Services
Conseil en IA générative pour les opérateurs B2B qui ont besoin de systèmes livrés, pas de slides. Nous évaluons les cas d'usage à l'aune de leur impact sur le chiffre d'affaires, choisissons le bon LLM par tâche sur un véritable harnais d'évaluation, construisons des pipelines RAG et de prompts qui survivent au contact d'utilisateurs réels, et livrons des MLOps que votre équipe peut s'approprier. Des ingénieurs senior qui ont fait tourner des charges LLM en production à l'échelle — pas des prompt-engineers qui lisent Twitter. Sprints de cadrage à partir de 12 000 EUR, pilotes opérationnels à partir de 45 000 EUR, forfaits de production à partir de 18 000 EUR par mois.
La plupart des projets d'IA générative échouent pour les trois mêmes raisons. Le mauvais cas d'usage — un chatbot remplaçant une barre de recherche que personne n'utilisait. La mauvaise évaluation — « ça a l'air bien sur cinq exemples » jusqu'à ce que des utilisateurs en production trouvent le sixième. La mauvaise architecture — un agent LangChain à 14 étapes là où deux appels de fonction auraient suffi à livrer. Nous commençons par un modèle de ROI écrit et un jeu d'évaluation de 200 éléments avant la première ligne de code d'orchestration. Nous choisissons les fournisseurs de LLM sur la latence, la qualité et le coût pour 1 000 requêtes mesurés à votre mix de trafic — pas sur la démo devenue virale la semaine dernière. À la semaine 10, vous disposez d'un système opérationnel, d'un harnais de non-régression, de l'observabilité et d'un runbook que votre équipe possède. Voyez-le en pratique dans notre étude de cas ARIA.
Nous interrogeons les équipes produit, ops et support, puis nous notons 8 à 15 cas d'usage candidats sur l'impact sur le chiffre d'affaires, le coût de construction, la faisabilité et le risque. Vous obtenez une liste restreinte classée, un modèle de ROI écrit par top trois, et une liste claire de « à ne pas construire » argumentée.
Sélection pilotée par l'évaluation parmi OpenAI, Anthropic, Bedrock et Vertex. Nous mesurons la qualité, la latence p50/p95 et le coût sur un jeu d'évaluation spécifique à la tâche de 150 à 400 éléments. Le livrable est un ADR avec le modèle retenu, un modèle de repli et le déclencheur de réévaluation.
Ingestion du corpus, stratégie de découpage calibrée sur la distribution de vos documents, choix du modèle d'embeddings, dimensionnement du vector store, recherche hybride. Nous dimensionnons pour votre taux de croissance réel du corpus, pas pour une démo par défaut à 100 000 vecteurs.
Prompts versionnés dans git, jeux d'évaluation de non-régression exécutés en CI, grilles Ragas et DeepEval, LLM-juge avec vérification humaine. Nous refusons de fusionner des modifications de prompt qui régressent une métrique de niveau 1 — même nos propres modifications.
Suppression des données personnelles à l'entrée (Presidio ou classifieur fine-tuné), contrats fournisseurs à rétention nulle, points de terminaison UE pour les données de l'UE, analyses de sortie pour les données personnelles hallucinées. DPA et listes de sous-traitants alignés sur vos contrats clients.
Observabilité via LangSmith, Langfuse ou Helicone. Journalisation par requête de la version du prompt, du modèle, des tokens, de la latence et du coût. Alertes de coût, SLO de latence, A/B automatisé des prompts, et un runbook écrit pour les mises à niveau de modèles et les pannes de fournisseur.
Semaines 1–3 : entretiens avec les parties prenantes, scoring des cas d'usage, modèle de ROI, conception du jeu d'évaluation. Le livrable est une liste restreinte classée plus une proposition d'architecture que le fondateur et le conseil peuvent lire.
Semaines 4–5 : construction du harnais d'évaluation, exécution des modèles candidats sur le jeu spécifique à la tâche, rédaction de l'ADR avec le modèle retenu, le modèle de repli et le déclencheur de réévaluation. Prompts versionnés dans git.
Semaines 6–10 : système de bout en bout, orchestration RAG ou agent, observabilité, gestion des données personnelles, déploiement client-zéro derrière un feature flag. Évaluations de non-régression exécutées en CI avant toute fusion de prompt.
Semaines 11+ : extension du jeu d'évaluation, ajout de replis, formation de votre équipe au runbook, définition des SLO de coût et de latence, première revue trimestrielle de mise à niveau des modèles. Nous nous retirons quand votre équipe l'exploite.
Trois semaines. Scoring des cas d'usage, modèle de ROI, conception de l'évaluation des fournisseurs, proposition d'architecture, ADR écrits. Idéal pour les équipes qui ne savent pas encore quel pari GenAI vaut la peine. 12 000 EUR forfaitaires.
8 à 10 semaines. Système de bout en bout opérationnel, harnais d'évaluation en CI, observabilité, pipeline de données personnelles et déploiement client-zéro. Transfert de connaissances vers vos ingénieurs intégré au planning. 45 000 EUR forfaitaires.
Mensuel. Itération des prompts, mises à niveau de modèles, extension des évaluations, optimisation des coûts, astreinte pour les incidents propres aux LLM. Idéal une fois le pilote livré, quand vous avez besoin d'une couverture senior continue. À partir de 18 000 EUR/mois.
Toutes les missions débutent par un NDA mutuel, une cession de PI et un DPA. Minimum de trois mois sur le forfait de production, puis au mois le mois avec un préavis de 30 jours.
Landing page Tilda d'une seule page avec capture de leads par bot Telegram pour une agence publicitaire — livrée en deux semaines, prête pour les États-Unis et l'Europe.
