Nos workflows agentiques répartissent un processus métier entre des agents IA spécialisés, chacun excellent sur une seule tâche, avec une personne dans la boucle partout où une erreur coûterait de l'argent. L'orchestration tourne sur des services Go adossés à PostgreSQL, et les agents accèdent à vos systèmes par des serveurs Model Context Protocol (MCP).
Messages vocaux, photos, PDF et tableurs, tels que vos clients et vos équipes les envoient vraiment.
Orchestration multi-agents : un agent transcrit, un autre lit les documents, un autre rapproche les produits de votre catalogue.
Des règles métier et des scores de confiance décident de ce qui passe directement et de ce qu'une personne vérifie d'abord.
Les données structurées arrivent dans votre ERP ou votre CRM par API et serveurs MCP.
Six briques, chacune mesurée sur des charges réelles. Les liens donnent les chiffres complets.
Nous avons comparé 13 LLM sur 470 tests en quatre langues, et 9 sur 1 260 tests pour le coût et la variance. Chaque tâche va au modèle le moins cher qui tient la précision : DeepSeek V3.2 atteint 92,8 % pour 1/65e du coût de Claude Opus 4.5.
Un seul modèle de vision lit factures, étiquettes, fiches de paie et plannings manuscrits, sans gabarit. La récupération du JSON fait passer l'analyse au premier passage d'environ 90 % à plus de 99 %. Nous l'avons appliqué au portefeuille de sinistres complet d'un assureur : 13 000 documents, dont 96 % de photos.
Nous testons les modèles de transcription sur l'audio du client avant d'en choisir un. Sur 54 commandes vocales WhatsApp aux Émirats, mêlant arabe du Golfe, anglais et ourdou, le meilleur modèle par API a retrouvé 84 % des produits commandés, le meilleur modèle auto-hébergé 71 %.
Les agents accèdent à vos systèmes par des serveurs MCP que nous écrivons en Go. L'un d'eux expose 91 outils depuis un seul serveur sans saturer le contexte de l'agent. Un agent qui écrit en production renvoie chaque modification, la montre et peut l'annuler en une étape.
La recherche combine sémantique, structuré et approximatif, puis fusionne et classe les résultats, pour que les réponses viennent de vos données. La même approche dédoublonne les catalogues désordonnés, comme une liste de 30 000 vins où cinq entrées se sont révélées être trois vins.
La préproduction et la production sont décrites en Terraform et tournent sur Kubernetes. Nous avons fait passer Whisper et la diarisation d'un GPU permanent à 5 000 $ par mois à un paiement à l'usage avec mise à zéro, et nous prévoyons la bascule entre régions et fournisseurs.
Nous mesurons ce qui compte en production : la fiabilité entre les exécutions, le coût par point de précision et la variance réelle, pas seulement les scores moyens de benchmarks. Chaque décision IA inclut une explication et un score de confiance, pour que votre équipe comprenne toujours le raisonnement.
Chaque système que nous construisons a un chemin de données déclaré. Les données sensibles restent sur des modèles open source qui tournent sur vos serveurs ou sur une infrastructure dédiée que nous gérons. Quand un modèle externe est le meilleur outil, nous n'appelons que des fournisseurs sans rétention de données, imposée à chaque requête.
Un exemple concret : comment nous construisons des comptes rendus de réunion auto-hébergés
Tout doit rester en interne ? Voir notre IA souveraine et auto-hébergée
Nos solutions se connectent aux outils que vos équipes utilisent déjà : aucun remplacement nécessaire. Notre architecture API-first assure un déploiement fluide sans perturber les flux de travail existants.
Nous faisons tourner Kubernetes en production, et nous avons publié en open source notre formation complète de 22 h pour l'enseigner : 11 sessions pratiques, une vraie app sur un cluster local, Terraform vers GKE, secrets et CI/CD. Libre sous licence CC BY-NC.
On vous presente l'architecture et on vous montre comment elle gere vos defis specifiques.
