse
Claude Sonnet	LLM — génère la réponse en FR/AR/EN selon la langue reçue
System Prompt	Identité et règles métier de l'agent (personnalité, limites, orientation)

Flux entrant

Message → Réponse

Client envoie un message WhatsApp
Twilio reçoit → transmet au Webhook N8N
AI Agent reçoit le texte via {{ $json.body.Body }}
Claude analyse le message et le System Prompt
Claude génère une réponse adaptée (FR/AR/EN)
Twilio envoie la réponse au client

Résultat

Impact mesurable

Disponibilité : 8h-18h → 24h/24, 7j/7
Temps de réponse : 15-30 min → 5 secondes
Temps commercial libéré : 2h/jour/commercial
Coût par réponse : ~0.003€ (Claude Sonnet)

Ce qu'on retient
1	Le System Prompt est l'âme de l'agent — 80% de la qualité vient de là
2	Claude Sonnet détecte automatiquement la langue et répond dans la même
3	Ajouter un nœud Google Sheets comme "mémoire" permet de logger tous les échanges

💼 Valeur commercialePitch : "Vos clients attendent vos réponses WhatsApp la nuit et le weekend. Je vous crée un assistant IA qui répond en 5 secondes, en darija si besoin." Prix suggéré : 5 000 – 8 000 MAD (installation + System Prompt métier + tests). Maintenance : 700 MAD/mois.

Cas 3 — Structure Notion via API

📋 ContexteCréer manuellement 5 bases de données Notion avec leurs propriétés et 36 entrées initiales prend 3-4 heures. L'objectif : automatiser la création complète d'un espace de travail Notion en un seul script exécuté en 2 minutes.

Outil	Rôle
Node.js	Environnement d'exécution local — contourne CORS et proxy
https.request()	Appels API directs vers Notion sans navigateur
Notion API	Création de bases de données, pages et propriétés par code
Token d'intégration	Authentification sécurisée (stocké en variable d'env)

Ce qui a été créé

5 éléments en 2 min

Base Formation 30J → 30 lignes
Base Projets SaaS → 6 entrées
Page Roadmap Globale
Page Modules Formation /appr
Page Journal des Sessions

~38 appels API · 2 erreurs résolues (CORS → Node.js)

Erreurs & Solutions

Parcours de debug

❌ fetch() HTML → CORS bloqué
❌ Sandbox Cowork → Proxy 403
✅ Node.js natif → succès

Leçon : CORS = restriction navigateur, pas internet. Node.js contourne tout.

Ce qu'on retient
1	Node.js est le standard pour tous les appels API depuis Cowork ou scripts locaux
2	Le même pattern apiRequest() fonctionne pour Notion, WhatsApp, Claude, Google...
3	Tester avec 1 appel avant de lancer une boucle — corriger 1 erreur vaut mieux que 30

💼 Valeur commercialePitch : "Je vous crée votre espace Notion complet — bases de données, structure, 50 entrées — en 2 minutes au lieu de 4 heures." Prix suggéré : 1 500 – 3 000 MAD (selon complexité de la structure). Adaptable à Airtable, Coda, ou toute API.

Cas 4 — Dashboard Prospection /prospect

📋 ContexteLes 5 commerciaux Univergroupe prospectent sur 3 villes sans outil commun. Les données sont dispersées dans des Excel individuels. L'objectif : un dashboard web centralisé avec carte interactive, filtres par agence et actions directes (appel, WhatsApp, GPS).

