En cours·2026
Testing Agent
De la user story au bilan de recette : il prépare les tests, lance les siens et vous guide dans les vôtres. Gratuit pendant sa phase de test.
Le Testing Agent s'installe dans votre agent de code : GitHub Copilot, Claude Code, Codex ou Cursor. À partir des critères d'acceptation, il prépare les cas de test par niveau, écrit et lance les tests de code, vous guide pas à pas dans les tests d'écran, évalue l'IA générative et tient le suivi jusqu'au bilan de recette, avec ou sans Azure DevOps. Vous validez chaque étape, et les données ne quittent pas votre poste.
- Tests déterministes, probabilistes et hybrides, avec pour chacun le type de preuve qui lui convient
- Avec Azure DevOps et Azure Test Plans, ou sans outil de suivi
- En français et en anglais, gratuit pendant la phase de test, depuis votre espace
Prérequis
- Python 3.10
- MCP
- Azure DevOps (facultatif)
En cours·2026
AI Product Testing Course
Un cours en ligne pour apprendre à tester un produit qui contient de l'IA générative, des bases du test jusqu'au dossier d'évaluation remis à un décideur.
La partie 1 apprend ce dont tout produit a besoin : des cas de test dont le résultat attendu vient d'une spécification, au bon niveau, et une campagne dont on rend compte honnêtement. La partie 2 traite de ce qui change avec l'IA générative, quand plusieurs réponses peuvent être correctes : définir ce que « digne de confiance » veut dire pour un produit précis, puis le démontrer. Neuf modules et un projet final, pour les profils métier qui testent un produit ou valident un système contenant de l'IA générative avant sa mise en production.
- Neuf modules et un projet final : environ 14 heures de travail, en français et en anglais
- Rien à installer, aucun compte : les tests et les évaluations tournent dans votre navigateur, avec le moteur Python du cours
- Une règle tout au long du cours : pas de seuil sans validation écrite, et en cas de doute, le verdict est « Not Ready »
Archivé·2022-2025
YVEA
La startup que j'ai cofondée : un moteur IA qui vérifie la conformité des dossiers d'export, un travail jusque-là fait à la main.
À l'export, la conformité d'un dossier se vérifiait encore à la main. Nous avons commencé par une interface de gestion. L'analyse des flux de travail a ensuite montré que le temps se perdait ailleurs : dans la comparaison du contenu des documents, faite à la main, dossier par dossier. Le produit est donc devenu un moteur IA qui fait cette comparaison. J'ai piloté le produit du premier cahier des charges jusqu'au product-market fit : 50 clients payants, 200 k€ de budget R&D.
- Temps de préparation des dossiers réduit de 75 %, et Time-to-Certificate de 40 %
- 90 % de succès sur la détection automatique des non-conformités réglementaires, coût maîtrisé entre 0,15 et 0,30 $ par dossier
- Ce que je referais autrement : miser sur la donnée propriétaire plutôt que sur l'orchestration, devenue une commodité
Stack technique
- Next.js
- Python
- GPT-4o
- Azure Document Intelligence