---

Ribeirão Preto, formation en présentiel sur l’installation de panneaux solaires. Un toit en tuiles de terre cuite monté à même le sol — ce n’était même pas un vrai toit. Et moi, devant ça, en train de me dire : j’ai étudié 250 heures pour ça ?

Je venais de fonder la première entreprise d’énergie solaire de João Monlevade. Six modules de certification chez Blue Sol. Des résultats entre 92 % et 100 %. Et il a suffi d’un toit d’entraînement posé au ras du sol pour que je comprenne que la hauteur, ce n’était pas pour moi. Pas même un mètre. Pas même pour de faux.

Cette question — posée devant un toit d’entraînement qui n’en était même pas un — a créé tout ce qui a suivi. Si je ne montais pas sur les toits, qu’est-ce que je faisais avec 250 heures d’énergie solaire, une formation technique et 12 ans d’expérience en web et en marketing ?

La réponse est venue des mois plus tard, avec l’arrivée des associés : une marketplace. Ne pas vendre et installer des panneaux — construire la plateforme où d’autres vendent et installent.

Chaque pivot de ma carrière a suivi ce schéma : un problème qui ressemblait à une perte est devenu le meilleur investissement que j’aie fait. La peur du vide est devenue une marketplace. Une startup morte est devenue un portefeuille client stable. Trois universités sans diplôme sont devenues 800 heures de problèmes résolus. Pas parce que je suis résilient — parce que mon modèle d’exploitation gagne avec l’erreur.

Si vous êtes fondateur technique d’une équipe réduite, cette histoire est probablement aussi la vôtre.

---

L’AMD K6 et le monde d’avant Stack Overflow

En 1998, j’avais 11 ans et le seul ordinateur du quartier. AMD K6, 4 Go de disque dur, Windows 98. Les gens me payaient pour mettre en forme leurs mémoires selon la norme ABNT (la norme brésilienne de présentation des travaux universitaires). Je facturais 1,00 R$ la page. Saisie et mise en forme. À 11 ans.

Ce n’était pas une vocation. C’était ce que je savais faire avec ce que j’avais.

À 15 ans, formation technique en informatique. À 17 ans, freelance en design et web. En 2004, c’était Internet Explorer 6, où tout cassait. Il n’existait pas de Stack Overflow en portugais. Quand je bloquais sur une erreur, je lisais la documentation en anglais — comme je pouvais — et je testais jusqu’à ce que ça marche.

Je suis entré à l’UFES (université fédérale de l’Espírito Santo) en design graphique, puis j’ai été transféré à l’UEMG (université de l’État du Minas Gerais) en 2007. En 2010, je suis entré chez Zavala Propaganda — où j’ai monté le site d’Aneethun et les sites en anglais et en espagnol de Bio Extratus. L’internationalisation d’une marque de cosmétiques du Minas Gerais, à une époque où le « site responsive » était encore une nouveauté.

---

Le DENATRAN, les policiers et les appareils piratés

En 2012, GCT à Belo Horizonte. Gestion et contrôle de la circulation routière. Mon poste : assistant informatique. Mon vrai travail : QA lors de l’homologation du premier carnet de contraventions électronique certifié par le DENATRAN (l’autorité fédérale brésilienne de la circulation routière) au Brésil.

Un appareil électronique qui remplace le carnet papier que l’agent utilise pour verbaliser. Chaque champ, chaque flux, chaque validation devait fonctionner parfaitement — parce que, si ça ne fonctionnait pas, le DENATRAN n’homologuait pas. Et, sans homologation, tout le projet mourait.

J’ai suivi l’audit fédéral sur place. Il y a toujours des choses à ajuster dans le feu d’un audit pareil. Le développeur était compétent. On est passés.

Ensuite, 16 villes à travers le Brésil pour former les équipes. Salvador, Uberlândia, Governador Valadares, Feira de Santana, Teófilo Otoni. Chaque ville avec un matériel différent et des gens qui ne voulaient pas utiliser le système. Des policiers militaires, des gardes municipaux et des agents de circulation qui préféraient parfois le carnet papier à la technologie.

Et le problème que personne n’avait prévu : les agents pirataient les appareils. Ils installaient WhatsApp, des jeux, des applications personnelles sur un équipement destiné exclusivement à dresser des procès-verbaux. Nous avons dû mettre en place des outils de blocage.

J’ai mis en place le support à distance — et ça a changé l’exploitation. Des dizaines d’appareils par semaine, entre la maintenance et les nouveaux à configurer. Ce qui prenait des jours s’est mis à prendre des heures. Ce qui laissait parfois un professionnel sans équipement à Bahia pendant une semaine se réglait désormais le jour même.

Ce que j’ai appris chez GCT ne tient pas dans un certificat : déboguer sous pression avec le gouvernement fédéral dans la pièce, et former des gens qui ne veulent pas apprendre.

---

Oak : 200 partenaires, 50 centrales, et une loi qui a tout changé

Après le toit de Ribeirão Preto, le pivot vers la marketplace a donné naissance à Oak Energia — la première marketplace d’énergies renouvelables du Brésil. Pas seulement le solaire : photovoltaïque, micro-centrales hydroélectriques, biodigesteurs, éoliennes à axe vertical.