Outil	Rôle
HTML / CSS / JS	Interface web — aucune dépendance externe, fonctionne hors ligne
Leaflet.js	Carte interactive open-source — markers, clusters, popups
Données JSON	Prospects encodés dans le fichier — pas de serveur requis
GitHub Pages	Hébergement gratuit — accessible depuis le téléphone terrain

Fonctionnalités

Ce que fait le dashboard

Carte Leaflet avec markers par prospect
Filtres par agence, statut, commercial
Bouton appel direct (tel: protocol)
Bouton WhatsApp direct (wa.me link)
Bouton GPS (Google Maps)
Compteurs en temps réel

Résultat terrain

Impact commercial

Visibilité cross-agences : temps réel
Temps de recherche prospect : -80%
Accessible sur mobile terrain : oui
Coût hébergement : 0€ (GitHub Pages)

Déployé sur GitHub Pages · URL partagée aux 5 commerciaux

Ce qu'on retient
1	Un dashboard HTML statique hébergé gratuitement suffit pour 80% des besoins PME
2	Leaflet.js = la carte interactive la plus simple à intégrer (open-source, gratuit)
3	Les boutons d'action directe (tel, WhatsApp, Maps) multiplient l'utilisation terrain

💼 Valeur commercialePitch : "Vos commerciaux passent du temps à chercher les infos prospects dans Excel. Je leur crée une carte interactive sur leur téléphone avec appel et WhatsApp en 1 clic." Prix suggéré : 4 000 – 7 000 MAD (selon nombre de prospects et intégrations). Évolutif vers version avec base de données.

Cas 5 — Catalogue Digital /ftech

📋 ContexteUnivergroupe vend 200+ références produits. Créer manuellement une fiche technique .docx par produit prend 30 minutes par fiche. L'objectif : générer automatiquement des fiches techniques professionnelles avec charte graphique en quelques secondes par produit.

Outil	Rôle
Claude API	Génération du contenu — descriptions, spécifications, applications
Mega-prompt	Encode la charte graphique, structure des sections, règles qualité
Node.js / Python	Pipeline de génération — lit les données produit, appelle Claude, génère .docx
docx (bibliothèque)	Création du fichier Word avec styles, tableaux, couleurs Comunica 360

Ce qui est généré

Structure d'une fiche

En-tête avec logo et charte couleurs
Description produit (2-3 paragraphes)
Tableau des spécifications techniques
Applications et cas d'usage sectoriels
Avantages concurrentiels
Footer avec coordonnées agence

Résultat

Gain de temps

Temps/fiche manuel : 30 min → 45 secondes
Cohérence graphique : 100% identique
10 produits documentés : 8 min vs 5h manuellement
Révision : modifier le mega-prompt → regénérer tout

10 produits Univergroupe documentés avec charte Comunica 360

Ce qu'on retient
1	Le mega-prompt encode la charte une fois pour toutes — chaque fiche est identique
2	Le vrai gain n'est pas la vitesse mais la cohérence — qualité professionnelle constante
3	Le pipeline est réutilisable pour n'importe quel catalogue : produits, services, formations

💼 Valeur commercialePitch : "Combien de fiches produits vous manquent ? À 30 min par fiche manuellement, ça fait combien d'heures ? Je vous génère tout le catalogue en une matinée." Prix suggéré : 5 000 – 10 000 MAD (selon taille catalogue). Le pipeline est livré — le client peut générer lui-même les futures fiches.

Vendez ces solutions — Guide pitch PME marocaine

🎯 PrincipeNe vendez pas la technologie. Vendez le résultat. Pas "un workflow N8N avec webhook" — mais "vos prospects sont dans votre CRM en 30 secondes, sans que vous touchiez à rien".

Cas	Accroche de vente	Tarif installation	Maintenance/mois
CRM Auto	"Zéro prospect perdu. Zéro saisie manuelle."	3 000 – 5 000 MAD	500 MAD
Agent WA IA	"Vos clients répondus en 5 secondes, 24h/24, en darija."	5 000 – 8 000 MAD	700 MAD
Notion Setup	"Votre espace de travail structuré en 2 minutes."	1 500 – 3 000 MAD	Sur demande
Dashboard Prospect	"Vos commerciaux ont tout sur leur téléphone, en temps réel."	4 000 – 7 000 MAD	500 MAD
Catalogue /ftech	"200 fiches produits professionnelles en une matinée."	5 000 – 10 000 MAD	400 MAD

Méthode de vente

Le pitch en 3 temps

Le problème en chiffres — "Combien de temps par jour vos commerciaux saisissent des données ?" Laisser le client calculer lui-même.
La démonstration live — Montrer le système en fonctionnement avec de vraies données de leur secteur. 2 minutes suffisent.
Le ROI immédiat — "Ce système se rembourse en X semaines rien qu'en heures économisées." Calculer ensemble.

