Que sauront faire vos développeurs à la fin de la formation, et que la formation ne couvre-t-elle pas ?
Ajouter un appel à un modèle de langage dans une application prend dix lignes de code. Le rendre fiable, abordable et sûr en prend beaucoup plus : il faut décider où l'appel s'exécute, ce qu'il reçoit, ce qu'il doit rendre, ce qui se passe quand le fournisseur ne répond pas, combien il coûtera le mois suivant et comment prouver, six mois plus tard, ce qui a été envoyé et par qui. Cette formation s'adresse à l'équipe qui maintient déjà le logiciel, interne ou prestataire attitré, et travaille sur son propre code.
À la fin des trois jours, chaque développeur sait faire seul sept choses, vérifiées par un exercice : appeler les API d'OpenAI, d'Anthropic et de Google depuis PHP et depuis Node.js ; écrire une couche d'adaptation qui permet de changer de fournisseur par la configuration ; obtenir une réponse conforme à un schéma JSON, puis la valider par des règles métier ; préparer les données envoyées en retirant ce qui n'est pas nécessaire ; estimer et suivre le coût d'une fonction ; neutraliser les attaques par injection de consignes et les sorties dangereuses ; journaliser et tester l'intégration avant de l'ouvrir aux utilisateurs.
Le responsable technique repart en plus avec une liste de contrôle de mise en production, un modèle de journal des appels et un jeu d'essai annoté sur un cas réel de son logiciel. Le travail se fait sur une copie de votre application et sur un cas choisi avant la session, appelé ici le cas fil rouge : lire des bons de livraison, résumer des tickets, classer des demandes entrantes, proposer une réponse, remplir une fiche à partir d'un courrier.
Plusieurs sujets voisins ont leur propre page. Le choix des étapes d'un processus à confier à l'IA, avec le contrôle humain qui les encadre, relève de la formation IA dans les processus métier. Les fonctions d'IA d'Odoo sont traitées dans Odoo et IA, et la charte, l'inventaire et les responsabilités dans Gouverner l'IA dans l'entreprise. Les assistants qui agissent avec des outils, la recherche dans vos documents et la conception d'une API ont aussi leur formation, listée en bas de page. Si vous préférez confier le projet plutôt que de former vos équipes, voyez le service d'intégration de l'IA en entreprise.
À qui s'adresse la formation, avec quels prérequis et quel matériel ?
La formation est technique. Elle suppose que les participants lisent et écrivent du code dans le langage de l'application à modifier. Un groupe mixte, avec un ou deux profils moins techniques, reste possible si chacun sait ce qu'il vient chercher.
-
Les développeurs de l'application
Ils écriront l'adaptateur, les connecteurs, la validation et les tests. Ils suivent les six demi-journées et travaillent en binôme sur le cas fil rouge, chacun sur son poste, dans le dépôt de l'entreprise ou dans une copie.
-
Le responsable technique ou le chef de projet
Il décide de l'architecture, des fournisseurs et des règles de mise en production. Il peut ne suivre que le premier jour et le dernier après-midi, mais c'est lui qui valide la liste de contrôle et signe la décision de mise en service.
-
L'administrateur système
Il gère les secrets, les variables d'environnement, la file d'attente, les journaux et les sauvegardes. Sa présence est utile l'après-midi du premier jour et le troisième jour.
-
Le prestataire qui maintient le logiciel
Quand le code appartient à l'entreprise mais qu'un prestataire le fait évoluer, il est souvent le meilleur participant : la formation donne au client et au prestataire le même vocabulaire et les mêmes exigences.
-
Prérequis techniques
Savoir écrire une requête HTTP, lire du JSON, utiliser Composer ou npm, Git et une ligne de commande. Pour le PHP, connaître un framework comme Laravel ou Symfony aide sans être exigé ; pour Node.js, être à l'aise avec les fonctions asynchrones.
-
Matériel et accès
Un ordinateur par participant avec l'environnement de développement de l'application, une copie de la base avec des données fictives ou anonymisées, un accès à Internet stable, et des clés d'API de test ouvertes au nom de l'entreprise avant la session, avec un plafond de dépense bas.
-
Ce qui est préparé avant
Le choix du cas fil rouge, une trentaine d'exemples réels anonymisés avec la réponse attendue pour chacun, et une description courte de l'architecture : langage, version, framework, base de données, hébergement, file d'attente éventuelle.
Quel est le programme, demi-journée par demi-journée ?
Jour 1, matin : comprendre ce que l'on achète quand on appelle un modèle3 h 30
- Le vocabulaire de travail : jeton, fenêtre de contexte, consigne système, température, nombre maximal de jetons produits, modèle et version datée.
