Je conçois des SaaS avec de l'IA qui sert vraiment.

Les étudiants en PASS/L.AS se noient dans des milliers de pages de cours sans savoir quoi réviser. Les annales ne suffisent pas, et le par-cœur seul ne tient pas le jour de l'examen.

Un tuteur IA branché sur le corpus de cours du client via RAG. Next.js 15 en front, Supabase + pgvector pour la recherche sémantique, et un mode « Socrate » qui interroge l'étudiant plutôt que de lui servir la réponse toute faite.

pgvector plutôt que Pinecone. Tout le contenu médical est sensible et sous NDA — je voulais zéro donnée qui sorte de l'infra du client. pgvector vit dans le même Postgres que le reste : une seule base à sécuriser, pas de service tiers à auditer, et le coût ne grimpe pas avec le nombre de vecteurs. Le chunking a été calé sur la structure des cours (découpage par notion, pas par taille fixe) pour que les citations restent justes et qu'une réponse ne mélange jamais deux chapitres.

MVP en production sur une première promo. Le mode Socrate est de loin la fonctionnalité la plus utilisée.

Des commerçants qui gèrent leur stock à l'instinct ou sur un tableur. Résultat : des ruptures sur les produits qui tournent, et du capital immobilisé sur ceux qui dorment.

Un dashboard simple, pensé pour des gens pas-tech. Next.js + Tailwind, Chart.js pour les courbes, et une couche IA qui lit l'historique de ventes pour prévoir le réappro et lever des alertes au bon moment.

Pas de modèle exotique : un modèle de prévision léger qui tourne sur l'historique du commerçant, ré-entraîné en continu. La vraie difficulté était l'UX — rendre une prévision actionnable en un coup d'œil pour quelqu'un qui n'a jamais lu un graphique de sa vie. Tout passe par une seule règle : si c'est rouge, commande.

Les ruptures sur les références phares ont nettement baissé dès le premier mois d'usage.

Le traitement d'un dossier CEE, c'est des dizaines de pièces à lire, classer et recopier à la main. Lent, ingrat, et source d'erreurs qui coûtent cher au moment du contrôle.

Un pipeline Python : OCR sur les scans, classification de chaque pièce, puis extraction des champs utiles. Mistral pour la partie compréhension, Prisma + Postgres pour stocker des dossiers propres et requêtables.

Mistral plutôt qu'un gros modèle US : données françaises, hébergement européen, et un rapport qualité/prix imbattable sur de l'extraction structurée en français. Mais le vrai travail a été sur les garde-fous — l'OCR se trompe, alors chaque champ extrait passe par des règles métier CEE, et tout ce qui est incertain est remonté à un humain au lieu d'être validé en silence. L'IA accélère, elle ne décide jamais seule.

Le temps de traitement d'un dossier est passé de plusieurs heures à quelques minutes de vérification.

En boulangerie, la production se planifie souvent sur un carnet. Calculer les quantités, répartir les fournées et sortir une feuille de prod claire prend du temps chaque nuit.

Une app volontairement minimale, en HTML/CSS/JS pur : planning de production, fiches recettes, et génération de PDF imprimables pour le fournil. Pas de compte, pas de cloud — ça doit juste marcher, vite.

Zéro framework, assumé. Le besoin tenait sur une seule page, l'app devait se charger instantanément sur un vieux PC de fournil et fonctionner même sans connexion. Ajouter React aurait été du poids pour rien. La génération PDF se fait côté client, directement depuis le DOM, donc aucune dépendance serveur à maintenir.

Outil utilisé au quotidien ; la feuille de prod du matin se sort désormais en un clic.