
Formation Python et IA : vérifier, fiabiliser et partager les scripts écrits par un agent
Cette formation apprend à faire écrire ses scripts Python et ses analyses pandas par un agent IA, puis à les vérifier sur données réelles, les fiabiliser et les partager sans exposer de données confidentielles.
Format
Intra-entreprise
Durée recommandée
≈ 28 à 42 heures
Démarrage
Sous 15 jours
Sur-mesure
Programme co-construit avec le formateur
Le contrôleur de gestion qui consolide douze exports CSV, la chargée RH qui croise deux fichiers Excel, l'ingénieur qui retraite des mesures : ce sont eux qui font le plus écrire de Python par Claude Code, Codex, Copilot ou Cursor, souvent sans être développeurs. Le script tourne du premier coup, et c'est là que les ennuis commencent. Un code postal lu comme un nombre perd son zéro, une jointure double des lignes sans prévenir, une option ajoutée pour faire taire une erreur jette des lignes en silence. La formation donne les notions de fond de Python et de pandas qu'il faut pour relire ce code : types, structures, exceptions, lecture d'une trace d'erreur, changements de comportement de pandas 3. On apprend ensuite à vérifier un résultat par rapprochement avec des totaux connus, à fiabiliser le script (cas limites, validation des colonnes, logs, test sur un fichier de référence) et à le rendre reproductible avec uv, pour qu'un collègue le lance sur son poste ou en tâche planifiée. Un module entier porte sur la confidentialité : ce que l'agent voit vraiment d'un fichier client, et comment travailler sur un extrait anonymisé. Le dernier module expose un traitement en petite API FastAPI. Chaque stagiaire repart avec l'un de ses propres scripts audité et documenté.
Pour qui ?
- ›Profils métier (finance, contrôle de gestion, RH, achats, logistique, qualité) qui font écrire des scripts Python ou des analyses de fichiers Excel et CSV par un agent IA sans être développeurs.
- ›Analystes et ingénieurs qui automatisent des rapports et des retraitements avec pandas et doivent pouvoir garantir les chiffres qui en sortent.
- ›Développeurs, techniciens et référents IT qui reprennent, hébergent ou planifient les scripts produits par les équipes, et exposent parfois un traitement sous forme d'API interne.
Prérequis
- ›Utiliser couramment Excel (filtres, tableaux croisés, fonctions de recherche) et savoir manipuler fichiers et dossiers. Aucune expérience de programmation n'est exigée ; avoir déjà fait écrire un script par un assistant IA aide à profiter des ateliers.
Objectifs pédagogiques
- ›Lire et comprendre un script Python écrit par un agent : types, structures de données, fonctions, exceptions, imports et trace d'erreur.
- ›Cadrer la demande faite à l'agent et le faire travailler sur des extraits anonymisés, sans exposer de données confidentielles ou personnelles.
- ›Maîtriser la lecture, la transformation et l'agrégation de données avec pandas, y compris les changements de comportement de pandas 3.
- ›Vérifier le résultat d'un script sur des données réelles par rapprochement des volumes, des totaux et des clés.
- ›Fiabiliser un script avec validation des entrées, traitement des cas limites, journalisation et test sur fichier de référence.
- ›Partager un script reproductible, le planifier et, si besoin, l'exposer sous forme d'API interne avec FastAPI.
Programme détaillé
8 modules, construits autour de vos cas réels.
Durée recommandée : ≈ 28 à 42 heures, modulable selon le rythme du groupe et vos contraintes intra-entreprise.
01Ce que change un script écrit par un agent
Chapitres- Situer les usages de Python côté métier (consolidation de fichiers, rapprochements, rapports récurrents, retraitement de mesures) et la frontière avec les formules Excel, Power Query et VBA.
- Suivre le cycle d'un script généré, de la demande à l'agent jusqu'à la mise en partage, et repérer les étapes où l'humain doit valider.
