Nous entrons là où se trouve le problème.
Parfois, c’est un diagnostic. Parfois, c’est un système qui tourne déjà et qu’il faut évaluer, une proposition de notre part ou la mise en œuvre de ce qui a déjà été décidé. Chaque mission se suffit à elle-même : la suite se fait avec nous ou avec qui vous choisissez.
Évaluation de ce qui tourne déjà
Un système d’IA est déjà en service et personne ne sait dire à quel point s’y fier. Nous l’évaluons avec les quatre questions que nous posons à toute technologie : peut-on l’auditer, le reproduire, le vérifier et l’expliquer ? Et nous disons ce qu’il faut changer.
Diagnostic des flux
Nous examinons les flux de travail existants, avec ou sans IA, côté technologie et côté valeur et risque. Nous évaluons, proposons ce qu’il faut changer et suivons le changement.
Proposition
Là où l’IA n’est pas encore entrée et devrait entrer. Nous apportons les opportunités et aidons l’entreprise à définir les critères pour choisir ce qu’il faut faire d’abord : valeur, risque, effort et maturité de ceux qui vont l’utiliser.
Conception du travail
Le flux de travail entier, repensé avec ceux qui le font vivre : qui fait quoi, où l’IA intervient, où la décision reste à une personne, comment on continue d’apprendre et ce que l’on mesure, dans l’activité et dans le travail.
Architecture du système
La conception informatique derrière le flux : quels modèles, quelles données et quelles règles, comment les agents s’enchaînent, où se trouve chaque donnée et comment chaque réponse est vérifiée.
Mise en œuvre
Nous construisons et mettons en service, avec l’équipe de l’entreprise :
- couche sémantique et ontologies sur les données existantes
- moteurs de connaissance, avec règles déterministes et traçabilité de chaque affirmation
- chaînes agentiques multimodèles, avec une personne au point de décision
- intégration aux systèmes et aux outils de l’entreprise
- évaluation continue et maîtrise des coûts
- le passage de relais à ceux qui feront vivre le système
Les questions techniques auxquelles nous répondons.
Nous ne vendons pas une technologie. Nous connaissons le terrain et choisissons avec vous. Les noms sont des exemples de ce qui entre dans ces conversations, pas une liste fermée.
Architecture multimodèle : chaque étape avec le modèle qui convient, comparaison continue entre fournisseurs et changement de modèle sans refaire le système.
Chaque étape avec un modèle de la bonne taille, mise en cache de ce qui se répète, contexte resserré, calcul fait hors du modèle et dépense mesurée par flux. Qui calcule n’écrit pas, et cela fait aussi des économies.
Ingénierie de contexte : le modèle reçoit ce qu’il doit savoir, au bon moment et avec sa source. Couche sémantique, ontologies, graphe de connaissances et GraphRAG.
Une couche sémantique sur la plateforme de données : chaque indicateur et chaque définition en un seul endroit, convenus avec les services, et l’IA lit à partir de là.
Bitemporalité : garder quand un fait était vrai et quand l’entreprise l’a su, pour reconstituer ce que l’on savait à n’importe quelle date. Lignage des données, de la source jusqu’à la réponse.
Règles déterministes et IA symbolique avant le modèle : qui calcule n’écrit pas, et chaque affirmation a sa trace.
Chaînes agentiques à état explicite, vérification à chaque étape et une personne là où la décision lui revient.
Presque toujours, le contexte et la recherche d’information passent avant. L’ajustement fin enseigne un comportement ; les faits vivent dans le graphe, où ils peuvent être vérifiés et mis à jour.
Des modèles ouverts qui tournent dans l’entreprise ou dans un cloud de la bonne région. Ne sort que ce qui peut sortir.
Une voie officielle plus rapide que le raccourci : passerelle de modèles, règles d’usage, registre de ce que fait chaque équipe et de ce que cela coûte.
Évaluation continue : chaque étape mesurée, dans les résultats de l’entreprise et dans le travail de ceux qui l’utilisent.
Rôles, risques, registres et revues, écrits et appliqués, alignés sur les normes et les lois de chaque pays où l’entreprise opère.
Quatre questions pour chaque technologie, avant qu’elle n’entre dans un projet.
Auditabilité
Peut-on reconstituer après coup ce que le système a fait, et pourquoi ?
Reproductibilité
La même question, dans les mêmes conditions, donne-t-elle la même réponse ?
Vérifiabilité
Peut-on vérifier chaque réponse par rapport à une source ?
Explicabilité
Peut-on dire, dans la langue de ceux qui l’utilisent, pourquoi la réponse est celle-là ?
Le terrain que le réseau connaît, utilise, évalue ou étudie.
La liste change avec le marché. Le réseau évalue les nouvelles technologies et s’y certifie en permanence.
OpenAI, Anthropic, Google Gemini et Vertex AI, Meta Llama, Mistral, DeepSeek, Qwen, AWS Bedrock, Azure AI Foundry
MCP, LangGraph, LlamaIndex, LangChain, Temporal
Databricks et Unity Catalog, Snowflake, dbt Semantic Layer, Cube, AtScale, LookML
Neo4j et Cypher, GraphRAG, RDF, OWL, SPARQL, SHACL, Protégé, Stardog, Ontotext GraphDB, Amazon Neptune, TypeDB, Apache Jena
XTDB, Datomic, OpenLineage
moteurs de règles, Datalog, raisonneurs OWL
pgvector, Qdrant, Weaviate
vLLM, Ollama, LoRA et QLoRA, Unsloth, TRL
Langfuse, Arize Phoenix, jeux d’évaluation
ISO/IEC 42001, LGPD, RGPD, AI Act européen
Deux problèmes réels, résolus.
Intelligence analytique auditable
Pour une agence de performance au Brésil, au Mexique et aux États-Unis : qui calcule n’écrit pas. Une couche déterministe vérifie chaque fait avant que l’IA n’écrive, et chaque affirmation du rapport a une origine traçable.
Lire le cas →BLIU : mémoire créative
Un graphe de connaissances qui garde des années de notes et de références de scénaristes d’humour, utilisé pendant les séances de création. L’IA provoque, questionne et déplace le regard ; la décision et la paternité restent humaines.