IDEO-Lab 2026 Guide Popular AI Projects Human in control

L'IA et les projets populaires

Un guide dense pour transformer l'intelligence artificielle en projets concrets : assistants, RAG, agents, copilots, support, marketing, data, legal, finance, santé, cybersécurité, e-commerce, industrie, open-source et gouvernance.

Le manifeste des projets IA populaires

Comprendre les grands projets IA qui créent réellement de la valeur : assistants, RAG, agents, copilots, automatisation, création, data et métiers.

VisionPortfolioImpact

Chatbots et assistants métier

Le projet IA le plus visible : un assistant conversationnel capable de répondre, guider, expliquer et orienter les utilisateurs.

ChatSupportSelf-service

RAG et bases de connaissance privées

Le projet IA le plus rentable en entreprise : connecter un LLM aux documents, procédures, données et connaissances internes.

RAGKnowledgeSources

Agents IA et automatisation multi-outils

Les agents IA orchestrent plusieurs étapes : raisonner, chercher, appeler des outils, lire des fichiers, remplir des formulaires et demander confirmation.

AgentsToolsAutomation

Copilots de développement logiciel

L’un des projets IA les plus populaires : assister les développeurs pour comprendre, modifier, tester, documenter et livrer du code.

CodeCIReview

Analyse de données et BI augmentée

Un projet IA très demandé : poser des questions en langage naturel à des fichiers, bases SQL, dashboards et rapports.

DataBIInsights

Support client et centre de contact

Automatiser la réponse, assister les agents, résumer les conversations et améliorer la qualité de service.

SupportCRMQuality

Marketing, contenu et growth IA

Créer campagnes, variantes, landing pages, posts, emails, briefs, personas et analyses de performance.

ContentSEOGrowth

Images, design et création multimodale

Créer visuels, moodboards, maquettes, diagrammes, storyboards, icônes, assets marketing et variations UI.

ImagesUXDesign

Vidéo, voix et avatars

Produire scripts, voix off, sous-titres, résumés vidéo, clips courts, avatars, formation et support multimédia.

VideoVoiceMedia

Recherche IA, discovery et recommandations

Remplacer la recherche par mots-clés par une recherche sémantique, hybride, personnalisée et explicable.

SearchDiscoveryRank

Formation, coaching et e-learning IA

Créer des tuteurs personnalisés, parcours de formation, quiz, simulateurs et coaches métier.

LearningCoachTraining

RH, recrutement et talent intelligence

Trier CV, préparer entretiens, générer descriptions de poste, analyser compétences et créer assistants RH.

HRTalentRecruiting

Legal, contrats et conformité

Analyser contrats, extraire clauses, comparer versions, vérifier obligations et préparer synthèses de conformité.

LegalComplianceContracts

Cybersécurité, SOC et threat intelligence

Aider les équipes sécurité à trier alertes, résumer incidents, expliquer logs, générer règles et produire rapports.

SOCSecurityTriage

Santé, sciences de la vie et recherche

Synthèse de littérature, assistants administratifs, aide documentaire, codage médical, recherche clinique et triage non diagnostique.

HealthResearchCare

Finance, comptabilité et back-office

Automatiser factures, rapprochements, analyses, contrôles, notes de frais, reporting et assistants CFO.

FinanceInvoicesOps

Industrie, IoT et maintenance prédictive

Analyser capteurs, rapports maintenance, logs machines, pièces détachées, incidents et procédures terrain.

IoTMaintenanceOps

E-commerce, retail et product intelligence

Recherche produit, enrichissement catalogue, recommandations, assistants vendeurs, pricing et support post-achat.

RetailCatalogSales

Open-source, local AI et souveraineté

Construire des projets IA privés avec Llama, Hugging Face, vector DB open-source, inference locale et gouvernance interne.

OpenLocalPrivate

Gouvernance, sécurité et ROI

Le chapitre critique : choisir, prioriser, sécuriser, mesurer et industrialiser les projets IA populaires.

GovernanceROIRisk

Matrice de priorisation des projets IA

Classer les idées IA : quick wins, projets stratégiques, risques élevés, projets à refuser.

MatrixRoadmapGO/NO-GO

Architecture type d’un projet IA populaire

Une architecture de référence pour passer de la démo IA au service fiable : data, RAG, modèle, outils, UI, evals et observabilité.

ArchitectureStackPatterns

URLs, outils et ressources officielles

Catalogue d’URLs utiles pour lancer les projets IA populaires : modèles, agents, RAG, vector DB, apps, évaluation et plateformes.

URLsToolsReferences

Le manifeste des projets IA populaires

Les projets IA populaires ne sont pas des gadgets : ce sont des moteurs de productivité, de connaissance, de support, de code, de vente, de conformité et de décision.

Un bon projet IA populaire commence rarement par le choix du modèle. Il commence par une douleur métier répétitive, un flux d’information mal exploité, un besoin de réponse rapide ou une activité humaine qui mérite un copilote.

Flow diagram

01Pain point métier

02Données et connaissances

03Modèle ou agent

04Interface utilisateur

05Validation humaine

06Mesure de valeur

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Le manifeste des projets IA populaires doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Assistant interne	Questions RH, IT, procédures, politiques	Documents internes + RAG	Réduction du temps de recherche
Copilot support	Aide aux agents de support	CRM + base de connaissance	Temps moyen de résolution
Copilot dev	Aide code, tests, documentation	Repository + CI	Nombre de tickets livrés sans régression
Studio marketing	Emails, pages, posts, variantes	Brief + brand book	Cycle de production contenu
Agent opérationnel	Exécuter des tâches multi-outils	APIs + validations	Tâches réalisées avec audit trail

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
LLM	ChatGPT, Claude, Gemini, Llama, Grok	Choisir selon risque, coût, latence et contexte
Knowledge	RAG, Search, vector DB, SQL, fichiers	Toujours conserver les sources
Interface	Chat, portail, Slack, Teams, admin Django	Mettre l’IA là où les gens travaillent
Governance	Logs, droits, review, evals	Pas d’IA production sans contrôle

Useful URLs

Resource	URL	Use
OpenAI Agents SDK	https://platform.openai.com/docs/guides/agents-sdk	Agents avec outils et traces
Vertex AI GenAI	https://docs.cloud.google.com/vertex-ai/generative-ai/docs	Plateforme production Google
LangChain RAG	https://docs.langchain.com/oss/javascript/langchain/rag	Construction RAG
LlamaIndex RAG	https://docs.llamaindex.ai/en/stable/understanding/rag/	Indexation et retrieval

Main risks and controls

Risk	Impact	Control
Effet démo	Projet séduisant mais non utile	Mesurer un KPI avant MVP
Données faibles	Réponses fausses ou pauvres	Nettoyage + sources + citations
Absence de garde-fou	Action dangereuse	Validation humaine et audit trail
Coût caché	Tokens, GPU, intégrations	Budget par use case

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Le manifeste des projets IA populaires should move to production only when value, data readiness, risk controls and evaluation are all visible.