200 entreprises intégratrices inscrites comme partenaires. 50 centrales vendues et homologuées sur la plateforme dans plusieurs villes du Brésil. Une chaîne YouTube avec du contenu hebdomadaire. 3 éditions du Salon de la durabilité du Médio Piracicaba. L’idée était très bien reçue partout où nous en parlions — au Brésil comme à l’étranger. Nous n’avions jamais rien vu de pareil.

J’ai suivi la Fórmula de Lançamento (une formation brésilienne de référence sur le lancement de produits en ligne) parce qu’il me fallait de la traction. Le SEBRAE Fast Motion (le programme d’accélération du SEBRAE, l’agence brésilienne d’appui aux petites entreprises) nous a invités à accélérer. Des discussions avec des investisseurs. En parallèle, je suis entré à l’UFOP (université fédérale d’Ouro Preto) en ingénierie informatique — 1er au classement général. Cinq semestres à concilier la fac et la startup. J’ai arrêté pendant la pandémie. Je ne suis pas revenu.

Nous nous étions fixé entre associés un délai de 5 ans. Et, comme tant de startups, nous ne sommes pas devenus une licorne.

---

La réunion

Des cycles de vente longs. Une homologation lente. Et l’ANEEL (le régulateur brésilien de l’électricité) a révisé la réglementation sur l’autoproduction d’énergie. L’insécurité juridique a gelé tout le secteur.

Ça n’a pas été une journée dramatique. Ça a été une réunion entre associés. Nous avons regardé les chiffres, le délai de 5 ans que nous nous étions fixé, le contexte réglementaire. Et nous avons décidé que chacun suivrait sa route.

Six ans. 200 partenaires. 50 centrales. 3 salons. Une chaîne YouTube qui existe encore aujourd’hui comme souvenir. Et l’entreprise à l’arrêt, prête à repartir si quelqu’un veut la racheter.

La plupart des gens lisent ce paragraphe et y voient un échec. Moi, je le lis et je vois ceci : j’ai perdu l’entreprise, mais je n’ai perdu aucune capacité. Je savais construire une plateforme. Je savais conclure des ventes de 300 mille reais par WhatsApp, sans connaître le client en personne — et avec un client qui n’était jamais de bonne humeur. Je savais organiser 200 partenaires qui ne s’étaient jamais vus. Et je savais recommencer.

Le coût de l’erreur a été de 6 ans. Ce que j’ai gagné en apprenant de l’erreur a construit tout ce qui a suivi en quelques semaines. Ce n’est pas de la résilience — la résilience, c’est encaisser le coup. Ça, c’est gagner avec le coup.

---

Le cimetière arrivé avant le nom

La transition a été immédiate. Le premier client est venu par recommandation — un cimetière — avant même que l’entreprise ait un nouveau nom.

Pensez à ce que ça veut dire. Un cimetière confie son activité numérique à quelqu’un qui vient de fermer une startup. Il ne me connaissait pas personnellement. On m’avait recommandé. Et le système que j’avais monté devait fonctionner quand une famille endeuillée déciderait de régler une échéance un dimanche soir. Sans marge. Sans « on verra bien si ça marche ». Si le portail tombait, la famille rentrait chez elle sans avoir pu régler ce qu’elle était venue régler.

C’est ce niveau de confiance qui soutient ce que nous faisons. Et c’est ce niveau de conséquence qui a façonné toute l’opération depuis.

Juliana — internationaliste titulaire d’un troisième cycle en ingénierie économique — a progressivement pris en charge la gestion, le contenu, la stratégie. Ce n’est pas une designer devenue CEO. C’est quelqu’un qui a compris que le contenu stratégique est ce qui soutient un portefeuille client sur le long terme.

Quand nous avons choisi le nom « Evolutiva Negócios Digitais », l’agence fonctionnait déjà depuis des mois. Les clients sont venus avant le nom.

---

Ce que nous faisons et pourquoi ça marche

Deux fondateurs. Un portefeuille client stable depuis 4 ans. Nos clients sont des cimetières, des bureaux de change et des e-commerces.

Le portail de paiement 24h/24 du cimetière, avec un service omnicanal et des équipes d’astreinte, doit fonctionner en permanence. S’il tombe, la famille endeuillée n’est pas prise en charge sur le moment, et ceux qui ont besoin des services en urgence ne peuvent pas les utiliser.

Le chatbot du bureau de change doit donner le bon taux. S’il se trompe, le client reçoit un chiffre inventé et perd de l’argent.

L’antifraude de l’e-commerce doit viser juste. S’il se trompe, un client légitime est bloqué et ne revient jamais.

Si le système tombe, nous perdons le client. Nous n’avons pas de couche de protection, pas de service juridique, pas d’investisseur pour couvrir les pertes. C’est ça qui nous rend fiables — notre peau est vraiment en jeu.

Trois couches soutiennent l’opération :

Un Scrum adapté au portefeuille. Un sprint hebdomadaire couvrant tous les clients. Un objectif binaire de 5 items — passé ou pas passé. Une seule grande chose par jour. Trois mains par carte : celui qui a fait ne vérifie pas, celui qui a vérifié ne déplace pas. 7 sprints complets, rétrospective tous les vendredis.

