01 / 06
.
Tri des idées assisté par IA pour un challenge d’innovation, conçu pour INSKIP
- Catégorie
- Produit IA · Full-Stack
- Rôle
- Solo, de bout en bout
- Lien
- Ouvrir l’app

En chiffres
- 40
- vraies idées triées de bout en bout
- 80
- tests unitaires + e2e Playwright
- 5/5
- paires de doublons repérées
Aperçu
Conçu pour INSKIP : leur consultante avait dix jours pour présenter environ 8 idées sur 40 à un jury, et la notation dans Excel était longue et peu cohérente. Pépite lui donne un seul endroit pour lire et filtrer les idées, une première note justifiée sur la grille du client qu’elle corrige d’un clic, le repérage des doublons et une shortlist présentable, exportée en PDF et Excel. C’est une app React + TypeScript + Vite sans base de données : tout reste dans son navigateur, et une seule fonction serveur détient la clé du modèle, pour qu’aucun nom de salarié ne soit jamais envoyé à l’IA.
Quand la vraie donnée a piégé l’IA
Les tests passaient sur les données d’exemple, mais le vrai export a révélé des notes fausses : « Programme ambassadeurs clients » obtenait un bon alignement stratégique car le mot-clé « eau » était trouvé dans « nouveaux ». J’ai passé la recherche en début de mot avec un test de non-régression, et ajouté une table de synonymes après deux paires de doublons manquées (« chatbot » et « assistant conversationnel »). En production, la fonction de notation répondait 500 sur Vercel alors que tout passait en local ; repéré en interrogeant l’URL après déploiement, corrigé sur les imports sans extension refusés par Node.
Points clés
- 01Import CSV robuste : BOM, séparateurs, champs multi-lignes, 7 formats de date et 15 formats de budget, chaque problème signalé plutôt que supprimé.
- 02L’IA propose, la consultante décide : notes de l’IA et notes saisies stockées séparément, les siennes priment toujours.
- 03Détection de doublons explicable par similarité TF-IDF, mots communs surlignés, seuil réglé sur la vraie donnée (0,30).
- 04IA simulée au format exact du vrai modèle : passer à Claude ne change rien ailleurs.
- 05Un test prouve qu’aucun nom ni prénom n’atteint le prompt du modèle ; la clé API reste côté serveur.
- 06CI à chaque push : détection de clés et d’exports CSV, lint, build, tests unitaires et de bout en bout.
La suite
Prochaine étape : le vrai modèle Claude derrière une authentification, la notation à plusieurs avec Supabase, et un export PowerPoint pour le jury.