Classification de texte dans Google Sheets : la fonction =AI() vs Apps Script → API Jev

La plupart des tâches de classification dans un tableur ont la même forme : une colonne de texte libre (réponses d’enquête, formulaires, messages de support, avis produits), une courte liste de catégories et une nouvelle colonne qui doit contenir exactement une catégorie par ligne. Les compléments utiles : une colonne de confiance, un indicateur « à revoir » et une colonne d’étiquettes manuelles sur un échantillon pour vérifier le résultat. Dans Google Sheets, trois voies réalistes remplissent cette colonne : la fonction AI intégrée, un Apps Script qui appelle une API externe comme JevModel, ou un export CSV classé ailleurs puis recollé.

L’aide Google décrit la syntaxe AI("prompt", [plage facultative]) ; =Gemini() est un nom équivalent. On sélectionne les cellules puis Generate and Insert, ou Refresh and Insert pour régénérer. Les exemples de Google incluent le classement d’une demande client en compliment, demande d’échange ou demande de retour, et le classement d’e-mails en positif, négatif ou neutre. Pour la classification, les limites documentées comptent : sortie texte uniquement ; la fonction ne voit que la plage transmise, pas tout le classeur ; elle ne peut pas être imbriquée dans une autre formule (l’exemple non pris en charge de Google entoure AI() d’un IF) ; seules les 350 premières cellules AI sélectionnées sont générées à la fois ; il existe des limites de génération à court et long terme ; l’accès dépend de l’offre, des réglages admin et de la langue. Forces : aucune configuration pour les comptes éligibles et un prompt en langage naturel modifiable par tous. Limites : la sortie est du texte libre, donc le label peut dériver (« Return », « return request », « Returns ») si le prompt et un nettoyage n’imposent pas des valeurs exactes, et il n’y a pas de colonne de probabilité par label pour piloter un seuil de revue.

Apps Script peut appeler n’importe quelle API HTTPS avec UrlFetchApp, et le guide des fonctions personnalisées de Google confirme qu’URL Fetch fait partie des services autorisés. Ce n’est pourtant pas le bon endroit pour un appel de classification facturé à l’usage. Une fonction personnalisée doit répondre en 30 secondes, sinon la cellule affiche #ERROR! ; chaque utilisation est un appel distinct au serveur Apps Script ; et elle se recalcule dès qu’une cellule référencée change, si bien qu’une simple modification peut reclasser (et refacturer) la même ligne sans bruit. Un élément de menu personnalisé évite cela : le script s’exécute une fois au clic, lit les lignes sélectionnées, appelle JevModel et écrit le label et la probabilité en valeurs fixes qui ne se recalculent pas. Tenez compte des limites publiées par Google : 6 minutes par exécution et quotas URL Fetch de 20 000 appels/jour pour les comptes grand public et 100 000/jour pour Google Workspace (Google précise qu’ils peuvent changer). Traitez des sélections qui tiennent dans une exécution. Stockez la clé JevModel dans Project Settings → Script properties plutôt que dans une cellule, et rappelez-vous que toute personne pouvant modifier le classeur peut aussi modifier son script lié : limitez les éditeurs.

Le tableau compare la forme du flux et le contrat de sortie, pas la précision. Aucune ligne n’est un benchmark ; mesurez sur votre propre échantillon étiqueté.

Ouvrez Extensions → Apps Script, collez le code, créez une propriété de script JEVMODEL_API_KEY avec une clé issue de JevModel Console → API keys, puis rechargez la feuille. Sélectionnez les cellules de texte d’une colonne et choisissez Jev → Classify selected rows ; le label et sa probabilité s’écrivent dans les deux colonnes suivantes. La requête suit le contrat documenté : un state (le texte de la cellule) et des questions nommées, ici un Choice dont les criteria associent des identifiants de label à de courtes définitions. Des définitions claires, avec un « other » explicite, comptent plus qu’une formulation habile. Le site fixe le modèle typesafe/jev-1.13 via OpenRouter, donc pas de champ model. JevModel est indépendant de TypeSafe AI, qui développe Jev. Un code non nul (par exemple INSUFFICIENT_TOKENS) est écrit ERROR pour ne relancer que ces lignes ; l’API n’a pas de clé d’idempotence, ne relancez donc pas les lignes déjà étiquetées.

