L'IA qui lit, prévoit et surveille pour vous

Comptez 2 à 3 semaines entre l'atelier de cadrage et la mise en service d'un premier workflow documentaire. Pour un modèle de prévision, de chiffrage ou de détection, ajoutez le diagnostic data (2 à 3 semaines) qui mesure sa précision sur votre historique. Dans tous les cas, la solution tourne d'abord en parallèle de votre process actuel, sur vos vraies données, le temps de vérifier ses résultats.

L'IA générative (Claude, ChatGPT, Mistral…) a appris sur d'immenses volumes de texte : elle sait lire, résumer, rédiger et classer sans entraînement spécifique. Le machine learning apprend une tâche précise à partir de vos données : prévoir une vente, estimer un coût, reconnaître une anomalie. Le premier comprend, le second calcule. Beaucoup de projets combinent les deux : un LLM lit le cahier des charges, un modèle entraîné sur vos affaires en estime le prix.

Oui — c'est pour cela que nous ne lui confions jamais seule une décision engageante. Chaque donnée extraite porte un score de confiance, chaque prévision une fourchette, et derrière, des règles classiques contrôlent tout : montants, doublons, cohérence avec la commande. Ce qui échoue aux contrôles ou passe sous le seuil de confiance est mis de côté pour une personne. En pratique, l'erreur la plus fréquente d'un process automatisé n'est pas une donnée fausse : c'est un document mis de côté alors qu'il était correct.

Moins qu'on ne le croit, mais il en faut. Pour lire des documents, quelques dizaines d'exemples suffisent à démarrer. Pour prévoir des ventes, un an d'historique est un minimum, deux ou trois sont confortables. Pour chiffrer des devis, une centaine d'affaires avec leur coût réel. Pour surveiller des machines, quelques semaines de fonctionnement normal. Le diagnostic data sert précisément à répondre à cette question sur vos données, avant d'engager un projet.

Nous ne la promettons pas : nous la mesurons. Pendant le diagnostic, le modèle est rejoué sur votre passé (backtesting), comme s'il avait tourné à l'époque, et comparé à une règle simple. Vous voyez l'erreur moyenne en euros, en unités ou en jours, et le taux de fausses alertes. Si le gain ne justifie pas le projet, nous vous le disons.

Chaque résultat est livré avec ses explications : les facteurs qui ont fait monter ou baisser une estimation (méthode SHAP), les affaires comparables, le signal qui a déclenché une alerte. Un modèle qu'on ne peut pas expliquer à son utilisateur n'est pas utilisé — nous le concevons en conséquence.

Oui, si on le laisse seul : nouveaux produits, nouveaux clients, nouvelle machine, et le monde ne ressemble plus aux données d'entraînement. C'est la dérive. Elle est surveillée en continu dans le cadre du forfait : quand la précision baisse ou que les données changent de profil, le modèle est réentraîné, comparé à l'ancien, et remplacé seulement s'il fait mieux.

Non. La plupart des équipements peuvent recevoir des capteurs autonomes (vibration, température, courant) sans toucher à l'automate, et ceux qui en ont un exposent souvent leurs mesures en OPC-UA ou Modbus. Une petite passerelle en atelier collecte les données et peut même faire tourner la détection sur place. Nous commençons généralement par deux ou trois équipements critiques.

Cela dépend de leur sensibilité, et c'est vous qui choisissez. Par défaut, nous utilisons les grands modèles du marché, comme Claude ou ChatGPT, via leurs offres professionnelles, qui n'utilisent pas vos données pour l'entraînement : ce sont les plus performants dès qu'il faut rédiger, résumer ou générer du contenu. Si vos données sont sensibles — santé, RH, dossiers clients —, nous pouvons, sur demande, auto-héberger des modèles open source en Europe, sur une infrastructure qui vous est dédiée : rien ne sort de ce périmètre. Les modèles de prévision, de chiffrage et de détection, eux, sont entraînés et exécutés sur cette même infrastructure. Dans tous les cas, nous signons un accord de sous-traitance conforme au RGPD.