L’IA souveraine. Des modèles de langage tournant sur notre propre infrastructure — coût zéro par requête. Ce n’est pas « on utilise ChatGPT ». C’est : nous avons un serveur avec des modèles qui connaissent l’activité de chaque client. Le chatbot du cimetière prend les rendez-vous de visite. Celui du bureau de change répond sur les taux avec des données réelles. Celui du salon de coiffure connaît l’historique de 82 mille prises en charge des 15 dernières années. Quand le fournisseur d’IA a triplé son prix — et c’est déjà arrivé trois fois depuis 2023 — nos clients ne l’ont pas senti.

260 problèmes résolus et documentés. Chaque problème devient une procédure réutilisable. Chaque erreur devient un piège documenté. Le déploiement en production est passé de 45 min à 8. Le rapport mensuel, de 4h à 40 min. La base grandit chaque semaine — l’effet composé appliqué à l’opération.

Je publie ces chiffres parce qu’il m’a fallu 6 ans pour les trouver — et personne ne devrait avoir besoin d’autant de temps.

---

Les chiffres qui ne tiennent pas dans un diplôme

3 universités : UFES, UEMG, UFOP. Aucun diplôme. 1er au classement général en ingénierie informatique.

800 heures de cours et de formations certifiées par 12 organismes. De Google Ads à l’énergie solaire photovoltaïque. De l’UX Research à la négociation avancée.

Les titres formels sont fragiles — ils perdent de la valeur quand le marché change. La capacité à résoudre des problèmes nouveaux est antifragile — elle gagne de la valeur quand le marché change.

Les 250h de solaire semblaient inutiles. Jusqu’au jour où j’ai eu besoin de modéliser un investissement de 50 mille R$. Les 444h d’Alura (plateforme brésilienne de formation en technologie) semblaient n’être qu’un « cours de base ». Jusqu’au jour où j’ai eu besoin de construire un système entier tout seul.

---

Pour ceux qui s’y reconnaissent

Si vous opérez avec une équipe réduite et que le goulot d’étranglement est le temps, pas le talent — la solution n’est pas d’embaucher plus de monde. C’est de multiplier ce que chaque personne résout.

Quatre ans de portefeuille client stable. Deux fondateurs. Zéro client perdu pour cause de défaillance technique.

Liste complète de chaque formation : evolutivanegociosdigitais.com.br/certificados-joao-vitor/

Je m’occupe de 4 clients réguliers. Si vous voulez échanger sur l’IA souveraine, le Scrum adapté ou la façon d’opérer avec une équipe réduite avant que l’agenda ne se remplisse — écrivez-moi sur LinkedIn.

---

J’ai passé des mois à essayer d’identifier un oiseau dans mon jardin. J’ai construit une skill Alexa pour ne plus avoir à le refaire.

Un couple d’oiseaux verts se posait chaque matin sur le même fil, près de chez moi. J’étais sûr que ce n’étaient pas des maritacas (perruches à ailes rouges, courantes au Brésil) — la taille était différente, le bruit était différent. Mais je ne connaissais pas leur nom.

Ça a duré des mois. J’ai cherché sur WikiAves (la grande base collaborative brésilienne d’observation d’oiseaux), qui est une référence au Brésil et un travail excellent — mais pour un débutant comme moi, la quantité d’informations était plus intimidante qu’utile. Je ne connaissais pas les bons termes pour filtrer. Je ne savais pas si « vert avec une tache rouge sur l’aile » désignait un merle exotique ou un psittacidé banal. Je l’ai découvert plus tard : c’étaient des aras Maracanã.

Et puis est venue l’ironie qui a tout déclenché : je suis allé vérifier à quoi ressemblerait leur cri pour confirmer, et j’ai découvert que les psittacidés n’ont pas de cri standardisé. Le chant que je voulais utiliser comme preuve n’existe tout simplement pas sous une forme classifiable. Le défi était déjà dans ma tête.

La première idée était mauvaise (et contraire à l’éthique)

Mon plan initial était d’utiliser Alexa pour écouter les sons des oiseaux autour et les identifier par l’audio. Deux problèmes ont tué cette idée le jour même :

Alexa ne capte que la voix humaine. Elle n’écoute pas l’environnement — le microphone est optimisé pour les commandes vocales. Les sons de fond sont du bruit, pas du signal. Il n’existe pas de « mode écoute » que j’aurais pu activer.

Attirer des oiseaux avec du playback est une pratique contestable. Diffuser le chant d’une espèce pour l’attirer provoque un stress territorial, peut éloigner les oiseaux de leurs nids et perturbe la reproduction. L’IN ICMBio 14/2018 (instruction normative de l’institut brésilien de la biodiversité) et le CEMAVE (centre national brésilien de recherche sur les oiseaux sauvages) déconseillent cette pratique. Quand je l’ai découvert, j’ai abandonné l’idée sans hésiter.

La skill est donc devenue autre chose : au lieu de « enregistrez ce que vous avez entendu », c’est devenu « décrivez ce que vous avez vu ». Vous parlez à Alexa en langage naturel — couleur, taille, où il se trouvait, forme du bec — et elle vous renvoie les espèces les plus probables.