// Illustrative only. Save the key as the script property JEVMODEL_API_KEY.
// Run from the menu, not as a custom function, so edits never re-bill rows.
const LABELS = {
  billing: "Charges, refunds, invoices or payment methods.",
  shipping: "Delivery status, delays or address changes.",
  product: "How the product works, or a defect report.",
  other: "Anything that fits none of the labels above.",
};

function onOpen() {
  SpreadsheetApp.getUi()
    .createMenu("Jev")
    .addItem("Classify selected rows", "classifySelection")
    .addToUi();
}

function classifySelection() {
  const key = PropertiesService.getScriptProperties().getProperty("JEVMODEL_API_KEY");
  const sheet = SpreadsheetApp.getActiveSheet();
  const range = sheet.getActiveRange(); // one column of text cells
  const rows = range.getValues().map(([text]) => {
    if (!text) return ["", ""];
    const res = UrlFetchApp.fetch("https://jevmodel.app/api/v1/systemone", {
      method: "post",
      contentType: "application/json",
      headers: { Authorization: "Bearer " + key },
      muteHttpExceptions: true,
      payload: JSON.stringify({
        state: String(text),
        questions: {
          route: {
            type: "choice",
            instructions: "Which support queue should handle this message?",
            criteria: LABELS,
          },
        },
      }),
    });
    const body = JSON.parse(res.getContentText());
    if (body.code !== 0) return ["ERROR", body.message];
    const answer = body.data.answers.route;
    const p = answer.probabilities ? answer.probabilities[answer.choice] : "";
    return [answer.choice, p];
  });
  // Plain values in the next two columns: label, probability.
  sheet.getRange(range.getRow(), range.getColumn() + 1, rows.length, 2).setValues(rows);
}

Un tableur facilite l’évaluation : faites-la. Avant de classer toute la feuille, étiquetez à la main un échantillon aléatoire de lignes dans une autre colonne, lancez la même question et comparez avec COUNTIFS ou un tableau croisé : accord par label et labels confondus. Fixez ensuite une règle de revue à partir de cet échantillon, par exemple « probabilité sous le niveau où se concentraient les désaccords → revue », puis ajoutez une colonne comme =IF(C2<0.7,"review","ok") ; 0,7 est un exemple, pas une recommandation. Gardez le label « other » et voyez une forte part d’« other » comme un signe que la liste de labels doit évoluer, pas comme un échec du modèle. La confiance Choice décrite par TypeSafe, (p − 1/n)/(1 − 1/n), corrige selon le nombre de labels mais n’est pas non plus une précision calibrée. Revérifiez l’échantillon après tout changement de labels ou de définitions.

Choisissez =AI() si vous avez déjà une offre éligible, que la feuille est une exploration ponctuelle et qu’une personne lira les résultats de toute façon. Choisissez le menu Apps Script → Jev si le même jeu de labels sert souvent, si vous voulez une colonne de probabilité pour décider des revues, ou si les labels doivent correspondre à ceux d’une autre automatisation (Zapier, Make, n8n, Power Automate, Pipedream ou votre app) via la même API. Choisissez CSV → Console → Batch pour obtenir des labels Jev sans coder, ou tester une question sur un petit fichier. Checklist commune : 1) définitions de labels avec un « other » explicite ; 2) échantillon étiqueté à la main ; 3) labels acceptés gardés en valeurs, pas en formules vivantes ; 4) aucune clé d’API dans les cellules ; 5) aucune précision annoncée sans mesure sur cet échantillon. Si une ligne peut porter plusieurs labels, voyez multi-label-text-classification plutôt que de forcer un seul Choice.