IA & automatisation agentique
Des assistants sur vos propres documents, des agents qui mènent des processus à terme et de l'extraction qui vide une boîte de réception — construits avec une évaluation dès le premier jour, pour savoir si cela fonctionne vraiment.
L'IA appliquée consiste à utiliser des modèles de langage pour accomplir une tâche précise et délimitée dans votre entreprise — répondre à des questions à partir de votre propre documentation, extraire des données structurées de fichiers non structurés, rédiger une première réponse ou mener un processus en plusieurs étapes avec un humain qui valide le résultat.
Ce n'est pas une présentation stratégique, et ce n'est pas un modèle que nous entraînons de zéro. Presque tous les cas d'usage métier pertinents aujourd'hui combinent un bon modèle généraliste avec vos données, vos règles et un moyen de mesurer si le résultat est juste. L'ingénierie se trouve dans la recherche d'information, les garde-fous et l'évaluation — pas dans le modèle.
Pour être honnête : l'IA est très bonne pour lire, résumer, rédiger et classer, et peu fiable pour le calcul, pour tout ce qui exige une exactitude garantie, et pour admettre qu'elle ne sait pas. Les bons systèmes sont conçus en tenant compte de cette réalité, et non malgré elle.
Nous faisons ce test avant de chiffrer. Environ un tiers des demandes d'IA que nous recevons se résolvent mieux autrement, et nous préférons le dire.
Bon candidat
- Gros volume de texte non structuré — tickets de support, contrats, CV, e-mails, formulaires. Tout ce qu'une personne lit aujourd'hui pour décider de la suite.
- Les réponses existent mais sont difficiles à trouver — l'information est dans un wiki, un PDF de procédure ou six ans de tickets, et les gens demandent à un collègue au lieu de chercher.
- Un premier jet fait gagner l'essentiel du temps — réponses, résumés, rapports et propositions où un humain corrige plutôt qu'il n'écrit de zéro.
- Tolère de se tromper de temps en temps — un humain relit le résultat, ou une erreur est peu coûteuse et visible. C'est le critère le plus important de tous.
Utilisez autre chose
- Des règles déterministes suffiraient — si la logique peut s'écrire sous forme de conditions, écrivez-la sous forme de conditions. C'est moins cher, plus rapide, testable et sans surprise.
- Calcul et rapprochement — ne laissez jamais un modèle de langage faire les additions. Laissez-le trouver les chiffres et les confier à du code qui sait additionner.
- Aucune tolérance à l'erreur, aucune relecture — tout cas où une mauvaise réponse part directement vers un client ou un régulateur sans qu'un humain l'ait vue.
- Vous n'avez pas encore les données — si les documents sont éparpillés, incohérents ou inexistants, le travail sur les données passe en premier. C'est un projet d'ingénierie des données, pas d'IA.
Nous n'avons aucun intérêt à survendre — nous préférons vous construire une petite chose qui fonctionne qu'une grande chose que vous éteindrez dans six mois.
Six schémas qui couvrent l'essentiel de ce dont les entreprises ont réellement besoin en IA aujourd'hui.
Assistants de connaissance internes
Interroger votre propre documentation, vos procédures et votre historique, avec des citations renvoyant à la source pour que les réponses puissent être vérifiées plutôt que crues sur parole.
Extraction de documents
Transformer factures, contrats, formulaires et relevés en données structurées — avec des scores de confiance et une file de relecture pour les cas qui nécessitent un humain.
Processus agentiques
Des automatisations en plusieurs étapes où le modèle planifie et appelle vos systèmes : trier une demande, rassembler le contexte, préparer l'action, et s'arrêter pour validation avant que quoi que ce soit ne soit engagé.
Automatisation du support
Brouillons de réponses, classification et routage des tickets, et traitement automatique des questions répétitives.
Bancs d'évaluation
La partie que la plupart des projets sautent : un jeu de test, une notation et une suite de non-régression pour savoir si un changement de prompt ou de modèle a amélioré ou dégradé les choses.
Fonctionnalités d'IA dans votre produit
Recherche, résumé, rédaction ou classification intégrés à un logiciel que vous livrez déjà — y compris le contrôle des coûts et les limites de débit pour que ce soit viable.