Chatbots et assistants métier

Le chatbot moderne n’est plus un arbre de décision. C’est une interface de connaissance, de diagnostic, d’escalade et d’action.

Le meilleur chatbot répond aux questions fréquentes, cite ses sources, sait dire qu’il ne sait pas, collecte le contexte et transmet correctement à un humain.

Flow diagram

01Question utilisateur

02Classification intention

03Recherche contexte

04Réponse sourcée

05Escalade si doute

06Feedback utilisateur

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Chatbots et assistants métier doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Support produit	FAQ dynamique pour clients	Docs + tickets résolus	Déflexion tickets
Assistant RH	Congés, notes de frais, onboarding	Policies + intranet	Temps RH économisé
Assistant IT	VPN, email, accès, incidents	Runbooks + CMDB	Tickets niveau 1 évités
Assistant commercial	Réponses offres, produits, objections	CRM + catalogue	Vitesse de réponse
Assistant site web	Guide d’achat et orientation contenu	Pages publiques + analytics	Conversion

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Frontend	Widget web, Slack, Teams, WhatsApp	Choisir le canal existant
Backend	FastAPI, Django, Node, n8n	Tracer les conversations
LLM	OpenAI, Anthropic, Gemini, Llama	Limiter par policy et budget
Search	RAG + base de connaissance	Réponses sourcées obligatoires

Useful URLs

Resource	URL	Use
ChatGPT Enterprise	https://help.openai.com/en/articles/8265053-what-is-chatgpt-enterprise	Assistant entreprise
Vercel AI SDK	https://ai-sdk.dev/docs/introduction	Interfaces chat modernes
Streamlit Chat	https://docs.streamlit.io/develop/api-reference/chat	Prototype conversationnel
n8n AI Builder	https://docs.n8n.io/advanced-ai/ai-workflow-builder/	Automatisation autour du chatbot

Main risks and controls

Risk	Impact	Control
Hallucination	Réponse inventée	Citations + seuil de confiance
Mauvaise escalade	Client bloqué	Règles de transfert humain
Données sensibles	Fuite PII	Masquage + RBAC
UX médiocre	Utilisateur abandonne	Mesurer résolution et satisfaction

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Chatbots et assistants métier should move to production only when value, data readiness, risk controls and evaluation are all visible.

RAG et bases de connaissance privées

Le RAG transforme des dossiers morts en intelligence consultable. Il permet au modèle de répondre sur vos données sans forcément réentraîner un modèle.

La qualité d’un RAG dépend moins du modèle que du pipeline : ingestion, découpage, métadonnées, embeddings, retrieval, reranking, citations et droits d’accès.

Flow diagram

01Ingestion documents

02Chunking intelligent

03Embeddings

04Index vectoriel

05Retrieval hybride

06Réponse avec citations

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : RAG et bases de connaissance privées doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
RAG juridique	Contrats, clauses, jurisprudence interne	PDF + OCR + metadata	Temps de revue
RAG technique	Runbooks, tickets, logs, docs	Markdown + Git + Wiki	MTTR
RAG commercial	Fiches produits, offres, objections	CRM + CMS	Taux de réponse correcte
RAG conformité	Politiques, normes, procédures	Versioning + owners	Audit readiness
RAG support	Base de connaissance + tickets	FAQ + Zendesk/Jira	Déflexion

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Loader	PDF, HTML, Markdown, SQL, SharePoint	Préserver provenance
Vector DB	Pinecone, Weaviate, Milvus, Qdrant	Choisir selon scale et ops
Framework	LangChain, LlamaIndex	Ne pas confondre framework et qualité
Eval	Golden questions, MLflow, feedback	Tests récurrents

Useful URLs

Resource	URL	Use
LlamaIndex RAG	https://docs.llamaindex.ai/en/stable/understanding/rag/	Pipeline RAG
LangChain RAG	https://docs.langchain.com/oss/javascript/langchain/rag	Agents et retrieval
Pinecone	https://docs.pinecone.io/	Vector DB managée
Weaviate	https://docs.weaviate.io/weaviate	Vector DB open-source

Main risks and controls

Risk	Impact	Control
Mauvais chunking	Réponse hors contexte	Tests par type de document
Droits ignorés	Fuite de données	Filtrage par utilisateur
Sources obsolètes	Réponse périmée	Version + date + owner
Pas d’évaluation	RAG non fiable	Golden dataset

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: RAG et bases de connaissance privées should move to production only when value, data readiness, risk controls and evaluation are all visible.

Agents IA et automatisation multi-outils

Un agent est intéressant quand une tâche nécessite plusieurs décisions et plusieurs outils. C’est dangereux quand on lui donne trop de pouvoir sans garde-fou.

Le design professionnel d’un agent ressemble à un workflow DevOps : permissions, outils autorisés, stop conditions, logs, retries, confirmations et rollback.

Flow diagram

01Objectif

02Plan

03Outils autorisés

04Exécution étape par étape

05Confirmation humaine

06Rapport final

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Agents IA et automatisation multi-outils doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Agent de veille	Surveiller annonces et concurrents	Web + sources + résumé	Brief quotidien
Agent CRM	Préparer fiche prospect	LinkedIn/web/CRM	Temps de préparation
Agent finance	Rapprocher factures et commandes	ERP + documents	Exceptions traitées
Agent DevOps	Analyser logs et proposer action	Logs + Git + CI	MTTR
Agent administratif	Remplir dossiers récurrents	Formulaires + règles	Temps de back-office

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Orchestrator	OpenAI Agents SDK, CrewAI, LangGraph, AutoGen	Choisir simple avant complexe
Tools	APIs, SQL, browser, filesystem	Permissions minimales
Memory	State store, ticket, DB	Audit trail
Validation	Human-in-the-loop	Actions sensibles bloquées

Useful URLs

Resource	URL	Use
OpenAI Agents SDK	https://platform.openai.com/docs/guides/agents-sdk	Agents avec outils
CrewAI Docs	https://docs.crewai.com/en	Crews et flows
n8n AI Workflow Builder	https://docs.n8n.io/advanced-ai/ai-workflow-builder/	Workflows visuels
Vertex AI GenAI	https://docs.cloud.google.com/vertex-ai/generative-ai/docs	Agents production

Main risks and controls

Risk	Impact	Control
Autonomie excessive	Action non désirée	Confirmations et permissions
Boucle infinie	Coût et blocage	Stop conditions
Tool misuse	Mauvaise API appelée	Schémas stricts
Absence de trace	Impossible à auditer	Logs étape par étape

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Agents IA et automatisation multi-outils should move to production only when value, data readiness, risk controls and evaluation are all visible.

Copilots de développement logiciel

Le vrai copilote logiciel ne se limite pas à écrire des fonctions. Il aide à comprendre le système, réduire le risque, écrire les tests et produire une release note.

