Agence IA opérationnelle
Chatbots, agents IA, automatisations métier, intégration Claude / OpenAI / Mistral dans vos outils. On livre des solutions qui tournent en production, pas des POC qui finissent dans un Notion.
Depuis 2023, beaucoup d'entreprises ont essayé. Très peu ont mis en production. Voici les blocages qu'on voit revenir.
Un stagiaire a buildé un chatbot ChatGPT. Demo réussie, mais aucune intégration CRM, pas de monitoring, pas de prompt versioning. Six mois plus tard, plus rien.
5 000€ de facture OpenAI le mois où vous avez branché GPT-4 sur tous les emails entrants. Sans cache, sans modèle adapté, sans throttling, ça flambe vite.
Votre équipe colle des extraits de contrats clients dans ChatGPT public. RGPD ? Confidentialité ? Personne n'a tracé les flux.
Vous avez payé 600€/mois pour un « assistant IA » générique. Il ne connaît rien à votre métier, vos clients râlent, vos équipes l'ignorent.
On part toujours du cas d'usage métier, pas de la techno. La techno arrive en étape 3.
2 ou 3 ateliers avec vos équipes opérationnelles pour identifier les tâches répétitives à fort volume : tri des emails, qualification de leads, génération de devis, support client niveau 1. On ressort 5 à 8 cas chiffrés en gain de temps.
Modèle (Claude Sonnet, GPT-4, Mistral, Llama selon le cas), hébergement (cloud public, OVH souverain, on-premise), pipeline RAG si besoin de connaître votre doc interne, sécurité données (chiffrement, anonymisation, logs).
Développement de l'agent ou de l'automatisation, branchement sur vos outils (HubSpot, Salesforce, Zendesk, Slack, Office 365). Versioning des prompts, tests sur jeu de données réel, monitoring des coûts API en temps réel.
Déploiement progressif (10% du volume puis 100%), formation des équipes utilisatrices, runbook pour gérer les incidents, dashboard de pilotage (volume traité, taux de qualité, coût par requête).
Équipe support de 4 personnes saturée. 60% des tickets étaient des questions répétitives (mot de passe, facturation, comment faire X).
Mission : agent IA branché sur Zendesk + base de connaissance, réponse 24/7, escalade humaine sur cas complexes.
Génération manuelle de devis prenait 2-3h par commercial pour un dossier moyen. Erreurs fréquentes sur les conditions tarifaires.
Mission : agent IA qui rédige le devis depuis le brief vocal, intégration ERP existant.
Pré-qualification de 200 CV/semaine sur poste développeur. Recruteurs débordés, perdaient du temps sur des profils hors cible.
Mission : agent qui scrute le CV, scorer sur 5 critères, restitue une fiche synthèse 1 page.
Trois formats : un cadrage, un projet build, un retainer pour évoluer en continu.
Vous voulez savoir par où commencer.
forfait · livrable 2-3 semaines
Build et mise en production d'un cas d'usage.
forfait projet · livraison 6-10 semaines
Plusieurs cas d'usage à itérer.
engagement 6 mois minimum
Le bon modèle dépend du cas. Claude Sonnet 4.6 pour les tâches complexes (résumés, raisonnement), GPT-4o pour les tâches multimodales (image+texte), Mistral Small pour les volumes massifs à coût maîtrisé, Llama 3 en self-hosted quand la confidentialité l'exige. On ne se marie jamais avec un seul fournisseur.
Sur les API entreprise (OpenAI Enterprise, Anthropic API), les données ne sont pas utilisées pour entraîner les modèles. Mais elles transitent par des serveurs US. Si la donnée est sensible (juridique, médical, RH), on bascule sur déploiement souverain (OVH, Scaleway) ou on-premise via Llama / Mistral.
Trois leviers : (1) cache prompts pour économiser jusqu'à 90% sur les inputs répétés, (2) modèle adapté à la tâche (Haiku ou Mistral Small pour le simple, Sonnet ou GPT-4 pour le complexe), (3) hard cap mensuel par projet avec alertes Slack à 50%/80%. On a vu des factures divisées par 5 avec ces 3 réglages.
HubSpot, Salesforce, Zendesk, Intercom, Slack, Microsoft 365, Google Workspace, Notion, Airtable, Make, n8n. Sur les ERP custom ou anciens (SAP, Sage, Cegid), on intègre via API ou via bases SQL en lecture. Si l'outil n'a pas d'API, on cadre l'effort d'intégration dès le devis.
Trois garde-fous : (1) prompts contraints (instructions strictes, format JSON validé), (2) système de fallback humain quand la confiance du modèle est < seuil, (3) revue humaine systématique pendant les 4 premières semaines de mise en prod. Aucune décision client finale n'est jamais 100% IA.
Compter 8 à 15% du coût build/an pour une maintenance simple (tuning prompts, mises à jour modèles, monitoring). Plus si vous voulez ajouter des cas d'usage en continu (basculer sur retainer mensuel). Les coûts API runtime, eux, sont facturés directement par le fournisseur (OpenAI, Anthropic) à votre nom.
Diagnostic 1h offert pour identifier les 3 cas d'usage qui paieront leur build en 12 mois.
Cadrer un projet IA