Un moteur de décision de crédit à fort débit sur Laravel — scoring automatisé, intégration aux bureaux de crédit, et des décisions 10x plus rapides pour les prêteurs américains et européens.
Conforme au RGPD · Prêt pour ISO 27001 · SOC 2 Type II en cours · Compatible HIPAA · CCPA pris en compte
Chaque mission commence par un jeu d'évaluation de 150 à 400 éléments avant tout verrouillage d'architecture. Nous refusons de livrer des prompts qui n'ont jamais vu une exécution de non-régression. Les démos ne sont pas des preuves.
Nos responsables LLM ont livré du ML en production avant que les transformers ne soient à la mode — ranking, classification, pertinence de recherche. Ils débattent de budgets de latence et de plans de requêtes Postgres, pas de fils Twitter.
RGPD, SOC 2, HIPAA, CCPA — nous avons négocié des contrats à rétention nulle avec OpenAI et Anthropic, rédigé des DPA qui tiennent face aux revues clients, et accompagné des auditeurs à travers le périmètre LLM.
Nous traitons le choix du fournisseur de LLM comme une décision trimestrielle, pas comme une religion. Quand la frontière bouge, vos évaluations nous le diront — pas le compte de résultats trimestriel d'un fournisseur.
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.
Le choix du fournisseur est un problème d'évaluation, pas un problème de marketing. Nous construisons un jeu d'évaluation spécifique à la tâche, de 150 à 400 entrées représentatives avec des sorties de référence notées, puis nous évaluons les modèles candidats sur la qualité (LLM-juge plus vérification humaine sur un sous-ensemble de 50 éléments), la latence aux p50/p95/p99 dont nous avons réellement besoin, et le coût pour 1 000 requêtes selon notre mix de tokens. Composition typique : GPT-4o ou Claude 3.7 Sonnet pour le raisonnement, GPT-4o-mini ou Claude 3.5 Haiku pour la classification, gpt-4o-realtime pour la voix, un modèle à poids ouverts sur vLLM pour les lots sensibles au coût. Nous relançons l'évaluation chaque trimestre car la frontière bouge.
Le RAG est la bonne réponse quand les réponses résident dans un corpus qui se met à jour plus vite que vous ne pouvez fine-tuner (politiques, docs produit, tickets, contrats). C'est la mauvaise réponse quand le modèle connaît déjà le domaine (code général, connaissances générales), quand la latence est sous 500 ms p95, ou quand vous avez besoin de sorties déterministes que le fine-tuning produit plus fiablement. Nous combinons fréquemment : RAG pour l'ancrage dans les données client, un petit modèle fine-tuné pour la structure de sortie ou le vocabulaire métier, et l'ingénierie de prompts pour l'orchestration. Le RAG pur est rare en production. Le fine-tuning pur l'est encore plus.
Trois couches. À l'entrée, un détecteur de données personnelles (Microsoft Presidio ou un classifieur fine-tuné) supprime ou tokenise les e-mails, noms, numéros de téléphone et identifiants de compte avant que le prompt ne quitte notre infrastructure. Côté fournisseur, nous contractons une rétention de données nulle avec OpenAI, Anthropic et Bedrock (BAA signés le cas échéant) et préférons des points de terminaison hébergés dans l'UE pour les données de l'UE. À la sortie, la sortie est analysée pour détecter d'éventuelles données personnelles hallucinées avant d'être présentée à l'utilisateur. Les DPA sont signés avant le lancement, et nous maintenons une liste de sous-traitants alignée sur vos contrats clients.
Les prompts sont du code. Ils vivent dans le gestionnaire de versions, ils sont relus en pull requests, et ils sont étiquetés avec des versions sémantiques journalisées à chaque inférence. Chaque modification de prompt est exécutée contre un jeu d'évaluation de non-régression en CI (Ragas pour la qualité RAG, DeepEval ou une grille sur mesure pour les métriques spécifiques à la tâche), et nous ne fusionnons pas si une métrique de niveau 1 régresse de plus de 2 pour cent. En production, nous journalisons la version du prompt, le modèle, la latence et le coût en tokens par requête via LangSmith, Helicone ou Langfuse, afin que vous puissiez tester vos prompts en A/B comme vous testez vos fonctionnalités.
Oui. La plupart des missions s'intègrent à un backend existant (Node, Python, Go, Java) et à une infrastructure existante (AWS, GCP, Azure) plutôt que de tourner sur une plateforme séparée. Nous ne vous poussons pas vers un orchestrateur propriétaire si vous n'en avez pas besoin. Nous travaillons en binôme avec vos ingénieurs, menons des revues de code ensemble et rédigeons des ADR pour les décisions d'architecture afin que les choix survivent à notre mission. Le transfert de connaissances est contractuel : à la fin du pilote, votre équipe possède la base de code, les évaluations et le runbook.
Trois niveaux. Le sprint de cadrage est à 12 000 EUR sur trois semaines : scoring des cas d'usage, modèle de ROI, évaluation des fournisseurs et une proposition d'architecture écrite. Le pilote GenAI est à 45 000 EUR sur 8 à 10 semaines : système de bout en bout opérationnel, harnais d'évaluation, observabilité et un déploiement client-zéro. Le forfait de déploiement en production démarre à 18 000 EUR par mois et couvre l'itération des prompts, les mises à niveau de modèles, l'extension des évaluations et l'astreinte. Le parcours type du lancement à une production ayant un impact sur le chiffre d'affaires est de 12 à 16 semaines.
Guides pratiques et analyses de nos ingénieurs pour 2026.
Partagez quelques détails et un consultant senior vous répondra sous un jour ouvré.