La stack : Python, Bayes et quatre bases ouvertes qui ne se parlent pas

Alexa n’est pas exactement un équipement intelligent. Elle reconnaît la voix et appelle une fonction dans le cloud. Toute l’intelligence tient dans un Lambda (Python) sur AWS, et le vrai travail a été de faire en sorte que quatre bases de données qui n’ont pas été conçues pour dialoguer entre elles produisent une réponse cohérente.

AVONET (Tobias et al. 2022, CC BY 4.0) contient des traits morphologiques standardisés pour plus de 11 000 espèces — c’est de là que viennent les 7 attributs que la skill extrait de votre description : couleur principale, couleur secondaire, taille par point de repère, milieu, position, bec et queue.

GBIF rassemble des données d’occurrence d’oiseaux au Brésil. J’ai utilisé ces données comme prior bayésien : si vous êtes à São Paulo et que vous décrivez « un grand oiseau vert », le scorer donne plus de poids aux espèces qui apparaissent effectivement dans la région (rayon de 30 km, avec au moins 20 enregistrements). Le bem-te-vi (tyran quiquivi) avant une espèce rare répondant à la même description.

xeno-canto fournit les enregistrements réels des chants. Et là intervient une décision qui n’était pas négociable pour moi : je ne pouvais pas simplement me brancher sur les fichiers audio sans créditer celui ou celle qui a enregistré. Chaque lecture affiche le nom de l’enregistreur, la licence (CC BY-NC-SA 4.0) et le numéro de l’enregistrement dans la collection. Python s’est révélé excellent pour récupérer ces audios et organiser aussi bien les espèces que les auteurs de façon programmatique.

Han et al. 2025 (CC0) complète le tout avec des données de couleurs de plumage qu’AVONET ne couvre pas.

Le slot type AMAZON.SearchQuery en pt-BR capte la parole libre — « j’ai vu un petit oiseau jaune avec des ailes noires au sol dans le jardin » entre entièrement sous forme de texte et le parser en extrait les attributs. Pas de menu, pas de « dites 1 pour la couleur ». Vous parlez comme vous parleriez à un ami.

Les chiffres, sans rien inventer

1 627 espèces de tout le Brésil. 1 014 avec un enregistrement réel de xeno-canto. La base a commencé avec 390 espèces de la région de São Paulo et a été étendue pour couvrir tous les biomes brésiliens.

Précision simulée avec un bruit réaliste (descriptions incomplètes, attributs erronés, synonymes régionaux) : le bon oiseau apparaît parmi les 3 premières suggestions dans ~54 % des cas. Ce n’est pas 90 %. C’est ce que le modèle livre aujourd’hui avec des données ouvertes et un parser qui accepte la parole libre. La transparence sur ce chiffre compte plus que de l’arrondir vers le haut.

Il y a aussi un quiz de chants : la skill joue un enregistrement réel et vous essayez de deviner l’espèce. Juste, elle tient le score. Faux, elle révèle laquelle c’était et rejoue le chant pour que vous fassiez l’association. C’est une façon d’entraîner son oreille sans avoir besoin d’être sur le terrain.

Et le plus gros goulot d’étranglement technique n’a pas été le scorer — c’était l’Alexa Developer Console. Tester une skill Alexa est un processus lent, avec des déploiements qui traînent, des logs en retard et une interface que peu de gens maîtrisent. Qui a déjà développé pour Alexa le sait. Qui ne l’a pas fait le découvrira.

Ce que la skill NE fait PAS (volontairement)

Elle n’enregistre pas le son de l’oiseau — Alexa n’en est pas capable. Elle ne diffuse pas de chants en boucle pour attirer les oiseaux — c’est contraire à l’éthique. Elle n’a pas de métriques d’usage parce qu’elle vient d’être publiée. Elle n’a pas de témoignages d’utilisateurs parce que je ne vais pas les inventer. WikiAves, xeno-canto, GBIF et AVONET sont des sources créditées, pas des partenaires.

Chaque diffusion de chant est accompagnée d’un avertissement de playback responsable. Diffusion unique, volume contrôlé, crédit à l’enregistreur, information sur la période de reproduction. Ce n’est pas une fonctionnalité — c’est une obligation.

L’invitation : testez, cassez, améliorez

Le code est sous licence MIT et le dépôt est public : github.com/jvitorcarvalho/aves-do-brasil-alexa.

Je veux que les gens s’amusent avec ça. Qu’ils découvrent le chant de l’urutau (l’ibijau gris), qui est l’une des choses les plus curieuses que vous entendrez. Qu’ils identifient un oiseau dans leur jardin et le racontent à un ami au déjeuner. Qu’un développeur de Manaus reprenne le dépôt et calibre les priors pour l’Amazonie. Qu’un ornithologue corrige les noms vernaculaires venus du GBIF, qui comportent probablement des erreurs.

Aujourd’hui, la skill couvre tout le Brésil — 1 627 espèces, 1 014 avec enregistrement. Il y a de la marge.

Pour tester : « Alexa, ouvre Aves do Brasil ». C’est gratuit, sans publicité, sans collecte de données.

Pour contribuer : ouvrez une issue, envoyez une PR, ou dites-moi que le nom vernaculaire du tico-tico (bruant chingolo) dans votre ville est différent. Tout aide.

