Intelligence artificielle
Outils, comparatifs et guides pour exploiter l'intelligence artificielle au quotidien.
Quatre questions pour situer votre profil, cibler le bon type d'outil et connaître les précautions à prendre — gratuitement.
01 — L'assembleur
Cliquez une brique pour l'ajouter à la pile (la fondation en bas, l'orchestration en haut). Sélectionnez une brique posée pour lire son rôle exact. Ou partez d'un assemblage prêt à l'emploi.
Boîte à briques
Votre pile 2 briques
02 — Le catalogue
Chaque brique a un rôle précis. On les choisit selon le besoin — rarement toutes en même temps. Le bon réflexe : commencer simple, n'ajouter une brique que si elle résout un vrai problème.
Fondation · calcul
Un grand modèle de langage (LLM) pré-entraîné. Il ne « comprend » pas au sens humain : il prédit le prochain token (morceau de mot) le plus probable, encore et encore. C'est la fondation : sans modèle, rien ne génère. On l'appelle via une API ou on l'héberge soi-même.
Interface · instruction
Le prompt est tout ce qu'on envoie au modèle : message système (rôle, règles), contexte, et la question de l'utilisateur. Bien structuré, il oriente fortement la sortie. C'est la brique la moins coûteuse à améliorer — on commence presque toujours par là avant de complexifier.
Données · sens
Un modèle d'embedding convertit un texte en une liste de nombres (un vecteur) qui capture son sens. Deux textes proches par le sens donnent des vecteurs proches dans l'espace. C'est ce qui rend la recherche « par signification » possible, là où la recherche par mots-clés échoue.
Données · mémoire
Une base (ou index) vectorielle stocke les embeddings de vos documents et retrouve, pour une requête donnée, les passages les plus proches (recherche par similarité, type k plus proches voisins). C'est la mémoire externe et fouillable de votre solution.
Composition · ancrage
RAG (Retrieval-Augmented Generation) : on récupère d'abord les passages pertinents dans l'index, puis on les injecte dans le prompt avant d'interroger le modèle. Résultat : le modèle répond en s'appuyant sur vos sources, ce qui réduit les inventions et permet de citer l'origine.
Action · function calling
Le function calling permet au modèle de produire un appel structuré (nom de fonction + arguments) que votre code exécute : recherche web, calcul, requête en base, envoi d'e-mail… Le modèle décide quoi appeler ; votre code garde la main sur l'exécution réelle.
Orchestration · boucle
Un agent est une boucle : le modèle planifie une étape, appelle un outil, observe le résultat, puis décide de la suite — jusqu'à atteindre l'objectif. Plus puissant mais plus difficile à fiabiliser : il faut borner les étapes et surveiller les coûts.
Spécialisation · entraînement
Le fine-tuning réentraîne légèrement le modèle sur vos propres exemples pour fixer un style, un format ou un ton. À réserver aux cas où le prompt et le RAG ne suffisent plus : c'est plus coûteux et ça ne crée pas de connaissances factuelles nouvelles.
Qualité · contrôle
La brique qualité : validation du format des réponses, filtres de sûreté, jeux de tests et mesures de performance. Sans elle, on ne sait pas si une modification améliore ou dégrade la solution. C'est ce qui sépare une démo d'un produit.
03 — La brique en détail
Certaines briques reposent sur des notions de fond. On va les chercher directement dans Wikipédia (API publique, sans clé). Source citée, contenu vérifiable — rien d'inventé.
L'API Wikipédia n'a pas répondu : définition de secours affichée. Voir l'article →
Aucune donnée inventée.04 — Questions
Non. Nos outils sont pensés pour être utilisés par tout le monde, sans coder.
Oui, vos données restent confidentielles et ne sont jamais revendues.
De nombreuses fonctionnalités sont accessibles gratuitement, avec des options avancées payantes.
06 — Combien ça coûte ?
La question #1 des PME avant de se lancer, et que presque aucun site pédagogique ne répond concrètement. Saisissez vos paramètres : obtenez une estimation ventilée par poste, basée sur les tarifs publics des APIs — sans clé, sans backend, 100 % dans votre navigateur.
Vos paramètres
Modèle d'inférence
Briques optionnelles
Estimation mensuelle
2 940 requêtes/mois · ~1 200 tokens entrée + 600 tokens sortie
Indexation initiale : $0,20 (une seule fois) · 10 200 000 tokens indexés
~25 500 vecteurs (1 536 dims) · k=5 résultats/requête
Transparence & limites
07 — Quelle pile pour moi ?
Cinq questions sur votre projet : vous repartez avec une pile recommandée, un assemblage nommé et une note de complexité. Le complément naturel de l'Assembleur — pour ceux qui ne savent pas encore par où commencer.
Données, usage, volume, budget et autonomie souhaitée : cinq questions pour obtenir une pile IA recommandée, prête à charger dans l'Assembleur.
08 — Écrivez votre premier prompt
La brique Prompt est la moins coûteuse à améliorer — et la plus souvent négligée. Remplissez les quatre champs : obtenez en temps réel un prompt système structuré, annoté et prêt à copier-coller dans n'importe quelle API (OpenAI, Anthropic, Mistral…).
Pourquoi ? Le rôle ancre le modèle dans un persona. Il conditionne le ton, le niveau de détail et le domaine de compétence simulé. C'est la première chose que le modèle lit.
Pourquoi ? Sans tâche explicite, le modèle improvise. Une mission claire lui permet de rester ciblé et d'éviter les digressions non sollicitées.
Pourquoi ? Le modèle adopte facilement le format qu'on lui décrit : liste, tableau, JSON, markdown. Sans précision, il choisit lui-même — souvent trop long ou mal structuré.
Pourquoi ? Les interdits bornent les dérives. Le modèle ne sait pas ce qu'il ne doit pas faire si on ne le précise pas. Une contrainte bien posée vaut mieux qu'un filtre après coup.
Prompt système généré
Remplissez au moins un champ à gauche pour voir le prompt se construire en temps réel.
Comment l'utiliser ?
system de l'API OpenAI, Anthropic, Mistral ou Gemini.user.05 — Parlons-en
Une question, un besoin ? On vous répond rapidement.
Réponse rapide · Sans engagement