Services
Des agents IA en production conçus par des ingénieurs qui les ont déjà livrés — pas par des équipes qui ont découvert le mot le trimestre dernier. Nous cartographions honnêtement les cas d'usage selon la décision agent-vs-pipeline, concevons une orchestration d'outils qui tient à 2h du matin, construisons des niveaux de mémoire qui ne font pas exploser votre facture OpenAI, et livrons des points de contrôle human-in-the-loop sur chaque action irréversible. Périmètre fixe, tarifs tout compris en USD, par paliers d'autonomie : un agent task ou PoC dès 2 900 USD, un agent ancré par RAG dès 8 100 USD, un agent autonome dès 10 400 USD et un système multi-agents ou ML en production jusqu'à 13 800 USD. PI transférée dès le premier jour, sans marge de recrutement ni surcoût d'outils.
Conforme au RGPD · Prêt pour ISO 27001 · SOC 2 Type II en cours · Compatible HIPAA · CCPA pris en compte · Journée CET avec chevauchement 9h–13h ET
La plupart des projets d'agents échouent parce que le problème n'avait pas besoin d'un agent. Un pipeline déterministe plus un appel LLM aurait été livré en trois semaines et aurait coûté un dixième du prix. Nous le disons dans le sprint de faisabilité. Quand vous avez réellement besoin d'un agent — workflows en plusieurs étapes sur un état changeant, séquences d'outils impossibles à coder en dur, critères de réussite vérifiables — nous les construisons de manière à ce qu'ils survivent en production : graphes explicites, appels d'outils validés, budgets de tokens stricts, human-in-the-loop par paliers, et une observabilité qui capture chaque étape. L'agent qui gère votre file de remboursements ne peut pas boucler 40 fois dans votre facture Stripe à 3h du matin et que vous le découvriez le lundi.
Nous évaluons les workflows candidats selon les trois prérequis d'un agent — ordre des outils non déterministe, état évolutif, réussite vérifiable — et nous signalons explicitement ceux où un pipeline plus un appel LLM serait livré plus vite et moins cher.
Définitions d'outils avec schémas Pydantic stricts, reprise et back-off par outil, clés d'idempotence sur les écritures, et un graphe explicite pour que le flux de contrôle soit débogable plutôt qu'émergent. LangGraph, Temporal ou Inngest selon les besoins de durabilité.
Lorsque la charge de travail bénéficie réellement d'agents spécialisés (rare), nous concevons des schémas superviseur et worker avec des contrats de transfert clairs. Lorsque ce n'est pas le cas, nous vous épargnons la complexité et livrons un système mono-agent que vous pouvez réellement exploiter.
Tampon de conversation à court terme avec résumé, mémoire épisodique à long terme dans pgvector ou Weaviate, RAG sémantique pour le corpus sous-jacent. Chaque niveau dimensionné explicitement pour que le coût de mémoire reste à 30 à 60 pour cent du coût LLM, pas à 300.
Approbations par paliers : autonome pour les lectures, annulation asynchrone pour les écritures à risque moyen, approbation synchrone pour les actions irréversibles (e-mail, production, paiements). Les interfaces d'approbation font partie du livrable — messages interactifs Slack, votre admin, ou une boîte de réception sur mesure.
Budgets de tokens et de dollars par tâche imposés au niveau de l'orchestrateur. Traces au niveau de chaque étape dans Langfuse, Helicone ou Arize. Alertes de coût câblées vers PagerDuty, pas vers des tableaux de bord que vous consultez le lundi. Harnais d'évaluation tournant en CI à chaque changement de prompt.
Semaines 1–2 : cartographie des cas d'usage, décision agent-vs-pipeline, inventaire des outils sur vos API existantes, modèle de ROI. Le livrable est un go/no-go écrit, avec l'alternative moins chère cadrée si la décision est no.
Semaines 3–4 : orchestrateur choisi (LangGraph vs Temporal vs Inngest selon la durabilité), schémas d'outils en Pydantic, niveaux de mémoire dimensionnés, paliers de points de contrôle attribués par outil, ADR rédigés.
