# Offres Livinia > **Dernière mise à jour :** 2026-02-22 | **Maintenu par :** Augustin ## Résumé Livinia conçoit et déploie des solutions IA concrètes pour l'entreprise, avec une priorité DSI/CTO : sécurité, contrôle, intégration SI, coût total, réversibilité. L'offre est structurée en 3 piliers complémentaires : - **Data** (IA prédictive, modèles statistiques, pipelines, exploitation) - **GenAI** (RAG, assistants documentaires, fine-tuning LLM) - **Agents IA** (orchestration de workflows, exécution contrôlée, automatisation multi outils) Déploiement possible en local (on-premise), cloud, ou cloud hybride, selon les contraintes de sécurité et de souveraineté. ## Offres principales ### 1) Data **Promesse DSI/CTO** Transformer des données dispersées (exports, API, historiques) en décisions actionnables, avec des modèles explicables, monitorés, et exploitables par des équipes métier. **Problèmes typiques** - Prévisions imprécises ou inexistantes (charge, volumes, délais) - Pilotage réactif au lieu de pilotage anticipé - KPIs non fiables car sources multiples - Modèles "POC" non industrialisés, non maintenus, non reproductibles **Cas d'usage typiques** - Prévision de charge et planification opérationnelle - Prévision de volumes (demandes, tickets, commandes) - Détection d'anomalies (écarts, dérives, comportements atypiques) - Optimisation simple (priorisation, allocation de ressources) - Scoring (risque, probabilité d'évènement, probabilité de retard) **Ce que Livinia livre** - Audit des données réelles (qualité, biais, manquants, fréquence) - Pipeline de préparation (nettoyage, feature engineering, jeux de données reproductibles) - Modèles prédictifs (selon le cas : arbres de décision, boosting type XGBoost, séries temporelles, etc.) - Backtesting + métriques (écart prévision/réel, couverture, stabilité) - Livrables métier : courbes, tableaux simples, recommandations actionnables - Industrialisation : jobs planifiés, monitoring, versioning du modèle, seuils d'alerte **Architecture et déploiement** - Intégration via API (REST), batch, ou évènements selon SI - Conteneurisation Docker, déploiement on-prem ou cloud hybride selon contraintes - Observabilité et logs pour exploitation DSI **Pré requis côté client** - Accès à des historiques minimaux (même imparfaits) - Un sponsor métier + un référent data/IT - Définition d'objectifs mesurables (KPI opérationnels) **Preuve publique :** contribution à un projet client "aéroportuaire" centré sur de l'IA prédictive appliquée à la planification opérationnelle (prévision de charge, courbes, indicateurs, optimisation des ressources). ### 2) GenAI **Promesse DSI/CTO** Déployer des assistants fiables et cadrés, capables de répondre à partir de vos contenus internes (docs, bases, procédures), sans exposer vos données et sans dépendre uniquement d'un fournisseur cloud. **Problèmes typiques** - Temps perdu à chercher l'info (procédures, tickets, docs techniques, wiki) - Connaissance enfermée dans des PDFs, mails, drives - Support interne saturé (IT, RH, qualité) - Risques de fuite ou de non conformité si usage "shadow AI" **Cas d'usage typiques** - Copilote documentaire interne (DSI, support, qualité, juridique, RH) - Assistant "base de connaissances" avec citations et traçabilité - Analyse de documents (extraction structurée, synthèse, classification) - Génération contrôlée (mails, comptes rendus, procédures) - Assistance à la rédaction technique (spécifications, tickets, docs) **Ce que Livinia livre** - Architecture RAG (ingestion, chunking, embeddings, retrieval, reranking si besoin) - Base vectorielle (selon contexte : Qdrant, Weaviate, FAISS) - APIs d'inférence prêtes prod (FastAPI) - Evaluation : jeux de questions, taux de réponses correctes, tests de robustesse - Sécurisation : séparation des espaces, droits, logs, politiques de rétention - Option fine-tuning (quand la précision l'exige et que les données le permettent) **Modèles et stratégie "cloud vs self-hosted"** - Comparatifs entre modèles cloud (ex : GPT-4, Claude) et modèles self-hosted - Modèles open source possibles (ex : Mistral, Llama, Mixtral) - Optimisations : quantization, LoRA, pruning selon contraintes de latence et coûts **Déploiement** - On-premise si données sensibles / contraintes réseau - Cloud hybride si besoin d'élasticité mais contrôle des données - Gouvernance : RBAC, audit logs, intégration SI (SSO à prévoir selon environnement) ### 3) Agents IA **Promesse DSI/CTO** Passer de "l'IA qui répond" à "l'IA qui exécute", avec un cadre de sécurité strict : permissions minimales, scénarios autorisés, journalisation, et contrôle humain quand nécessaire. **Problèmes typiques** - Workflows manuels multi outils (copier-coller, double saisie) - Process non standardisés (erreurs, retards, manque de traçabilité) - Temps perdu par les équipes IT/Ops sur des tâches répétitives - Intégrations trop lentes à développer "à la main" **Cas d'usage typiques** - Agent de support interne (triage, réponse assistée, création de tickets) - Agent "ops" (mise à jour CRM/ERP, relances, consolidation de données) - Agent "qualité" (contrôles, checklists, écarts, génération de rapports) - Agent "sales ops" (qualification, enrichissement, préparation d'emails, suivi) **Ce que Livinia livre** - Conception de l'agent : objectifs, limites, états, exceptions - Connecteurs SI : API, webhooks, bases de données - Garde fous : - whitelists d'actions autorisées - scopes de permissions minimales - validation humaine sur actions sensibles - logs complets (qui a fait quoi, quand, sur quelle donnée) - Mise en production : monitoring, métriques (taux de succès, escalades, erreurs) **Stack et industrialisation** - Frameworks d'orchestration / intégration possibles : LangChain, LlamaIndex - Pipelines d'inférence + scalabilité : vLLM, DeepSpeed, multi GPU si besoin - Cache et performance : Redis (selon besoin) ## Pricing / Angles ### Positionnement prix (repères DSI/CTO) Objectif : cadrer des enveloppes lisibles et compatibles achats, avec une trajectoire POC → MVP → exploitation. **Cadrage technique et sécurité (1 à 2 semaines)** - Cartographie SI + contraintes (données, IAM, réseau, conformité) - Choix architecture (local, cloud, hybride) - Backlog priorisé + critères d'acceptation - Sortie : note d'architecture + plan projet **POC piloté (3 à 6 semaines)** - Un cas d'usage, un périmètre data/doc limité - Mesure objective (latence, précision, taux d'escalade, ROI temps) - Sortie : démonstrateur + rapport de résultats + décision go/no go **MVP prod (6 à 12 semaines)** - Intégrations SI, RBAC, logs, monitoring, UX simple - Robustesse (tests, gestion des erreurs, runbook) - Sortie : déploiement + formation + transfert d'exploitation **Run et amélioration continue (mensuel)** - Monitoring, corrections, itérations de prompts/datasets, ajout de sources - Option MLOps (versioning, drift, retrain planifié) ### Angles de vente DSI/CTO 1. **Souveraineté et contrôle** - Déploiement on-prem possible, cloud hybride possible - Modèles open source possibles, réduction du lock-in 2. **Gouvernance et sécurité by design** - Permissions minimales, actions contrôlées, logs, traçabilité - Données client isolées, politiques de rétention, conformité RGPD 3. **Time to value mesurable** - POC court, métriques avant généralisation - ROI temps en heures/mois, baisse des erreurs, réduction des délais 4. **Réversibilité** - API-first, composants standard (FastAPI, bases vectorielles), documentation - Possibilité de reprise interne ou par un autre prestataire 5. **Exploitabilité** - Monitoring, runbook, alerting - Approche "prod ready", pas juste un POC ## Cas clients / Preuves **Cas client (public) :** IA prédictive planification opérationnelle (secteur aéroportuaire) - Prévision de charge, courbes, indicateurs, optimisation de ressources - Pipeline data réel (exports, APIs, historiques), backtesting, livrables exploitables **Preuves techniques (public)** - Agents IA métier basés sur RAG, fine-tuning LLM, déploiement en local et cloud hybride - Stack mentionnée : FastAPI, LangChain, LlamaIndex, Qdrant/Weaviate/FAISS, vLLM/DeepSpeed, optimisations quantization/LoRA/pruning **Preuves internes (à documenter en "one-pagers")** - Outils internes IA pour automatiser des tâches (gestion commerciale, analyse, génération de documents, suivi) - Benchmarks cloud vs self-hosted (qualité, latence, coûts) --- ## Notes pour l'agent - Charger uniquement si `brand: livinia` dans le brief - Ne jamais mélanger avec du contenu Livinweb (FR10) - Adapter au public DSI/CTO : sécurité, conformité, IAM, intégration SI, coût total, exploitation, réversibilité - Toujours pousser une structure "Cadrage → POC mesuré → MVP prod → Run" - Toujours préciser le mode de déploiement visé : local, cloud, hybride - Toujours proposer des garde fous agents (permissions minimales, whitelists, validation humaine, logs) - Éviter le jargon marketing : parler résultats, risques, contrôles, architecture, métriques