Nous vendons de l’IA en production, pas des démonstrations
Entre le POC qui impressionne en comité et le système qui tient en production, le fossé est énorme : évaluation, garde-fous, observabilité, coûts par requête, gouvernance des données. La plupart des projets IA meurent dans ce fossé. Nous le connaissons parce que nous l’avons traversé pour nos propres produits : ComptaIA, notre pré-comptabilité par IA, tourne chez plus de vingt clients ; l’assistant de revue analytique de HOLOS est utilisé par des cabinets d’audit sur de vrais dossiers. La preuve par nos produits, pas par nos slides.
Cette expérience nous a aussi appris à dire non. Un cas d’usage sans données exploitables, sans ROI mesurable ou qu’une règle métier résout mieux qu’un modèle n’ira pas plus loin que la note de cadrage — et cette note vous le dira franchement. Pour les organisations dont les données ne peuvent pas quitter le territoire, nous déployons des modèles open-source auto-hébergés ; la souveraineté n’est pas une option marketing, c’est une contrainte d’architecture que nous savons tenir.
Cas d’usage que nous opérons
Copilotes métier
- Comptable : assistant qui propose les imputations, génère les justificatifs, prépare les déclarations fiscales
- Audit : revue analytique assistée, génération de mémoires de travail, synthèse de pièces complexes
- Juridique : analyse de contrats, extraction de clauses, comparaison entre versions
Extraction structurée (OCR + LLM)
Pipeline OCR + LLM pour extraire des champs structurés de documents complexes : factures, contrats, rapports, formulaires manuscrits. Validation humaine en boucle pour les cas litigieux.
RAG (Retrieval-Augmented Generation)
Bases de connaissances internes interrogeables en langage naturel : documentation, jurisprudence, normes, procédures. Embedding, recherche sémantique, génération contextuelle.
Automation conversationnelle
Workflows déclenchés par messages (Slack, Teams, WhatsApp Business) avec tool-calling sur vos systèmes internes : créer un ticket, planifier une réunion, lancer un rapport.
Stack technique
- LLMs : Claude (API et SDK Anthropic) en socle ; modèles OpenAI et open-source (Ollama / vLLM) lorsque le cas d’usage ou une contrainte de souveraineté l’impose
- Frameworks : LangChain, LlamaIndex, orchestrateurs sur-mesure
- OCR : Mistral OCR, Tesseract, AWS Textract selon le cas
- Vector DB : Pinecone, Qdrant, pgvector
- Observabilité : LangSmith, Langfuse, logging sur-mesure