Semaines 5–9 : agent construit, intégrations d'outils en service, interface human-in-the-loop livrée, observabilité câblée, harnais d'évaluation tournant en CI, déploiement client-zéro derrière un feature flag avec des plafonds de budget stricts.
Semaine 10+ : montée progressive du trafic, SLO de coût et de latence, runbook pour les agents bloqués et les pannes d'outils, votre équipe formée à l'ajout d'outils et à l'extension du jeu d'évaluations. Nous nous retirons quand votre équipe l'exploite.
2–3 semaines. Un agent mono-tâche ou une preuve de concept exécutable : un workflow, un inventaire d'outils, la décision agent-vs-pipeline cadrée. Idéal pour valider l'idée avant un build. Dès 2 900 USD, fixe.
4–6 semaines. Récupération et ancrage sur votre corpus : ingestion et découpage, un magasin vectoriel, des réponses ancrées avec citations, un harnais d'évaluation. Dès 8 100 USD, fixe.
6–9 semaines. Orchestration d'outils, niveaux de mémoire, points de contrôle human-in-the-loop par paliers et observabilité avec des budgets stricts par tâche, livré en production derrière un feature flag. Dès 10 400 USD, fixe.
9–13 semaines. Un système multi-agents ou un pipeline ML en production : schémas superviseur/worker ou model serving, monitoring et contrôle des coûts. Dès 13 800 USD, fixe.
Toutes les collaborations démarrent par un NDA mutuel, une cession de PI dès le premier jour et un DPA. Vous voyez le budget ligne par ligne à la fin de la discovery et le validez avant qu'une ligne de code ne soit écrite — sans marge de recrutement ni surcoût d'outils.
Périmètre fixe, tarifs tout compris en USD pour budgéter avant la discovery. Chaque agent est cadré individuellement, mais ces quatre paliers couvrent les parcours courants, de la preuve de concept mono-tâche au système multi-agents ou ML en production. Vous voyez le budget ligne par ligne à la fin de la discovery et le validez avant qu'une ligne de code ne soit écrite — sans marge de recrutement ni surcoût d'outils.
Agent task/PoC
dès 2 900 USD
2–3 semaines · mono-tâche / preuve
Un agent mono-tâche ou une preuve de concept exécutable : un workflow, un inventaire d'outils et la décision agent-vs-pipeline honnête avant de vous engager sur un build.
Agent ancré par RAG
dès 8 100 USD
4–6 semaines · récupération + ancrage
Récupération et ancrage sur votre corpus : ingestion et découpage, un magasin vectoriel, des réponses ancrées avec citations et un harnais d'évaluation qui détecte les régressions.
Agent IA autonome
dès 10 400 USD
6–9 semaines · orchestration + HITL
Orchestration d'outils, niveaux de mémoire, points de contrôle human-in-the-loop par paliers et observabilité avec des budgets de coût stricts par tâche, livré en production derrière un feature flag.
Multi-agents / ML en production
dès 13 800 USD
9–13 semaines · multi-agents / pipeline ML
Un système multi-agents ou un pipeline ML en production : schémas superviseur/worker ou model serving, monitoring, contrôle des coûts et une passation que votre équipe peut exploiter.
Ce qui fait bouger le chiffre : combien d'outils l'agent orchestre et à quel point leur ordre est non déterministe ; combien de niveaux de mémoire il lui faut (tampon, épisodique, RAG sémantique) ; la profondeur des points de contrôle human-in-the-loop sur les actions irréversibles ; et le périmètre de conformité (conforme au RGPD, compatible HIPAA ou travaux PCI DSS relèvent la barre). Vous voyez le budget ligne par ligne à la fin de la discovery et le validez avant qu'une ligne de code ne soit écrite — sans marge de recrutement ni surcoût d'outils. Les frais cloud tournent sur vos propres comptes, vous gardez donc le levier de coût.
