Le radar IA de STELIA

Les erreurs les plus dangereuses pour une application SaaS ne sont pas celles qui affichent un message rouge à l'écran. Ce sont les erreurs silencieuses — un fetch qui échoue sans toast, un composant qui se vide sans explication, une fonctionnalité qui ne répond plus sans que personne ne le signale. STELIA a déployé un mécanisme d'observabilité client-side pour les capturer avant qu'elles n'atteignent les utilisateurs.

Le problème des erreurs silencieuses

Dans une application web et mobile de 63 modules, les points de défaillance sont nombreux. Un token expiré qui ne déclenche pas de logout visible, un SSE qui se déconnecte sans retry, une route backend qui retourne 500 avec un corps vide — autant de situations où l'utilisateur voit une interface figée sans comprendre pourquoi. Sans instrumentation côté client, ces erreurs n'apparaissent pas dans les logs serveur.

Le mécanisme : patch global fetch + POST /api/client-error

La solution implémentée dans STELIA est un patch global du fetch — une surcharge de la fonction native qui intercepte chaque appel réseau, détecte les échecs (status >= 400, timeout, erreur réseau), et envoie automatiquement un rapport vers POST /api/client-error. Le rapport contient l'URL appelée, le status de réponse, le message d'erreur, l'horodatage et l'identifiant utilisateur (anonymisé pour les non-connectés).

Côté mobile, le même mécanisme est implémenté via une surcharge du fetch global dans le fichier d'initialisation de l'app Expo. Les erreurs remontent dans la même collection MongoDB client_errors, avec un champ platform distinguant web et mobile.

Lecture en temps réel et alertes

La collection client_errors est consultable depuis le dashboard admin STELIA. Les erreurs sont regroupées par type, par route et par fréquence — un pic d'erreurs 401 sur /api/agent/stream indique immédiatement un problème de token ; une vague d'erreurs réseau sur mobile signale une régression de connectivité. L'objectif est de détecter les incidents en minutes, pas en jours après un signalement utilisateur.

Un assistant IA fragmenté en modules indépendants pose un problème invisible mais constant : l'utilisateur génère une image dans STELIA.IMAGEGEN, puis ouvre manuellement STELIA.NFT pour l'y coller. Il clone une voix dans STELIA.VOICECLONE, puis va chercher l'audio dans STELIA.AVATAR pour l'y importer. Chaque transition est une friction, chaque copier-coller est une occasion d'abandonner le flux. La Phase 6 de STELIA règle ce problème structurellement.

Un gabarit universel : useIncomingIntent + ContinueWithButton

La solution architecturale repose sur deux éléments complémentaires. Le hook useIncomingIntent détecte en entrée de chaque module si des données arrivent d'un autre module — un identifiant de génération, une URL audio, un buffer base64. Le composant ContinueWithButton apparaît en sortie de chaque module pour proposer les destinations naturelles : après une génération d'image, le bouton "Créer un NFT" ; après un clone vocal, le bouton "Animer un avatar".

Ce gabarit a été implémenté une fois et appliqué sur l'ensemble des 63 modules. Le résultat : les données circulent nativement entre modules, sans que l'utilisateur ait à quitter son flux de travail.

7 paires câblées en Phase 6

Les connexions déployées couvrent les flux les plus naturels : Musique ↔ Vidéo (bande son générée directement associée à une vidéo), Avatar → SynthID (vérification d'authenticité après génération), Code ↔ Automations (un script généré peut être automatisé directement), ImageGen → NFT (tokenisation en un clic), Persona → SuperChat (le profil de persona alimente directement une session multi-modèles), Rédac → Code/Design (un article peut générer une landing page), Deepfake → SynthID (analyse immédiate après détection).

Au passage, 10 liens morts ont été corrigés dans les 65 modules : des boutons qui naviguaient vers des routes inexistantes ou appelaient des handlers jamais définis — des silences qui ressemblaient à des bugs sans l'être franchement.

