Les workflows s'appuyant sur des briques LLM (agentiques ou simples appels API) donnent souvent l’impression qu’on peut tout automatiser à partir d'un simple prompt.

En réalité, lorsque l'objectif est de produire des données structurées ou de générer de la logique métier avec des contraintes métier complexes, se pose vite la question de garantir une sortie pertinente malgré le non-déterminisme du modèle.

Chez PayFit, nous utilisons les LLMs pour automatiser l'extraction des paramètres de paie à partir des textes de loi et générer de la logique métier de paie dans notre DSL (Domain Specific Language) "maison" : des processus historiquement très manuels menés par des experts métier.

À travers des illustrations réelles, ce talk partage :

• un pattern pragmatique pour s'assurer de la robustesse de votre composant LLM au sein de votre workflow : validations déterministes, boucle de correction, et supervision humaine au bon endroit seront les clefs d'un processus vérifiable, mesurable, et maintenable.
• une méthode légère d’évaluation (tests & métriques) qui nous permet d'évaluer la robustesse des différents modèles et de détecter rapidement les régressions en cas d'évolutions.

Quel que soit votre langage de prédilection, les principes présentés dans ce talk vous permettront de dépasser le caractère non-déterministe des LLMs et générer des outputs respectant vos contraintes métier, tout en gardant une place pour la supervision de l’expert humain.