Clients de signature électronique iOS et Android natifs avec un CRM Symfony + React pour un cabinet d'avocats transfrontalier — onboarding KYC et une piste de preuve défendable pour les dossiers US et UE.
Plateforme sociale en production — App Store + Google Play, en service à travers les US et l'UE — avec Radar géolocalisé, messagerie chiffrée et une économie virtuelle.
Refactoring et reconstruction Android + iOS pour un opérateur logistique allemand du dernier kilomètre — planification d'itinéraires multi-points, suivi des chauffeurs en temps réel et facturation in-app en service dans l'UE.
Un agent n'est sûr que dans la mesure où il s'accorde avec votre réalité réglementaire et opérationnelle. Nous associons l'ingénierie d'agents à une conformité sectorielle sur les marchés US et UE, et mobilisons nos équipes sœurs IA, ML & Data, intégration GenAI et conformité EU AI Act quand une charge de travail l'exige.
Des agents pour le rapprochement, le tri des litiges et le support à la souscription, avec human-in-the-loop sur chaque action irréversible et une gestion des données de périmètre PCI DSS.
Agents FinTech →Des agents compatibles HIPAA et conformes au RGPD pour l'accueil, la récupération de dossiers et les workflows care-ops — avec des flux de données documentés et des verrous d'approbation synchrone sur les actions cliniques.
Agents HealthTech →Des agents pour les opérations de commande, l'enrichissement de catalogue et le tri du support qui appellent vos API existantes sous des schémas d'outils stricts et des budgets stricts par tâche.
Agents Retail →Des agents pour la gestion des exceptions, les requêtes d'itinéraire et d'ETA et l'automatisation back-office sur un état changeant — workflows durables sur Temporal ou Inngest quand les étapes doivent survivre aux redémarrages.
Agents Logistique →Conforme au RGPD · Prêt pour ISO 27001 · SOC 2 Type II en cours · Compatible HIPAA · CCPA pris en compte
Nous avons abandonné plus de projets d'agents que nous n'en avons livrés. Quand un pipeline plus un appel LLM l'emporte sur le coût et la fiabilité, nous le disons — même si cela réduit notre périmètre. Les MVP que nous livrons survivent en production.
Nos responsables d'agents ont fait tourner des workflows durables sur Temporal et Inngest avant l'existence des agents. Ils savent à quoi ressemble une tâche orpheline dans une file à 3h du matin, et conçoivent les points de contrôle en conséquence.
Budgets de tokens et de dollars stricts au niveau de l'orchestrateur dès le premier jour. Niveaux de mémoire dimensionnés pour garder le coût prévisible. Des agents qui se plafonnent eux-mêmes avant de plafonner votre équipe finance.
Nous traitons les agents comme des systèmes de production à flux de contrôle non déterministe — pas comme des chatbots qui appellent des API par hasard. La différence de discipline, c'est la différence entre un agent qui gère votre file de remboursements et un agent qui vous coûte une revue d'incident le lundi matin.
Un moteur de décision de crédit qui approuve dix fois plus vite n'arrive pas par hasard. YuSMP a construit le pipeline de scoring, l'intégration aux bureaux de crédit et un back-office que nos analystes prennent réellement plaisir à utiliser. Le délai d'approbation est passé de deux jours à moins de quatre heures.
Nous publions des dizaines d'articles sportifs par jour. YuSMP a construit un pipeline éditorial utilisant un bot Telegram comme CMS — les rédacteurs publient une seule fois et le contenu apparaît instantanément sur le web, iOS et Android. L'architecture ne demande aucune maintenance quotidienne.
Par défaut, optez pour un simple appel LLM. Passez à un agent uniquement lorsque la tâche présente trois propriétés : elle requiert plusieurs appels d'outils dont l'ordre ne peut pas être codé en dur, elle opère sur un état qui change au fil des tours, et le critère de réussite est suffisamment vérifiable pour que l'agent puisse s'auto-corriger. Le tri des demandes de support client est rarement un agent ; les workflows opérationnels qui touchent quatre API internes dans un ordre différent à chaque fois le sont souvent. Nous refusons les projets d'agents lorsqu'un pipeline déterministe plus un appel LLM serait livré en deux fois moins de temps avec un quart des bugs.