Données sensibles et RGPD

Le composant ContinueWithButton a été étendu avec une prop getParams async pour les transferts impliquant des données base64 volumineuses — fichiers audio, images haute résolution. Ces données ne transitent pas par l'URL ni par le localStorage : elles sont passées directement en mémoire au module de destination, sans persistance côté client.

Les assistants IA parlent. Les agents agissent. Depuis sa première version, l'Agent STELIA progressait vers ce deuxième statut — mais avec la v5, le cap est franchi : un moteur autonome unifié, une trentaine d'outils réels, et cinq niveaux de permission qui laissent l'utilisateur décider jusqu'où l'agent peut aller seul.

Un moteur unifié pour remplacer trois boucles dupliquées

Les versions précédentes de l'Agent souffraient d'un problème architectural : trois boucles d'exécution indépendantes coexistaient dans le code, chacune gérant partiellement les outils, la mémoire et les confirmations. La v5 les remplace par un seul fichier agent_loop.py qui orchestre l'intégralité du cycle — analyse de l'intention, sélection d'outil, exécution, gestion d'erreur, synthèse du résultat. Chaque étape est traçable, chaque décision est logguée.

Cinq modes de permission

L'innovation centrale de la v5 est son système de permission à cinq niveaux. Le mode Manuel demande une confirmation avant chaque action — l'utilisateur valide ou refuse chaque étape. Le mode Accepter exécute directement mais affiche un résumé des actions réalisées. Le mode Plan présente un plan d'exécution complet avant de commencer, l'utilisateur valide l'ensemble. Le mode Auto exécute en totale autonomie, idéal pour les tâches répétitives et bien définies. Le mode Ignorer désactive l'agent pour passer en chat simple.

Un bug critique a été corrigé au passage : le mode Manuel était en réalité un mode Auto déguisé pour environ 50 % des cas — le frontend n'affichait jamais le dialogue de confirmation. Ce comportement est maintenant corrigé.

~30 outils réels dans le registre

Le registre d'outils de la v5 couvre l'ensemble des modules STELIA : génération d'avatar, de vidéo, de musique, de design, de code, de NFT et de jeux ; recherche web et Fan-Out ; gestion d'agenda, d'automations, de workspaces, d'Agora et de Messenger ; outils média pour la transcription et l'analyse. Chaque outil est déclaré avec son schéma de paramètres, ses permissions requises et son quota de consommation.

Volontairement exclus du registre pour cette version : Stripe (transactions financières), Copilot (accès documents sensibles), Commander (commandes vocales) et execute_command (shell — décision produit non encore tranchée).

La majorité des assistants IA grand public partagent une limite frustrante : ils ne retiennent rien de votre progression. Chaque conversation repart de zéro, sans mémoire de ce qui a fonctionné la veille, sans préférence apprise, sans ajustement réel dans le temps.

Ce qui change dans le secteur

Les usages avancés de l'IA poussent vers une nouvelle attente : que l'outil s'améliore avec l'usage, comme le ferait un collègue qui apprend à connaître votre façon de travailler. Un simple historique de conversation ne suffit plus — il faut un système capable de mesurer ce qui plaît réellement à l'utilisateur, et d'ajuster ses réponses en conséquence.

Comment STELIA.LEARN fonctionne

Chaque interaction dans STELIA peut générer un signal : un pouce levé ou baissé, une réponse copiée, une régénération demandée. Ces signaux sont collectés en arrière-plan et transformés en profil d'apprentissage par utilisateur — visible directement dans un dashboard dédié, avec un score de satisfaction et le modèle IA le plus performant selon le type de tâche.

Aucun modèle d'IA n'est universellement meilleur. Claude excelle souvent en raisonnement et en rédaction nuancée, GPT-4o se distingue sur certaines tâches créatives, Gemini brille sur l'intégration multimodale. Pourtant, la majorité des assistants grand public imposent un seul modèle, sans alternative.

Le vrai problème : choisir à l'aveugle

Sans pouvoir comparer, l'utilisateur doit deviner quel modèle convient le mieux à sa tâche — et change rarement, par habitude plutôt que par choix éclairé. C'est un manque que très peu d'applications mobiles ont comblé jusqu'ici.