Sur gros codebase, le modèle doit rester discipliné : patch minimal, fichiers ciblés, tests, revue de diff, rollback et documentation.

Flow diagram

01Lire contexte

02Diagnostiquer bug

03Plan patch

04Modifier petit scope

05Tester

06Review diff

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Copilots de développement logiciel doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Assistant Django	Commands, services, migrations	Repo + tests	Patches validés
Reviewer PR	Détecter risques et tests manquants	Diff + CI	Bugs avant merge
Générateur tests	Créer cas unitaires et intégration	Code + fixtures	Couverture utile
Docs auto	Runbooks, README, release notes	Code + commits	Temps documentation
Migration guard	Analyser DDL et rollback	Migrations + DB	GO/NO-GO

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Coding agent	Claude Code, Codex, Cursor, Copilot	Toujours review diff
CI	pytest, mypy, linters, security scan	Pas de merge sans test
Docs	README, changelog, runbook	Générer pendant le contexte
Evaluation	Bugs, rollbacks, review time	Mesurer la qualité

Useful URLs

Resource	URL	Use
Claude Code	https://docs.anthropic.com/en/docs/claude-code	Agent terminal
OpenAI Agents SDK	https://platform.openai.com/docs/guides/agents-sdk	Agents dev
Vercel AI SDK	https://ai-sdk.dev/docs/introduction	Apps IA dev
MLflow GenAI Eval	https://www.mlflow.org/docs/latest/genai/eval-monitor	Évaluer apps GenAI

Main risks and controls

Risk	Impact	Control
Patch trop large	Régression cachée	Scope strict
Code plausible	Ne compile pas	Tests automatiques
DB dangereuse	Perte ou lock	DDL preview + rollback
Dette de contexte	Modèle oublie règles	README projet + instructions

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Copilots de développement logiciel should move to production only when value, data readiness, risk controls and evaluation are all visible.

Analyse de données et BI augmentée

L’IA transforme la BI en conversation : expliquer une tendance, trouver une anomalie, générer un graphique, écrire un commentaire exécutif.

Le risque principal est de confondre analyse exploratoire et vérité comptable. L’IA doit générer des hypothèses, mais les chiffres doivent être traçables.

Flow diagram

01Source data

02Nettoyage

03Question métier

04Analyse

05Visualisation

06Décision

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Analyse de données et BI augmentée doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Copilot CFO	Analyser ventes, coûts, marge	ERP + Excel	Temps reporting
Anomaly detector	Détecter pics et ruptures	Séries temporelles	Alertes pertinentes
SQL assistant	Générer requêtes contrôlées	Schema SQL	Temps analyste
Rapport automatique	Synthèse mensuelle	Dashboard + notes	Qualité briefing
Data QA	Identifier valeurs incohérentes	CSV + règles	Taux d’erreurs

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Data source	SQL, CSV, Excel, warehouse	Profilage obligatoire
Semantic layer	Metrics store, dbt, views	Définitions stables
LLM	Analyse et narration	Ne pas inventer chiffres
Viz	Plotly, Streamlit, BI tools	Graphiques vérifiables

Useful URLs

Resource	URL	Use
Streamlit Chat	https://docs.streamlit.io/develop/api-reference/chat	Apps data conversationnelles
Vertex AI	https://docs.cloud.google.com/vertex-ai/generative-ai/docs	GenAI production
MLflow GenAI Eval	https://www.mlflow.org/docs/latest/genai/eval-monitor	Évaluation GenAI
Vercel AI SDK	https://ai-sdk.dev/docs/introduction	Frontend streaming

Main risks and controls

Risk	Impact	Control
SQL dangereux	Lecture non contrôlée	Readonly + allowlist
Métriques floues	Décisions fausses	Semantic layer
Graphique trompeur	Mauvaise échelle	Review data analyst
Données privées	Fuite	RBAC + masking

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Analyse de données et BI augmentée should move to production only when value, data readiness, risk controls and evaluation are all visible.

Support client et centre de contact

Le support est un terrain idéal : beaucoup de questions répétitives, des bases de connaissance, des tickets historiques et une valeur immédiatement mesurable.

Le bon design n’est pas “remplacer tous les agents”, mais réduire la charge répétitive et aider les humains à résoudre plus vite.

Flow diagram

01Message client

02Détection intention

03Recherche KB

04Réponse brouillon

05Validation agent

06Mise à jour ticket

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Support client et centre de contact doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Réponse brouillon	L’IA propose, l’agent valide	CRM + KB	AHT
Résumé ticket	Synthèse avant escalade	Conversation + logs	Temps escalade
Classification	Priorité, produit, sentiment	Historique tickets	Routage
QA automatique	Contrôle qualité appels/chats	Transcripts	Score qualité
Base auto-améliorée	Créer article depuis tickets	Tickets résolus	Déficit KB

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
CRM	Zendesk, Intercom, Salesforce, Freshdesk	Synchroniser statuts
RAG	KB + produits + policies	Réponse sourcée
LLM	Draft + summarize + classify	Contrôle tonalité
Analytics	AHT, CSAT, FCR	Mesurer par cohortes

Useful URLs

Resource	URL	Use
OpenAI Agents SDK	https://platform.openai.com/docs/guides/agents-sdk	Agents support
Pinecone Assistant	https://docs.pinecone.io/	Assistant sur données
Weaviate Agents	https://docs.weaviate.io/weaviate	Backend RAG
n8n AI Builder	https://docs.n8n.io/advanced-ai/ai-workflow-builder/	Flux support

Main risks and controls

Risk	Impact	Control
Réponse non conforme	Promesse incorrecte	Policy + approbation
Mauvaise émotion	Client frustré	Sentiment + escalade
Données client	PII exposée	Redaction
KB obsolète	Erreur répétée	Owner + review

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Support client et centre de contact should move to production only when value, data readiness, risk controls and evaluation are all visible.

Marketing, contenu et growth IA

Le marketing IA devient puissant quand il respecte la marque, les preuves produit, les données clients et un workflow de validation éditoriale.

La tentation est de produire plus. La valeur est de produire mieux : plus rapide, plus testé, plus cohérent et plus orienté conversion.

