Systèmes IA

Ce que je construis avec l’IA.

Parler d’IA est facile. Voici ce que j’ai réellement construit avec : deux applications développées de bout en bout avec un agent de code, et des agents Copilot Studio en service chez un grand compte.

Développées avec Claude Code

Deux applications, zéro équipe de développement.

Je les ai conçues, spécifiées et fait construire par un agent de code, en gardant la main sur l’architecture et sur chaque décision.

Application de BI augmentée à l’IA

Limpide

Des exports Excel, des CSV et des listes SharePoint deviennent des tableaux de bord qui se mettent à jour tout seuls, sans écrire une ligne de code.

  • ExécutionEn local, sur la machine
  • Agent IAConstruite par un agent de code
Limpide, la Scène : un tableau de bord d’activité avec chiffre d’affaires, marge et évolutionLimpide, la Scène : un tableau de bord d’activité avec chiffre d’affaires, marge et évolution
La Scène : le tableau de bord en service
Limpide, l’Atelier : le parcours guidé en six étapes avec l’agent à droiteLimpide, l’Atelier : le parcours guidé en six étapes avec l’agent à droite
L’Atelier : six étapes, l’agent à vos côtés
Limpide, la bulle Interrogez vos donnéesLimpide, la bulle Interrogez vos données
La bulle : interroger ses données en langage naturel

L’IA construit, le run tourne sans elle.

Un agent IA accompagne l’utilisateur pendant la construction : il lit les données, propose le modèle, les indicateurs et les visuels, en brouillon, et pose ses questions une par une. L’utilisateur valide. Ensuite, des transformations SQL figées produisent le même résultat à chaque exécution, en local, sans consommer un seul token.

Pour quiPME et équipes métier sans compétence data

  • Sources : fichiers Excel et CSV, listes et dossiers SharePoint ou OneDrive, tables Dataverse, API REST
  • Rien ne passe en production sans validation humaine ; chaque brouillon montre ce qu’il change
  • Bulle « Interrogez vos données » : des réponses tirées du modèle validé, chiffres vérifiés
  • Rapports en pages 16:9, présentables en plein écran, visuels 2D et 3D
  • Python
  • DuckDB
  • SQL
  • FastAPI
  • MCP
  • Microsoft 365

Montage vidéo par IA

Phoshop AI Mount

Les tutos et les shorts de la chaîne YouTube Cybermatik se montent presque seuls, à partir des rushs bruts.

  • ExécutionEn local, sur la machine
  • Agent IAConstruite par un agent de code
Phoshop AI Mount, étape Montage : lecteur vidéo et frise du montage avec ses coupes
Le montage tel qu’il sera exporté, avec sa frise de coupes
Phoshop AI Mount, étape Jugement IA : liste des coupes avec type, niveau de confiance et raison
Le jugement de l’IA : chaque coupe a un type, une confiance et une raison
Phoshop AI Mount, étape Publication : titres proposés, description et chapitres
La publication : titres, description et chapitres prêts à coller
  1. Étape 1Épisode
  2. Étape 2Analyse
  3. Étape 3Jugement IA
  4. Étape 4Préparation
  5. Étape 5Montage
  6. Étape 6Publication

L’IA ne génère pas d’images : elle juge.

L’IA analyse les enregistrements, décide coupe par coupe quoi garder et pourquoi, prépare l’habillage et les chapitres. Un moteur de montage maison exécute sa décision et exporte la vidéo. Il ne reste qu’à relire, retoucher si besoin et publier.

Pour quiUsage interne : la chaîne YouTube Cybermatik

  • Chaque coupe a un type, une raison et un niveau de confiance, relisibles une par une
  • Synchronisation écran et caméra par le son, détourage sur fond vert, sous-titres
  • Habillage aux couleurs de la chaîne généré par code : jingle, transitions, écran de fin
  • Trois formats pris en charge : tuto, série de shorts verticaux, podcast à deux caméras
  • Python
  • Whisper
  • Claude Code
  • Moteur de montage maison

Agents Copilot Studio

Un assistant du Scrum Master, en multi-agents.

Un agent orchestrateur répond au Scrum Master dans Teams. Il ne sait rien faire seul : il délègue à quatre agents spécialisés, chacun expert d’un seul outil, puis croise leurs réponses. Il observe le sprint, restitue la mémoire de l’équipe, prépare les cérémonies, et laisse la décision à l’humain.