Package d'entrée

Offre starter recommandée

Pour un premier client PME marocaine : combiner Cas 1 (CRM auto) + Cas 2 (Agent WA). Les deux s'intègrent naturellement et créent un système cohérent.

Installation : 10 000 MAD (vs 13 000 séparés)
Formation équipe : 2h incluses
Maintenance : 1 000 MAD/mois
Garantie : 30 jours de support

ROI estimé client : 3-4 semaines (heures commerciaux économisées)

🔑 Règle d'orChaque projet que tu réalises pendant ta formation est un référentiel. Un référentiel = une preuve sociale. Une preuve sociale = un argument de vente. Documente tout, screenshot tout, mesure tout.

Voir la suite

Roadmap & Projets →

›

Certification

Quiz & Certificat

30 questions sur M1 → M8 · Score en temps réel · Certificat Comunica 360 si score ≥ 80%

🎯 Comment ça marche30 questions couvrant tous les modules. Tu as le droit de consulter tes notes. Score affiché en temps réel. Certificat généré automatiquement si tu obtiens 80% ou plus (24/30 bonnes réponses).

Contenu

Modules couverts

M1 — Écosystème IA & Vocabulaire (6 questions)
M2 — Prompt Engineering (5 questions)
M3 — Agents Cowork (5 questions)
M4 — Outils IA & Connectivité (5 questions)
N8N — Automatisation (5 questions)
M8 — Cas Concrets & Valeur (4 questions)

Règles

Conditions du certificat

Score minimum : 80% (24/30)
1 seule tentative par session
Pas de retour en arrière possible
Certificat au nom saisi ci-dessous

Ton prénom et nom (pour le certificat)

Roadmap & Projets

Vue d'ensemble du parcours de formation et des projets pratiques suggérés.

Projets pratiques suggérés

Projet	Ce que tu construis	Module requis
Agent nettoyage	Script PowerShell automatisé avec notification WhatsApp	M3
Agent email	Lecture, classification et réponse automatique aux emails	M3
Dashboard auto	Rapport hebdomadaire généré et envoyé automatiquement	M3 + M4
Chatbot site web	Assistant IA intégré sur ton site via Claude API	M4 + M5
Plateforme formation	Formation en ligne hébergée sur GitHub Pages	M5
Pipeline contenu	Création et publication automatisée sur les réseaux sociaux	M4 + M6

Ce qui arrive dans les prochains modules

M5-1

Structure d'une app web

HTML, CSS, JavaScript — comprendre comment une page web fonctionne

M5-2

Héberger gratuitement

GitHub Pages et Netlify — mettre une app en ligne en moins d'une heure

M5-3

Progression et comptes utilisateurs

localStorage pour la progression locale, Firebase pour les comptes

M5-4

Quiz et certification

Créer un quiz interactif et générer un certificat de complétion

M6

Stratégie et monétisation

Transformer sa maîtrise de l'IA en service, formation ou produit

Glossaire IA

Tous les termes techniques vus pendant la formation, en un seul endroit.

