Classification de texte Zapier : AI by Zapier Classify vs Vertex Classify Text vs HTTP → Jev

Dans Zapier, classer est surtout un routage : normaliser un champ entrant, faire choisir un label court au modèle, puis brancher Paths/Filters avant d’écrire dans Zendesk, Slack ou le CRM. Deux options documentées : (1) AI by Zapier avec modèle Classify et champs de sortie ; (2) Classify Text de Google Vertex AI si vous êtes déjà sur GCP. La troisième est Webhooks/HTTP vers une API externe comme JevModel. Aucune ne remplace un holdout labellisé de votre trafic.

D’après Zapier Help, AI by Zapier permet d’écrire un prompt (ou un modèle Classify), de choisir un palier—Standard (1×), Advanced (3×), Premium (5×, souvent par défaut) ou BYOK (1×)—et de définir des Output Fields. Fournisseurs : OpenAI, Anthropic, Gemini, Azure OpenAI, Bedrock. La modération est active par défaut sur les modèles Zapier. Forces : rédaction rapide, Preview, modèles sans quitter Zapier. Limites : connaissance réinitialisée à chaque run ; confiance calibrable non contractuelle ; schema dans ce Zap ; multiplicateurs de tâches coûteux. Jusqu’à mesure, traitez la sortie comme du JSON façonné par le prompt.

Le guide Vertex de Zapier décrit Classify Text : mapper Text, lister Categories, choisir le Project ID, laisser Model Region à us-central1 sauf autre politique. Advanced Fields optionnels pour les paramètres LLM. Cas : spam, sentiment, sujet, modération. La classification suit la facturation et l’IAM GCP, pas les multiplicateurs AI by Zapier. Elle renvoie une catégorie pour Paths, pas un contrat Choice/Score/Noul portable. Préférez-la si Vertex est déjà approuvé et que vous restez dans Google.

Le tableau oppose forme de workflow et contrat de décision, pas des scores marketing. Calibrez toute confiance sur votre échantillon labellisé.

Gardez Classify ou Vertex si peu de labels stables, faux routage peu coûteux, tout dans Zapier, et besoin surtout de mapping natif. Descriptions précises, Path Other, Preview sur échantillons réels, journalisez palier ou région Vertex. Préférez Vertex si GCP centralise déjà la dépense AI.

Schéma courant : Trigger → Formatter/Code vers state → Webhooks POST vers /api/v1/systemone avec Choice (2–12) et Score/Noul optionnels → Paths/Filters → effets seulement si haute confiance → file humaine sinon. Clés dans Credentials. Budget : ~8000 caractères après validation, 1–8 questions, quota journalier gratuit vérifié (5/jour UTC). JevModel héberge typesafe/jev-1.13 via OpenRouter ; indépendant de TypeSafe AI ; pas multimodal ni poids téléchargeables ici.

// Illustrative only — map fields in the Zap editor; keep secrets in Credentials.
POST /api/v1/systemone
{
  "state": "Customer asks for a refund on order #1842 after late delivery.",
  "questions": [
    {
      "id": "route",
      "type": "choice",
      "prompt": "Support route",
      "labels": ["billing", "shipping", "product", "other"]
    }
  ]
}

Calibrez toute confiance—champ libre AI by Zapier, score Vertex ou Score/Noul Jev—avant auto-application. Politique : bande haute auto ; moyenne vers humains avec suggestions ; sous le plancher, revue forcée. Branchez ces Paths avant les écritures. Les chiffres vendor restent un signal faible tant que vous ne mesurez pas.

1) Figez un dictionnaire de labels avec cas limites. 2) Other vs discard. 3) AI by Zapier, Vertex ou API Jev selon réutilisation, GCP et abstention. 4) Clés uniquement dans Credentials. 5) Mesurez précision/rappel sur holdout après chaque changement. 6) Actions destructives derrière seuils et Path humaine. 7) N’affirmez pas de gains de ranking ou de précision non mesurés.