AI Consulting Accelerator
ContinuWorkflow de conseil assisté par IA qui ancre la découverte, l'analyse et la livraison dans des standards industriels (IREB, BABOK, BPMN, PMBOK, Scrum) via la génération augmentée par récupération. Le système génère des ébauches structurées et citées à partir d'un input client non structuré — avec 13 compétences nommées et versionnées, des engagements multi-tours avec état et un Organizational Memory Layer. Complet et testé localement ; déploiement AWS en attente.
Technologies
Problème
Les Business Analysts, ingénieurs des exigences et chefs de projet passent du temps à rechercher manuellement dans les frameworks et à construire des artefacts depuis zéro. Les connaissances des engagements passés ne s'intègrent pas automatiquement aux nouveaux — les patterns ne sont pas reconnus et les écarts de vocabulaire empêchent les problèmes métier de se connecter aux solutions techniques.
Approche
Workflow à trois couches (Discovery → Analysis → Delivery) avec deux types de mémoire : mémoire sémantique (RAG sur 23 frameworks indexés, ~5 380 chunks avec citations) et mémoire procédurale (13 compétences nommées et versionnées — invoquées par nom, non par similarité). Un Organizational Memory Layer connecte cinq sources (frameworks, compétences, projets, rapports radar, signaux concurrents) via un seul appel d'embedding par requête, avec des plafonds par source et un filtrage de pertinence garantissant des réponses honnêtes "rien trouvé".
Résultat
Complet et testé localement : 21 fonctionnalités principales, 70 tests pytest, 16 cas tests en DE et EN. Artefacts couverts : Q&A framework avec citations, structureur de problème métier, structureur d'exigences (BR/FR/NFR, INVEST user stories), analyse des parties prenantes (RACI), générateur de roadmap, discovery multi-tours avec état, cycle de vie des engagements (renommer, archiver, supprimer) et export de rapport en Markdown, Word et PDF. Scripts de déploiement validés ; déploiement AWS en attente.
Apprentissages
L'invocation des compétences par nom (et non par similarité) évite les ambiguïtés et garantit des contrats de sortie cohérents. Le vocabulary bridge — métadonnées de description en langage métier dans SKILL.md combinées à une expansion de mots-clés côté requête — comble le fossé de vocabulaire métier-technique sans pipeline ML complexe. Les plafonds de récupération par source empêchent les rapports denses de déplacer les références de compétences utiles. La dérive de langue nécessite une détection côté serveur et des instructions explicites de langue de sortie dans les prompts.
Pertinence
Démontre la réflexion produit assistée par IA de bout en bout, une architecture RAG ancrée dans les standards industriels, une séparation nette entre mémoire sémantique et procédurale et la préparation au déploiement AWS — directement pertinent pour les organisations de conseil souhaitant mettre à l'échelle les processus BA/RE avec l'aide de l'IA.