01 — LAB
La face recherche d'Havoop.
Le terrain de recherche d'Havoop
Havoop est un studio. Mais c'est aussi un terrain de travail sur les problèmes ouverts du déploiement IA en PME — ces zones où ni la recherche académique ni l'industrie consumer ne mettent les pieds.
02 — PROBLÈMES OUVERTS
Ce qu'on cherche à résoudre.
Les problèmes ouverts du déploiement IA en PME
- 01
Faire tenir un agent IA dans une stack hétérogène sans tout migrer
La PME française type a Qonto + Pennylane + HubSpot + Gmail + Notion + un ERP métier. Comment connecter un agent à ça sans casser le quotidien des équipes ? Les solutions consumer (Zapier, Make) cassent à l'échelle. Les solutions enterprise (MuleSoft, Boomi) sont disproportionnées. On travaille sur le bon cran intermédiaire.
- 02
Démontrer le ROI d'un agent IA en 90 jours sans biais d'observation
La métrique la plus difficile en IA opérationnelle : le ROI réel, hors effet d'enthousiasme. On expérimente des protocoles de mesure pré/post déploiement qui isolent le gain attribuable à l'agent du gain attribuable à l'attention managériale concomitante.
- 03
Calibrer le human-in-the-loop sur des workflows non-critiques sans coût d'opération prohibitif
Le HITL classique exige un humain sur chaque action. À petite échelle, ça tue le ROI. On travaille sur des architectures HITL adaptatives où le seuil de déclenchement humain s'auto-calibre selon la confiance du modèle et l'historique d'erreurs.
- 04
Évaluer les modèles open-source vs propriétaires en conditions PME
Les benchmarks publics (MMLU, HumanEval) ne disent rien sur la performance d'un Mistral vs un Claude sur un workflow comptable français. On construit des bancs d'essai dédiés aux cas PME — comptabilité, relation client, traitement administratif — et on publie les résultats.
03 — ENGAGEMENTS
Ce qu'on fait pour la communauté.
Engagements et transparence
OPEN SOURCE
Ce qu'on construit et qui peut servir au-delà de nos clients est mis en open source. Premier dépôt prévu fin 2026 : un connecteur Qonto → Brevo générique avec validation HITL.
PUBLICATIONS
Un article de fond par mois sur le blog. Pas du marketing déguisé : du retour de mission, des chiffres concrets, des erreurs qu'on a faites et corrigées.
TRANSPARENCE
Tarifs publics. Politique de confidentialité explicite (sous-traitants nommés, hébergement précisé). Aucune donnée client utilisée pour entraîner les modèles.
CONTRIBUTIONS
Participation aux écosystèmes IA français : France Digitale, La French Tech, retours d'expérience publiés sur LinkedIn et conférences sectorielles.
04 — STACK
Avec quoi on travaille.
Notre stack technique
On choisit l'outil en fonction du besoin, pas l'inverse. Préférence systématique pour les modèles européens (Mistral) quand la confidentialité l'exige, pour Claude quand le raisonnement complexe est critique, pour GPT quand l'écosystème est décisif. Open-source (Llama, Mixtral) sur infrastructure souveraine pour les cas vraiment sensibles.
- Claude · GPT · Mistral
- Open-source (Llama, Mixtral)
- Python · TypeScript
- Vector DBs (pgvector, Qdrant)
- Supabase · Vercel · Sanity
- Hébergement UE (Scaleway, OVH)
05 — VISION 10 ANS
Pourquoi on fait ça.
Notre pari sur 10 ans
On commence par les PME françaises et européennes parce que c'est le marché le plus mal servi de l'écosystème IA aujourd'hui. Trop petit pour intéresser les cabinets à 200 k€. Trop spécifique pour être bien adressé par des solutions consumer génériques. Coincé entre les deux.
L'enjeu réel, c'est de construire l'infrastructure IA opérationnelle pour les 25 millions d'entreprises européennes qui ne peuvent pas se payer un cabinet à 200 k€ ni embaucher un Head of Data. Dix ans pour devenir l'agent IA par défaut de la PME européenne — pas un outil, une infrastructure.
Tout ce qu'on construit en service aujourd'hui — diagnostic, déploiement, mise en production — finance la recherche qui rendra l'agent IA aussi standard que le compte Qonto pour une PME en 2035.