Document vers BPMN : génération IA en 2 minutes (2026)

Quasi aucune organisation ne maintient les diagrammes BPMN comme description canonique de ses processus. La description canonique vit dans les transcriptions de réunions, les documents SOP, les manuels de formation, les fils d'e-mail, les guides d'intégration, les canaux Slack, et dans la tête de celle ou celui qui fait le travail depuis le plus longtemps. La difficulté historique de l'adoption BPMN, c'était la traduction de ce substrat en prose désordonnée vers une notation visuelle propre. Les parcours document-vers-BPMN IA-native compactent cette traduction en un seul import.

L'idée clé, c'est que le langage naturel décrivant un processus est déjà structurellement similaire à BPMN. Les phrases identifient les acteurs (« le responsable de la conformité revoit »), les activités (« revoit la demande »), la séquence (« et l'envoie ensuite au juridique ») et les branches (« sauf si le montant dépasse 10 000 euros, auquel cas »). Un modèle de langage qui comprend ces schémas peut parcourir un document et émettre une structure BPMN au fil de l'eau. Le défi n'est pas l'extraction, c'est de gérer les parties de la prose qui sont ambiguës, contradictoires ou implicites.

Le parcours d'import LucidFlow accepte une gamme de formats plus large que ce à quoi la plupart des utilisateurs s'attendent. Les formats sont traités par les analyseurs de documents de l'application : DOCX via mammoth, XLSX via ExcelJS, PPTX via unzipper et extraction XML, et PDF/images en tant que données binaires intégrées transmises directement au modèle de vision Gemini. La liste pratique est assez large pour qu'il soit rare d'avoir à pré-convertir quoi que ce soit.

• Documents Word (.docx), la plupart des SOP, documents de politique, descriptions de processus. Les tableaux dans le document sont préservés dans le texte extrait.
• Tableurs Excel (.xlsx) : listes de tâches, matrices RACI, inventaires de processus. Chaque feuille est extraite comme un bloc de type CSV, le nom de la feuille servant d'en-tête.
• PowerPoint (.pptx) : diapositives d'atelier, supports de formation, déroulés de processus. Le texte et les notes sont extraits ; les images intégrées ne le sont pas (encore).
• PDF (.pdf) : contrats, documents de politique, descriptions de processus fournisseurs. Les PDF sont transmis au modèle de vision en tant que binaire intégré, ce qui préserve la mise en page et gère les tableaux mieux que l'extraction de texte.
• Images (.png, .jpg) : photos de tableaux blancs, organigrammes dessinés à la main, captures d'écran de diagrammes d'autres outils. Le modèle de vision les lit directement.
• Texte brut et markdown (.txt, .md) : notes de réunion, transcriptions de conversation, résumés d'appel. Souvent l'entrée la plus propre parce qu'il n'y a pas de surcoût de format pour l'analyseur.
• BPMN 2.0 XML (.bpmn, .xml) : diagrammes existants issus de Visio, Camunda, Bizagi ou tout outil conforme à BPMN. Ils sont importés plutôt que régénérés, ce qui préserve la structure originale et permet à la couche d'enrichissement KPI de s'exécuter par-dessus.

Le pipeline compte quatre étapes, et comprendre chacune aide à obtenir de meilleurs résultats. Les deux premières s'exécutent côté serveur avant que rien ne s'affiche ; la troisième et la quatrième sont interactives.

Étape 1 : Analyse du document

Le modèle Gemini lit les documents et produit une représentation intermédiaire structurée : une liste d'étapes de processus avec acteurs, tâches, outils utilisés, durées estimées et points de décision. À cette étape, le modèle détecte aussi si les documents décrivent un processus ou plusieurs, et si les perspectives mélangent as-is (état actuel), to-be (état cible), points de friction et souhaits d'évolution. C'est la classification multi-intent : si plus d'une intention a une confiance supérieure à 0,7, le parcours demandera de désambiguïser avant de continuer.