Le principe de STELIA.ARENA

STELIA.ARENA envoie le même prompt à plusieurs modèles simultanément, affiche les réponses côte à côte, et permet de voter pour la meilleure. Chaque vote alimente aussi STELIA.LEARN, qui apprend progressivement quel modèle convient le mieux à chaque type de tâche pour chaque utilisateur.

Malgré les progrès rapides de l'IA générative, l'accessibilité reste largement secondaire dans la conception des assistants grand public. La reconnaissance de la Langue des Signes — utilisée par des centaines de milliers de personnes sourdes et malentendantes en France — est quasiment absente des applications mobiles d'IA.

Un manque rarement adressé

La plupart des solutions d'accessibilité existantes sont des outils tiers, séparés de l'assistant principal, avec une expérience fragmentée. Peu d'éditeurs intègrent la reconnaissance gestuelle directement dans le cœur du produit.

L'approche STELIA

STELIA intègre la reconnaissance de la Langue des Signes Française nativement dans l'application, sans outil tiers à installer. Une approche qui reste rare dans l'écosystème des assistants IA mobiles, en France comme à l'international.

La question "quel modèle choisir ?" a longtemps défini la façon dont les power users abordent l'IA. Claude pour le raisonnement, GPT-4o pour la créativité, Gemini pour le multimodal, Mistral pour le français — la sélection manuelle reste la norme. STELIA.SUPERCALCULATEUR repose sur une hypothèse différente : ne pas choisir, mais tous les consulter en même temps.

Ce que les autres ne font pas

Les outils de comparaison IA existants (LMSys Chatbot Arena, etc.) sont pensés pour évaluer les modèles, pas pour produire une réponse exploitable. Ils affichent deux réponses, vous demandent de voter, et s'arrêtent là. Aucun n'analyse automatiquement le consensus entre plusieurs modèles, ni ne propose un fact-check des affirmations avancées.

Ce que STELIA.SUPERCALCULATEUR fait différemment

Le module envoie votre prompt à 8 modèles simultanément via OpenRouter — Claude, GPT-4o, Gemini, Mistral, DeepSeek, LLaMA, Qwen, Command R+. Il calcule ensuite une analyse de consensus sémantique réelle : non pas une longueur de réponse, mais la similarité entre les arguments avancés par chaque modèle, avec identification des points de convergence et des divergences notables.

Deux fonctionnalités se distinguent particulièrement. La sélection automatique par domaine détecte si votre question relève du code, des mathématiques, du droit, de la science ou de la créativité — et oriente automatiquement les 4-5 modèles les plus adaptés. Le mode débat 3 rounds va plus loin : chaque modèle répond, puis critique les réponses des autres, puis synthétise une position finale tenant compte des critiques reçues.

Pourquoi ça change la donne

Sur des sujets complexes ou controversés — analyse juridique, diagnostic médical, stratégie business — la convergence de 8 modèles indépendants est un signal de fiabilité que la réponse d'un seul modèle ne peut pas offrir. Le fact-check intégré via SerpAPI ajoute une couche de vérification factuelle que la plupart des assistants IA ne proposent tout simplement pas.

La création de contenu SEO reste un processus morcelé pour la plupart des équipes éditoriales. Recherche de mots-clés dans un outil, brief dans un autre, rédaction dans un troisième, optimisation dans un quatrième, publication manuelle dans WordPress. Chaque transition est une friction, chaque outil une interface à maîtriser.

Ce que le marché propose

Les outils de rédaction IA comme Jasper, Surfer SEO ou Writesonic couvrent chacun une partie du pipeline. Jasper génère du texte, Surfer optimise le SEO, WordPress publie. Mais l'intégration complète de bout en bout — du mot-clé à la publication WordPress avec score SEO calculé en temps réel — reste rare, et onéreuse quand elle existe.

