AI Engineering
AI Engineering : passez de vos POC IA à des agents fiables en production.
Pour les entreprises innovantes qui veulent déployer l'IA agentique à l'échelle. Modeo, agence AI Engineering à Paris, construit le socle de vos agents : couche de contexte, orchestration, observabilité et gouvernance. Vos agents s'appuient ainsi sur votre data platform et agissent dans vos outils métier.
L'AI Engineering regroupe les pratiques d'ingénierie qui font passer un agent IA du prototype à la production : contexte fourni à l'agent, orchestration des tâches, gouvernance des accès, observabilité et évaluation des réponses.
Prendre rdv avec un expert AI Engineer
LE BON MOMENT
Quand faire appel à Modeo ?
Vos équipes lancent des POC IA mais manquent de fiabilité, de gouvernance et de transparence.
Vos équipes métier veulent interroger leurs données en langage naturel et lancer des analyses approfondies grâce à l'IA.
Vous voulez déléguer à des agents des process métier : marketing, finance, retail, admin, supply…
Des outils IA utilisés sans validation (shadow AI) échappent au contrôle de votre équipe data et de votre DSI.
L'approche Modeo
Notre approche
Nous simplifions vos process avant de les automatiser. Chaque étape reçoit ensuite le bon niveau d'automatisation : du code déterministe, un agent ou une validation humaine. Les gains sont mesurés avant et après le déploiement.
Cartographie des process et des données
Nous décrivons les étapes clés d'un process métier, les équipes qui interviennent et les données consultées à chaque décision, à partir d'entretiens avec vos équipes métier. Cette phase préliminaire fournit une cartographie détaillée de vos process, avec leurs goulots d'étranglement et leurs axes d'amélioration.
Process cible simplifié
Pour ne pas automatiser un process défaillant et reproduire les mêmes erreurs, nous concevons avec un sponsor métier un process cible unique, qui regroupe les étapes redondantes et harmonise les pratiques entre équipes. Moins de variantes signifie moins d'agents à construire et à maintenir.
Code, agent ou humain
Pour chaque étape du workflow, nous décidons si elle doit être exécutée de manière déterministe, par un agent ou par un humain (human-in-the-loop).
KPI mesurés avant et après
Nous mesurons le temps de traitement et le taux d'erreur du process avant le déploiement. Les mêmes KPI sont suivis après la mise en production pour chiffrer les gains et le ROI.
Build, évaluation et run
Nous construisons une architecture model-agnostic, c'est-à-dire indépendante d'un fournisseur de LLM. Une eval suite (jeu de tests automatisés) valide chaque agent avant la mise en production. En run, nous suivons la qualité des réponses, le coût d'exécution et l'évolution des KPI.
Cartographie des process et des données
Nous décrivons les étapes clés d'un process métier, les équipes qui interviennent et les données consultées à chaque décision, à partir d'entretiens avec vos équipes métier. Cette phase préliminaire fournit une cartographie détaillée de vos process, avec leurs goulots d'étranglement et leurs axes d'amélioration.
Process cible simplifié
Pour ne pas automatiser un process défaillant et reproduire les mêmes erreurs, nous concevons avec un sponsor métier un process cible unique, qui regroupe les étapes redondantes et harmonise les pratiques entre équipes. Moins de variantes signifie moins d'agents à construire et à maintenir.
Code, agent ou humain
Pour chaque étape du workflow, nous décidons si elle doit être exécutée de manière déterministe, par un agent ou par un humain (human-in-the-loop).
KPI mesurés avant et après
Nous mesurons le temps de traitement et le taux d'erreur du process avant le déploiement. Les mêmes KPI sont suivis après la mise en production pour chiffrer les gains et le ROI.
Build, évaluation et run
Nous construisons une architecture model-agnostic, c'est-à-dire indépendante d'un fournisseur de LLM. Une eval suite (jeu de tests automatisés) valide chaque agent avant la mise en production. En run, nous suivons la qualité des réponses, le coût d'exécution et l'évolution des KPI.
