Assistant métier
Vos équipes interrogent en langage naturel ce qui était enfermé dans des documents, des bases ou des outils différents. Le gain est immédiat et facile à mesurer : le temps passé à chercher.
Support · ADV · juridique · RHProduits dont l'IA est le cœur
Il y a une différence énorme entre une démo qui impressionne et un produit dont des gens dépendent tous les jours. La première prend deux semaines. La seconde demande une architecture, des données propres, des garde-fous et de la mesure.
C'est ce second travail que nous faisons : concevoir le système complet autour du modèle, et le tenir en production.
Nous construisions déjà des produits avant l'IA.
C'est ce qui nous permet d'en construire avec.
Cas d'usage
Ces cinq familles couvrent la quasi-totalité des projets que nous voyons arriver. Si le vôtre n'y ressemble pas, c'est peut-être un bon signe — ou un signal d'alerte. On vous le dira.
Vos équipes interrogent en langage naturel ce qui était enfermé dans des documents, des bases ou des outils différents. Le gain est immédiat et facile à mesurer : le temps passé à chercher.
Support · ADV · juridique · RHContrats, factures, dossiers, comptes rendus : extraction structurée, classement et contrôle de cohérence, avec validation humaine sur les cas incertains.
Finance · assurance · immobilierVos utilisateurs trouvent ce qu'ils cherchent même quand ils l'expriment mal. C'est souvent le levier de conversion le plus rentable sur un catalogue ou une base de contenus.
E-commerce · média · marketplaceDevis, réponses, descriptions, comptes rendus produits à partir de vos données et de vos gabarits. L'humain relit et valide — le gain est sur le premier jet, pas sur la responsabilité.
Commerce · production de contenuScoring, priorisation, détection d'anomalies, alertes. L'IA ne décide pas : elle trie et explique pour que la décision humaine soit plus rapide et mieux informée.
Opérations · risque · maintenanceArchitecture AI-native
Un produit IA n'est pas un appel à un modèle. C'est un empilement de couches dont chacune peut vous coûter cher si elle est traitée après coup.
Une interface qui suppose que l'IA peut se tromper : sources affichées, possibilité de corriger, chemin de secours. C'est là que la confiance se gagne ou se perd.
UX · design d'incertitudeCollecte, nettoyage, découpage et indexation. Sans ce travail, le modèle répond avec sa culture générale — c'est-à-dire à côté.
RAG · embeddings · indexQuel modèle appeler, dans quel ordre, avec quel contexte, et que faire quand la réponse ne convient pas. C'est le cerveau du système.
Routing · fallback · chaînageL'IA déclenche des opérations réelles dans votre produit ou vos outils, avec un périmètre strictement défini et une validation humaine là où l'erreur coûte cher.
Tool calling · API · workflowsLimites de périmètre, filtrage, quotas, détection d'abus, traçabilité complète de ce qui a été demandé et répondu.
Guardrails · quotas · logsJeux de tests de qualité, suivi des coûts et des temps de réponse, remontée des cas d'échec. Sans cela, aucune amélioration n'est pilotable.
Evals · observabilitéChoix du modèle
Ce n'est presque jamais celui qui obtient les meilleurs scores dans les classements. C'est celui qui respecte votre exigence de confidentialité, votre temps de réponse acceptable et votre coût par utilisateur.
Et surtout : votre produit doit pouvoir changer de modèle sans être réécrit. Le paysage bouge tous les trois mois — s'y attacher est le pire pari technique du moment.
Un routage central, un modèle de repli, et des tests qui mesurent la qualité à chaque changement. Migrer coûte alors une journée, pas un trimestre.
Vos données peuvent-elles sortir de l'Union européenne ? Doivent-elles rester chez vous ? Cette seule question élimine parfois les trois quarts des options.
Un assistant de saisie doit répondre en moins d'une seconde. Une analyse de dossier peut prendre trente secondes. Ce n'est pas le même modèle.
Multiplié par votre volume réel, l'écart entre deux modèles peut représenter des milliers d'euros par mois. On calcule avant, pas après.
Les classements publics ne disent rien de votre métier. On construit un jeu de tests avec vos cas réels et on compare les modèles dessus.
Le modèle doit être remplaçable sans réécrire le produit. C'est une décision d'architecture, prise au premier jour.
