Agents IA
Des agents IA qui répondent à partir de vos données
Veraplot développe des agents IA et des assistants RAG qui répondent à partir de vos documents, de vos bases et de votre lakehouse, sur Amazon Bedrock et dans votre compte AWS : vos données ne quittent pas votre périmètre. Nous combinons Claude et d'autres LLM avec la recherche vectorielle, des outils exposés via des serveurs MCP, le text-to-SQL et des garde-fous, et nous mesurons la qualité des réponses avant que quiconque s'appuie dessus. Chaque agent est livré au forfait par des ingénieurs seniors, avec un coût par conversation visible dès le pilote.
Des réponses sourcées
Chaque réponse s'appuie sur des passages retrouvés ou des résultats de requête, avec des citations cliquables. Pas de source, pas de réponse.
Vos données restent les vôtres
Les modèles sont appelés via Amazon Bedrock, dans votre compte et votre région. Vos prompts et vos documents ne servent pas à entraîner les modèles.
Mesuré, pas supposé
Un jeu d'évaluation construit avec vos experts note la justesse, les refus et le coût par réponse, et tourne à chaque nouvelle version.
Ce que vous recevez
Cadrage et jeu d'évaluation
Les questions que l'agent doit traiter, les sources qu'il peut consulter et des réponses de référence validées avec vos experts métier.
Chaîne de retrieval
Extraction des documents, découpage, embeddings et index vectoriel dans OpenSearch ou pgvector, mis à jour automatiquement quand les sources évoluent.
Un agent outillé
Il fouille vos documents, exécute du SQL en lecture seule sur le lakehouse et appelle vos API via des serveurs MCP, à droits restreints.
Garde-fous et contrôle d'accès
Bedrock Guardrails, filtrage des données personnelles et droits au niveau du document : chacun ne retrouve que ce qu'il a déjà le droit de lire.
Interface, traçabilité et suivi des coûts
Une interface de chat, une intégration Teams ou Slack, ou une API, avec traces, consommation de tokens et coût par conversation dans une seule vue.
La stack
Choisie pour votre contexte, pas pour un badge partenaire. Les formats ouverts d'abord, les services managés AWS là où ils se rentabilisent.
Le cerveau
Le bon modèle pour chaque tâche, interchangeable sans réécriture
- Amazon Bedrock
- Claude
- Amazon Nova
- Mistral
- Llama
La mémoire
Recherche dans vos documents et votre lakehouse
- Amazon OpenSearch Service
- PostgreSQL + pgvector
- Amazon Bedrock Knowledge Bases
- Amazon Titan Embeddings
- Amazon Textract
Les mains
Les outils que l'agent peut appeler, avec des droits limités
- Model Context Protocol (MCP)
- Amazon Bedrock AgentCore
- Strands Agents
- LangGraph
- Amazon Athena
- AWS Lambda
Les garde-fous
Périmètre, confidentialité et identité appliqués dans le code
- Amazon Bedrock Guardrails
- Amazon Cognito
- AWS IAM
- Amazon Comprehend
- AWS KMS
Le banc d'essai
Qualité et coûts suivis à chaque version
- Ragas
- LLM-as-a-judge
- Langfuse
- Amazon CloudWatch
- AWS Cost Explorer
Cas d'usage types
Recherche et questions-réponses documentaires
Groupe industriel. Des questions en langage naturel sur des documents déjà indexés dans le data lake, avec des réponses qui pointent vers les fichiers sources et respectent les droits existants.
Text-to-SQL sur la couche Gold
Les équipes métier posent leurs questions en français ; l'agent écrit du SQL Athena en lecture seule sur des tables Gold documentées et affiche la requête exécutée.
Copilote back-office
Un agent lit les e-mails ou fichiers entrants, extrait les champs clés, les vérifie dans l'ERP via une API et prépare l'action suivante pour validation humaine.
Base de connaissances pour le support
Procédures, contrats et historique de tickets consultables au même endroit, avec des réponses limitées à ce que chaque équipe est habilitée à voir.
Du premier appel à la mise en production
- 01
Appel découverte
Nous cartographions vos systèmes, vos contraintes et le résultat attendu. Vous échangez avec l'ingénieur qui réalisera le projet, pas avec un chargé d'affaires.
- 02
Périmètre au forfait
Un périmètre écrit, avec livrables, jalons et un prix unique, validé avant la première ligne de code. Aucun compteur de jours qui tourne.
- 03
Réalisation en itérations courtes
Des incréments fonctionnels toutes les une à deux semaines, présentés sur vos données, dans votre compte AWS. On corrige le tir tôt, pas à la fin.
- 04
Passation et run optionnel
Code, infrastructure as code, runbooks et passation avec votre équipe. Ensuite, vous exploitez vous-mêmes, ou nous assurons le support au mois ou sur 1 à 3 ans.
Les questions que l'on nous pose
Combien coûte un agent IA, à construire et à faire tourner ?
La construction est au forfait, chiffrée une fois les sources et les questions cibles connues. Les coûts d'exploitation sont distincts et payés directement à AWS : tokens Bedrock, stockage vectoriel et un peu de calcul. Nous mesurons le coût par conversation pendant le pilote et concevons en conséquence (routage entre modèles, cache, retrieval affiné) pour que vous payiez des réponses, pas des tokens gaspillés.
Nos données sortent-elles de notre environnement ou entraînent-elles un modèle tiers ?
Non. L'agent tourne dans votre compte et votre région AWS et appelle les modèles via Amazon Bedrock, qui n'utilise ni vos prompts ni les réponses pour entraîner des modèles. Documents, vecteurs et journaux restent dans votre propre stockage, chiffrés avec vos clés, et l'accès suit votre fournisseur d'identité existant. Rien ne transite par un service de chatbot tiers.
Comment l'empêcher d'halluciner ?
Par l'architecture plutôt que par le prompt. L'agent ne répond qu'à partir des passages retrouvés ou des résultats de requête, et les cite ; quand la recherche ne trouve rien de pertinent, il le dit au lieu d'improviser. Des garde-fous bloquent les sujets hors périmètre, et un jeu d'évaluation construit avec vos experts est rejoué à chaque modification : les régressions sont détectées avant d'atteindre les utilisateurs.
RAG, fine-tuning ou text-to-SQL : quelle approche nous faut-il ?
Le RAG pour les documents et les connaissances qui évoluent souvent ; le text-to-SQL pour les chiffres qui vivent déjà dans des tables ; le fine-tuning rarement, et seulement pour un style ou un format de sortie très spécifique. Les agents les plus utiles combinent les deux premiers : ils cherchent le contexte dans les documents et les chiffres dans le lakehouse. Nous tranchons par type de question pendant le cadrage.
En combien de temps peut-on avoir quelque chose d'utilisable ?
Un pilote sur un cas d'usage bien délimité arrive généralement entre les mains de vrais utilisateurs en quatre à dix semaines : cadrage, jeu d'évaluation, chaîne de retrieval, agent et interface. Le principal facteur reste la propreté et l'accessibilité de vos sources, c'est pourquoi beaucoup d'équipes couplent ce travail avec un projet de plateforme data.