Le métier d'abord
Un cas d'usage se juge au temps gagné, aux erreurs évitées ou à la qualité de décision — pas à l'élégance de la démonstration. Nous partons de la tâche réelle, observée sur le terrain.
Intelligence artificielle
Mettre l'IA au service de vos processus, pas l'inverse
L'intelligence artificielle ne s'ajoute pas à un projet à la fin, comme une cerise sur le gâteau. Elle se conçoit dès l'architecture, s'appuie sur des données préparées et se mesure à l'aide d'indicateurs définis avant de commencer.
Nos principes
Trois convictions qui guident chaque projet d'IA
Vos données avant vos modèles
Les résultats dépendent bien plus de la qualité des corpus, de leur structuration et des règles de recherche que du choix d'un modèle. Nous investissons là où cela compte vraiment.
La contrôleabilité
Toute réponse doit pouvoir être expliquée, toute action tracée, toute erreur détectée. Un humain doit rester en mesure de valider, corriger ou refuser.
Cas d'usage
Ce que nous mettons concrètement en place
Huit familles de dispositifs, testées en conditions réelles. Toutes ne vous concernent pas — c'est justement l'objet du cadrage de le déterminer.
Recherche augmentée
Interroger en langage naturel des contrats, dossiers techniques, procédures ou historiques de tickets, avec les passages sources cités.
Génération assistée de documents
Préremplir des comptes rendus, synthèses, réponses à appels d'offres ou fiches produit à partir de modèles et de données existantes.
Automatisation de traitement
Classer, qualifier, extraire et router des demandes entrantes (courriels, formulaires, pièces jointes) vers le bon circuit.
Assistant interne de support
Répondre aux questions récurrentes des équipes ou des clients en s'appuyant sur la documentation à jour de l'organisation.
Analyse et aide à la décision
Synthétiser des séries, détecter des anomalies, produire des commentaires d'indicateurs automatisés et vérifiables.
Assistance au développement
Outiller les équipes techniques : revue de code assistée, génération de tests, documentation automatique, migration de legacy.
Structuration de la connaissance
Transformer des archives hétérogènes en base de connaissances exploitable : nettoyage, découpage, indexation, métadonnées.
Formation & acculturation
Apprendre aux équipes à utiliser ces outils correctement : quand s'y fier, quand vérifier, comment formuler une demande.
Intégration aux applications
Ajouter une couche d'IA dans vos applications métiers existantes : ERP, CRM, GED, portails internes, sans tout réécrire.
Notre démarche
Cinq étapes, chacune avec un livrable et un critère de sortie
Nous refusons d'engager un budget sur une intuition. Chaque étape produit un artefact que vous pouvez lire, contester et réutiliser.
01
Atelier de cadrage
Une demi-journée à une journée avec les personnes qui font le travail au quotidien.
- Inventaire des tâches répétitives, chronophages ou source d'erreurs
- Matrice valeur / effort / risque
- Critère de succès chiffré et mesurable
- Livrable : note de cadrage d'une page
02
Étude de faisabilité
Vérifier que les données existent, sont accessibles et juridiquement utilisables.
- Audit des sources : qualité, volumétrie, droits, confidentialité
- Choix d'architecture : RAG, fine-tuning, règles, hors IA
- Estimation du coût d'exploitation réel (inférence, stockage, maintenance)
- Livrable : dossier d'étude technique et budget prévisionnel
03
Prototype vérifiable
Un périmètre étroit, de vraies données, un jeu de tests et des résultats mesurés.
- Première version utilisable par un panel restreint d'utilisateurs
- Jeu d'évaluation : questions de référence, réponses attendues
- Comparaison des options retenues et des modèles testés
- Livrable : rapport de performance et décision go / no-go
04
Mise en production
Le dispositif devient un service : disponible, supervisé, coût maîtrisé.
- Intégration aux applications et à l'authentification existantes
- Journalisation, quotas, alertes, gestion des erreurs
- Validation humaine sur les actions sensibles
- Livrable : service en ligne et documentation d'exploitation
05
Suivi & transfert
Mesurer l'usage réel, corriger, et rendre vos équipes autonomes.
- Revue périodique des indicateurs et des retours utilisateurs
- Mise à jour des corpus et des modèles
- Formation des référents internes
- Livrable : rapport de valeur et plan de transfert
Architecture de référence
Une chaîne lisible, de la source de données à l'utilisateur
Chaque brique a un rôle précis et peut être remplacée indépendamment. C'est ce qui permet de changer de modèle sans reconstruire l'application, ou d'ajouter une source documentaire sans redéployer l'interface.
