Des agents IA qui indexent un DAM Bynder sans jamais écrire seuls

Un laboratoire pharmaceutique international disposait d'un DAM Bynder de plusieurs milliers d'assets dont les champs obligatoires, juridiques et organisationnels, étaient remplis, mais dont les champs descriptifs restaient largement vides : public cible, thèmes et sujets marketing, type de contenu. La demande tenait en trois points : indexer automatiquement à partir de tout ce que porte la plateforme (métadonnées, nom de fichier, contenu visuel), ne jamais envoyer la base entière à un modèle, et faire tourner l'outil avec les clés API du client en lui rendant compte de ce qu'il dépense.

Nous avons traité « ne pas prompter toute la base » comme une contrainte d'architecture, pas comme une consigne d'usage. Un agent ne part que sur un lot constitué à l'avance, et cinq barrières écartent avant le premier appel tout asset qui n'a rien à y gagner : ciblage explicite, éligibilité (champ visé encore vide, format supporté), exclusion de ce qui a déjà été analysé avec la même consigne et le même modèle, plafonds de volume et de budget qui bloquent au lieu d'avertir, puis un échantillon relu avant tout déroulé complet. Le coût estimé s'affiche avant le lancement. Dans le prompt, seules les listes utiles à la mission sont injectées : environ 4 300 tokens au lieu de 84 000 pour la taxonomie entière, dont la grande majorité des options, héritées d'une migration antérieure, n'avait aucune valeur d'indexation.

L'agent propose, il n'écrit pas. Chaque proposition porte une justification, et toute valeur absente du vocabulaire de la métapropriété est rejetée par une revérification côté serveur : le schéma de sortie garantit la forme de la réponse, jamais son contenu, et dès les premiers essais un modèle a glissé l'option d'un champ dans un autre. Les champs juridiques et organisationnels arrivent verrouillés, leur écriture exige une seconde confirmation où l'on recopie le nombre d'assets concernés, et chaque lot appliqué reste journalisé et annulable. La consigne envoyée au modèle est visible et modifiable à l'écran, et sa version entre dans la clé qui décide si un asset a déjà été analysé.

Nous avons livré le cahier des charges, les dossiers d'architecture technique et une maquette fonctionnelle sur les données réelles du DAM, jouable de bout en bout et branchable sur un modèle servi en local, sans qu'aucune image ne quitte la machine. Le premier banc de qualité a lui-même été audité avant d'être cru : la convention de nommage du client contenait déjà une partie des réponses, si bien que le taux d'exactitude obtenu ne mesurait pas ce que le modèle voyait. Plutôt que de publier ce chiffre, nous avons revu le protocole avant d'en retenir un : échantillon figé et dédupliqué, passe à l'aveugle sans le nom de fichier, effectifs publiés champ par champ.