Flow diagram

01Brief

02Audience

03Angles

04Génération variantes

05Review brand

06Test A/B

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Marketing, contenu et growth IA doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Landing page	Créer 5 versions par segment	Brand book + offre	Conversion
Email nurture	Séquences personnalisées	CRM + personas	Open/click rate
SEO briefs	Cluster sujets et FAQ	SERP + analytics	Trafic qualifié
Social posts	Calendrier multi-format	Guidelines marque	Engagement
Sales enablement	Battlecards et objections	CRM + produits	Win rate

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Content engine	LLM + templates	Brand guardrails
Analytics	GA, CRM, Search Console	Boucle performance
CMS	WordPress, Django, Webflow	Publication contrôlée
Design	Images, vidéo, assets	Droits et cohérence

Useful URLs

Resource	URL	Use
Vercel AI SDK	https://ai-sdk.dev/docs/introduction	Générateurs web
ChatGPT Enterprise	https://help.openai.com/en/articles/8265053-what-is-chatgpt-enterprise	Usage équipe
Vertex AI	https://docs.cloud.google.com/vertex-ai/generative-ai/docs	Production GenAI
Hugging Face	https://huggingface.co/docs/transformers/main/index	Modèles open-source

Main risks and controls

Risk	Impact	Control
Contenu générique	Pas de différenciation	Brand book + exemples
Promesses fausses	Risque légal	Claims review
SEO spam	Pénalité qualité	Human editorial
Droits images	Usage non conforme	Licence et traçabilité

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Marketing, contenu et growth IA should move to production only when value, data readiness, risk controls and evaluation are all visible.

Images, design et création multimodale

La création multimodale accélère l’exploration visuelle, mais elle exige un directeur artistique humain pour cohérence, identité et droits.

Les meilleurs projets combinent génération, édition, bibliothèque de styles, review humaine et stockage des prompts/versions.

Flow diagram

01Brief visuel

02Style guide

03Génération

04Sélection

05Édition

06Validation droits

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Images, design et création multimodale doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Moodboard produit	Explorer directions créatives	Brief + références	Temps de concept
Images blog	Illustrations cohérentes	Guide style	Production éditoriale
UI concepts	Mockups d’écrans	Wireframes + design system	Vitesse prototypage
Diagrammes	Architecture et process	Texte technique	Compréhension
Assets social	Formats multiples	Campagne + brand	Volume contrôlé

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Generation	Image models, design tools	Respect style
Editing	Inpaint, crop, variations	Versionner
Library	DAM, CMS, static files	Métadonnées
Review	Brand/legal	Approval workflow

Useful URLs

Resource	URL	Use
Vertex AI GenAI	https://docs.cloud.google.com/vertex-ai/generative-ai/docs	Multimodal production
Hugging Face Transformers	https://huggingface.co/docs/transformers/main/index	Modèles multimodaux
Vercel AI SDK	https://ai-sdk.dev/docs/introduction	UI générative
Streamlit	https://docs.streamlit.io/develop/api-reference/chat	Prototypes créatifs

Main risks and controls

Risk	Impact	Control
Style incohérent	Marque diluée	Style guide
Droits flous	Risque juridique	License audit
Prompt non reproductible	Impossible à refaire	Prompt registry
Biais visuel	Image problématique	Review humaine

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Images, design et création multimodale should move to production only when value, data readiness, risk controls and evaluation are all visible.

Vidéo, voix et avatars

La vidéo et la voix IA rendent la formation, le support et le marketing beaucoup plus rapides, mais imposent des règles strictes d’identité et de consentement.

Les projets sérieux commencent par scripts, droits de voix, watermarking, validation humaine et suivi de version.

Flow diagram

01Script

02Storyboard

03Voix/vidéo

04Sous-titres

05Review

06Publication

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Vidéo, voix et avatars doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Formation interne	Modules courts IA	SOP + quiz	Temps formation
Support vidéo	Réponses produit en clip	KB + screenshots	Déflexion
Sales demo	Vidéo personnalisée par segment	CRM + templates	Engagement
Podcast résumé	Transformer article en audio	Docs + TTS	Portée contenu
Compliance training	Scénarios et quiz	Règles internes	Completion rate

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Script LLM	Plan + narration	Review message
TTS/STT	Voix, transcription	Consentement
Video tools	Génération/édition	Brand safety
Distribution	LMS, YouTube, intranet	Analytics

Useful URLs

Resource	URL	Use
Vertex AI GenAI	https://docs.cloud.google.com/vertex-ai/generative-ai/docs	Multimodal
Hugging Face	https://huggingface.co/docs/transformers/main/index	Audio/vidéo models
Vercel AI SDK	https://ai-sdk.dev/docs/introduction	Apps média IA
MLflow GenAI Eval	https://www.mlflow.org/docs/latest/genai/eval-monitor	Évaluation outputs

Main risks and controls

Risk	Impact	Control
Deepfake	Identité usurpée	Consentement + watermark
Erreur de script	Mauvaise formation	Review SME
Coût rendu	Budget explosif	Batch + templates
Accessibilité	Public exclu	Sous-titres + transcript

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Vidéo, voix et avatars should move to production only when value, data readiness, risk controls and evaluation are all visible.

Recherche IA, discovery et recommandations

La recherche IA est souvent plus utile qu’un chatbot : elle trouve le bon document, produit, ticket, expert ou solution.

Un bon moteur IA combine lexical, sémantique, filtres metadata, reranking, droits d’accès et feedback utilisateur.

Flow diagram

01Indexation

02Recherche hybride

03Reranking

04Filtres

05Résultats explicables

06Feedback

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Recherche IA, discovery et recommandations doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Recherche intranet	Trouver procédures et experts	Docs + org chart	Temps de recherche
E-commerce	Recherche produit sémantique	Catalogue + avis	Conversion
Support	Trouver tickets similaires	Tickets + logs	MTTR
Legal discovery	Chercher clauses et preuves	Contrats + emails	Temps revue
Media library	Trouver images/vidéos	Tags + embeddings	Réutilisation assets

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Index	Vector DB + BM25	Hybride souvent meilleur
Reranker	Cross-encoder / LLM	Qualité top-k
Filters	Metadata + ACL	Sécurité
Feedback	Clicks, thumbs, save	Amélioration continue

Useful URLs

Resource	URL	Use
Pinecone	https://docs.pinecone.io/	Vector search
Weaviate	https://docs.weaviate.io/weaviate	Hybrid search
Milvus	https://milvus.io/docs	Vector search
LlamaIndex	https://docs.llamaindex.ai/en/stable/understanding/rag/	Retrieval

Main risks and controls

Risk	Impact	Control
Résultat non pertinent	Utilisateur perd confiance	Eval top-k
Pas de filtres	Fuite data	ACL au retrieval
Index obsolète	Mauvais documents	Re-index schedule
Trop lent	UX cassée	Cache + top-k

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Recherche IA, discovery et recommandations should move to production only when value, data readiness, risk controls and evaluation are all visible.

Formation, coaching et e-learning IA

L’IA rend la formation plus interactive : expliquer, questionner, corriger, adapter le niveau et transformer la documentation en exercices.

Le but n’est pas seulement de générer du contenu, mais de créer une boucle apprendre-pratiquer-évaluer-améliorer.