- Ouvrir les comptes au nom de l'entreprise chez OpenAI, Anthropic et Google, créer un projet par environnement (essai, recette, production) et une clé par projet.
- Lire une page tarifs : prix d'entrée, de sortie, de lecture en cache, remise de lot, majoration pour un traitement localisé, paliers d'usage et plafonds de dépense.
- Premier appel en ligne de commande, puis depuis PHP et depuis Node.js, avec la même consigne envoyée aux trois fournisseurs.
- Lire le bloc d'usage de chaque réponse : jetons lus, jetons produits, jetons servis depuis le cache, et calculer le coût de l'appel à la main.
- Exercice de contrôle : le même texte français envoyé à trois modèles, avec le relevé des jetons comptés par chacun et l'écart de coût qui en résulte.
Jour 1, après-midi : placer l'appel dans l'architecture de votre application3 h 30
- Où l'appel doit-il vivre : dans le contrôleur, dans un service métier, ou dans une tâche de fond alimentée par une file d'attente.
- Écrire une interface unique côté application et une implémentation par fournisseur, pour changer de modèle par la configuration et non par la réécriture.
- SDK officiel, bibliothèque communautaire ou simple client HTTP : ce que chaque choix apporte et ce qu'il impose au moment des mises à jour.
- Délais d'attente, nouvelles tentatives guidées par l'en-tête Retry-After, attente exponentielle avec part aléatoire, nombre maximal d'essais.
- Idempotence : éviter qu'une nouvelle tentative crée deux brouillons, deux courriels ou deux écritures pour une seule demande.
- Exercice de contrôle : l'adaptateur écrit en binôme pour deux fournisseurs, puis la bascule de l'un à l'autre en modifiant une seule variable de configuration.
Jour 2, matin : obtenir une réponse exploitable par le code, puis la vérifier3 h 30
- Pourquoi un texte libre casse une intégration, et comment le schéma JSON transmis à l'API contraint la forme de la réponse.
- Les sorties structurées des trois fournisseurs : où se déclare le schéma, quelles limites il connaît, comment se signale un refus du modèle.
- Valider ce que la forme ne garantit pas : un total égal à la somme des lignes, une date plausible, un code client qui existe dans votre base.
- Écrire le résultat dans une table de brouillons, avec son statut, la référence de la source et la personne qui devra valider.
- Versionner la consigne comme du code : fichier dédié, numéro de version, revue avant fusion, trace de la version utilisée dans chaque appel.
- Exercice de contrôle : sur le cas fil rouge de votre logiciel, trente exemples traités, validés automatiquement, puis classés en accepté, rejeté ou à revoir.
Jour 2, après-midi : préparer les données et écrire les connecteurs3 h 30
- Lire la donnée là où elle se trouve : requête dans votre base MySQL ou PostgreSQL, fichier déposé, courriel reçu, appel à l'API d'un ERP ou d'un CRM.
- Envoyer le texte déjà extrait plutôt que le fichier entier quand c'est possible, et mesurer la différence de jetons et de qualité.
- Minimiser : retirer les champs inutiles à la tâche, remplacer noms, téléphones et numéros de compte par des étiquettes rétablies au retour.
- Compte technique du connecteur : droits limités à ce que la tâche exige, secret rangé hors du code, rotation planifiée.
- Ce que les fournisseurs disent faire des données envoyées : entraînement, conservation, journaux de contrôle des abus, traitement localisé.
- Exercice de contrôle : le connecteur du cas fil rouge, avec un relevé de chaque champ envoyé au modèle et la justification de sa présence.
Jour 3, matin : tenir les coûts et fermer les failles propres aux modèles de langage3 h 30
- Estimer le coût mensuel d'une fonction avant de la livrer, à partir des volumes réels et des jetons mesurés le premier jour.
- Les leviers : modèle adapté à la tâche, consigne commune servie depuis le cache, traitement par lot de nuit, longueur de sortie bornée.
- Plafonds de dépense chez le fournisseur, quotas par utilisateur et par fonction dans l'application, alerte avant le dépassement.
- Les risques du référentiel OWASP 2025 qui se traitent dans le code : injection de consignes, divulgation d'informations, sortie mal traitée, autonomie excessive, fuite de la consigne système, consommation non bornée.
- Échapper, filtrer et valider toute sortie avant de l'afficher, de l'enregistrer ou de la passer à une autre fonction.
- Exercice de contrôle : cinq documents piégés soumis au cas fil rouge, puis la correction des défenses qui ont cédé.