Le pipeline STELIA.REDAC en 5 étapes

STELIA.REDAC automatise l'intégralité du processus dans une interface unique : 1) Analyse des mots-clés et recherche de volume, 2) Brief SERP basé sur l'analyse des résultats existants, 3) Plan détaillé avec H2/H3 suggérés, 4) Génération de l'article de 1500+ mots optimisé, 5) Score SEO calculé automatiquement et publication directe via l'API WordPress.

Le module a été validé en production sur un article de 1654 mots avec un score SEO de 82/100, publié directement sur un site WordPress externe sans aucune intervention manuelle après la validation du plan.

L'originalité : le score SEO en temps réel

Peu d'outils tout-en-un calculent un score SEO sur leur propre contenu généré et l'affichent avant publication. STELIA.REDAC le fait nativement, avec analyse de la densité de mots-clés, de la structure des titres, de la longueur et de la lisibilité — directement dans l'interface de rédaction.

La recherche web intégrée aux assistants IA s'est popularisée rapidement — ChatGPT avec Bing, Perplexity avec ses sources multiples, Claude avec ses outils de recherche. Mais la plupart de ces intégrations reposent sur une seule source : un moteur de recherche web. Quand l'information cherchée est factuelle, encyclopédique ou d'actualité récente, une seule source produit des angles morts.

Le problème des sources uniques

Une recherche Google peut manquer des événements récents non encore indexés. Wikipedia donne le contexte de fond, mais pas l'actualité. Les sources d'actualité donnent le présent, mais pas le contexte historique. Croiser ces trois sources sur chaque requête est ce que font les bons chercheurs — mais aucun assistant IA grand public ne le fait automatiquement en temps réel.

L'approche de STELIA.SEARCH AVANCÉ

Le module agrège trois sources en parallèle sur chaque requête : SerpAPI pour les résultats web organiques, Wikipedia pour le contexte encyclopédique, NewsAPI pour l'actualité des dernières 24 heures. Les résultats sont fusionnés, dédupliqués, et filtrables par source — l'utilisateur peut choisir de n'afficher que les résultats web, ou d'activer les trois simultanément.

Validé en production avec une recherche sur "rida belghiat" retournant 8 sources croisées en moins de 3 secondes, le module introduit un standard de recherche multi-sources qui reste rare dans les assistants IA tout-en-un.

La mémoire est devenue l'un des axes de différenciation les plus discutés dans l'IA conversationnelle. ChatGPT a introduit la mémoire persistante courant 2024, Claude l'expérimente via les projets. Mais la plupart de ces systèmes restent des listes de faits stockés manuellement, sans analyse, sans déduplication, sans visualisation pour l'utilisateur.

Ce que font (et ne font pas) les concurrents

Les mémoires existantes dans les assistants grand public partagent une limite commune : elles stockent des faits bruts sans les connecter entre eux, sans détecter les doublons sémantiques ("j'habite à Paris" et "je suis basé à Paris" sont deux entrées distinctes), et sans offrir d'interface pour explorer, corriger ou exporter ses propres données.

Ce que STELIA.MEMORY v3 apporte de nouveau

La troisième version du moteur de mémoire STELIA repose sur ChromaDB pour la déduplication sémantique — deux souvenirs exprimés différemment mais identiques dans le sens sont automatiquement fusionnés avec un seuil de similarité configurable. Un knowledge graph visualise les connexions entre les concepts mémorisés, mis en cache 24 heures pour des performances optimales.

L'inject_mode permet de contrôler précisément ce qui est injecté dans chaque conversation : tous les souvenirs, uniquement ceux liés au projet en cours, ou les plus récents. L'export est disponible en JSON, Markdown et CSV — l'utilisateur garde une maîtrise complète de ses données, ce qui reste rare dans les assistants IA contemporains.

La timeline comme interface de confiance

STELIA.MEMORY propose une timeline chronologique des souvenirs, avec filtres par date, catégorie et source. Cette transparence sur ce que l'IA "sait" de l'utilisateur répond à une attente croissante : comprendre et contrôler sa propre empreinte dans un système IA, sans se contenter d'une boîte noire opaque.