Pour des flux simples et peu volumineux, ces plateformes font très bien le travail — et nous vous le dirons. Elles montrent leurs limites sur trois points : le prix, facturé à l'opération et qui grimpe avec le volume ; la complexité, dès qu'il faut des contrôles, des exceptions, de la reprise sur erreur ou un modèle entraîné sur vos données ; et la maîtrise des données, quand elles sont sensibles. Nos automatisations sont du code, sans coût à l'exécution, qui peut tourner entièrement en Europe si besoin — et ce code vous appartient.

Le code de vos workflows et vos modèles vous sont cédés à la recette : enchaînements, règles de contrôle, consignes données à l'IA, connecteurs spécifiques, modèles entraînés sur vos données et code de préparation des données. Ils sont déposés sur votre propre dépôt Git dès la première semaine, avec leur documentation d'exploitation. Notre socle technique réutilisable (orchestration, reprise sur erreur, console de suivi, module d'extraction) reste notre propriété, mais son code source figure sur ce même dépôt et vous est concédé par une licence perpétuelle, irrévocable et sans redevance : vous pouvez le modifier, ou le faire modifier par le prestataire de votre choix. Si vous voulez partir, vous partez avec des automatisations qui tournent — pas avec un export à reconstruire.

Moins qu'on ne l'imagine. La consommation des grands modèles de langage est facturée par le fournisseur, à votre nom et sans marge de notre part. La lecture d'une facture se compte en centimes ; pour quelques centaines de documents par mois, la facture reste le plus souvent sous quelques dizaines d'euros. Les modèles de prévision, de chiffrage ou de détection tournent sur votre serveur : leur coût d'exécution est négligeable. Avec un LLM auto-hébergé, le coût à l'usage est remplacé par celui d'un serveur dédié. Nous l'estimons pendant l'atelier de cadrage, et la console de suivi vous l'affiche mois par mois.

Parce qu'une automatisation dépend d'outils qui, eux, changent : un éditeur modifie son API, votre messagerie durcit ses règles de sécurité, un modèle d'IA est remplacé par une version plus récente, vos données dérivent. Le forfait paie de la faire tourner : hébergement, supervision des exécutions, reprise des erreurs, suivi et réentraînement des modèles, mise à jour des connecteurs, support et petits ajustements. Il se situe autour de 15 à 18 % par an du coût de construction et reste résiliable à chaque échéance annuelle. Vous pouvez aussi l'héberger vous-même : le code est à vous, cette porte reste ouverte.

Oui, au choix : comptant à la recette avec 5 % de remise, ou 12 mensualités après un acompte de 15 à 20 %, la propriété étant transférée au dernier règlement. Sur un process bien choisi, la mensualité reste inférieure au coût du temps de saisie qu'elle remplace. Et quel que soit le mode retenu, la facturation suit les paliers de livraison : vous ne payez pas un workflow que vous n'avez pas validé.

Presque toujours en partie, rarement à 100 % — et c'est très bien ainsi. La bonne cible n'est pas le process entier mais sa part répétitive ou prévisible : lire, recopier, vérifier, classer, relancer, estimer. Les cas particuliers restent traités par vos équipes ; simplement, ils arrivent désormais triés et préparés. L'atelier de cadrage sert justement à faire la part des choses et à chiffrer ce que chaque automatisation rapporte.

Non. L'hébergement, la supervision, le suivi des modèles et les mises à jour sont couverts par le forfait. Il nous faut en revanche un référent métier : la personne qui fait aujourd'hui le travail à automatiser ou à prévoir, disponible quelques heures par semaine pendant le projet pour fournir des exemples réels, expliquer les cas particuliers et valider les résultats.

Les automatisations et les modèles se branchent sur votre ERP actuel, quel qu'il soit, dès lors qu'il dispose d'une API ou accepte des imports. Et si vous envisagez notre ERP sur mesure, ils en deviennent naturellement des modules : rien n'est jeté, rien n'est à refaire.