Flow diagram

01Objectif pédagogique

02Contenu source

03Niveau apprenant

04Exercices

05Feedback

06Mesure compétence

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Formation, coaching et e-learning IA doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Tutor interne	Former sur procédures	Docs + quiz	Progression
Coach développeur	Expliquer code et tests	Repo + exercices	Autonomie
Simulation vente	Jeux de rôle objections	Scripts + CRM	Score commercial
Formation sécurité	Phishing, policies	Scénarios	Incidents évités
Onboarding	Parcours personnalisé	Intranet + tickets	Time-to-productivity

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Content	Docs, vidéos, SOP	Version officielle
Tutor LLM	Adaptation au niveau	Citations
Assessment	Quiz, rubrics, tasks	Mesure objective
LMS	Moodle, LearnDash, internal	Traçabilité

Useful URLs

Resource	URL	Use
ChatGPT Enterprise	https://help.openai.com/en/articles/8265053-what-is-chatgpt-enterprise	Usage org
Streamlit Chat	https://docs.streamlit.io/develop/api-reference/chat	Tuteur prototype
LlamaIndex RAG	https://docs.llamaindex.ai/en/stable/understanding/rag/	Sources de cours
MLflow GenAI Eval	https://www.mlflow.org/docs/latest/genai/eval-monitor	Évaluation

Main risks and controls

Risk	Impact	Control
Contenu faux	Apprenant apprend mal	Sources + validation SME
Pas d’évaluation	Formation cosmétique	Tests et rubrics
Données personnelles	Suivi sensible	Minimisation
Tuteur trop permissif	Réponses directes	Socratic mode

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Formation, coaching et e-learning IA should move to production only when value, data readiness, risk controls and evaluation are all visible.

RH, recrutement et talent intelligence

Les projets IA RH sont populaires mais sensibles : ils peuvent gagner beaucoup de temps, mais doivent éviter biais, opacité et décisions automatisées abusives.

L’IA doit assister, pas décider seule. Garder l’humain responsable, documenter les critères et contrôler les biais.

Flow diagram

01Définir critères

02Analyser documents

03Proposer questions

04Human review

05Traçabilité

06Feedback

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : RH, recrutement et talent intelligence doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Job description	Créer annonce claire	Role brief	Temps manager
CV summary	Résumer parcours	CV + LinkedIn	Temps screening
Interview kit	Questions par compétence	Scorecard	Qualité entretien
Assistant RH	Répondre policies	Intranet RH	Tickets RH
Skills map	Cartographier compétences	HRIS + projets	Mobilité interne

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Documents	CV, JD, policies	Masquer données inutiles
LLM	Résumé + questions	Pas de décision seule
Workflow	ATS + validation	Audit trail
Evaluation	Biais + qualité	Échantillonnage humain

Useful URLs

Resource	URL	Use
OpenAI Agents SDK	https://platform.openai.com/docs/guides/agents-sdk	Agents RH contrôlés
CrewAI	https://docs.crewai.com/en	Agents spécialisés
ChatGPT Enterprise	https://help.openai.com/en/articles/8265053-what-is-chatgpt-enterprise	Plan entreprise
MLflow GenAI Eval	https://www.mlflow.org/docs/latest/genai/eval-monitor	Évaluation

Main risks and controls

Risk	Impact	Control
Biais	Discrimination	Audit critères
Donnée sensible	Privacy	Minimisation + consentement
Décision automatisée	Risque légal	Human decision
Opacité	Candidat ne comprend pas	Documentation

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: RH, recrutement et talent intelligence should move to production only when value, data readiness, risk controls and evaluation are all visible.

Legal, contrats et conformité

L’IA juridique est utile pour lire plus vite, comparer mieux et repérer les risques, mais elle ne remplace pas la responsabilité juridique.

Les projets gagnants sont des copilots de revue : extraction, comparaison, checklist, alertes, sources, mais décision finale humaine.

Flow diagram

01Importer contrat

02OCR + clauses

03Comparer playbook

04Marquer risques

05Review juriste

06Exporter memo

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Legal, contrats et conformité doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Clause extractor	Extraire NDA, SLA, liability	Contrats PDF	Temps revue
Contract redline	Comparer versions	DOCX + PDF	Erreurs détectées
Compliance Q&A	Répondre sur politiques	Policies + lois internes	Audit readiness
Obligation tracker	Lister échéances	Contrats + dates	Risques oubliés
Legal memo	Synthèse pour direction	Dossier + sources	Clarté décision

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
OCR	PDF, scans	Qualité extraction
RAG	Playbooks + policies	Citations exactes
LLM	Résumé + checklist	Pas avis final seul
Workflow	Matter management	Trace review

Useful URLs

Resource	URL	Use
LlamaIndex RAG	https://docs.llamaindex.ai/en/stable/understanding/rag/	Legal RAG
Pinecone	https://docs.pinecone.io/	Search contractuel
ChatGPT Enterprise	https://help.openai.com/en/articles/8265053-what-is-chatgpt-enterprise	Privacy entreprise
Vertex AI	https://docs.cloud.google.com/vertex-ai/generative-ai/docs	GenAI entreprise

Main risks and controls

Risk	Impact	Control
Erreur clause	Mauvaise interprétation	Citation + extrait
Droit périmé	Conseil incorrect	Sources datées
Confidentialité	Contrat sensible	Plan entreprise + DLP
Responsabilité	Automatisation abusive	Validation avocat

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Legal, contrats et conformité should move to production only when value, data readiness, risk controls and evaluation are all visible.

Cybersécurité, SOC et threat intelligence

Le SOC est saturé d’alertes. L’IA peut aider à résumer, prioriser et expliquer, mais elle doit rester strictement confinée et vérifiée.

Le bon projet IA sécurité commence en lecture seule, sur logs anonymisés, avec règles de non-action directe et review humaine.

Flow diagram

01Collecter alerte

02Enrichir contexte

03Résumer hypothèse

04Proposer action

05Human approve

06Postmortem

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Cybersécurité, SOC et threat intelligence doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Alert triage	Résumer alerte SIEM	Logs + IOC	Temps analyste
Phishing assistant	Analyser email suspect	Headers + URL	Temps de verdict
Incident report	Rédiger timeline	Tickets + logs	Qualité postmortem
Rule generator	Proposer Sigma/YARA	Description menace	Règles testées
Threat brief	Synthèse veille	Sources OSINT	Pertinence

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
SIEM	Splunk, Elastic, Chronicle	Accès lecture seule
LLM	Résumé + hypothèses	Pas d’action directe
Threat intel	OSINT + sources internes	Citer sources
Workflow	SOAR avec approvals	Audit

Useful URLs

Resource	URL	Use
OpenAI Agents SDK	https://platform.openai.com/docs/guides/agents-sdk	Agents avec outils
Vertex AI	https://docs.cloud.google.com/vertex-ai/generative-ai/docs	Entreprise GenAI
MLflow GenAI Eval	https://www.mlflow.org/docs/latest/genai/eval-monitor	Évaluer assistant
LlamaIndex RAG	https://docs.llamaindex.ai/en/stable/understanding/rag/	Knowledge base SOC

Main risks and controls

Risk	Impact	Control
Action dangereuse	Bloquer mauvais actif	Approvals
Data exfiltration	Logs sensibles	Redaction + local
Faux positif	Perte temps	Ground truth
Prompt injection	Logs hostiles	Sanitization

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Cybersécurité, SOC et threat intelligence should move to production only when value, data readiness, risk controls and evaluation are all visible.