---

Développée par Evolutiva Negócios Digitais (João Monlevade/MG, Brésil). Sources : AVONET (Tobias et al. 2022, CC BY 4.0), GBIF (CC0), xeno-canto (CC BY-NC-SA 4.0), Han et al. 2025 (CC0), WikiAves (consultation publique). Avertissement de playback conforme à l’IN ICMBio 14/2018 et aux directives du CEMAVE.

Questions fréquentes

Comment la skill Aves do Brasil identifie-t-elle un oiseau à partir d’une description parlée ?

La skill utilise un scorer bayésien qui croise 7 attributs extraits de votre parole — couleur, taille, milieu, position, bec, queue et couleur secondaire — avec les données morphologiques de 1 627 espèces brésiliennes. La base vient d’AVONET (Tobias et al. 2022), complétée par les données d’occurrence du GBIF pour pondérer les espèces les plus probables dans votre région. Vous décrivez ce que vous avez vu en langage naturel et vous recevez les espèces les plus compatibles avec la description.

La skill diffuse-t-elle des chants pour attirer les oiseaux ?

Non. La skill diffuse de vrais enregistrements de xeno-canto une seule fois par requête, avec un volume contrôlé et un crédit à l’enregistreur d’origine. Diffuser des chants en boucle pour attirer les oiseaux provoque un stress territorial et peut perturber la reproduction — une pratique déconseillée par l’IN ICMBio 14/2018 et par le CEMAVE. Chaque diffusion est accompagnée d’un avertissement de playback responsable.

Quel est le taux de réussite de l’identification vocale ?

Dans des simulations avec un bruit réaliste (descriptions incomplètes, attributs erronés, synonymes régionaux), le bon oiseau apparaît parmi les 3 premières suggestions dans environ 54 % des cas. Ce chiffre reflète la performance actuelle avec des données ouvertes et un parser de parole libre. La skill n’arrondit pas ses métriques — la transparence sur les limites est intentionnelle.

La skill Aves do Brasil est-elle gratuite et collecte-t-elle des données personnelles ?

La skill est gratuite, sans publicité et sans collecte de données personnelles. Le code est open source sous licence MIT, disponible dans le dépôt public. Les bases de données utilisées (AVONET, GBIF, xeno-canto, Han et al. 2025) sont toutes ouvertes et dûment créditées.

Puis-je contribuer à la skill ou corriger des noms vernaculaires d’oiseaux ?

Oui. Le dépôt accepte les issues et les pull requests — les contributions d’ornithologues, de développeurs et d’observateurs d’oiseaux sont bienvenues. Les noms vernaculaires régionaux qui diffèrent des enregistrements du GBIF peuvent être corrigés directement. La base actuelle couvre 1 627 espèces du Brésil et 1 014 avec un enregistrement réel, mais il y a de la place pour la calibration régionale et l’expansion.

En trois ans, j’ai mis un agent IA en production, puis je l’ai débranché de mes propres mains. Il conversait bien. Il répondait avec précision. Et il ne résolvait le problème de personne.

C’est la partie qu’on raconte presque jamais. Le marché est plein de récits de lancement et vide de récits de débranchement — et le second apprend davantage.

Cet article a deux moitiés. Dans la première, mon inventaire honnête : ce qui tourne, ce qui est encore en test, ce qui est mort, et pourquoi la chose qui a le plus augmenté ma production n’a pas été l’intelligence artificielle. Dans la seconde, les chiffres du marché qui expliquent pourquoi cette histoire compte pour qui travaille dans la tech aujourd’hui — y compris pourquoi les offres de Scrum Master ont chuté de 62 % alors que 85 % des offres de Product Manager se sont mises à exiger l’IA.

Qui vous parle

J’ai commencé dans le design graphique. Je suis passé à l’informatique, j’ai passé des années sur WordPress et le développement web — plus de deux décennies à bricoler des sites, des serveurs et des choses cassées en production. Aujourd’hui je travaille dans la MarTech : la couche où le marketing, le système et l’argent se rencontrent.

Je ne suis pas chercheur en IA. Je suis le type qui décroche le téléphone quand le checkout arrête de traiter un vendredi soir. Mes clients sont des entreprises réelles qui, cumulées, facturent plus d’un million de reais par mois, et ce qu’elles m’achètent n’est pas de la technologie — c’est de la prévisibilité.

Cela change ce que j’appelle une réussite. Un modèle qui impressionne en démo et qui échoue au bord du flux réel ne vaut rien pour ceux qui me paient. Cette règle explique toutes les décisions qui suivent.

Pourquoi je suis resté silencieux

J’ai fondé Evolutiva en 2022 et j’ai peu publié depuis. Ce n’était pas une stratégie de contenu. C’était un manque de temps et, pour être franc, une certaine crainte de parler avant d’avoir quelque chose à montrer.

Trois ans plus tard, je l’ai. Y compris ce qui n’a pas marché.

L’agent IA qui est passé en production et que j’ai débranché

Il fonctionnait. Et c’était quand même une erreur de le laisser en ligne.

Un client recevait des dizaines d’appels par jour avec les mêmes questions : situation du contrat, duplicata de facture, transfert de titularité. L’information existait — éparpillée dans des milliers de documents, d’exports et de tableurs accumulés au fil des années.