Nos offres AI Engineering
Quatre offres pour industrialiser vos agents
Agent Harness
Le harness est la couche logicielle qui encadre le modèle : contexte, outils, droits d'accès, budget d'étapes et validation humaine. Nous le construisons pour que vos agents restent fiables, traçables et maîtrisés en coûts.
LangChain
LangGraph
MCP
Langfuse
Lire le guide
Company Brain
Un Company Brain donne à vos agents une mémoire partagée de l'entreprise : documents, décisions et données métier. Vos équipes interrogent ainsi l'ERP, la finance et le service client depuis une seule interface conversationnelle.
Context store
RAG
Knowledge graph
RBAC
Lire le guide
Workflows agentiques
Des agents proactifs, spécialisés par métier, exécutent des process de bout en bout dans vos outils. Exemple côté administration : générer un devis, le convertir en facture puis relancer un impayé dans Pennylane.
Orchestration
Human-in-the-loop
MCP
Eval
Nous contacter
Agentic Analytics
Vos équipes métier interrogent le data warehouse en langage naturel. L'agent s'appuie sur votre semantic layer pour fiabiliser ses réponses. Chaque matin, il signale aussi les ruptures, les retards et les dérives de vos KPI.
Semantic layer
Text-to-SQL
Alertes proactives
Snowflake
Nous contacter
Ce qui nous distingue
Une stack AI Engineering ouverte et construite sur votre data platform
Un agent dépend de la qualité des données et du contexte qu'on lui fournit. Modeo s'appuie donc sur sa pratique de la Modern Data Platform, avec plus de 100 data platforms construites, pour construire des agents ouverts, sans dépendance à un éditeur de LLM.
Couche de contexte
Le context store rassemble le contexte froid (documentation, data warehouse) et le contexte chaud (historique des échanges). Selon le volume, l'agent requête Notion en direct, lit des fichiers Markdown dans le data lake ou interroge une base vectorielle.
Orchestration
L'orchestrateur découpe une demande en tâches confiées à des sous-agents. Pour chaque tâche, vous choisissez entre exécution déterministe, agent ou validation humaine. Outils : LangGraph, CrewAI, LlamaIndex.
Observabilité & évaluation
Langfuse ou LangSmith tracent chaque décision d'un agent. En build, les traces révèlent le contexte manquant. En run, elles suivent la qualité et les coûts puis déclenchent des alertes.
Gouvernance & droits d'accès
Les outils sources définissent les droits et l'agent se contente de les appliquer. Exemple : les requêtes Snowflake s'exécutent avec l'identité de l'utilisateur via Entra ID et OAuth.
Agent Harness
Le harness assemble le modèle, le contexte, l'orchestration, la gouvernance et les outils de l'agent. Une model gateway (routeur entre plusieurs LLM) choisit le modèle selon la tâche pour optimiser les coûts.
Interface
L'agent répond là où travaillent vos équipes métier : application web, Slack ou Teams. Chaque réponse cite ses sources pour permettre sa vérification.
Le schéma ci-dessous montre comment ces briques s'assemblent : le harness pilote l'agent entre la couche de contexte, ses capacités, la model gateway et les interfaces utilisées par vos équipes, sous le contrôle de l'observabilité et de la gestion des identités.
Données prêtes pour les agents
-
Modélisation gold ou semantic layer documentée
-
Règles de transformation métier documentées
-
Process DataOps standardisés
Agents gouvernés et traçables
-
Droits d'accès hérités des outils sources
-
Traçage de chaque décision
-
Eval suite avant chaque mise en production
Architecture ouverte
-
Architecture model-agnostic
-
Briques open source (LangChain, Langfuse)
-
Hébergement dans votre cloud : GCP, AWS ou Azure
Bénéfices clients
Des agents qui créent
des gains mesurables
Robustesse et fiabilité
Chaque agent passe une eval suite, c’est-à-dire un jeu de tests automatisés, avant sa mise en production. En run, Langfuse ou LangSmith tracent chaque décision : vous savez pourquoi un agent a répondu et quel contexte lui manquait. Chaque réponse cite aussi ses sources pour permettre sa vérification.