Cela dépend de la charge de travail. LangGraph pour les agents à état avec un flux de contrôle ramifié et des points de contrôle humains — le graphe explicite vaut son pesant d'or quand vous déboguez à 2h du matin. CrewAI ou AutoGen quand la collaboration multi-agents est le véritable schéma (rare). OpenAI Assistants quand la charge de travail est étroitement couplée au format d'outils d'OpenAI et que vous n'avez pas besoin de portabilité. Temporal ou Inngest quand l'agent est en réalité un workflow durable comportant des étapes LLM. Vercel AI SDK pour les front-ends Next.js avec un usage d'outils simple. Nous choisissons selon l'adéquation opérationnelle, pas la préférence fournisseur.
Trois contrôles. Des budgets de tokens et de dollars stricts par tâche au niveau de la couche d'orchestration — l'agent s'arrête avec une erreur claire avant de boucler 40 fois dans votre facture OpenAI. Une validation des appels d'outils au niveau de chaque étape via Pydantic, afin que les arguments invalides soient détectés avant l'appel API, pas après. Des points de contrôle human-in-the-loop sur les actions irréversibles (envoyer un e-mail, publier en production, débiter une carte). L'observabilité via Langfuse, Helicone ou Arize journalise chaque étape, chaque appel d'outil, chaque token. Les alertes de coût se déclenchent sur l'orchestrateur, pas sur le tableau de bord que vous consultez le lundi.
La mémoire, ce sont trois choses, pas une. Court terme : le tampon de la conversation en cours, résumé lorsqu'il dépasse le budget de contexte. Long terme épisodique : les faits que l'agent a appris sur l'utilisateur ou la tâche, stockés dans un magasin vectoriel avec rappel sémantique (pgvector ou Weaviate). Long terme sémantique : le corpus depuis lequel l'agent récupère, traité comme un sous-système RAG. Nous dimensionnons chaque niveau explicitement, car entasser naïvement tout dans la fenêtre de contexte coûte cinq à dix fois plus par requête et dégrade la qualité. Le coût de mémoire par agent représente généralement 30 à 60 pour cent du coût LLM lorsqu'il est conçu ; 300 pour cent lorsqu'il ne l'est pas.
Des points de contrôle par paliers. Palier 1 (autonome) : actions en lecture seule, aucun verrou humain. Palier 2 (revue asynchrone) : un humain voit et peut annuler dans une fenêtre donnée, mais l'agent ne bloque pas. Palier 3 (approbation synchrone) : les actions irréversibles (envoyer un e-mail, publier en production, débiter) attendent l'approbation humaine avant exécution. L'interface d'approbation fait partie du livrable, pas d'une réflexion après coup — généralement un message interactif Slack, une action en file d'attente dans votre admin existant, ou une boîte d'approbation sur mesure. L'attribution des paliers est par outil, écrite, et change via des PR, pas via Slack.
Quatre paliers à périmètre fixe, tout compris et libellés en USD. Un agent task/PoC dès 2 900 USD (2–3 semaines) : un agent mono-tâche ou une preuve de concept fonctionnelle. Un agent ancré par RAG dès 8 100 USD (4–6 semaines) : récupération et ancrage sur votre corpus avec citations. Un agent IA autonome dès 10 400 USD (6–9 semaines) : orchestration d'outils, mémoire, human-in-the-loop et observabilité. Un système multi-agents ou ML en production dès 13 800 USD (9–13 semaines). Vous voyez le budget ligne par ligne à la fin de la discovery et le validez avant qu'une ligne de code ne soit écrite. Sans marge de recrutement ni surcoût d'outils ; les frais cloud tournent sur vos propres comptes, vous gardez donc le levier de coût.
Guides pratiques et analyses de nos ingénieurs pour 2026.
Partagez quelques détails et un consultant senior vous répondra sous un jour ouvré.