J’ai construit un agent RAG (Retrieval-Augmented Generation, ou génération augmentée par récupération — en clair : l’IA va chercher la réponse dans la base réelle du client avant de répondre, au lieu d’inventer). Il est passé en production en partenariat avec une autre entreprise technologique.

L’agent comprenait la question. Il trouvait le bon document. Il formulait la réponse avec clarté. Sur n’importe quelle métrique conversationnelle, il passait.

Et je l’ai débranché.

Pourquoi j’ai coupé quelque chose qui fonctionnait

Parce que bien répondre n’est pas la même chose que résoudre.

Le système du client n’exposait aucun point d’intégration. L’agent arrivait à dire « votre facture est arrivée à échéance le 12 mars », mais il n’arrivait pas à générer le duplicata. Il savait qu’un transfert était possible, mais il n’arrivait pas à lancer la procédure.

C’était un employé brillant enfermé dans une pièce sans téléphone.

Le client qui appelait ne voulait pas d’information. Il voulait son problème résolu. L’agent livrait la moitié du chemin — et une moitié de chemin, en relation client, c’est parfois pire que rien, parce que cela crée une attente et renvoie le client dans la file.

L’échec ne venait pas du modèle. Il venait de l’infrastructure en dessous. Et laisser en ligne un système qui donne bonne impression sans produire de résultat, c’est de la dette technique déguisée en vitrine.

C’est la leçon la plus chère que j’ai apprise, et elle est devenue ma règle : une IA sans capacité d’action est une démonstration, pas un produit.

Pourquoi un système legacy est devenu un SaaS avant d’entrer en production

Un autre client opérait sur un système legacy qui ne tenait plus le volume : facturation récurrente, rapprochement manuel, tableur échangé par e-mail. J’ai commencé la reconstruction — migration de base, conteneurs, pipeline de données, facturation automatisée.

En chemin, j’ai compris une chose qui a changé le projet : le problème n’était pas celui de ce client. C’était celui de tout le secteur.

Toutes les entreprises de ce marché avaient la même douleur, le même processus manuel, le même tableur. Construire une solution sur mesure pour un client résoudrait un cas. Construire une plateforme multi-tenant — un SaaS où chaque entreprise a son environnement isolé sur la même base — résoudrait le marché.

J’ai refait l’architecture pour du SaaS.

Réserve honnête : ce système n’est pas encore passé en production. Il est en phase de pilote. Je pourrais écrire « plateforme SaaS pour le secteur » et vous laisser supposer que des dizaines de clients tournent dessus. Ce n’est pas le cas. Il y a une architecture prête, un pilote en cours et une décision produit que je défends — mais « production » est un mot qu’on n’emploie qu’une fois qu’un utilisateur réel dépend du système pour travailler.

Pourquoi la table de change est encore en test (et le restera jusqu’à ce qu’elle soit juste)

J’ai construit une table d’opération digitale de change : cotation, contrat, documentation de compliance, le tout en temps réel. Dedans, un agent IA fait office d’interface du système — l’opérateur converse, et l’agent exécute dans le flux réel.

C’est exactement l’inverse du premier cas : ici, l’IA a des mains.

Et c’est précisément pour ça qu’elle est encore en test.

Le système fait circuler de l’argent réel, de clients réels, dans des pays différents. L’opération doit être rapide, parce que le change a une fenêtre de cotation. Elle doit être à l’épreuve de l’erreur, parce qu’un chiffre inversé n’est pas un bug — c’est la perte de quelqu’un. Et elle doit être auditable, parce qu’il y a de la réglementation en jeu.

Quand le coût de l’erreur est financier et transfrontalier, « ça a l’air de marcher » n’est pas un critère de mise en service. Ici, la précipitation n’est pas de l’agilité : c’est de l’irresponsabilité.

Ce que j’ai appris en dépensant plus de R$ 25 000 en IA

J’ai investi plus de R$ 25 000 dans des outils d’intelligence artificielle ces dernières années — ChatGPT, Gemini, Claude, Perplexity, OpenRouter, OpenCode, dans pratiquement toutes les combinaisons d’abonnement et de modèle qui ont existé sur la période.

Ce n’étaient pas des formations. C’était de l’usage quotidien, sur du travail qui devait sortir.

L’apprentissage le plus inconfortable : ce que je savais changeait presque chaque semaine. Le modèle qui était le meilleur pour une tâche en janvier ne l’était plus en mars. L’astuce de prompt qui fonctionnait cessait d’être nécessaire dès que le modèle s’améliorait. Un outil qui semblait essentiel devenait superflu au lancement suivant.

Ceux qui ont traité l’IA comme une chose qu’on apprend une fois se sont retrouvés avec un savoir périmé. Ce qui s’accumule, ce n’est pas le raccourci — c’est le discernement : savoir quand un modèle est assez bon, quand le problème n’est pas le modèle, et quand la bonne réponse est de n’utiliser aucune IA.

Ce qui relie les agents aux systèmes : MCP

Ce qui noue tout cela aujourd’hui, c’est le MCP — Model Context Protocol, un standard adopté par Anthropic, Google et Microsoft pour donner des « mains » aux modèles de langage.

Dans la pratique : avec MCP, le modèle ne fait pas que converser. Il interroge des bases de données, déclenche des processus, enregistre des informations et renvoie un résultat à l’intérieur du système.

