Pas une démo Streamlit qu'on jette dans deux semaines. Une app Next.js + Supabase qu'on assume sur 5 ans, ou un agent Claude/GPT avec garde-fous, observabilité et coûts API plafonnés. On code des produits qui tiennent.
Anthropic SDK · OpenAI · Supabase · prompt caching · hébergement EU possible
Un POC convaincant en deux semaines avec Streamlit + GPT, et puis plus rien. Pas de déploiement, pas d'observabilité, pas de garde-fous, factures API qui explosent au premier vrai usage, hallucinations qui passent en prod. La différence entre une démo et une feature, c'est tout ce qui n'est pas démo.
On a payé 25 k€ pour un POC IA. Six mois après, personne dans l'équipe ne sait le redéployer.
Le bot répond bien sauf quand on lui demande nos prix. Là il hallucine joyeusement à -40 %.
Facture OpenAI : 8 200 € le mois dernier. On ne sait pas qui consomme quoi en interne.
Notre admin métier tourne sur trois Google Sheets et un Airtable. On a peur d'y toucher.
Anthropic SDK natif, tool-use prouvé, structured output via Zod. Pas de LangChain bricolé, pas de no-code qui casse à l'échelle. Voici à quoi ressemblent les vraies 30 lignes qu'on shippe en prod.
@anthropic-ai/sdk), pas de wrapper tiers.budget_tokens dépréciés.500;">import Anthropic 500;">from '@anthropic-ai/sdk'
500;">import { z } 500;">from 'zod'
500;">const client = 500;">new Anthropic()
"color:#6b7280;font-style:italic;">// 1. Structured output via Zod — pas d'IA "fluide" qui hallucine
500;">const TicketSchema = z.object({
category: z.500;">enum(['bug', 'feature', 'billing', 'other']),
urgency: z.500;">enum(['low', 'medium', 'high']),
summary: z.string().max(200),
})
// 2. Appel Claude 4.7 avec adaptive thinking (no token cap)
500;">const response = 500;">await client.messages.create({
model: 'claude-opus-4-7',
thinking: { 500;">type: 'adaptive' },
max_tokens: 1024,
system: 'Tu catégorises des tickets support. Sortie JSON valide UNIQUEMENT.',
messages: [{ role: 'user', content: userTicket }],
})
"color:#6b7280;font-style:italic;">// 3. Validation Zod stricte avant injection en DB
500;">const parsed = TicketSchema.parse(JSON.parse(extractText(response)))
"color:#6b7280;font-style:italic;">// → garde-fous + observabilité Langfuse en amont
"color:#6b7280;font-style:italic;">// logTrace({ model, latencyMs, costEur, parsed })Une app ou un agent IA, c'est un produit. Donc une roadmap, des métriques, une enveloppe de coûts API, un plan d'observabilité. On définit tout avant de pousser une ligne — sinon on retombe dans le piège du POC qui meurt.
Workshop d'une journée : on définit l'utilisateur cible, les 3 user stories qui comptent, les KPIs (qualité réponse, latence, coût par requête). Si l'IA est dans la boucle, on benchmark Claude vs GPT vs un modèle open-source sur 20 exemples réels. Le résultat : un cadrage écrit + matrice de risques.
Stack par défaut : Next.js 16 + Supabase + Stripe si paiement + Anthropic SDK / OpenAI SDK pour la couche LLM. Schéma DB, contracts API, structure des prompts. Design system éditorial (pas un thème Tailwind générique). Pour les agents : on définit les tools, les garde-fous, la stratégie de fallback.
Sprints de 1 semaine, preview Vercel à chaque commit, tests automatisés sur les chemins critiques + sur les outputs IA (golden set). Vous validez chaque sprint avec un produit qui tourne, pas une slide. Pour les agents : eval framework custom qui mesure la régression entre versions de prompt.
Déploiement, monitoring (Sentry, PostHog), dashboards coût API par feature, alertes seuil. Pour les agents : logs des conversations, eval continu, A/B test des prompts. Formation équipe sur les outils. Garantie 3 mois, puis forfait maintenance ou jour-homme à la demande.