🔍

Terme	Définition	Exemple
LLM	Large Language Model — modèle entraîné sur des milliards de textes	Claude, GPT-4, Gemini
Token	Morceau de mot. Unité de mesure des LLMs.	"développement" = 2-3 tokens
Contexte	Mémoire active d'une conversation	Fenêtre de 200k tokens
Température	Paramètre de créativité : 0 = précis, 1 = créatif	0.2 code · 0.8 contenu
API	Pont entre deux logiciels pour les faire communiquer	API Claude + API WhatsApp
MCP	Model Context Protocol — standard pour connecter Claude à des outils externes	Claude publie sur WordPress
RAG	Retrieval Augmented Generation — l'IA cherche dans une base externe	Agent qui cherche dans le catalogue
Pipeline	Séquence d'étapes automatisées sans intervention humaine	ERP → Analyse → Rapport → WhatsApp
Prompt Système	Instructions permanentes données au modèle en début de conversation	Équivalent du CLAUDE.md
Fine-tuning	Ré-entraîner un modèle sur des données spécifiques	Modèle spécialisé sur un domaine métier
Embedding	Représentation numérique d'un texte. Base du RAG.	Chercher "film adhésif" → "vinyle"
Agent IA	LLM qui prend des décisions, utilise des outils et enchaîne des actions	Agent nettoyage disque M3
CLAUDE.md	Fichier d'instructions permanent à la racine d'un projet Claude Code	Prompt système persistant
Chain of Thought	Technique : demander à l'IA de raisonner étape par étape	"Réfléchis étape par étape..."
Few-shot	Donner 2-3 exemples avant la vraie question	3 exemples → question réelle
Trigger temporel	Condition qui déclenche l'agent selon un calendrier	Chaque Samedi à 08h00
Trigger événementiel	Condition qui déclenche l'agent sur un événement (email, fichier...)	Nouvel email reçu → agent s'active
RunIfMissed	Option Windows : exécute la tâche manquée au prochain démarrage	PC éteint → exécution différée
Seuil de confiance	Score de certitude de l'agent. En dessous = escalade humaine.	0.85 = envoi auto · 0.60 = brouillon
Skill (SKILL.md)	Fichier d'instructions spécialisées que Claude lit avant d'agir	Skill PPTX, Skill NotebookLM
NotebookLM	Outil Google pour base de connaissances depuis ses propres sources	50 sources → podcast + infographie auto
Stack IA	Combinaison d'outils IA spécialisés couvrant un workflow complet	NotebookLM + Claude + WordPress MCP
Brief de production	Prompt structuré comme un brief créatif : sujet + formats + audience + style + séquence	Prompt NotebookLM/GitHub M2+
WhatsApp Business API	Interface programmatique pour envoyer des messages WhatsApp automatiquement depuis une application	Agent stock → alerte commerciale en 3 min
Make (Integromat)	Outil d'automatisation sans code — connecte des apps et déclenche des actions selon des règles	Email reçu → WhatsApp → log Google Sheets
Mega-prompt	Prompt très long et détaillé encodant tout le contexte : rôle, règles, exemples, contraintes, format	Prompt système de 800 mots → fiches identiques à chaque fois
Hôte IA	Plateforme ou application qui héberge et fait tourner un modèle IA	Claude.ai, API Anthropic, Cursor = hôtes de Claude
Assets	Fichiers et ressources utilisés par une application : images, polices, icônes, templates, fichiers JSON	Logo Comunica 360, charte V3, SKILL.md = assets
ChatBot	Programme qui simule une conversation. Les chatbots IA modernes utilisent des LLMs et comprennent le langage naturel	ChatBot basique : arbre de décision · ChatBot IA : comprend librement
Mind Map	Représentation visuelle d'idées organisées autour d'un sujet central avec des branches reliant les concepts	NotebookLM → Mind Map automatique depuis 10 documents
Fact-checking	Vérification systématique des informations produites par une IA avant de les utiliser ou publier	Toujours vérifier chiffres et dates générés par Claude
Hallucination IA	Phénomène où un LLM invente des informations fausses avec assurance — sources, chiffres, noms inexistants	Claude cite un article qui n'a jamais été publié
Grok	Assistant IA de xAI (Elon Musk), intégré à X (Twitter). Accès temps réel aux posts X.	Analyser tendances X · Générer contenu optimisé pour X
Manus	Agent IA autonome (2025) capable d'exécuter des tâches complexes seul pendant plusieurs heures	Veille concurrentielle complète sans supervision humaine