Vous vous souvenez de l’agent enfermé dans la pièce sans téléphone ? MCP, c’est le téléphone. S’il avait existé avec sa maturité actuelle à l’époque de ce projet, je n’aurais probablement rien débranché.

Ce qui a réellement doublé ma production — et ce n’était pas l’IA

C’était le processus.

Cela déçoit souvent ceux qui attendent le nom d’un outil, mais c’est la réponse honnête. L’IA a augmenté ma vitesse d’exécution. Le processus a augmenté ma régularité — et la régularité, c’est ce que le client achète.

Je travaille seul la plupart du temps. Scrum, tel qu’il est dans le manuel, suppose une équipe : daily à plusieurs, rôles séparés, cérémonie d’alignement. Seul, ça devient du théâtre — une réunion avec moi-même.

J’ai adapté. J’ai gardé ce qui résout un vrai problème quand on travaille seul :

Pratique Scrum	Comment je l’ai adaptée à une opération solo
Sprint	Cycle hebdomadaire fermé, périmètre gelé au départ
Backlog priorisé	File unique par impact client, pas par envie du jour
Daily	Revue courte le matin : ce qui a bloqué et ce qui sort aujourd’hui
Definition of Done	Critère écrit avant de commencer — sans ça, le « presque fini » devient éternel
Velocity	Cartes terminées par semaine — la seule métrique que je suis
Rétrospective	Une demi-heure le vendredi : ce qui a pris du retard et pourquoi

Le gain n’est venu d’aucune pratique isolée. Il est venu du fait d’arrêter de décider des priorités tous les jours. Un périmètre ouvert et une file mouvante consomment une énergie que personne ne comptabilise — et quand on travaille seul, cette énergie est la ressource la plus rare qui existe.

Résultat : je termine environ deux fois plus de cartes par semaine. Pas parce que je travaille plus d’heures. Parce que je m’arrête moins, je refais moins et je finis ce que je commence.

La combinaison qui marche est celle-là : l’IA pour exécuter plus vite, le processus pour exécuter la bonne chose. La première moitié seule produit beaucoup de travail jetable à grande vitesse.

L’analyse honnête des offres d’emploi : ce qui monte, ce qui s’effondre

Pendant que je construisais tout ça, le marché s’est réorganisé d’une façon que presque personne n’avait prévue. Je suis allé chercher les chiffres — et certains sont inconfortables.

Pourquoi les offres de Scrum Master se sont effondrées

Parce que la pratique a été absorbée et que le poste séparé a cessé de se justifier.

En janvier 2023, Capital One a supprimé plus de mille postes de Scrum Master, d’agile coach et de delivery lead dans une seule décision. Royal London a licencié 90 % de ses agile coaches quelques mois plus tard. Au Royaume-Uni, les postes permanents de Scrum Master sont passés de 79 à 30 en deux ans — une baisse de 62 %.

La justification de Capital One elle-même est la partie intéressante : le rôle a été « critique dans les phases initiales de la transformation », mais avec la maturité de l’organisation, l’étape naturelle a été d’« intégrer les processus de livraison agile directement dans l’ingénierie ».

Traduction : la méthode a gagné, le poste a perdu. Scrum tourne encore dans 87 % des équipes. Ce qui a disparu, c’est la personne recrutée exclusivement pour animer des cérémonies.

Il y a un second facteur, et il est plus dur. Il existe plus de 4 millions de certifications agiles délivrées dans le monde. Chez Scrum.org, moins de 1 % des certifications a atteint le niveau le plus élevé. Quand l’offre de diplômes croît bien plus vite que celle de compétence prouvée, le marché n’arrive plus à distinguer les deux — et se met à traiter tout le monde comme interchangeable.

Et le Product Manager ? Là, c’est une autre histoire

Le marché du produit s’est redressé — c’est le plus gros volume d’offres depuis 2022, avec plus de 7 300 postes ouverts dans le monde. Mais la reprise a un propriétaire.

Dans une analyse de 654 descriptions de poste réelles de Product Manager, 85 % mentionnent déjà l’IA ou le machine learning et **32 % exigent une expérience des *evals*** — les tests qui mesurent si un système d’IA fonctionne réellement, au lieu de simplement en avoir l’air.

Et voici le chiffre qui m’a le plus frappé : environ 30 % des offres de PM ouvertes sont des postes d’AI PM, mais moins de 5 % des PM senior ont déjà mis un agent IA en fonctionnement.

Cet écart, c’est toute l’opportunité résumée en une ligne.

Ce que cela signifie concrètement

La prime salariale pour les compétences en IA est passée de 25 % à 56 % en un an — elle a plus que doublé. La demande pour ces compétences a crû de 142 % en douze mois, selon les données de LinkedIn lui-même.

Pour qui est au Brésil, l’effet est direct : des profils produit recrutés par des entreprises internationales touchent dans une fourchette de US$ 4 000 à US$ 12 000 par mois, typiquement 2 à 4 fois l’équivalent local. Les postes de Payments Engineer avec IA paient entre US$ 5 000 et US$ 9 500 par mois.