- Comprendre pourquoi un script qui tourne sans erreur n'est pas un script juste : l'agent cherche à faire disparaître le message rouge, il ne connaît pas le total que vous attendiez.
- Poser le résultat attendu avant de demander le script : colonnes de sortie, totaux de contrôle, quelques cas connus qu'on saura vérifier à la main.
- Choisir son poste de travail : terminal, VS Code ou notebook Jupyter, et ce que chacun permet de voir et de contrôler pendant l'exécution.
02Lire le Python qu'un agent écrit
Chapitres- Reconnaître les types de base et leurs pièges : entiers, flottants, chaînes, booléens, None, et la conversion implicite qui transforme un identifiant en nombre.
- Lire listes, dictionnaires, boucles et compréhensions, la forme que prennent la plupart des traitements générés.
- Suivre un script découpé en fonctions : paramètres, valeurs de retour, portée des variables, bloc if __name__ == "__main__".
- Lire une trace d'erreur (traceback) de bas en haut pour trouver la ligne fautive avant de la renvoyer à l'agent.
- Repérer les try/except trop larges qui avalent une erreur et laissent le script continuer avec des données fausses.
- Exécuter un script pas à pas dans le débogueur de VS Code pour vérifier que le code fait ce que l'agent annonce.
03Cadrer la demande sans exposer ses données
Chapitres- Décrire un fichier à l'agent par sa structure (noms de colonnes, types, séparateur, volume) plutôt que par son contenu.
- Produire un extrait de test anonymisé ou synthétique, par exemple avec la bibliothèque Faker et sa locale fr_FR, qui génère SIRET, IBAN et adresses fictifs.
- Savoir ce que l'agent voit vraiment : ce qu'il lit et ce que ses commandes affichent, un simple df.head() compris, part dans le contexte envoyé au modèle.
- Connaître les limites des exclusions de fichiers : une règle de refus de lecture dans Claude Code ne couvre pas un script Python qui ouvre le fichier lui-même, et .cursorignore ne bloque pas le terminal de l'agent Cursor.
- Séparer les deux temps : l'agent écrit et teste sur l'extrait, l'humain lance le script sur les vraies données dans son propre terminal, hors de la session de l'agent.
- Évaluer Python in Excel, dont le code s'exécute dans un conteneur isolé du cloud Microsoft sans accès réseau, au regard de la politique de données de l'entreprise et du RGPD.
04Lire et transformer des données avec pandas
Chapitres- Lire un CSV exporté d'un logiciel français, avec point-virgule, virgule décimale et encodage Windows, grâce aux options sep, decimal, thousands et encoding de read_csv.
- Imposer les types à la lecture (dtype=str pour codes postaux, SIRET, références articles) afin de garder les zéros de tête, et lire les dates jour/mois avec dayfirst ou date_format.
- Lire un classeur avec read_excel et openpyxl, en sachant qu'une cellule de formule lue avec data_only=True renvoie la valeur mémorisée par Excel, pas un recalcul.
- Filtrer, créer des colonnes et agréger avec groupby et pivot_table, l'équivalent pandas du tableau croisé dynamique.
- Repérer le code écrit avec les habitudes de pandas 2 : depuis pandas 3, sorti en janvier 2026, l'affectation chaînée ne modifie plus le tableau d'origine et lève un avertissement ChainedAssignmentError ; la correction passe par .loc.
- Tenir compte du type str, devenu le type par défaut des colonnes de texte en pandas 3, qui fait échouer les tests du genre dtype == object encore fréquents dans le code généré.
05Vérifier un résultat sur des données réelles
Chapitres- Rapprocher entrée et sortie : nombre de lignes, sommes de contrôle, nombre de clés distinctes, comparés aux mêmes chiffres calculés dans Excel.
- Contrôler une jointure : validate="one_to_one" ou "many_to_one" fait échouer merge quand une clé est en double, indicator=True liste les lignes restées sans correspondance.
- Retrouver les lignes perdues en route : groupby écarte par défaut les lignes dont la clé est vide (dropna=True), un filtre mal écrit élimine les valeurs manquantes.
