Les dialogues textuels sont désormais largement utilisés pour résoudre des problèmes réels. Dans les cas où les stratégies de solution sont déjà connues, elles peuvent parfois être codifiées en flux de travail et utilisées pour guider des humains ou des agents artificiels dans la tâche d'assistance aux clients. Nous introduisons une nouvelle formulation de problème que nous appelons Découverte de Flux de Travail (Workflow Discovery, WD), dans laquelle nous sommes intéressés par des situations où un flux de travail formel n'existe pas encore. Néanmoins, nous souhaitons découvrir l'ensemble des actions qui ont été entreprises pour résoudre un problème particulier. Nous examinons également une approche séquence-à-séquence (Seq2Seq) pour cette tâche novatrice. Nous présentons des expériences où nous extrayons des flux de travail à partir de dialogues du jeu de données Action-Based Conversations Dataset (ABCD). Étant donné que les dialogues ABCD suivent des flux de travail connus pour guider les agents, nous pouvons évaluer notre capacité à extraire ces flux de travail en utilisant des séquences d'actions véritables comme référence. Nous proposons et évaluons une approche qui conditionne les modèles sur l'ensemble des actions possibles, et nous montrons que l'utilisation de cette stratégie permet d'améliorer les performances en Découverte de Flux de Travail (WD). Notre approche conditionnelle améliore également les performances en Découverte de Flux de Travail sans exemple préalable (zero-shot) et avec peu d'exemples (few-shot) lors du transfert de modèles appris vers des domaines inconnus au sein et entre différents jeux de données. De plus, sur le jeu de données ABCD, une variante modifiée de notre méthode Seq2Seq atteint des performances d'état de l'art sur des problèmes apparentés mais distincts tels que le Suivi d'État d'Action (Action State Tracking, AST) et le Succès Dialogique en Cascade (Cascading Dialogue Success, CDS), selon plusieurs métriques d'évaluation.