Pas un POC. Un produit avec son schema DB, ses tests, son monitoring, ses dashboards de coûts, son plan de fallback quand l'API IA fume. Code que vous comprenez et qui survit à votre prochain dev.
Architecture RSC-first, TypeScript strict, Supabase Postgres ou Postgres dédié, migrations Drizzle versionnées. Repo Git à votre nom.
Anthropic Claude ou OpenAI GPT selon le besoin. Prompt caching (Anthropic), structured output (Zod schema), retry avec correction, output filtering anti-PII.
Architecture agent avec tools définis (fetch DB, send email, query API), approbation utilisateur sur opérations sensibles, eval framework custom pour mesurer la régression.
Tracking par feature et par utilisateur, alertes seuil, plafond via Anthropic Spend Limits ou OpenAI usage caps. Vous savez exactement qui consomme quoi.
Sentry pour les erreurs, PostHog pour le produit, logs structurés JSON, dashboards Grafana ou Vercel Observability. Health endpoint public + alertes sur SLO.
Doc technique markdown + diagrammes Mermaid, README qu'un autre dev comprend en 1 h, formation équipe (1-2 h enregistrées), runbooks pour les opérations courantes.
On adapte le scope à votre vrai besoin. Un agent IA dans une app existante, c'est trois semaines. Une plateforme métier complète, c'est trois à six mois. On vous oriente après le cadrage.
Agent simple ou intégration LLM dans un produit existant
MVP fonctionnel — auth + 2-3 features + 1 agent IA en prod
App complète + plusieurs agents IA + intégrations
Tarifs HT, hors coûts d'API IA (Anthropic / OpenAI) et hors hébergement. Maintenance optionnelle à partir de 190 €/mois (eval continu, monitoring drift, mises à jour SDK Anthropic/OpenAI).
App marketplace + matching géo + Stripe Connect
Pipeline N8N + Claude génératif, 180+ livraisons
Bot Claude + tool-use sur stack interne — case en finition (été 2026)
Questions que les directions tech / produit nous posent dès le premier call — réponses sans bullshit.
Ça dépend du cas. Claude (Anthropic) pour le code, le reasoning long, le respect strict des instructions. GPT (OpenAI) pour le speed-to-market grand public et certaines tâches multimodales. On benchmark sur 20 exemples réels avant de trancher.
Trois options : Claude via AWS Bedrock région EU, OpenAI via Azure France Central, ou self-host Ollama (Llama/Mistral) sur votre infra. On vous présente les trade-offs (qualité, coût, latence) avant de trancher.
Garde-fous à plusieurs couches : system message strict, structured output (Zod schema), retry avec correction, output filtering anti-PII, eval framework qui mesure la régression entre versions de prompt. Pour les agents qui prennent des actions, approbation utilisateur sur les opérations sensibles.
Oui — feature IA en 2–3 semaines à partir de 5 900 €. Cadrage + benchmark + intégration dans votre produit existant. Si ça marche, on enchaîne sur la version complète. Si ça ne marche pas, vous repartez avec une analyse écrite de pourquoi.
Garantie 3 mois sur le code livré. Pour l'IA en production, on recommande un forfait maintenance (à partir de 190 €/mois) qui inclut l'eval continu, le monitoring des dérives, les mises à jour SDK Anthropic/OpenAI. Sinon jour-homme à la demande (550 €/j).
On travaille avec des TPE/PME et quelques structures de 50-200 personnes. Pour les très grands comptes, on peut intervenir en sous-traitance d'une équipe interne ou d'un cabinet de conseil — pas en interlocuteur direct, ce n'est pas notre mode de travail.
30 minutes pour cadrer le périmètre, le délai, le budget. On vous donne un avis franc sur la faisabilité IA — y compris si la réponse est 'pas encore'.
Réponse moyenne · sous 24 h ouvrées