- Traiter les montants : en flottant, 1.1 + 2.2 donne 3.3000000000000003 ; le module decimal et des arrondis explicites évitent les écarts de centimes sur un total comptable.
- Respecter les limites de la destination : une feuille Excel s'arrête à 1 048 576 lignes, et en octobre 2020 Public Health England a sorti 15 841 cas positifs de ses chiffres quotidiens parce que des fichiers dépassaient la taille maximale de sa chaîne d'import.
- Constituer un jeu de cas connus (client à cheval sur deux mois, avoir négatif, doublon volontaire) et vérifier qu'il ressort exactement comme prévu.
06Fiabiliser un script : cas limites, logs, tests simples
Chapitres- Lister les cas limites d'un fichier métier (fichier vide, colonne renommée par le logiciel source, doublons, dates impossibles, montants négatifs) et décider pour chacun s'il faut arrêter ou signaler.
- Refuser les contournements silencieux que l'agent ajoute pour faire passer une erreur : on_bad_lines="skip" qui jette les lignes mal formées, errors="coerce" qui vide ce qui ne se convertit pas, except: pass.
- Valider les colonnes à l'entrée avec un schéma pandera : types attendus, valeurs autorisées, bornes, et un message d'erreur lisible par un non-développeur.
- Remplacer les print par le module logging : niveau, horodatage, fichier de log, et les compteurs (lignes lues, rejetées, écrites) qui permettent de contrôler une exécution après coup.
- Écrire avec pytest un test qui fait tourner le script sur un petit fichier de référence dont les totaux attendus ont été calculés à la main.
- Protéger les fichiers d'entrée : sources ouvertes en lecture seule, sorties horodatées, jamais d'écrasement du fichier d'origine.
07Partager un script reproductible et le planifier
Chapitres- Déclarer les dépendances et la version de Python dans le script lui-même, au format de métadonnées en ligne de la PEP 723, avec uv add --script, puis le lancer avec uv run sur n'importe quel poste.
- Figer les versions avec uv lock --script, ou avec exclude-newer qui ignore tout paquet publié après une date, pour que le script donne le même résultat dans six mois.
- Vérifier la version de Python des postes et serveurs : la branche 3.10 ne reçoit plus de correctifs de sécurité depuis le 1er octobre 2026, la 3.15 est sortie le 9 octobre 2026.
- Sortir du code les chemins en dur et les identifiants : fichier de configuration, arguments en ligne de commande, variables d'environnement pour les mots de passe et les clés d'API.
- Planifier une exécution avec le Planificateur de tâches Windows ou cron, avec un log consultable et une alerte quand le script échoue.
- Documenter pour le collègue qui reprendra : README de quelques lignes, exemple de fichier d'entrée, procédure de vérification, dépôt Git.
08Du script au service interne avec FastAPI
Chapitres- Décider quand un script doit devenir un service (plusieurs utilisateurs, déclenchement depuis un autre outil, historique des traitements) et quand il vaut mieux le laisser en tâche planifiée.
- Faire générer une API FastAPI qui reçoit un fichier et renvoie le résultat, et lire comment les annotations de type et les modèles Pydantic valident les entrées.
- Tester l'API depuis la documentation interactive Swagger UI que FastAPI publie sur /docs.
- Relire le code d'API généré : statuts HTTP explicites, erreurs qui ne renvoient pas la trace Python au client, nom de fichier fourni par l'utilisateur jamais utilisé tel quel comme chemin.
- Séparer la logique métier de la couche HTTP, pour que la même fonction, testée comme le script d'origine, serve en ligne de commande et en API.
- Atelier final : auditer l'un de ses propres scripts avec la grille de la formation et repartir avec sa version fiabilisée et documentée.
Moyens & supports pédagogiques
- Accueil des stagiaires
- Supports de formation projets
- Apports théoriques et pratiques
- Études de cas concrets
- Auto-positionnement
- Accès en ligne aux ressources
Évaluation & suivi des acquis
Feuille de présence
Émargement des stagiaires en présentiel ou à distance, via support papier ou signature électronique.