La réserve que je dois faire : ces relevés viennent majoritairement du Royaume-Uni et des États-Unis. La direction se transpose au Brésil, la magnitude exacte non. À prendre comme ordre de grandeur, jamais comme plancher salarial garanti.

Ma lecture de tout ça

Ce n’est pas « Scrum est mort » ni « le produit est fini ». C’est autre chose, et de plus spécifique :

Le marché a arrêté de payer pour du processus isolé et s’est mis à payer pour du processus appliqué à un système qui fonctionne.

Un Scrum Master qui ne fait qu’animer des cérémonies est devenu un coût. Un Product Owner qui n’écrit que des user stories et priorise une file est devenu un coût. Ce qui garde de la valeur — et en vaut plus cher — c’est celui qui a la méthode et comprend le système en construction.

C’est exactement pour ça que la section précédente de cet article compte. Je n’utilise pas Scrum parce que j’aime les frameworks. Je l’utilise parce que, sans processus, l’IA me ferait produire plus de déchets en moins de temps. Et je ne vends pas de l’IA parce que c’est à la mode. J’en vends parce que je sais ce qui casse en dessous.

La combinaison rare n’est ni de connaître l’IA ni de connaître le processus. C’est de connaître les deux et d’avoir les cicatrices de l’avoir fait en production.

À qui cet article est destiné

Si vous avez une opération qui a besoin d’une infrastructure de paiements, d’automatisation ou d’agents IA qui fonctionnent en production — et que vous êtes déjà fatigué des belles démos qui ne survivent pas au flux réel — la conversation est directe.

Si vous montez une équipe technique et cherchez quelqu’un qui a déjà construit, déjà cassé, déjà débranché son propre projet et sait expliquer pourquoi, aussi.

Je préfère dire « c’est encore en test » plutôt que vendre une certitude que je n’ai pas. Dans un système qui touche à l’argent, c’est la différence entre un fournisseur et un problème.

Questions fréquentes

Qu’est-ce qu’un agent IA en production, concrètement ?

C’est un système d’IA dont quelqu’un dépend pour travailler — pas une démonstration. La différence ne tient pas au modèle, mais à la capacité d’agir : interroger des données réelles, exécuter des opérations dans le système, traiter les erreurs et laisser une trace auditable. Un agent qui ne fait que converser est un prototype, même s’il est publié à une adresse publique.

Pourquoi les projets d’IA échouent-ils en entreprise ?

La plupart du temps à cause de l’infrastructure, pas du modèle. Des données désorganisées, un système legacy sans points d’intégration, une authentification inexistante et des processus non cartographiés font tomber n’importe quel agent, aussi bon soit-il. C’est exactement comme ça que mon premier agent en production a échoué : l’IA avait raison, la base en dessous n’était pas prête.

Qu’est-ce que le MCP (Model Context Protocol) ?

C’est un protocole ouvert qui permet à des modèles de langage d’exécuter des actions dans des systèmes externes, et pas seulement de générer du texte. Avec MCP, un agent interroge des bases de données, déclenche des processus et enregistre des informations dans les systèmes de l’entreprise. C’est le standard adopté par Anthropic, Google et Microsoft pour connecter l’IA à des outils réels.

Est-ce que Scrum vaut la peine quand on travaille seul ?

Oui, à condition de l’adapter — appliquer le manuel sans équipe donne des cérémonies vides. Ce qui tient le gain dans une opération solo, c’est le cycle hebdomadaire à périmètre fermé, la file unique priorisée par impact et le critère de « fini » défini avant de commencer. Ce qu’on jette, ce sont les cérémonies qui existent pour aligner plusieurs personnes.

Les offres de Scrum Master sont-elles en train de disparaître ?

Les postes dédiés ont beaucoup fondu, mais pas la pratique. Au Royaume-Uni, les postes permanents de Scrum Master ont chuté de 62 % en deux ans, et des entreprises comme Capital One et Royal London ont supprimé des centaines de rôles agiles d’un seul coup. Dans le même temps, Scrum tourne encore dans environ 87 % des équipes : les organisations ont absorbé la méthode dans l’ingénierie plutôt que de garder le poste séparé. Le marché a cessé de payer pour de la facilitation isolée et s’est mis à payer pour de la méthode appliquée à un système.

Un Product Manager doit-il maîtriser l’IA en 2026 ?

Dans la pratique, oui. Dans une analyse de 654 offres réelles de Product Manager, 85 % mentionnent l’IA ou le machine learning et 32 % exigent une expérience des evals. Environ 30 % des offres de PM ouvertes portent spécifiquement sur l’AI PM, alors que moins de 5 % des PM senior ont déjà livré un agent IA en fonctionnement — et c’est précisément cet écart qui soutient la prime salariale de 56 % pour ceux qui ont la compétence.

Combien de temps faut-il pour mettre un agent IA en production ?

Cela dépend presque entièrement de l’état des systèmes qu’il va opérer, pas de l’agent. Sur une base avec des intégrations prêtes et des données organisées, quelques semaines. Sur un système legacy sans points d’intégration, le vrai travail, c’est les fondations — et elles prennent souvent des mois. Tout délai annoncé avant d’avoir audité l’infrastructure est un pari au hasard.

---

Envie de parler de votre cas ? Écrivez-moi sur WhatsApp ou à [email protected].