Étape 2 : Questions de clarification

L'IA génère 3 à 6 questions de clarification taillées aux documents spécifiques. La toute première question porte toujours sur le niveau de détail : Détaillé, Équilibré ou Synthèse : parce qu'il contrôle la granularité du diagramme résultant. Les questions suivantes sont priorisées : les questions à haute priorité bloquent la cartographie (critère de décision manquant, responsabilité d'acteur peu claire), la priorité moyenne renseigne des données KPI importantes, la basse priorité relève du confort. Chaque question propose 2 à 4 réponses suggérées plus une option de texte libre, pour éviter d'être contraint à un choix binaire.

Étape 3 : Génération BPMN

Avec les réponses en main, le modèle génère la structure BPMN : événement de début, tâches avec charges utiles KPI (durée estimée, coût, fréquence), passerelles avec logique de branchement correctement typée (exclusive ou parallèle), événements de fin, et affectations aux couloirs. L'étape de génération applique un schéma avec validation Zod afin qu'aucune structure invalide ne puisse être produite : événements de début manquants, arêtes orphelines, types de passerelle mal étiquetés sont tous rejetés avec des messages d'erreur actionnables plutôt que silencieusement acceptés.

Concrètement, un seul nœud tâche généré est un objet JSON avec cette forme, persisté avec les résultats BPMN de la session et relu par le canevas React Flow :

{
  "id": "Task_Review",
  "type": "task",
  "position": { "x": 240, "y": 120 },
  "data": {
    "label": "Revoir la facture",
    "role": "Finance",
    "tool": "SAP",
    "description": "Vérifier correspondance BC et totaux.",
    "estimatedDuration": 15,
    "estimatedCost": 8,
    "frequency": { "count": 120, "period": "month" }
  }
}

A Process describes a sequence or flow of Activities in an organization with the objective of carrying out work.

Étape 4 : Layout et rendu

Le BPMN généré est transmis au moteur de mise en page ELK, qui s'exécute dans un web worker afin que le fil principal ne soit pas bloqué. ELK positionne les nœuds dans leurs couloirs, route les arêtes pour éviter les croisements et produit les coordonnées que React Flow utilise pour rendre le canevas interactif. Le pipeline entier : étapes 1 à 4 : prend typiquement 60 à 90 secondes de bout en bout, sans compter le temps de réponse aux questions de clarification qui dépend de vous, pas du modèle.

Un seul document ne décrit quasi jamais un seul processus pur. Une transcription d'atelier typique couvre le processus as-is actuel, un redesign to-be proposé, les plaintes de l'équipe sur l'état actuel (points de friction) et une liste de choses qu'ils souhaiteraient voir exister (souhaits d'évolution). Si l'IA traitait tout cela comme un seul processus, le diagramme résultant serait un amalgame de tâches actuelles, de tâches aspirationnelles et de plaintes sur le processus d'approbation : structurellement incohérent et opérationnellement inutile.

Le classifieur multi-intent traite ce problème en détectant quatre types d'intentions canoniques : as_is, to_be, souhait, point de friction, et en affectant chaque étape de processus à une ou plusieurs d'entre elles. Quand deux intentions ou plus ont une confiance au-dessus du seuil de 0,7, le parcours fait remonter ce fait et demande quelle(s) intention(s) cartographier. Si une seule intention est choisie comme as_is, le parcours génère ce seul diagramme et stocke les autres intentions comme indices d'optimisation sur la session pour référence ultérieure. Si l'option « Tous les processus détectés » est choisie, chaque intention devient son propre diagramme autonome (un as_is, un to_be, un point de friction, un souhait), généré séquentiellement. Les garder comme artefacts séparés, ni fusionnés dans un diagramme unique ni superposés comme annotations au survol, c'est la différence entre une cartographie utile et une cartographie confuse.

En 2026, la technologie a franchi une étape majeure avec l'intégration des modèles de raisonnement avancés. Contrairement aux versions précédentes qui se contentaient d'une extraction sémantique, les moteurs actuels simulent l'exécution du processus pour détecter les impasses logiques avant même la génération du diagramme. (source : Forrester Research, 2026).

• Inférence des règles métier : L'IA identifie les conditions implicites basées sur le contexte sectoriel (ex: conformité bancaire vs logistique).
• Auto-correction structurelle : Les erreurs de flux (deadlocks) sont résolues par l'IA en proposant des chemins alternatifs cohérents.
• Enrichissement contextuel : Chaque tâche est automatiquement associée à des types de données probables (JSON, XML, PDF) sans intervention manuelle.