Systèmes agentiques et IA
Des systèmes IA qui atteignent la production
RAG, assistants et workflows agentiques où l'essentiel n'est pas le modèle. Logique métier auditable, cœur déterministe, et un déploiement qui survit au contact des vrais utilisateurs.
Ce que ça donne en général
- La démo était excellente. Neuf mois plus tard, rien en production.
- L'assistant est fluide et parfois, avec assurance, faux, sans moyen d'auditer pourquoi.
- Chaque réponse passe par le LLM : coût et latence suivent le trafic, et personne ne sait expliquer ni l'un ni l'autre.
- Personne ne peut dire ce que le système fera mardi prochain, parce que rien n'est déterministe.
Ce que vous obtenez
Un cœur déterministe
Le LLM gère la langue. Filtrage, ranking, règles métier et validation sont du code lisible, testable, raisonnable.
Des décisions auditables
Chaque recommandation porte sa justification et est reproductible. Quand on demande pourquoi, la réponse n'est pas « le modèle l'a dit ».
Du contrôle sans déploiement
Les responsables métier changent ce que le système met en avant par configuration, pas par ticket engineering.
Déployé là où il faut
Votre cloud ou sur site. Monitoring, harnais d'évaluation, et la documentation pour l'opérer.
Cas sélectionnés
Generative AI
AI-guided recommendation engine for premium floral e-commerce
A production-oriented recommendation system that guides customers through emotionally loaded floral purchases — using a deterministic state machine with LLM components constrained to intent parsing and rationale generation only.
Full guided purchase flow: delivery validation, persona selection, budget extraction, curated recommendations with auditable scoring
Risk & Operations
Supplier risk intelligence framework
Network-based supplier risk modeling that identifies systemic vulnerabilities and "too-central-to-fail" suppliers before disruptions occur.
From reactive scorecards to systemic risk intelligence
Profondeur
Jul 28, 2026
One training monorepo, or a repo per model?
Seven ML products, one retail team, and the question of whether to consolidate training into a single Vertex-native monorepo. The answer is conditional, and the condition is the whole point.
May 18, 2026
The Hidden Cost of Precision in Operational AI
Enterprise AI systems often work at the first level of granularity, then become fragile when the business asks for more precision. A field lesson from pharmaceutical supply optimization on why incremental architectures matter.
May 13, 2026
Real Latency vs Perceived Latency in GenAI Systems
Raw latency and perceived latency are different engineering problems. Production GenAI systems feel fast when they expose progress early, overlap backend work, and avoid silent waiting.
May 4, 2026
From SaaS to intelligence native: the feedback loop.
Intelligence-native systems need agent access to decision artefacts and feedback loops. Why context, not models, is the differentiator — and how MCP, traditional ML, and versioned artefacts fit together.
Comment ça démarre
Diagnostic d'abord, build ensuite.
01 · Decision System Diagnostic
Trois semaines, périmètre fixe. On établit ce que le système doit décider, ce qui doit être déterministe, et ce qui nécessite vraiment un modèle. Restitution exécutive et feuille de route.
02 · Design et build
Architecture, couche déterministe, intégration du modèle, évaluation et déploiement. Cadré depuis la feuille de route, facturé à la mission.
03 · Opérer et transférer
Monitoring, évaluation, documentation, et la formation pour le faire tourner sans moi.