En service chez un grand compte. Le client, ses équipes et ses interfaces ne sont pas montrés : seule l’architecture l’est.

  1. CanalTeams
    • Le Scrum Master pose sa question
  2. OrchestrateurAgent parent
    • Comprend la demande
    • Choisit qui interroger
    • Croise les réponses
  3. SpécialistesQuatre agents
    • Jira · 22 outils
    • Confluence · 4 outils
    • Klaxoon · 10 outils
    • Capacité · 8 outils
  4. SystèmesVos outils
    • Jira · Confluence
    • Klaxoon
    • SharePoint
Garde-fous
  • Droits de la personne qui interroge
  • Validation avant toute écriture
  • Chiffres calculés hors du modèle
  • Réponses sourcées

En direct

Une question, plusieurs spécialistes.

À chaque demande, l’orchestrateur établit un plan, délègue aux agents concernés, fait calculer les chiffres par un flux et vérifie ses garde-fous avant de répondre. Chaque étape laisse une trace.

Scénarios illustratifs : aucune donnée du client n’est montrée.

orchestrateurTeams
  1. demandeOù en est le sprint ? Un risque pour la démo ?
  2. planLire l’état du sprint, le croiser avec la capacité de l’équipe
  3. délègueagent Jiratickets du sprint · statuts · blocages
  4. délègueagent Capacitédisponibilités jusqu’à la fin du sprint
  5. garde-fouDans le périmètre de droits de la personne qui interroge
  6. réponseDeux tickets bloqués par la même dépendance, et une absence avant la démo. Le détail et les sources sont ci-dessous.
Illustration
Exemple illustratif de la trace d’exécution de l’orchestrateur : demande, plan, délégation aux agents spécialisés, garde-fou, réponse.
  • 22outils

    Agent Jira

    État du sprint, tickets, backlog, vélocité, historique

  • 4outils

    Agent Confluence

    Décisions, comptes rendus, normes de l’équipe

  • 10outils

    Agent Klaxoon

    Post-its des ateliers, boards de rétrospective

  • 8outils

    Agent Capacité

    Capacité et disponibilité de l’équipe par sprint

  1. 01

    Un agent par outil

    Le savoir-faire propre à Jira, Confluence ou Klaxoon vit dans son agent. L’orchestrateur reste léger et choisit qui interroger.

  2. 02

    Lecture par défaut

    Les agents lisent. Les rares écritures (un commentaire, un ticket, une page, un board d’atelier) passent par une validation explicite du contenu et de la cible.

  3. 03

    Aucun calcul par le modèle

    Les totaux et les agrégats sont calculés par des flux Power Automate, hors du modèle, puis restitués avec leur source.

  4. 04

    Des connecteurs sur mesure

    Jira, Confluence et Klaxoon sont reliés par des connecteurs personnalisés, dans le périmètre de droits de la personne qui interroge.

Autres agents en service

Trois autres métiers, la même rigueur.

  • Support informatique

    Répond aux questions d’usage sur Microsoft 365, aide à signaler un incident et crée le ticket dans l’outil de support, oriente vers le bon service du catalogue et donne l’état des tickets en cours.

    • Base de connaissances
    • Outil de tickets
    • Teams
  • Sécurité de l’information

    Répond aux questions sur les politiques, procédures et standards de sécurité en citant les documents applicables, adapte sa réponse au rôle de l’interlocuteur et aide à formuler les demandes d’habilitation.

    • Corpus documentaire
    • Réponses sourcées
    • Outil de tickets
  • Préparation des achats

    Lit un devis joint, en extrait fournisseur, dates, montants et lignes d’articles sans jamais inventer une valeur, fait confirmer le tout, puis prépare la demande d’achat.

    • Lecture de documents
    • Validation humaine
    • Plateforme achats

Ma façon de construire

Quatre règles, dans tous les cas.

Parler de votre cas

  1. 01

    Des outils avant des prompts

    Un agent vaut par ce qu’il sait faire. Chaque action est un outil précis, décrit et testé séparément.

  2. 02

    Des garde-fous explicites

    Périmètre de données, confirmation avant toute écriture, refus assumés : les limites sont écrites, pas espérées.

  3. 03

    Testé avant d’être déployé

    Des jeux de questions rejoués à chaque modification, pour savoir ce qui s’améliore et ce qui casse.

  4. 04

    Observable en production

    Chaque exécution laisse une trace : on sait ce que l’agent a fait, avec quelles données, et pourquoi.