Olivier D.

Conception et développement solo d'un outil qui répond à une question simple mais mal outillée : un marché local est-il saturé ou encore ouvert pour une activité donnée ? Plutôt que de s'appuyer sur des indices indirects (concurrence visible, avis, recherche Google approximative), l'outil croise des données publiques structurées pour produire un score défendable.

Fonctionnement :

Croisement de deux familles de données hétérogènes : signaux de demande et de concurrence en ligne via l'API DataForSEO (volume de recherche, densité de la concurrence organique), et données du tissu économique local via les API publiques INSEE/SIRENE (établissements existants, dynamique démographique)

Score de viabilité sur 100, décomposé en quatre facteurs pondérés (demande, accessibilité du marché, dynamique locale, pression concurrentielle)

Les données brutes sont transmises à l'API OpenAI pour générer une synthèse en langage clair — le score seul ne suffisant pas à rendre le résultat exploitable pour un utilisateur non spécialiste

Architecture technique :

Next.js, déploiement Vercel, PostgreSQL serverless sur Neon — infrastructure choisie pour que le coût reste proportionnel à l'usage réel plutôt qu'à une capacité réservée

Authentification via NextAuth (connexion GitHub)

Principale difficulté : fiabilité et recoupement de sources aux logiques de mise à jour et granularités différentes (données de recherche web vs données administratives), sans que l'une masque les angles morts de l'autre

Résultat : outil fonctionnel construit seul, de zéro, avec un calcul de score reproductible. La pondération initiale des facteurs est documentée comme une hypothèse de travail, à confronter et ajuster face à des cas réels.

Enseignement clé : une synthèse IA n'a de valeur que si elle s'appuie sur des données vérifiables et recoupées — l'IA restitue et explique un résultat, elle ne remplace pas la fiabilité de la donnée en amont.

Conception et développement solo d'un Lab d'IA appliquée pour PME : un diagnostic en ligne qui analyse un site web et identifie 3 à 5 cas d'usage IA concrets en 30 secondes, avec authentification, quota utilisateur, rapport PDF et conformité RGPD. Produit complet en production, pas un prototype.

Architecture :

Astro 5 (SSR + statique), Cloudflare Pages, Cloudflare D1 (SQLite serverless)

API Anthropic Claude en streaming (Server-Sent Events) : génération du diagnostic en JSON structuré, validé et parsé côté serveur

Pipeline en 5 étapes : fetch et compression du HTML (200 KB → 4-8 KB de signal utile), détection de stack technique, enrichissement concurrentiel via API SEO, appel IA en streaming, persistance avec rétention automatique à 30 jours

Coût d'exploitation : 10 à 20 €/mois (infra + DB), usage API à la requête

Méthode de travail avec l'IA — trois canaux distincts et volontairement séparés :

Conception et arbitrage architecture : dialogue exploratoire, décision toujours humaine

Implémentation : agent de développement en supervision continue (lecture systématique des diffs, validation ou correction à chaque étape)

Production : l'IA comme composant du produit livré à l'utilisateur final, avec exigence de fiabilité et de coût maîtrisé

Difficultés techniques résolues : bug de fermeture prématurée du streaming Anthropic sur Cloudflare Workers (pattern SDK incorrect), écart de comportement entre environnement local et production nécessitant une validation systématique en prod, gestion de dépendances avec politique de sécurité stricte (packages à publication quotidienne).

Enseignement clé : la valeur ajoutée dans un projet piloté avec l'IA ne vient pas de l'outil mais de la capacité à tenir l'architecture et à segmenter les niveaux de décision — un projet mal encadré dérive, un projet bien tenu gagne un temps considérable sans sacrifier la rigueur.

Conception et développement d'un dashboard public agrégeant 7 indicateurs on-chain et techniques Bitcoin (MVRV Z-Score, NUPL, SOPR, RSI, Fear & Greed, Funding Rate, distance à l'ATH) en un score composite unique, accompagné d'une synthèse hebdomadaire en langage naturel générée par IA.

Stack et architecture :

Next.js 14 (App Router), PostgreSQL sur Neon, hébergement Vercel avec cron jobs pour la collecte quotidienne des données

Intégration de plusieurs APIs tierces (BGeometrics, CoinGecko, Binance, alternative.me) avec gestion de quota stricte (15 req/jour sur la source principale) et stratégie de cache pour rester dans les limites gratuites

Intégration de l'API Anthropic (Claude Haiku) : injection structurée des indicateurs de la semaine dans un prompt, génération d'une synthèse éditoriale de 200-300 mots contextualisant les chiffres

Choix techniques assumés :

Sélection délibérée du modèle IA le plus économique adapté à la tâche (Haiku plutôt que Sonnet/Opus) : mise en forme narrative de données déjà structurées ne justifie pas un modèle plus coûteux — coût d'exploitation final de l'IA : moins de 0,01$/mois

Score composite avec pondération définie et normalisation par seuils empiriques documentés, plutôt qu'un système opaque

Choix éditorial de ne jamais générer de signal d'achat/vente : discipline méthodologique plutôt que fonctionnalité impressionnante mais non fondée

Résultat : outil en production, coût d'exploitation total inférieur à 1€/mois (infrastructure + IA), documentation publique des limites méthodologiques du système.

Enseignement clé : une intégration IA en production se juge sur sa pertinence économique et sa rigueur méthodologique, pas sur la puissance du modèle choisi — utiliser le modèle le plus adapté au besoin réel plutôt que le plus impressionnant.