Santé, sciences de la vie et recherche

Les projets IA santé peuvent être très utiles, mais ils exigent le plus haut niveau de prudence, conformité, validation clinique et responsabilité humaine.

Commencer par l’administratif et la recherche documentaire avant les usages cliniques. Toute décision médicale doit rester humaine et validée.

Flow diagram

01Cas d’usage non critique

02Données anonymisées

03Sources vérifiées

04Validation expert

05Pilot contrôlé

06Audit

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Santé, sciences de la vie et recherche doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Résumé dossier	Synthèse administrative	Notes + documents	Temps soignant
Literature review	Résumer articles	PubMed + PDFs	Temps recherche
Medical coding	Aide codage facturation	Notes + règles	Erreurs codage
Patient education	Explications simples	Guidelines validées	Compréhension
Trial matching	Pré-screening critères	Dossier + protocoles	Candidates reviewed

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Data	EHR, documents, literature	Anonymisation
RAG	Guidelines + publications	Sources exactes
LLM	Résumé + extraction	No autonomous diagnosis
Governance	Clinical review + compliance	Audit logs

Useful URLs

Resource	URL	Use
Vertex AI	https://docs.cloud.google.com/vertex-ai/generative-ai/docs	Infrastructure entreprise
LlamaIndex RAG	https://docs.llamaindex.ai/en/stable/understanding/rag/	Document RAG
MLflow GenAI Eval	https://www.mlflow.org/docs/latest/genai/eval-monitor	Évaluation
ChatGPT Enterprise	https://help.openai.com/en/articles/8265053-what-is-chatgpt-enterprise	Privacy entreprise

Main risks and controls

Risk	Impact	Control
Erreur médicale	Risque patient	Human clinical review
PHI/PII	Données sensibles	Compliance + DLP
Sources faibles	Conclusion fausse	Evidence grading
Biais	Inégalités	Validation par cohortes

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Santé, sciences de la vie et recherche should move to production only when value, data readiness, risk controls and evaluation are all visible.

Finance, comptabilité et back-office

La finance IA est très populaire car les documents sont nombreux, répétitifs et structurés, mais les erreurs coûtent cher.

Le meilleur design combine extraction IA, règles déterministes, validation humaine et rapprochement avec les systèmes comptables.

Flow diagram

01Document

02Extraction

03Validation règles

04Matching ERP

05Exception queue

06Audit

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Finance, comptabilité et back-office doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Invoice capture	Extraire montants et TVA	PDF + OCR	Temps AP
Expense review	Détecter anomalies	Notes + policies	Exceptions
Cash forecast	Synthèse prévisions	ERP + banque	Qualité forecast
Board report	Commentaire financier	BI + notes	Temps CFO
Vendor risk	Analyser fournisseurs	Contrats + factures	Risque

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
OCR/IDP	Documents scannés	Confidence scores
Rules	TVA, seuils, approbations	Contrôles déterministes
LLM	Résumé + explication	Pas calcul final seul
ERP	SAP, Odoo, Oracle, custom	Trace transaction

Useful URLs

Resource	URL	Use
n8n AI Builder	https://docs.n8n.io/advanced-ai/ai-workflow-builder/	Automatisation back-office
OpenAI Agents SDK	https://platform.openai.com/docs/guides/agents-sdk	Agents outillés
MLflow GenAI Eval	https://www.mlflow.org/docs/latest/genai/eval-monitor	Évaluer extraction
Vertex AI	https://docs.cloud.google.com/vertex-ai/generative-ai/docs	Production

Main risks and controls

Risk	Impact	Control
Erreur montant	Impact financier	Double validation
Fraude	IA manipulée	Règles anti-fraude
Audit impossible	Pas de trace	Logs immuables
Données sensibles	Finance privée	RBAC

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Finance, comptabilité et back-office should move to production only when value, data readiness, risk controls and evaluation are all visible.

Industrie, IoT et maintenance prédictive

L’IA industrielle relie données temps réel, savoir terrain et documentation technique pour réduire arrêts, erreurs et temps de diagnostic.

Le LLM explique et assiste, mais les décisions de contrôle machine doivent rester dans les systèmes industriels validés.

Flow diagram

01Capteurs/logs

02Détection anomalie

03RAG procédures

04Recommandation

05Technicien valide

06Feedback panne

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Industrie, IoT et maintenance prédictive doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Maintenance copilot	Diagnostic depuis symptômes	Manuels + historiques	MTTR
Spare parts assistant	Trouver pièce correcte	BOM + ERP	Temps recherche
Incident report	Timeline et causes	Logs + notes terrain	Qualité RCA
Quality assistant	Analyser défauts production	Images + mesures	Taux défaut
SOP generator	Procédures terrain	Manuels + photos	Standardisation

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Data	SCADA, IoT, CMMS, ERP	Normalisation
Models	Anomaly + LLM + RAG	Ne pas tout mettre en LLM
Interface	Mobile terrain, dashboard	Offline possible
Governance	Safety + validation	No direct unsafe action

Useful URLs

Resource	URL	Use
Vertex AI	https://docs.cloud.google.com/vertex-ai/generative-ai/docs	GenAI production
Milvus	https://milvus.io/docs	Vector search scale
Weaviate	https://docs.weaviate.io/weaviate	RAG + agents
LlamaIndex	https://docs.llamaindex.ai/en/stable/understanding/rag/	Documents techniques

Main risks and controls

Risk	Impact	Control
Action machine	Danger physique	Read-only assistant
Données bruitées	Mauvais diagnostic	Signal processing
Terrain offline	UX cassée	Cache local
Responsabilité	Erreur procédure	SME review

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Industrie, IoT et maintenance prédictive should move to production only when value, data readiness, risk controls and evaluation are all visible.

E-commerce, retail et product intelligence

L’IA e-commerce transforme un catalogue en conversation et un historique client en recommandation utile.

Les projets forts combinent données produit propres, recherche hybride, personnalisation prudente et mesure conversion.