Trois techniques souvent confondues, aux coûts très différents. La plupart des problèmes métier se résolvent avec la colonne du milieu.
| Ingénierie de prompts | Recherche augmentée (RAG) | Fine-tuning | |
|---|---|---|---|
| Ce que ça fait | Donne des instructions soignées à un modèle généraliste | Fournit vos documents au modèle au moment de la question | Ajuste les poids du modèle sur vos exemples |
| Idéal pour | Style, format, tâches de raisonnement général | Répondre à partir de vos propres connaissances | Un comportement ou un format étroit et constant |
| Coût de mise en place | Le plus faible | Modéré — pipeline et indexation | Le plus élevé — nécessite un jeu de données annoté |
| Mettre à jour les connaissances | Réécrire le prompt | Réindexer — les nouveaux documents sont pris en compte immédiatement | Réentraîner le modèle |
| Peut-il citer ses sources ? | Non | Oui — c'est son principal avantage | Non |
| Erreur fréquente | Mettre un manuel entier dans chaque prompt | Un mauvais découpage, puis accuser le modèle | Y recourir avant d'avoir essayé la recherche augmentée |
Si quelqu'un propose du fine-tuning avant que vous ayez essayé la recherche augmentée, demandez pourquoi. C'est généralement la réponse la plus chère à une question que la recherche augmentée résout déjà.
Cinq contrôles qui transforment une démo en quelque chose que l'on peut mettre entre les mains du personnel ou des clients.
Ancrage et citations
Les réponses sont tirées de passages retrouvés et affichent leurs sources. Chacun peut vérifier la réponse au lieu de la croire sur parole, et c'est ce qui rend l'adoption possible.
Refuser plutôt qu'inventer
Les systèmes sont conçus pour répondre « je n'ai pas cette information » quand la recherche ne trouve rien. Une mauvaise réponse assurée coûte bien plus en confiance qu'une lacune assumée.
Validation humaine des actions
Les agents qui modifient des données, envoient des messages ou dépensent de l'argent s'arrêtent d'abord pour un humain. L'autonomie en lecture seule n'a pas du tout le même profil de risque que l'autonomie en écriture.
Frontières des données
Ce qui est envoyé à un fournisseur de modèle, ce qui est conservé et où c'est traité sont décidés explicitement et documentés — ce qui compte au regard du RGPD et pour tout client réglementé.
Maîtrise des coûts et du débit
Budgets de tokens, mise en cache et limites par utilisateur dès le premier jour. Les fonctionnalités d'IA viables en pilote et ruineuses à grande échelle sont un échec bien connu.
Volontairement centré dès le départ sur l'évaluation — la seule façon de savoir si cela fonctionne.
- 01
Revue du cas d'usage
Nous appliquons le test d'adéquation ci-dessus à votre vrai problème et estimons ce que vaudrait un bon résultat. Parfois, la conclusion est qu'il ne faut pas le construire.
- 02
Jeu d'évaluation
Avant de construire, nous rassemblons de vraies questions avec des réponses de référence. Cela devient la mesure de ce qui fonctionne et de l'effet de chaque changement.
- 03
Prototype
Un pipeline fonctionnel sur vos vraies données en quelques semaines, noté par rapport au jeu d'évaluation. De vrais documents, pas une démo triée sur le volet.
- 04
Consolidation
Garde-fous, contrôle des coûts, supervision, comportement de repli et file de relecture. C'est là que se trouve l'essentiel de l'ingénierie.
- 05
Déploiement & suivi
Déployé d'abord auprès d'un petit groupe, avec la journalisation de ce que les gens demandent et des échecs — la meilleure feuille de route que vous obtiendrez.
Si le prototype ne dépasse pas la référence d'évaluation, nous nous arrêtons et vous le disons. C'est un échec peu coûteux, et bien préférable à un échec lent et cher.
Pas avec les configurations que nous déployons. Nous utilisons des offres API entreprise dans lesquelles le fournisseur s'engage contractuellement à ne pas entraîner ses modèles sur les données soumises, et nous documentons exactement ce qui quitte votre environnement. Lorsque les données ne peuvent pas du tout quitter votre infrastructure, nous concevons autour de modèles auto-hébergés et vous disons honnêtement quelles capacités vous perdez.
Démarrer un projet
Soyez précis — qui la fait aujourd'hui, à quelle fréquence, et ce qui se passe en cas d'erreur. Cela nous suffit pour vous dire si c'est un bon candidat.
- Réponse sous un jour ouvré
- Séance de cadrage gratuite, sans engagement
- Le document de cadrage vous appartient dans tous les cas