Higgsfield AI	Outil vidéo IA spécialisé dans la cohérence des personnages entre les scènes	Série vidéo Comunica 360 avec avatar persistant
Endpoint	URL précise d'une API qui effectue une action spécifique	/v1/pages = créer une page Notion · /v1/databases = créer une BDD
HTTPS Request	Requête web sécurisée. GET = lire des données. POST = créer/envoyer.	POST /v1/pages pour créer une page Notion via API
Header HTTP	Métadonnées jointes à une requête API : Authorization, Content-Type...	Authorization: Bearer TOKEN pour s'authentifier à Notion API
JSON	Format texte structuré pour échanger des données entre applications (paires clé/valeur)	Toutes les réponses des APIs Notion, Claude, WhatsApp sont en JSON
CORS	Restriction de sécurité du navigateur bloquant les appels vers un autre domaine	Fichier HTML local → api.notion.com = bloqué. Node.js → api.notion.com = OK
Proxy	Intermédiaire qui filtre les requêtes réseau. Peut bloquer certains appels API.	Sandbox Cowork bloquait api.notion.com avec 403 Forbidden
Node.js	Environnement d'exécution JavaScript côté serveur. Pas de restriction CORS.	Solution retenue pour créer la structure Notion depuis Cowork
Webhook	Mécanisme de notification automatique d'un service vers ton application lors d'un événement	Gmail Webhook → nouvel email → agent email s'active
OAuth	Standard d'autorisation permettant à une app d'accéder à tes données sans connaître ton mot de passe	"Se connecter avec Google" · Intégration Notion publique
Rate Limiting	Limite du nombre d'appels API autorisés par unité de temps (ex: 3 req/sec)	Notion API : trop d'appels → erreur 429 Too Many Requests
Async/Await	Syntaxe JavaScript pour gérer les opérations longues sans bloquer le reste du code	Chaque appel API Notion est async/await : attend la réponse avant de continuer
Promise	Objet JavaScript représentant un résultat futur (en attente, succès ou échec)	https.request() retourne une Promise · .then() s'exécute quand la réponse arrive
N8N	Plateforme d'automatisation open-source (400+ intégrations). Self-hosted ou cloud.	Email → Claude → WhatsApp → Notion en un seul workflow automatisé
Make.com	Plateforme d'automatisation visuelle sans code (ex-Integromat). Accessible débutants.	Premier workflow automatisé Comunica 360 sans écrire de code
Variable d'environnement	Valeur sensible (token, mot de passe) stockée hors du code source dans un fichier .env	TOKEN=sk-xxx dans .env · process.env.TOKEN dans le script Node.js
Nœud N8N	Unité de traitement dans un workflow N8N — reçoit un INPUT, traite, produit un OUTPUT	Edit Fields · Gmail · Google Sheets · AI Agent · Twilio
Trigger	Nœud déclencheur d'un workflow — Manuel, Webhook ou Schedule	Webhook reçoit un formulaire → déclenche tout le workflow
Test URL vs Production URL	Test URL = debug nœud par nœud. Production URL = workflow complet activé.	Toujours tester avec Test URL, déployer avec Production URL
Mode Expression (fx)	Mode N8N qui évalue les variables {{ }} au lieu de les afficher comme texte	Cliquer fx → {{ $json.body.nom }} affiche "Mohamed" au lieu du code
OAuth2	Standard d'authentification sécurisée pour connecter Gmail, Google Sheets, Drive à N8N	Connexion Gmail dans N8N via OAuth2 — sans partager son mot de passe
Credential N8N	Informations de connexion à un service externe stockées dans N8N (token, clé API, OAuth)	Credential Claude API : clé sk-ant-... · Credential Gmail : OAuth2
AI Agent (N8N)	Nœud N8N qui orchestre un LLM avec des outils optionnels (mémoire, données externes)	Webhook → AI Agent (Claude) → Twilio = Agent WhatsApp IA
System Prompt Agent	Instructions permanentes qui définissent l'identité, la mission et les limites d'un agent IA	Identité + langue + orientation commerciale Univergroupe
Twilio Sandbox	Environnement de test WhatsApp gratuit via Twilio — activation par SMS au +1 415 523 8886	Envoyer "join [mot-code]" pour activer · expire après 72h
Reqbin.com	Outil en ligne pour tester des requêtes HTTP (GET, POST) sans code — contourne CORS	Tester un Webhook N8N avec un body JSON sans écrire de code