Entreprises avec lesquelles j'ai travaillé

L'idée

Aujourd'hui, faire un jeu vidéo demande de savoir coder. Le faire jouer à d'autres demande en plus de savoir héberger, synchroniser et modérer. PlayForge retire ces deux prérequis. N'importe qui peut demander à un agent d'écrire du code de jeu, donc on ne pense pas que la valeur soit là. On met le travail dans ce qui entoure l'agent : un contrat d'exécution pour que le même jeu tourne à l'identique partout, une boucle de vérification qui rend la sortie de l'agent publiable sans relecture humaine, et une exécution hébergée pour que personne n'ait à monter un serveur. Le produit couvre toute la chaîne, de l'idée au joueur.

Le POC

Une première version tourne de bout en bout : un studio de création agentique, une vérification automatique (lint, build, simulation headless, critères d'acceptation), un catalogue public, des parties solo dans le navigateur, du multijoueur temps réel par code de room, et un back-office de modération.

• Monorepo TypeScript et Rust : une API Node, un serveur de jeu en Rust où chaque room a son propre thread et son isolate V8, et un front React avec Pixi.js.
• Un moteur physique déterministe, testé bit à bit identique entre environnements, et un contrat SDK versionné pour qu'un jeu publié ne casse jamais.
• Plusieurs centaines de tests headless, une CI GitLab, et un déploiement en production documenté.
• Authentification complète, génération d'assets images et sons, import/export de jeux, et une interface FR/EN dont la parité est vérifiée par test.

Concevoir le produit

À côté du code, on tient un white paper vivant : notes brutes, documents argumentés et versionnés, roadmaps illustrées et journal des arbitrages. Une version de document montrée n'est plus jamais réécrite, les changements vont dans une nouvelle copie, pour qu'un état passé reste lisible tel qu'il a été montré. La roadmap a connu huit coupes en un mois. Le pivot majeur a été d'abandonner le moteur maison pour un écosystème éprouvé. Un des critères de choix était la connaissance qu'ont les modèles de langage qui écrivent les jeux d'une bibliothèque donnée. La roadmap a aussi abandonné les budgets d'heures pour ne suivre que des livrables et des déclencheurs.

Au-delà du code

On a aussi traité tôt des sujets qui arrivent d'habitude plus tard : un modèle de modération aligné sur le Digital Services Act, un registre de valeur en ajout seul pour garder l'argent auditable, et une comparaison de coûts GitHub contre GitLab sur cinq ans pour l'infrastructure. J'ai aussi écrit un petit outil sans dépendance qui transforme du JSON en roadmaps SVG : une route narrative, des swimlanes, et un graphe de dépendances des tâches avec un layout compact maison. Les schémas s'affichent inline sur GitLab, suivent les thèmes clair et sombre, et se diffent proprement dans git.

Statut

Actif depuis août 2026 et toujours en cours. Le code est privé, il n'y a donc pas encore de lien public.

L'idée

Les données perso vivent d'habitude dans des applis séparées qui ne communiquent pas : une appli bancaire, une pour les notes, une liste de tâches, chacune avec son compte. Everyday réunit tout dans un seul compte auto-hébergé, chiffré au repos, que j'héberge et gère moi-même.

Ce que ça fait

L'app couvre plusieurs pans du quotidien. Chacun fonctionne seul, et l'assistant peut agir sur l'ensemble.

• Finances : suivi du patrimoine, budgets, objectifs d'épargne, rééquilibrage de portefeuille et analyse des dépenses à partir de relevés importés.
• Repas : un carnet de recettes en Markdown, avec des couvertures générées par IA et un journal de ce que j'ai cuisiné.
• Wiki : une base de connaissances perso avec des liens entre les notes.
• Tâches : des todos reliés à un planning Gantt et Kanban, à côté d'un journal daté.
• Garde-robe : un inventaire de vêtements avec un assistant de style IA et de la génération d'images.
• Assistant : un compagnon de chat qui touche à tout ce qui précède.

Pourquoi c'est agentique

L'assistant agit directement sur l'app via un jeu d'outils, basé sur le Model Context Protocol, ce qui lui permet de lire et de modifier les données réelles : finances, notes, tâches et le reste. Il se souvient des conversations précédentes, envoie une relance quand ça vaut le coup, et fonctionne depuis l'app web comme depuis Telegram.