- Sources — documents, bases de données, API métiers, fichiers, courriels
- Préparation — nettoyage, découpage, métadonnées, contrôle des droits d'accès
- Recherche — index lexical et vectoriel, filtrage par habilitations
- Génération — modèle de langage, instruction système, garde-fous de sortie
- Outils & actions — appels aux applications métiers avec validation
- Application — interface, journalisation, évaluation continue, supervision
Formats de mission
Comment nous travaillons ensemble
Selon votre maturité et l'urgence, l'accompagnement prend des formes différentes. Les durées indiquées sont des ordres de grandeur, ajustés après le premier échange.
Atelier de cadrage IA
Une journée avec vos équipes pour identifier et prioriser les cas d'usage. Repartez avec une note de cadrage et une liste hiérarchisée.
- Note de cadrage, matrice de priorisation
- Aucun engagement de suite
Étude d'opportunité
Analyse approfondie d'un cas d'usage : données disponibles, architecture cible, coûts, risques et scénarios.
- Dossier d'étude technique
- Budget prévisionnel complet
Prototype vérifiable
Un dispositif utilisable sur un périmètre étroit et de vraies données, avec un jeu d'évaluation et des résultats mesurés.
- Prototype fonctionnel
- Rapport de performance go / no-go
Mise en production
Industrialisation du dispositif retenu : intégration, sécurité, supervision, quotas, documentation d'exploitation.
- Service en ligne
- Supervision et plan de reprise
Accompagnement continu
Suivi des usages, mise à jour des corpus, évaluation de la qualité, veille technologique et ajustements.
- Revue mensuelle des indicateurs
- Support et évolutions
Formation des équipes
Acculturation des métiers et des équipes techniques : usages pertinents, vérification des réponses, limites à connaître.
- Programme sur mesure
- Supports et exercices pratiques
Garde-fous & conformité
Ce que nous sécurisons systématiquement
L'adoption d'un dispositif d'IA échoue rarement pour des raisons techniques : elle échoue parce que la confiance n'a pas été construite. Ces points sont traités dès l'étude, jamais ajoutés après coup.
Confidentialité
Cloisonnement des données, modèles auto-hébergés quand c'est nécessaire, aucune fuite vers un service tiers sans votre accord explicite.
RGPD & AI Act
Base légale des traitements, information des personnes, minimisation, registre et analyse d'impact lorsque la situation l'exige.
Vérifiabilité
Réponses sourcées, citations cliquables, journal des interactions, possibilité de contester et de corriger.
Maîtrise des coûts
Suivi de la consommation, quotas, mise en cache, choix de modèles dimensionnés à l'usage réel plutôt qu'au plus performant.
Contrôle humain
Validation obligatoire sur les actions à conséquence : envoi, suppression, engagement financier, modification de dossier.
Souveraineté
Options d'hébergement en Europe ou sur votre infrastructure, dépendances documentées, réversibilité assurée.
Qualité mesurée
Jeu d'évaluation de référence, suivi des taux d'erreur et de rejet, détection des dérives après mise à jour d'un modèle.
Réversibilité
Architecture modulaire : le modèle est remplaçable, l'index reconstructible, l'application continue de fonctionner sans IA si nécessaire.
Questions fréquentes
L'IA en entreprise, sans langue de bois
Pas nécessairement. Beaucoup de cas d'usage utiles reposent sur quelques centaines de documents de qualité, correctement structurés et indexés. C'est la cohérence et l'accessibilité des données qui comptent, plus que leur volume.
C'est très variable : un assistant documentaire interne de faible trafic peut représenter quelques dizaines d'euros par mois, tandis qu'un traitement de masse peut coûter beaucoup plus. Nous chiffrons systématiquement ce poste avant la mise en production, avec un plafond de dépense paramétré.
Sur de nombreuses tâches ciblées, oui, avec l'avantage de la confidentialité et d'un coût fixe. Sur les raisonnements complexes et multilingues, les grands modèles commerciaux conservent souvent l'avantage. Nous comparons sur votre jeu de tests, pas sur des classements généraux.
Elle modifie surtout des tâches. Notre position est claire : l'objectif raisonnable est de supprimer les gestes à faible valeur ajoutée et de libérer du temps pour ce qui demande du jugement — pas de supprimer des personnes. Nous le disons aussi quand un projet n'a pas d'autre finalité que la réduction d'effectif.
En contraignant le dispositif à s'appuyer sur des documents identifiés, en affichant les sources, en refusant de répondre hors périmètre, et en mesurant régulièrement la qualité sur un jeu de questions de référence. Aucune méthode ne garantit le zéro erreur : c'est pourquoi le contrôle humain reste en place sur les sujets sensibles.
Nous concevons des architectures modulaires : la couche de génération est isolée du reste. Changer de modèle, ou basculer sur une solution auto-hébergée, devient une opération technique limitée et non une refonte de l'application.
Première étape
Un cas d'usage en tête ? Commençons par l'atelier de cadrage.
Une journée, vos équipes, une note de cadrage à la sortie. Vous saurez s'il faut y consacrer un budget — et si la réponse est non, nous vous le dirons.