Votre pipeline IA est bloqué. En 3 semaines, vous saurez exactement pourquoi, et comment avancer.

En 3 semaines, vous recevez une direction claire, des livrables stratégiques, et une preuve de concept sur vos données.

Chaque audit suit trois phases : constats, livrables stratégiques, livrables actionnables. Mais le contenu s'adapte à vos besoins. Certains clients veulent du stratégique pur. D'autres veulent un POC qu'ils peuvent reprendre comme base technique. Je fais les deux. Ce qui suit est un exemple concret de déroulé, pas un cadre rigide : le périmètre exact est défini ensemble lors du kickoff.

1. Semaine 1 - Diagnostic complet de votre pipeline IA : ingestion de données, embeddings, retrieval, génération, évaluation. Chaque couche est auditée. Je trace les causes racines de vos problèmes de précision, de latence et de coût directement dans votre codebase et vos données.
2. Benchmarks par rapport à l'état de l'art pour votre cas d'usage et votre industrie. Vous saurez exactement où vous en êtes et à quoi ressemble le « bon ».
3. Réunion de fin de semaine 1 : présentation des constats et des approches recommandées. Vous voyez ma direction. Vous validez ou vous êtes remboursé. Zéro risque avant de passer à la suite.
4. Semaine 2 - Livrables stratégiques détaillés construits sur les approches que vous avez validées : feuille de route d'exécution priorisée, guides techniques, diagrammes fonctionnels, recommandations de tech stack, redéfinition des besoins fonctionnels si nécessaire. Votre équipe aura tout ce qu'il faut pour exécuter en autonomie.
5. Session de livraison avec votre équipe technique. Je parcours chaque livrable, chaque recommandation, je réponds à chaque question, et je m'assure qu'ils peuvent avancer seuls.
6. Semaine 3 - Preuve de concept sur vos données réelles. Je livre un module standalone qui démontre concrètement l'impact des recommandations de l'audit, avec un avant/après mesurable sur vos propres données. En parallèle, je planifie avec votre équipe le premier sprint de développement pour intégrer les changements dans votre pipeline. Vous ne repartez pas avec une feuille de route théorique : vous repartez avec la preuve que ça marche, et un plan d'exécution concret pour votre équipe.

À quoi ça ressemble en pratique

Réparation RAG gouvernemental Blueprint pré-construction Simplification de pipeline

Une startup govtech desservant 1 200 communes françaises avait un système RAG sur 2,7 millions de délibérations publiques - mais 80 % des requêtes ne retournaient rien, et le reste était médiocre ou cassé. L'audit a tracé les défaillances sur toute la chaîne : la majeure partie du corpus n'était même pas indexée, le retrieval était mal configuré, les prompts étaient mal conçus, et il n'y avait aucune couche de routage pour interpréter ce que les utilisateurs voulaient réellement. La preuve de concept livrée a démontré l'impact des correctifs sur un échantillon de requêtes réelles, et les premiers changements sont passés en production dans les jours qui ont suivi. Ils ont doublé leur base d'utilisateurs dans les délais prévus, avec un taux de plaintes en baisse significative.

"Une approche de travail claire, mesurée et sérieuse à mon avis. Pas de devis exorbitant, mais une proposition de travail préliminaire volontairement limité qui permet de se faire une idée dans un premier temps. Pas de promesse sans fondement, mais une honnêteté scientifique très appréciable."

Bernard Delvaux ● AHCG

Une marketplace industrielle B2B avec 15 000 fournisseurs, 800 000 références produits et 15 développeurs avait de solides fondations techniques mais zéro infrastructure IA - et devait mettre en place de la recherche sémantique, du matching acheteur-fournisseur et de l'estimation budgétaire avant que la concurrence ne prenne l'avantage. L'audit a livré un blueprint architectural complet : pipeline d'ingestion de données, stratégie d'indexation, conception du moteur de matching, dimensionnement matériel, un plan de construction par phases commençant par un sous-ensemble de catégories, et une répartition claire entre ce que leur équipe gère en interne et là où ils ont besoin d'expertise externe. La preuve de concept a validé l'approche de matching sur leurs données réelles, et ils avaient un prototype fonctionnel dans le mois.

"Excellente collaboration avec Mehdi qui a fait preuve d'un grand professionnalisme tout au long de la mission. Force de proposition, très réactif, arrangeant et très pertinent. Je recommande sans hésitation."

Stephen Vignal ● Batexa

Une entreprise insurtech avait un pipeline en production extrayant les garanties d'assurance à partir de PDFs, mais la précision était inacceptable : des correspondances hallucinées, des postes manqués, et une confusion fréquente entre les niveaux de couverture de base et optionnels. L'audit a identifié la cause racine comme étant architecturale - quatre modules séparés introduisant chacun leur propre taux d'erreur, se cumulant en une précision de bout en bout médiocre - et a recommandé de les fusionner en une seule étape d'extraction performante avec une structuration correcte des entrées et une validation légère par-dessus. La preuve de concept, testée sur un échantillon de leurs documents, a montré un avant/après sans ambiguïté. Le pipeline simplifié a réduit la codebase de moitié tout en poussant la précision d'extraction au-dessus de 95 %, et les échecs sont désormais automatiquement signalés pour revue humaine au lieu de passer silencieusement.

"Nous sommes totalement satisfaits de notre collaboration avec Mehdi, qui a été clair, pédagogue, ponctuel."

Sixtine Naquet-Radiguet ● Kolverr

Pages réelles de livrables d'audit récents. Détails clients masqués.