Mesure et garde-fous
C'est la différence la plus concrète entre un projet IA amateur et un projet industriel. Un modèle mis à jour peut changer de comportement du jour au lendemain.
Une trentaine de cas réels avec la réponse attendue, rejoués à chaque changement de modèle, de prompt ou de données. C'est ce qui remplace « ça a l'air de mieux marcher ».
Consommation par utilisateur, par fonctionnalité et par jour, avec des alertes de seuil. Un bug de boucle peut coûter très cher en une nuit.
Qui a demandé quoi, quel contexte a été utilisé, quelle réponse a été produite. Indispensable en cas de litige et pour comprendre les échecs.
Pas partout — cela annulerait le gain. Uniquement là où l'erreur a une conséquence réelle : un engagement, un montant, une donnée personnelle.
Nous appliquons exactement les mêmes exigences à notre propre usage de l'IA pour produire du code : mesure, revue humaine et validation avant production. Nous ne vous vendons pas une rigueur que nous ne nous imposons pas.
Coûts et trajectoire
Le développement, comme tout produit. Et le coût d'usage, qui grandit avec vos utilisateurs — c'est celui que personne ne modélise et qui crée les mauvaises surprises.
Chaque appel au modèle est facturé. Multiplié par vos utilisateurs et leur fréquence d'usage, c'est une ligne de charge à part entière, à modéliser avant le lancement.
Stockage et mise à jour de l’index de vos documents. Modeste au départ, il grandit avec votre volume et votre fréquence de rafraîchissement.
Les fournisseurs mettent à jour leurs modèles. Il faut rejouer les tests et parfois réajuster — comptez cet effort dans votre budget annuel.
Fourchettes indicatives, août 2026. Obtenir une estimation sur votre cas d'usage →
C'est la condition de publication de cette page. Une page pilier qui promet sans prouver ne se classe pas et ne convertit pas — et sur l'IA, la méfiance est plus forte qu'ailleurs. Chaque cas doit porter un chiffre ou un apprentissage vérifiable, pas une capture d'écran.
Idéalement avec un temps de recherche avant/après, ou un volume de requêtes traitées par mois.
Volume de documents traités, taux de validation automatique, temps gagné par dossier.
Le cas le plus convaincant : un produit dont l'IA est le cœur, avec sa trajectoire et ses apprentissages.
Questions fréquentes
Les réponses sont volontairement directes, y compris quand elles vont contre notre intérêt commercial immédiat.
Posez-vous cette question : y a-t-il, dans votre produit, une tâche où un humain lit, trie, rédige ou cherche de façon répétitive ? Si oui, il y a probablement un gain. Sinon, l'IA ajoutera de la complexité sans valeur. Nous commençons toujours par cette question, et il nous arrive de conclure qu'il ne faut pas d'IA.
Oui, mais cela oriente fortement l'architecture. Selon votre niveau d'exigence : modèles hébergés en Europe, hébergement dédié, anonymisation avant envoi, ou modèle exécuté sur votre infrastructure. C'est une contrainte à poser au cadrage, pas à découvrir en cours de route.
Elle se trompera, c'est une certitude. La question est ce que votre produit fait à ce moment-là. Nous concevons l'interface pour que l'erreur soit visible, corrigeable et sans conséquence : sources affichées, validation humaine sur les décisions engageantes, chemin de secours toujours disponible.
Cela dépend du modèle, de la longueur des échanges et de votre volume. Sur les produits que nous exploitons, cela va de quelques dizaines à quelques milliers d'euros par mois. Nous modélisons cette courbe pendant le cadrage, avec vous, pour que le modèle économique tienne à l'échelle visée.
C'est certain, et c'est pour cela que nous abstrayons le modèle dès le premier jour. Changer de fournisseur doit coûter une journée de travail et un passage de tests, pas une réécriture. Un produit attaché à un modèle précis est un produit périmé d'avance.
Oui, et c'est une demande croissante : beaucoup de prototypes prometteurs ne franchissent jamais l'étape de la production, faute d'architecture, de données propres ou de mesure. Nous auditons l'existant et vous disons honnêtement ce qui est récupérable.
Votre projet IA
Trente minutes pour qualifier le cas d'usage, estimer la faisabilité et repérer les vrais risques — données, confidentialité, coût d'usage. Parfois la conclusion est qu'il ne faut pas d'IA. On vous le dira aussi.