Flow diagram

01Catalogue

02Enrichissement IA

03Search/reco

04Assistant achat

05Checkout

06Feedback

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : E-commerce, retail et product intelligence doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Product enrichment	Titres, attributs, descriptions	PIM + images	Qualité catalogue
Semantic search	Chercher par intention	Catalogue + embeddings	Conversion search
Shopping assistant	Guide choix produit	Inventory + reviews	AOV
Review mining	Synthèse avis clients	Avis + tickets	Insights produit
Return reduction	Conseils taille/compatibilité	Historique + specs	Taux retour

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
PIM	Catalogue source	Données propres
Search	Hybrid + rerank	Pertinence
LLM	Description + assistant	Vérifier claims
Analytics	Conversion, return rate	A/B tests

Useful URLs

Resource	URL	Use
Vercel AI SDK	https://ai-sdk.dev/docs/introduction	Frontend IA
Pinecone	https://docs.pinecone.io/	Search produit
Weaviate	https://docs.weaviate.io/weaviate	Hybrid search
OpenAI Agents SDK	https://platform.openai.com/docs/guides/agents-sdk	Assistant achat

Main risks and controls

Risk	Impact	Control
Prix inventé	Perte confiance	Source prix live
Stock faux	Mauvaise vente	Inventory API
Reco biaisée	Marge vs besoin	Règles business
Claims produit	Risque légal	PIM comme source

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: E-commerce, retail et product intelligence should move to production only when value, data readiness, risk controls and evaluation are all visible.

Open-source, local AI et souveraineté

L’open-source et les modèles open-weight donnent du contrôle : données privées, coûts maîtrisés, personnalisation, offline et souveraineté.

Le piège est de sous-estimer l’infrastructure. Un modèle local exige GPU, serving, quantization, monitoring, sécurité et MLOps.

Flow diagram

01Choisir modèle

02Tester local

03Servir API

04Brancher RAG

05Évaluer

06Ops et monitoring

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Open-source, local AI et souveraineté doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Private RAG	Docs internes sans sortie cloud	Llama + vector DB	Données confinées
Local code assistant	Aide code on-prem	Repo + local LLM	Privacy
Edge assistant	Usine/site isolé	Small model + cache	Disponibilité
Custom fine-tune	Domaine très spécifique	Dataset + eval	Qualité métier
Batch summarizer	Documents massifs	GPU batch	Coût par doc

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Models	Llama, Mistral, Qwen, DeepSeek	Licence à vérifier
Serving	vLLM, TGI, llama.cpp, Ollama	Latency + memory
RAG	Milvus, Weaviate, Qdrant	Opérations DB
Eval	MLflow, custom golden sets	Régressions

Useful URLs

Resource	URL	Use
Meta Llama	https://ai.meta.com/llama/get-started/	Open-weight ecosystem
Hugging Face Transformers	https://huggingface.co/docs/transformers/main/index	Modèles
Milvus	https://milvus.io/docs	Vector DB
MLflow GenAI Eval	https://www.mlflow.org/docs/latest/genai/eval-monitor	Évaluation

Main risks and controls

Risk	Impact	Control
Sous-capacité GPU	Latence élevée	Benchmark avant achat
Licence ignorée	Risque légal	Review license
Qualité inférieure	Mauvais choix modèle	Eval métier
Ops lourde	Coût caché	TCO complet

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Open-source, local AI et souveraineté should move to production only when value, data readiness, risk controls and evaluation are all visible.

Gouvernance, sécurité et ROI

Les projets IA échouent rarement par manque de modèles. Ils échouent par manque de gouvernance, de données, de mesure et de limites opérationnelles.

Un portefeuille IA doit être piloté comme un portefeuille produit : valeur, risque, complexité, données, sponsor, budget, métriques et roadmap.

Flow diagram

01Use case

02Risk score

03Data readiness

04MVP

05Eval

06Scale

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Gouvernance, sécurité et ROI doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
AI intake form	Qualifier demandes IA	Form + scoring	Priorisation
Use-case board	Suivre projets par valeur/risque	Kanban + metrics	Portfolio clarity
Evaluation gate	Tests avant prod	Golden sets	GO/NO-GO
Policy center	Règles prompt/data/outils	Docs + approvals	Compliance
Cost dashboard	Suivre tokens/GPU/API	Logs + billing	Budget control

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Policy	Données, outils, modèles	Clair et court
Evaluation	Quality, safety, latency, cost	Avant prod
Observability	Logs, traces, feedback	Audit
Financials	ROI, TCO, chargeback	Décision

Useful URLs

Resource	URL	Use
MLflow GenAI Eval	https://www.mlflow.org/docs/latest/genai/eval-monitor	Eval-driven development
OpenAI Agents SDK	https://platform.openai.com/docs/guides/agents-sdk	Traces agents
Vertex AI	https://docs.cloud.google.com/vertex-ai/generative-ai/docs	Enterprise controls
ChatGPT Enterprise	https://help.openai.com/en/articles/8265053-what-is-chatgpt-enterprise	Admin controls

Main risks and controls

Risk	Impact	Control
Shadow AI	Usage non contrôlé	Catalogue outils
Pas de ROI	Budget brûlé	KPI par projet
Compliance tardive	Blocage prod	Review dès intake
Model drift	Qualité baisse	Monitoring

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Gouvernance, sécurité et ROI should move to production only when value, data readiness, risk controls and evaluation are all visible.

Matrice de priorisation des projets IA

La meilleure stratégie IA consiste à construire un pipeline de projets, pas une collection de démos isolées.

Le score doit combiner valeur, faisabilité, qualité des données, niveau de risque, sponsor métier et effort d’intégration.

Flow diagram

01Collecter idées

02Scorer valeur

03Scorer risque

04Choisir MVP

05Mesurer

06Industrialiser

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Matrice de priorisation des projets IA doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Quick win	Chatbot interne sur docs propres	Faible risque	Lancer MVP
Strategic bet	Agent opérationnel multi-outils	Risque moyen/haut	Pilot contrôlé
Research	Fine-tuning domaine rare	Incertitude	Prototype labo
Avoid	Décision RH automatique	Risque légal	Refuser/assister seulement
Scale	Support copilot validé	ROI prouvé	Industrialiser

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Scoring	Value x feasibility x risk	Transparent
Roadmap	90 jours / 6 mois / 12 mois	Réaliste
Gate	Eval + security + legal	Obligatoire
Ownership	Sponsor + product owner	Responsabilité

Useful URLs

Resource	URL	Use
MLflow GenAI Eval	https://www.mlflow.org/docs/latest/genai/eval-monitor	Évaluation
Vertex AI	https://docs.cloud.google.com/vertex-ai/generative-ai/docs	Scale
n8n AI Builder	https://docs.n8n.io/advanced-ai/ai-workflow-builder/	Automation MVP
Vercel AI SDK	https://ai-sdk.dev/docs/introduction	Apps web IA

Main risks and controls

Risk	Impact	Control
Trop de MVP	Pas de scale	Portfolio limit
Sponsor faible	Projet orphelin	Owner nommé
Données absentes	MVP impossible	Data readiness
Risque sous-estimé	Blocage tardif	Risk review

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Matrice de priorisation des projets IA should move to production only when value, data readiness, risk controls and evaluation are all visible.

Architecture type d’un projet IA populaire

Un projet IA production n’est pas un prompt. C’est un système distribué avec données, modèles, permissions, erreurs, coûts et utilisateurs.