Maîtrise des coûts
Le coût d’un agent dépend surtout du volume d’appels au modèle. Le harness le réduit : le triage écarte les messages sans demande, le step budget plafonne les appels d’outils et la model gateway confie les tâches simples à un modèle moins cher. Des alertes signalent toute dérive. Exemple : des coûts de run d’environ 500 € HT par mois.
Modeo a construit sur BigQuery un agent qui répond aux questions de nos équipes sur nos campagnes de sponsoring. Chaque réponse cite ses données sources, ce qui a facilité l'adoption.
Quentin Gressien
CEO @ The Metrics Factory
Ouverture et modularité
Nous assemblons des briques open source comme LangChain, LangGraph et Langfuse. Les connecteurs MCP (Model Context Protocol, un standard pour relier un agent à vos outils) se branchent sur votre stack existante, de Snowflake à ClickHouse. L’architecture reste model-agnostic : vous changez de LLM sans reconstruire vos agents.
Automatisation
Les agents prennent en charge les étapes répétitives d’un process : préparer une analyse, détecter une rupture de stock ou rédiger un devis. Le code déterministe traite les règles explicites. Un humain valide les décisions à fort enjeu, comme l’envoi d’un email à un client. Vos équipes métier se concentrent ainsi sur la décision.
Modeo a construit sur BigQuery un agent qui répond aux questions de nos équipes sur nos campagnes de sponsoring. Chaque réponse cite ses données sources, ce qui a facilité l'adoption.
Quentin Gressien
CEO @ The Metrics Factory
La garantie Modeo
3 mois de suivi post-livraison
3 mois de suivi post-livraison
Qualité technique
Si un défaut apparaît, nous le corrigeons gratuitement.
Fiabilité des réponses
Si un agent se trompe sur une question du périmètre, nous enrichissons son contexte et son eval suite.
Adoption par vos équipes
Nous formons vos équipes métier et les accompagnons pendant la prise en main.
Cas clients
De vrais impacts mesurés
Nos agents s'appuient sur des data platforms que nous avons construites ou reprises. Trois exemples, du Company Brain au socle DataOps.
Un retailer : interroger ses données Snowflake en langage naturel
Un retailer a centralisé les données de son ERP, de sa finance, de sa production et de son service client dans Snowflake. Ses équipes métier ne pouvaient pourtant pas croiser ces sources : l’assistant intégré à Zendesk, par exemple, restait limité au service client. Elles posent désormais leurs questions en langage naturel et obtiennent une réponse sourcée sans écrire de SQL. Exemple : « Quels produits risquent une rupture de stock cette semaine ? »
Agent conversationnel connecté au data warehouse Snowflake : ERP, finance, production et service client
Orchestration LangGraph : choix des tables, génération et validation du SQL, exécution avec les droits de l'utilisateur
Traçage et évaluation de chaque exécution dans LangSmith
Média : agentic analytics sur ClickHouse pour l’équipe marketing
Un média stocke ses données dans ClickHouse et les modélise avec dbt. Son équipe marketing avait besoin d’un accès plus simple à ces données pour mener ses propres analyses. Nous avons déployé une solution d’agentic analytics en surcouche de cette stack : l’équipe marketing explore ses données en langage naturel, jusqu’à créer des cohortes et des segments clients.
Benchmark d’Omni, Nao Lab et Hex, puis déploiement de la solution retenue
Chat connecté à ClickHouse et aux modèles dbt
Analyses approfondies en langage naturel : cohortes et segments clients
RATP Cap Île-de-France : une data platform prête pour les agents
“Modeo, c'est une boîte d'experts dont on avait besoin pour industrialiser notre méthodologie de traitement des données et de production de cas d'usage.”
“Modeo, c'est une boîte d'experts dont on avait besoin pour industrialiser notre méthodologie de traitement des données et de production de cas d'usage.”
