Pas une démo.
Une partie du système.
Les modèles de langage servent le plus là où le travail a lieu de toute façon – dans l’application, reliés aux vraies données, pour l’étape qui se faisait jusqu’ici à la main.
En parler →Tissé dedans,
pas collé dessus.
Dans le produit, pas à côté
Rédiger une réponse, classer un document entrant, résumer un long historique, préremplir l’évident – là où se trouve le travail, et non dans une fenêtre de chat séparée à laquelle il faut d’abord penser.
Raccordé aux vrais systèmes
Un modèle n’est utile que dans la mesure de ce qu’il peut atteindre. Via MCP, il obtient un accès contrôlé aux systèmes où vivent les données – un ERP, un catalogue, une base de connaissances – avec des règles claires sur ce qui peut être lu et ce qui peut être modifié.
Automatisé là où ça se répète
Trier, extraire, transférer, répondre. Des étapes qui n’ont jamais été intéressantes et qui n’ont pourtant jamais disparu – exécutées de manière fiable et journalisées, pour qu’une erreur devienne visible au lieu de rester silencieuse.
Ce site web est
l’exemple.
La page que tu lis en ce moment est écrite, modifiée et publiée par un modèle de langage – raccordé à notre propre système de publication via MCP. Il en va de même pour une plateforme de commerce, un ERP de branche et notre base de connaissances interne : chacun avec une interface qu’un modèle peut utiliser, sous les mêmes règles qu’un humain.
MADLAB // Publishing est une interface MCP que nous avons construite pour nous-mêmes, puis ouverte à tous : elle permet de créer et d’entretenir un site web avec Claude ou ChatGPT, selon les mêmes règles qu’un humain – aperçu, validation, versions.
Lire l’étude de cas Créer un site web avec l’IA ↗ MADLAB // Tools
Quatre règles dont nous
ne dérogeons pas.
Ce domaine bouge plus vite que n’importe quel plan de projet. Qu’une solution serve encore dans deux ans dépend moins du modèle que de la manière dont il a été intégré.
Le modèle reste interchangeable
Ce qui est le meilleur aujourd’hui ne le sera plus l’année prochaine. Le raccordement à un fournisseur est une pièce, pas une fondation – en changer doit être un après-midi et non un projet.
Les données sortent volontairement
Ce qu’un modèle voit est une décision – prise consciemment et consignée. Pour du matériel sensible, la réponse peut être un modèle sur notre propre infrastructure : plus lent, et parfois exactement juste.
Ce qui compte, un humain le confirme
Lire coûte peu, écrire non. Tout ce qui modifie de vraies données – un prix, une facture, une page publiée – passe d’abord par un humain et laisse de toute façon une trace.
Pas de fonction sans tâche
Si cela n’enlève aucun travail et ne rend rien possible qui ne l’était pas avant, c’est de la décoration. Nous préférons le dire tôt plutôt que de le construire et de regarder personne s’en servir.
Le difficile, c’est
de trouver l’endroit.
La plupart des entreprises n’ont pas besoin d’une stratégie IA – elles ont besoin de savoir quelles trois étapes de leur semaine valent la peine d’être automatisées et lesquelles il vaut mieux laisser tranquilles. Nous commençons par le processus, regardons où le temps disparaît réellement, et ne parlons de technologie qu’ensuite. Souvent, la réponse honnête est une petite interface ennuyeuse plutôt qu’un modèle.
Comprendre. Planifier.
Construire. Faire grandir.
Ici, la première phase pèse le plus lourd. Un modèle lâché sur un processus que personne n’a encore compris produit très vite des absurdités très sûres d’elles.
Notre façon de travaillerCe dont nous nous
occupons aussi.
Où passe le temps
en réalité ?
C’est la première question la plus utile. La réponse décide s’il s’agit même d’un projet IA – et parfois, heureusement, ce n’en est pas un.