Sous le capot

Toute la base de code est en TypeScript, au front comme au back. Chaque partie tourne dans son conteneur, et les livraisons passent par une CI.

• React 19 et Vite au front, Fastify et MongoDB au back.
• Les champs personnels sont chiffrés un par un au repos, en AES-256-GCM.
• Redis fait tourner les traitements de fond, et les fichiers sont stockés sur Cloudflare R2.
• L'IA fonctionne avec la clé de chacun : chaque utilisateur configure son fournisseur, et les clés sont conservées chiffrées.
• Tout est livré via Docker, avec releases et déploiements pilotés par GitLab CI/CD.

Statut

C'est un projet perso que j'utilise et maintiens activement, auto-hébergé et déjà en production pour mon propre usage. J'ajoute des fonctionnalités petit à petit, je corrige les bugs et je tiens le logiciel à jour.

L'idée

Sur la plupart des plateformes, créer un personnage revient à remplir un long formulaire : description physique, histoire, phrase d'accueil, tags, et un avatar à trouver ou à dessiner. C'est fastidieux, et beaucoup abandonnent avant que le personnage soit vraiment réussi. Amadeus part d'un nom et de quelques traits de personnalité, rédige le reste, et génère un portrait assorti. Tout ce qu'il produit est un premier jet, et l'ensemble reste modifiable ensuite.

Ce que ça fait

L'app a deux parties : créer des personnages, et discuter avec eux.

• Création guidée : à partir d'un nom et de quelques traits, elle rédige une description, une histoire, des phrases d'accueil et des tags.
• Génération du portrait, recadré automatiquement autour du visage en avatar, vignette et grand format.
• Un studio d'images pour retoucher un portrait à partir d'une consigne écrite, prévisualiser le résultat, puis le garder ou l'annuler.
• Un chat de roleplay qui conserve tout son historique, avec un prompt système construit à partir du profil du personnage.
• Recherche sur les personnages et les tags, plus des suggestions de personnages sémantiquement proches.
• Personnages publics et privés, likes, favoris, signalements, et export en carte de personnage PNG.

La part agentique

Créer un personnage passe par une série d'appels au modèle. Le premier gère l'apparence, un autre l'histoire, puis la phrase d'accueil, puis les tags. Chaque étape a ses propres instructions et son nettoyage, et chacune alimente la suivante. Le texte obtenu sert ensuite de prompt pour le modèle d'image. Le pipeline appelle aussi plusieurs services de lui-même : génération d'images, détection du visage, calcul d'embeddings, recherche vectorielle, stockage objet et indexation. Les fournisseurs de modèles sont chaînés : si l'un tombe, le suivant prend le relais sans interrompre la conversation. Un mot sur le terme « agentique », facile à survendre : il s'agit d'orchestration avec repli et workers en arrière-plan. Le modèle ne choisit pas ses objectifs ; l'ordre des étapes et les appels d'outils sont entièrement écrits dans le code.

Approche technique

React et TypeScript au front, FastAPI au back. Chaque responsabilité tourne dans son propre conteneur, pour qu'une brique lente ou en panne n'entraîne pas le reste.

• Front : React, TypeScript, Vite, Tailwind, React Query et Zustand.
• API : FastAPI, entièrement asynchrone, découpée en endpoints, services et repositories.
• Stockage : PostgreSQL avec pgvector, MongoDB pour les conversations, Redis pour le cache et la file de tâches.
• Traitements de fond : des workers Celery pour les embeddings, les compteurs et la reconstruction d'index.
• Recherche : Meilisearch pour le texte, et un service FAISS séparé en gRPC pour les vecteurs.
• Infra : un Docker Compose par environnement, Loki et Promtail pour les logs, et S3 avec URLs CDN signées pour les images.

Statut actuel

Développement arrêté. Je ne me retrouve pas dans les valeurs de ce marché, et je ne crois pas qu'on puisse garantir une IA conversationnelle sûre pour tout le monde, une limite intrinsèque à cette technologie.