La bonne architecture sépare clairement les responsabilités : ingestion, retrieval, orchestration, policy, modèle, outils, interface, logs et evaluation.

Flow diagram

01Data layer

02Retrieval layer

03Model layer

04Tool layer

05UI layer

06Eval/observability

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : Architecture type d’un projet IA populaire doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Small MVP	Streamlit + hosted LLM + files	1 semaine	Valider valeur
Web app	Django/Next + RAG + auth	4-8 semaines	Usage réel
Enterprise	IAM + connectors + evals + SIEM	3-6 mois	Production gouvernée
Local/private	Llama + vector DB + GPU	Variable	Souveraineté
Agentic	Orchestrator + tools + approvals	Variable	Automatisation contrôlée

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Data	SQL, docs, APIs, events	Qualité et droits
AI	LLM, embeddings, reranker	Choix par tâche
Application	Django, FastAPI, Next.js	Sécurité standard
Ops	Logs, traces, evals, billing	Production

Useful URLs

Resource	URL	Use
LangChain RAG	https://docs.langchain.com/oss/javascript/langchain/rag	RAG patterns
LlamaIndex RAG	https://docs.llamaindex.ai/en/stable/understanding/rag/	Data framework
Vercel AI SDK	https://ai-sdk.dev/docs/introduction	Frontend/SDK
OpenAI Agents SDK	https://platform.openai.com/docs/guides/agents-sdk	Agent layer

Main risks and controls

Risk	Impact	Control
Monolithe prompt	Impossible à maintenir	Architecture en couches
Pas d’observabilité	Pannes invisibles	Traces + metrics
Vendor lock-in	Migration difficile	Abstraction providers
Sécurité après coup	Refonte	Security by design

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: Architecture type d’un projet IA populaire should move to production only when value, data readiness, risk controls and evaluation are all visible.

URLs, outils et ressources officielles

Un guide utile doit pointer vers les bons endroits : documentation officielle, frameworks, plateformes, vector databases, outils d’évaluation et SDK.

Les liens changent vite. Il faut toujours vérifier la page officielle avant d’écrire un connecteur, un modèle ID ou une offre commerciale.

Flow diagram

01Model docs

02Framework docs

03Vector DB docs

04App SDK docs

05Eval docs

06Security docs

DataDocs, SQL, APIs, logs

→

ContextRAG, search, filters

→

ModelLLM, tools, policy

→

HumanReview, approve, learn

Pattern appliqué : URLs, outils et ressources officielles doit garder le même principe : données vérifiables, modèle contrôlé, interface utile et validation humaine sur les décisions sensibles.

Concrete project examples

Project	Business case	Data / Context	Metric
Foundation models	OpenAI, Claude, Gemini, Llama	Choix provider	Qualité/coût
RAG frameworks	LangChain, LlamaIndex	Pipeline knowledge	Time-to-MVP
Agents	OpenAI Agents, CrewAI, n8n	Automation	Tâches multi-outils
Vector DB	Pinecone, Weaviate, Milvus	Retrieval	Qualité search
App layer	Vercel AI SDK, Streamlit	UI rapide	Prototype

Implementation mini-roadmap

Week 1Frame the use case, owner, data scope and success metric.

Week 2Build a narrow MVP with traceable outputs and small datasets.

Week 3Test with real users, collect failures and improve prompts/retrieval.

Week 4Decide: stop, iterate, industrialize or change architecture.

Recommended stack components

Layer	Typical choices	Engineering note
Models	OpenAI, Anthropic, Google, Meta	Vérifier docs
RAG	LangChain, LlamaIndex	Pipeline
Agents	Agents SDK, CrewAI, n8n	Orchestration
Evaluation	MLflow GenAI Eval	Qualité

Useful URLs

Resource	URL	Use
OpenAI Agents SDK	https://platform.openai.com/docs/guides/agents-sdk	Reference officielle
ChatGPT Enterprise	https://help.openai.com/en/articles/8265053-what-is-chatgpt-enterprise	Reference officielle
Google Cloud Vertex AI GenAI	https://docs.cloud.google.com/vertex-ai/generative-ai/docs	Reference officielle
Anthropic Claude Code	https://docs.anthropic.com/en/docs/claude-code	Reference officielle
Meta Llama	https://ai.meta.com/llama/get-started/	Reference officielle
Hugging Face Transformers	https://huggingface.co/docs/transformers/main/index	Reference officielle
LangChain RAG	https://docs.langchain.com/oss/javascript/langchain/rag	Reference officielle
LlamaIndex RAG	https://docs.llamaindex.ai/en/stable/understanding/rag/	Reference officielle
CrewAI Docs	https://docs.crewai.com/en	Reference officielle
n8n AI Workflow Builder	https://docs.n8n.io/advanced-ai/ai-workflow-builder/	Reference officielle
Vercel AI SDK	https://ai-sdk.dev/docs/introduction	Reference officielle
Streamlit Chat Elements	https://docs.streamlit.io/develop/api-reference/chat	Reference officielle
MLflow GenAI Evaluation	https://www.mlflow.org/docs/latest/genai/eval-monitor	Reference officielle
Pinecone Docs	https://docs.pinecone.io/	Reference officielle
Weaviate Docs	https://docs.weaviate.io/weaviate	Reference officielle
Milvus Docs	https://milvus.io/docs	Reference officielle

Main risks and controls

Risk	Impact	Control
URL obsolète	Documentation déplacée	Vérifier avant publication
API changée	Code cassé	Version pinning
Model ID faux	App impossible à lancer	Read official docs
Prix changé	Budget faux	Re-check pricing

GO / NO-GO checklist

GO if the data source is known, accessible, versioned and legally usable.
GO if the MVP has one clear owner, one clear user group and one measurable KPI.
GO if failures are logged and reviewed before scaling.
NO-GO if the AI can take irreversible action without human confirmation.
NO-GO if success is defined only as “the demo looks impressive”.

Decision rule: URLs, outils et ressources officielles should move to production only when value, data readiness, risk controls and evaluation are all visible.

L'IA et les projets populaires

Le manifeste des projets IA populaires

Chatbots et assistants métier

RAG et bases de connaissance privées

Agents IA et automatisation multi-outils

Copilots de développement logiciel

Analyse de données et BI augmentée

Support client et centre de contact

Marketing, contenu et growth IA

Images, design et création multimodale

Vidéo, voix et avatars

Recherche IA, discovery et recommandations

Formation, coaching et e-learning IA

RH, recrutement et talent intelligence

Legal, contrats et conformité

Cybersécurité, SOC et threat intelligence

Santé, sciences de la vie et recherche

Finance, comptabilité et back-office

Industrie, IoT et maintenance prédictive

E-commerce, retail et product intelligence

Open-source, local AI et souveraineté

Gouvernance, sécurité et ROI

Matrice de priorisation des projets IA

Architecture type d’un projet IA populaire

URLs, outils et ressources officielles

Official references and URLs used for this guide