Process DataOps clairs et automatisables
Plateforme qui encapsule automatisation, gouvernance, observabilité et CI/CD
Fondations qui permettent à un agent de déployer un job dbt ou de tester une intégration
Véran Toinon
Responsable Data, RATP Cap Île-de-France
BON À savoir
Questions fréquentes
Qu'est-ce que l'AI Engineering et en quoi diffère-t-il du data engineering ?
L'AI Engineering applique au déploiement d'agents IA les pratiques du data engineering : versionnement, tests, orchestration et monitoring. Il ajoute des briques propres aux agents : couche de contexte, harness, évaluation des réponses et gouvernance des actions. Une équipe data qui maîtrise déjà le DataOps dispose donc d'une bonne partie du socle.
Faut-il une data platform pour déployer des agents IA ?
Pas forcément pour démarrer. En revanche, pour répondre à des questions chiffrées (stocks, chiffre d'affaires, délais), l'agent a besoin de données centralisées et documentées. Une semantic layer, c'est-à-dire une représentation métier des données, joue ce rôle dans Snowflake ou BigQuery. Sans ce socle, l'agent répond vite mais sur des données potentiellement fausses. La data platform devient donc un prérequis dès que les agents se déploient à l'échelle de l'entreprise.
Assistant IA clé en main ou plateforme agentique sur mesure : que choisir ?
Un assistant comme ChatGPT Team ou Claude Enterprise suffit pour démarrer. Un SaaS d'agentic analytics comme Omni ou Hex couvre les questions posées au data warehouse. Une plateforme sur mesure devient préférable dès que vous avez besoin de connecteurs spécifiques, de droits d'accès fins, d'actions dans les outils métier et d'un suivi précis en production. Elle demande en revanche plusieurs semaines de build pour un premier cas d'usage.
Comment éviter qu'un agent invente des réponses ou accède à des données confidentielles ?
Plusieurs garde-fous se combinent. Chaque réponse cite ses sources. Un registre des questions ouvertes empêche l'agent de combler un manque d'information. Nous plafonnons le nombre d'appels d'outils par demande. Les actions sensibles passent par une validation humaine. Enfin, l'agent applique les droits d'accès définis dans les outils sources : un employé ne voit que les données auxquelles il a déjà accès.
Comment mesurer le ROI d'un agent IA ?
Nous mesurons avant le déploiement le temps de traitement de chaque étape clé et les KPI de fiabilité du process, comme le taux d'erreur ou le taux de reprise manuelle. Les mêmes KPI sont suivis après la mise en production pour chiffrer les gains.
Quels outils Modeo utilise-t-il pour l'AI Engineering ?
Orchestration et harness : LangChain, LangGraph, CrewAI, LlamaIndex. Contexte : PostgreSQL avec pgvector, Snowflake Cortex, Cognee. Connecteurs : serveurs MCP officiels ou développés en interne. Observabilité : Langfuse, LangSmith. Interface : application React, Slack ou Teams. Nous choisissons la stack selon vos contraintes : souveraineté, coûts et compétences internes.
Insights & Tendances
L'actualité data et IA
par nos experts
ai/genai
15min
Company Brain et Agent Harness : donner une mémoire à vos agents IA
Un Company Brain donne à vos agents IA une mémoire partagée et sécurisée. Définition, Agent Harness, cas d'usage, architecture et solutions open source.
No items found.
ai/genai
15min
Company Brain et Agent Harness : donner une mémoire à vos agents IA
Un Company Brain donne à vos agents IA une mémoire partagée et sécurisée. Définition, Agent Harness, cas d'usage, architecture et solutions open source.
No items found.
Un projet en tête ?
Construisons ensemble vos premiers agents en production
Réservez un échange de 30 minutes avec un AI engineer Modeo. Nous évaluons la préparation de vos données et choisissons votre premier cas d'usage. Si besoin, l'échange débouche sur un atelier de cadrage de deux heures.
Prendre rdv avec un expert AI Engineering