Émargement sécurisé
Signatures électroniques collectées en ligne et conservées dans un coffre-fort numérique sécurisé par Dendreo.
Auto-positionnement
Évaluation du niveau des stagiaires en début et en fin de formation pour mesurer la progression.
Évaluations pédagogiques
Validation des acquis par des questions orales ou écrites tout au long de la formation.
Mises en situation
Exercices pratiques et cas concrets pour ancrer les compétences dans la réalité métier.
Attestation de fin de formation
Remise d'une attestation officielle à l'issue de la formation.
Délai d’accès
Sous 15 jours après validation du devis
Accessibilité PSH
Adaptations possibles en situation de handicap. En savoir plus
Questions fréquentes
Ce que les entreprises demandent avant de se lancer.
Nos équipes ne sont pas développeurs : la formation ne va-t-elle pas les perdre ?
C'est le public pour lequel le programme a été construit. On apprend à lire ce que l'agent a écrit, assez pour repérer la ligne qui convertit un code postal en nombre ou le try/except qui avale une erreur. Les ateliers partent d'extraits anonymisés des fichiers que les stagiaires manipulent déjà, exports de paie, d'ERP ou d'outil de ticketing, et chaque notion de Python arrive au moment où un script réel en a besoin. Les profils plus techniques du groupe vont plus loin sur pandas 3 et sur l'API du dernier module.Pourquoi un script pandas qui tourne sans erreur peut-il donner un total faux ?
Parce que les erreurs de pandas ne font pas planter le script. Une jointure sur une clé en double multiplie les lignes et gonfle le total, groupby écarte par défaut les lignes dont la clé est vide, et depuis pandas 3 une affectation chaînée écrite avec de vieilles habitudes ne modifie plus rien, avec un simple avertissement dans la console. L'agent ne voit pas ces écarts puisqu'il ignore le chiffre que vous attendiez. Savoir lire merge, groupby et loc, et connaître les options qui font échouer le script au lieu de le laisser se tromper en silence, c'est ce qui vous permet de signer le tableau envoyé à la direction.Peut-on faire écrire des scripts sur nos fichiers clients sans que les données partent chez le fournisseur de l'IA ?
Oui, à condition de ne pas compter sur les réglages de l'outil seuls. Une règle qui interdit à Claude Code de lire un fichier ne s'applique pas à un script Python qui ouvre ce fichier lui-même, et Cursor précise que le terminal de son agent n'est pas bloqué par .cursorignore. Or la première chose que fait un agent après avoir écrit un script, c'est de l'exécuter et de lire ce qu'il affiche. La méthode travaillée en formation tient en une règle : l'agent écrit et teste sur un extrait anonymisé ou synthétique qui a la structure du vrai fichier, et c'est vous qui lancez le script sur les données réelles, dans votre terminal, hors de sa session.Que devient le script le jour où son auteur change de poste ?
C'est le cas qui fait le plus de dégâts : un script lancé chaque lundi depuis un seul PC, avec des chemins en dur et des bibliothèques installées à la main il y a deux ans. Un module entier y est consacré. Les dépendances et la version de Python sont déclarées dans le fichier lui-même, au format standard de la PEP 723, et uv recrée l'environnement sur n'importe quel poste avec uv run. Les versions sont figées par un fichier de verrouillage, la configuration sort du code et un README court explique comment vérifier le résultat. Un collègue peut alors reprendre le script sans appeler son auteur.
Prochaine étape
Construire votre formation Python et IA : vérifier, fiabiliser et partager les scripts écrits par un agent
Un échange de 20 minutes suffit pour cadrer vos enjeux et la session. Devis personnalisé sous 48h, démarrage sous 15 jours.
- Réponse sous 24h ouvrées
- 01 85 71 00 29

Pour aller plus loin





