Clairic : extraire une valeur sans masquer ce qui manque

Une demande reçue par formulaire peut contenir une référence produit, une date souhaitée et une quantité. Les recopier dans les bonnes cases est une tâche différente de la rédaction d’une réponse. Le 19 octobre 2026, Cloudflare a présenté Clairic en preview sur Workers AI, sa plateforme d’exécution de modèles. L’outil reçoit une situation et une définition des champs attendus, puis renvoie des valeurs selon leurs types : texte, nombre ou date, par exemple.

Le type précise la forme que l’application pourra manipuler. Un champ date peut ainsi être exploité comme une date plutôt que comme une phrase. Cette forme contrôlée ne prouve pas que la valeur choisie est exacte. La documentation des modèles d’extraction insiste sur cette limite. Pour une entreprise, l’intérêt de l’essai est donc de vérifier la fidélité à la demande, pas seulement de constater que les cases se remplissent.

Lire, calculer et prévoir demandent des contrôles différents

Tâche	Exemple hypothétique	Preuve attendue
Extraire	Retrouver la référence écrite dans une demande	Le passage exact qui contient la référence
Calculer	Déduire un écart entre deux dates connues	Les dates utilisées et la règle de calcul
Estimer	Anticiper une date de réponse probable	Les indices disponibles et l’incertitude conservée

Ces trois opérations n’ont pas le même rapport à la source. L’extraction retrouve une information présente ; le calcul dérive un résultat des éléments fournis ; l’estimation porte sur une inconnue. Cette distinction est expliquée dans le guide Cloudflare. Si un client écrit « vers la fin du mois », transformer la formule en rendez-vous confirmé serait une décision supplémentaire. L’application doit conserver ce caractère approximatif ou demander une précision.

Préparer les cas qui doivent rester incomplets

Construisez un jeu d’essai fictif avant l’intégration. Une première demande comporte tous les renseignements, une deuxième omet l’année, une troisième cite deux références, et une dernière ne donne aucune date. Écrivez pour chaque cas ce que l’on peut affirmer et ce qui reste à demander au client. Comparez ensuite les champs obtenus à cette grille. Ce travail révèle si l’automatisation respecte les hésitations du texte ou les remplace silencieusement par des choix.

Pour une valeur unique extraite ou calculée, le résultat null signifie que le modèle juge les informations insuffisantes ; il peut aussi avoir manqué un élément pourtant présent. Le guide d’interprétation distingue ce cas des estimations, qui peuvent produire une prédiction même avec peu d’indices. Dans votre procédure, une case vide doit déclencher une suite définie : relecture, demande de précision ou attente. La remplacer automatiquement par zéro confondrait absence d’information et quantité nulle.

Clairic demeure expérimental. Cloudflare signale des limites pour les longues chaînes de calcul et recommande d’extraire les entrées puis de réaliser ces calculs dans du code. Les dates sans année dépendent du contexte ; la date de référence doit être fournie lorsqu’elle est nécessaire. Ces limites sont détaillées dans la présentation de la preview. La fiche du modèle confirme le service hébergé et son statut. Avant des données clients, examinez les conditions de traitement et les accès ; commencez les essais sur des demandes fictives.

Améliorer d’abord les informations recueillies

Le premier résultat utile est une liste de champs compréhensibles, avec une règle pour chaque renseignement absent ou ambigu. Cela peut aussi conduire à simplifier le formulaire, même sans modèle. Gaia travaille la structure des pages et des formulaires dans ses prestations de création de sites et la clarté des explications avec les offres de contenu. Cette préparation donne une base au projet ; l’intégration de Clairic et les règles d’automatisation doivent faire l’objet d’un cadrage technique distinct.