Mini-apps dans un tableur : du prototype métier à la production

Pourquoi le sujet arrive maintenant

On dispose maintenant de repères plus solides que les impressions de début d’année. Google a annoncé en septembre 2026 des capacités agentiques transverses à Gmail, Drive, Docs, Sheets, Slides et Chat, avec génération de livrables à partir des sources autorisées et sous la direction de l’utilisateur. Aucun de ces éléments ne prouve qu’un usage sera pertinent chez toi. Ils suffisent en revanche à justifier un test sérieux.

Une équipe fabrique une petite application de suivi en une heure et commence à l’utiliser avec des données réelles sans décider qui la maintient. Voilà le moment où l’IA cesse d’être un sujet technique et devient un sujet d’organisation : créer vite un outil local réduit la distance entre idée et test. Cela ne règle ni maintenance, ni accès, ni robustesse, ni propriété des données.

Ce que le mot cache

Les nouvelles fonctions IA abaissent rapidement le coût technique d’une action : chercher dans une boîte mail, modifier un tableur, créer un document ou enchaîner plusieurs applications. Le risque est de confondre capacité de l’outil et qualité du processus. Un workflow n’est pas une démonstration qui marche une fois. Il a des entrées, des règles, des états, des exceptions, un propriétaire et une manière claire de savoir si le résultat est acceptable. Ce que je veux tester ici, c’est l’idée suivante : Créer vite un outil local réduit la distance entre idée et test. Cela ne règle ni maintenance, ni accès, ni robustesse, ni propriété des données. Une tâche accélérée ne garantit rien si les étapes voisines restent inchangées.

Le cas où ça dérape

C’est précisément là qu’une formule trop simple devient dangereuse. Ce qui compte n’est pas de rendre l’usage identique partout, mais de savoir pourquoi il est acceptable ici. Une équipe fabrique une petite application de suivi en une heure et commence à l’utiliser avec des données réelles sans décider qui la maintient. Un même mécanisme peut être très utile dans un cas et franchement mauvais dans un autre.

Comment le regarder sans jargon

Pour sortir du débat, je testerais d’abord ceci : séparer preuve de valeur et décision de mise en production. Observe aussi les cas rares. Ce sont eux qui révèlent si le contrôle tient quand le contexte devient moins propre. Note les erreurs par nature, pas seulement en nombre. Une petite erreur de forme et une mauvaise décision n’ont pas le même poids.

Dessiner le processus actuel avant d’ajouter des connecteurs ou des agents. Le but n’est pas d’ajouter une couche de procédure. C’est de rendre visible la décision qui existait déjà, souvent de manière implicite.

Définir l’état d’entrée, le résultat attendu et les cas d’exception. Ça ramène vite la discussion aux gestes réels, aux fichiers réels et aux personnes qui reprennent le dossier.

Rendre visibles les changements effectués par l’IA afin qu’ils puissent être contrôlés. C’est un petit réglage sur le papier, mais il évite de transformer le contrôle humain en travail caché.

Mesurer la tâche de bout en bout, y compris reprises et attente après l’étape automatisée. L’intérêt est surtout de créer un critère observable. Si personne ne peut dire si ce point est respecté, la règle restera décorative.

Le point à retenir

Automatiser une étape ne fait pas disparaître la responsabilité humaine qui l’entoure. Plus le résultat est sensible, plus le niveau de preuve, de contrôle et de possibilité de reprise doit être explicite.

Je terminerais avec un contrôle plutôt qu’avec une promesse : séparer preuve de valeur et décision de mise en production. C’est moins spectaculaire qu’une démo, mais beaucoup plus utile pour faire tenir l’usage dans le temps.