Contexte

TwinForge est un produit interne consacré à l’accompagnement fitness. Il permet à Digital Freedom Caraïbe d’explorer, dans un environnement complet, la façon dont plusieurs fonctions assistées par l’IA peuvent partager un même contexte utilisateur.

Le produit sert de terrain de recherche et développement. Il n’est pas présenté comme une prestation menée pour un client tiers, ni comme la preuve d’un retour sur investissement externe. Son intérêt est technique : documenter comment des fonctions liées à l’entraînement, à la nutrition, au suivi d’activité et au coaching peuvent coopérer sans devenir une collection d’assistants indépendants.

Enjeu : spécialiser les fonctions sans fragmenter l’expérience

Multiplier les assistants spécialisés crée rapidement des réponses contradictoires, de la latence et des consommations difficiles à suivre. Si chaque fonction reconstruit son propre contexte, l’utilisateur doit répéter les mêmes informations et le produit ne dispose plus d’une vision cohérente de son parcours.

TwinForge devait donc séparer les responsabilités tout en maintenant un contexte partagé. Il fallait aussi rendre les traitements longs de façon progressive, suivre les consommations liées aux appels IA et prévoir un parcours vocal expérimental sans faire de ces briques des promesses de performance non mesurées.

Cette problématique correspond à un projet de système IA sur mesure en Martinique : la difficulté ne réside pas seulement dans la génération d’une réponse, mais dans la coordination, les limites et l’observabilité de l’ensemble.

Contraintes d’architecture

Une orchestration multi-agents ajoute des dépendances. Une fonction peut attendre une autre fonction, produire un résultat intermédiaire ou devoir être interrompue. L’interface doit continuer à informer l’utilisateur pendant ce traitement, d’où le recours à un rendu progressif par SSE.

Le cache répond à une autre contrainte : éviter de recalculer un résultat encore valable. Le suivi des consommations permet pour sa part d’observer l’usage des ressources IA. Ces mécanismes ne démontrent pas une économie chiffrée ; ils donnent au produit les moyens de comprendre ce qu’il exécute et d’arbitrer ses traitements.

Approche retenue

L’architecture sépare les responsabilités des agents tout en maintenant une direction commune. Les traitements longs sont rendus progressivement, les appels peuvent être interrompus et les couches de cache évitent de recalculer une réponse encore valable. Le suivi des usages fait partie du produit, au même titre que l’interface.

Cette approche privilégie un pipeline explicite : chaque fonction intervient dans un rôle défini, le contexte nécessaire peut être partagé et le résultat rejoint le parcours global. Elle rejoint les principes d’une automatisation de processus supervisable, où les étapes et les points d’arrêt doivent rester compréhensibles.

Le coaching vocal est traité comme un prototype de parcours supplémentaire. Sa présence dans le produit ne signifie ni que toute interaction passe par la voix, ni qu’un niveau d’autonomie a été mesuré. Il vérifie la possibilité d’intégrer ce canal dans l’architecture existante.

Réalisation

Mise en place d’une orchestration d’agents spécialisés.
Partage d’un contexte utilisateur entre plusieurs domaines.
Streaming progressif des réponses avec SSE.
Expérimentation d’un parcours de coaching vocal.
Cache multi-niveaux et suivi des consommations IA.
Persistance progressive des résultats produits.

Interface de TwinForge illustrant le produit interne et ses fonctions assistées par l’IA

Arbitrages : vitesse perçue, cohérence et consommation

Le streaming progressif ne réduit pas automatiquement le temps total d’un traitement. Il permet de présenter les éléments au fur et à mesure au lieu de laisser une interface muette. L’interruption offre un contrôle supplémentaire lorsque le résultat n’est plus utile ou que le parcours change.

Le cache n’est pas davantage une solution universelle. Une réponse ne peut être réutilisée que si son contexte et sa durée de validité le permettent. TwinForge emploie plusieurs niveaux de cache dans cette logique, sans publier ici de taux de réutilisation ou d’économie.

Enfin, le suivi des consommations distingue une capacité d’observation d’une affirmation de coûts « maîtrisés ». L’étude atteste qu’un mécanisme de suivi existe ; elle ne revendique aucune baisse tant qu’une photographie technique et financière datée n’est pas liée au dossier.

Résultats vérifiés

Les parcours, l’orchestration, le contexte partagé, le streaming et les mécanismes de suivi existent dans le produit interne. Ils constituent les résultats techniques vérifiables de ce cas.

Les nombres d’agents, de fonctions ou d’usages, les temps de réponse et les économies auparavant affichés ont été retirés de cette version publique. Ces valeurs évoluent avec le produit et nécessitent une photographie technique et analytique datée. La page ne transforme donc pas l’existence d’un mécanisme en résultat chiffré.

Enseignements pour un produit multi-agents

TwinForge rappelle qu’un système multi-agents doit commencer par la répartition des responsabilités, pas par un nombre d’agents à afficher. Chaque spécialisation doit résoudre un besoin distinct, recevoir le contexte utile et rendre un résultat exploitable par la suite du parcours.

Il faut également définir ce qui est journalisé, ce qui peut être interrompu et ce qui peut être réutilisé. Ces décisions structurent la fiabilité et la capacité à diagnostiquer le produit. Le guide de l’IA en Martinique aide à replacer ces choix dans un cadrage métier avant de sélectionner les modèles et les outils.

Suite

TwinForge reste un chantier de recherche et développement interne. Il documente une capacité d’architecture, mais n’est pas présenté comme le résultat obtenu pour un client tiers. Les futurs bilans ne publieront des mesures de latence, de consommation ou d’usage qu’avec une définition, une période et une source archivées.

Les organisations qui envisagent un parcours comportant plusieurs fonctions IA peuvent commencer par décrire leurs cas d’usage et leurs sources de données : l’orchestration n’a de sens qu’une fois ces responsabilités clarifiées.

Découvrir TwinForge

Produit interne · architecture multi-agents et temps réel