Cas clients

Contexte

Une école en ligne leader en France avec une équipe engineering de ~30 personnes répartie en 5 squads. L'organisation technique manquait de cohérence entre squads, les standards de qualité variaient fortement et les priorités n'étaient pas alignées avec la roadmap produit.

Ce qui a été fait

• Audit de l'organisation engineering et des processus existants sur l'ensemble des squads
• Mise en place d'une gouvernance technique commune : standards de code, processus de review, rituel inter-squads
• Alignement de la roadmap technique avec les priorités business et produit
• Accompagnement et montée en compétences des leads techniques de chaque squad
• Arbitrages d'architecture sur les composants transverses (C#/.NET, Angular, PHP/Drupal)

Résultats

• Réduction des frictions inter-squads sur les composants partagés
• Standards de qualité homogènes sur l'ensemble de l'organisation
• Roadmap technique lisible et priorisée pour les 12 mois suivants
• Leads techniques autonomes sur les décisions courantes

Contexte

Prise en charge de la direction technique d'une startup EdTech depuis les premières lignes de code jusqu'à une équipe R&D de 9 personnes (développeurs, chef de projet, UX/UI, data scientist). Nécessité de combiner contribution quotidienne au code et gestion d'équipe, recrutement, et pilotage d'activité.

Ce qui a été fait

• Architecture et développement des produits principaux (React, Vue.js, PHP)
• Structuration de l'équipe R&D : définition des profils, recrutement, onboarding
• Mise en place des processus : code review, CI/CD, sprints, entretiens individuels
• Pilotage du budget tech et des prestataires externes
• Montée en compétences des développeurs juniors via coaching et code review

Résultats

• Équipe R&D de 9 personnes structurée et autonome
• Produits stables en production sur 7 ans
• Culture de l'excellence technique instaurée durablement
• Zéro incident majeur de production sur les 4 dernières années d'exercice

Contexte

Plateforme e-commerce à fort trafic confrontée à des problèmes de performance sous charge : temps de réponse dégradés, incidents fréquents lors des pics de trafic (soldes, événements). L'architecture monolithique ne tenait plus.

Ce qui a été fait

• Audit de performance et identification des goulots d'étranglement (requêtes N+1, absence de cache, infrastructure sous-dimensionnée)
• Refactoring de l'architecture : découplage des composants critiques, mise en place de cache distribué
• Migration et optimisation de l'infrastructure cloud AWS
• Scalabilité horizontale sur les services à fort trafic
• Mise en place du monitoring et des alertes pour anticiper les incidents

Résultats

• Temps de réponse divisé par 4 sur les pages critiques
• Zéro incident lors des pics de trafic suivants
• Infrastructure capable d'absorber des millions de requêtes
• Coûts cloud optimisés malgré la montée en charge

Contexte

Un SaaS B2B souhaitait intégrer l'IA dans son produit pour automatiser des tâches à haute valeur répétées par ses clients. Les tentatives précédentes avaient abouti à des PoC inutilisables en production : trop lents, trop coûteux, trop peu fiables.

Ce qui a été fait

• Audit des cas d'usage IA pour identifier ceux avec un ROI réel et mesurable
• Implémentation d'une architecture RAG sur les données métiers du client
• Développement d'agents IA autonomes pour l'automatisation de workflows spécifiques
• Choix et optimisation des modèles LLM (OpenAI, Anthropic) selon coût/qualité
• Mise en place du monitoring LLMOps : latence, coûts, qualité des sorties

Résultats

• 3 workflows métiers automatisés avec un taux de validation humaine > 90%
• Coûts LLM maîtrisés : -60% vs le PoC initial à volume équivalent
• Feature IA en production stable depuis le premier trimestre
• ROI mesuré en 6 semaines après mise en production