Le contexte
Une part croissante des recherches d'acheteurs ne passe plus par un moteur classique mais par un assistant : ChatGPT, Claude, Gemini, Perplexity. Une marque peut être parfaitement référencée sur Google et rester invisible dès qu'un prospect pose sa question à un LLM.
Le problème n'est pas seulement d'y apparaître, c'est de savoir ce que ces moteurs racontent de vous. Il n'existe pas de Search Console pour les LLMs.
C'est le point de départ de Shiiift : un SaaS B2B positionné en « AI CMO », que je co-fonde et dont je porte toute la technique.
La solution
Le produit tient sur trois piliers.
Suivi de visibilité sur 6 moteurs IA
Shiiift interroge en continu six moteurs et mesure comment la marque y est citée, décrite et comparée. C'est la brique d'observabilité : sans elle, tout le reste relève de l'intuition.
Génération de contenu GEO/SEO
À partir de ce diagnostic, la plateforme produit le contenu qui comble les écarts constatés, adapté au format de chaque canal : SEO, GEO, LinkedIn, X, Reddit, YouTube. Le contenu arrive prêt à publier, pas sous forme de brief.
Agent autonome d'acquisition
Un agent outillé enchaîne analyse, planification et exécution sur les canaux qui font la croissance. C'est ce qui distingue le produit d'un simple générateur de texte : il décide quoi produire, et quand.
Le tout en multi-marques et multi-sièges : une même organisation pilote plusieurs marques, chacune avec ses propres données et son propre suivi.
Les défis techniques
Industrialiser un MVP prototypé à l'IA
Je suis arrivé sur un MVP construit rapidement avec de l'assistance IA. Il démontrait la valeur, mais ce n'était pas un produit. Mon premier chantier a été de le transformer en logiciel de production : structuration du code, tests, chaîne de déploiement.
C'est un exercice particulier. Il faut préserver ce qui marche et prouve le marché, tout en reconstruisant les fondations sous le produit sans interrompre les clients déjà là.
Orchestrer six modèles sans exploser le budget
Interroger six moteurs en continu, pour plusieurs marques, coûte cher très vite. L'architecture repose sur une orchestration multi-modèles via OpenRouter, avec des prompts versionnés : on sait quelle version de quel prompt a produit quel résultat, ce qui rend les régressions traçables.
Le point critique reste l'instrumentation. Le coût par run est mesuré sur l'ensemble des modèles interrogés, à l'échelle de 30 millions de tokens par mois. Sans cette visibilité, un SaaS dont le coût variable est un appel LLM n'a pas de modèle économique — il a une facture.
Porter le produit de bout en bout
Cadrage, découpage des lots, développement fullstack, déploiement continu. Pas de passage de relais en cours de route : le même rôle décide de l'architecture et la livre.
Stack technique
| Catégorie | Technologies |
|---|---|
| Frontend | React, TypeScript, Vite |
| Backend & données | Deno, Supabase, PostgreSQL |
| IA | OpenRouter, orchestration multi-LLM |
| DevOps | Docker, GitHub CI/CD |
Ce que je retiens
Un produit IA se juge sur son coût unitaire. Une démo impressionne avec n'importe quel modèle. Un SaaS dont chaque utilisateur déclenche des dizaines d'appels LLM ne tient que si le coût par run est mesuré, attribué et maîtrisé. C'est une contrainte d'architecture, pas une optimisation de fin de projet.
Reprendre du code prototypé à l'IA est un exercice à part. Ce n'est ni du greenfield ni du legacy classique : le code est récent, il fonctionne, il n'a simplement jamais été pensé pour durer. Savoir ce qu'on garde et ce qu'on refait est la vraie décision.