Jour 3, après-midi : journaliser, tester et mettre en production sans surprise3 h 30
- Le journal de chaque appel : fonction métier, modèle exact, version de la consigne, jetons, coût calculé, durée, statut, identifiant de requête du fournisseur.
- Les tests unitaires avec des réponses simulées, pour que la suite de tests ne dépende ni du réseau ni d'une facture.
- Le jeu d'essai annoté et le test de non-régression rejoué à chaque changement de modèle, de consigne ou de fournisseur.
- Simuler les pannes : erreur de débit, surcharge du fournisseur, délai dépassé, réponse vide, et vérifier le comportement de repli.
- Mise en production progressive : drapeau de fonctionnalité, ouverture à une équipe pilote, seuil d'erreur qui déclenche le retour au traitement manuel.
- Exercice de contrôle : la liste de contrôle de mise en production remplie pour le cas fil rouge et relue par le responsable technique.
Revue de code, trois à quatre semaines plus tard2 h, à distance
- Lecture commentée de la branche qui intègre le cas fil rouge, ou de la première fonction livrée depuis la session.
- Revue du journal des appels : coûts réels, durées, erreurs, nouvelles tentatives, comparés aux estimations du troisième jour.
- Rejeu du jeu d'essai sur le modèle en service et sur un modèle concurrent, avec la décision chiffrée qui en découle.
- Liste des corrections prioritaires, distinguées de ce qui peut attendre la prochaine version.
Quels exercices les participants font-ils sur votre propre code ?
-
Choisir le cas fil rouge
Avant la formation
Lors du cadrage, le responsable technique propose deux ou trois tâches de son logiciel où une IA pourrait préparer un résultat. On retient celle qui a un volume réel, une réponse vérifiable et des données qu'on peut anonymiser. Les trente exemples annotés deviennent le jeu d'essai du troisième jour.
-
Mesurer le même texte chez trois fournisseurs
45 minutes
Un extrait de vos documents, en français, est envoyé aux trois API avec la même consigne. Chacun relève les jetons comptés, la durée, le coût calculé et la qualité de la réponse. L'écart surprend souvent : le même texte ne coûte pas le même nombre de jetons d'un modèle à l'autre.
-
Écrire l'adaptateur
1 h 30
Une interface unique, par exemple une méthode qui reçoit une consigne, des données et un schéma, et rend un objet validé. Deux implémentations sont écrites, l'une avec un SDK officiel, l'autre avec un simple client HTTP. La bascule se fait par une variable de configuration, testée devant le groupe.
-
Contraindre et valider la réponse
1 h 30
Le schéma JSON du cas fil rouge est écrit, puis les règles métier que le schéma ne peut pas exprimer. Les trente exemples passent dans la chaîne ; chaque rejet est examiné pour savoir s'il vient du modèle, de la consigne, du schéma ou des données d'entrée.
-
Provoquer les pannes
1 heure
Un faux serveur renvoie tour à tour une erreur de débit, une erreur interne, une surcharge et un délai dépassé. Le groupe vérifie que l'application attend, réessaie dans les limites fixées, ne crée pas de doublon et prévient l'utilisateur au lieu de rester bloquée.
-
Attaquer son propre code
1 heure
Cinq documents piégés sont glissés dans le flux : consigne cachée dans un courrier, balise de script dans un champ, demande de révéler la consigne système, texte démesuré, caractères invisibles. Chaque défense qui cède est corrigée, puis le test piégé rejoint la suite automatique.
-
Rejouer le jeu d'essai et décider
1 heure
Les trente exemples sont rejoués sur deux modèles de prix différents. Le tableau final donne, pour chacun, la part de réponses justes, le coût pour mille traitements et la durée moyenne. La décision du modèle à mettre en service se prend sur ces chiffres, mesurés chez vous.
Combien coûte un million de jetons chez OpenAI, Anthropic et Google ?
| Fournisseur | Modèle | Entrée | Entrée lue en cache | Sortie | Lot (entrée / sortie) |
|---|---|---|---|---|---|
| OpenAI | gpt-6-luna | 0,10 $ | 0,01 $ | 0,50 $ | 0,05 $ / 0,25 $ |
| OpenAI | gpt-6.1-sol | 2 $ | 0,10 $ | 10 $ | 1 $ / 5 $ |
| OpenAI | gpt-6-astra | 10 $ | 1 $ | 50 $ | 5 $ / 25 $ |
| Anthropic | Claude Haiku 4.5 | 1 $ | 0,10 $ | 5 $ | 0,50 $ / 2,50 $ |
| Anthropic | Claude Sonnet 5.5 | 2 $ | 0,20 $ | 10 $ | 1 $ / 5 $ |
| Anthropic | Claude Opus 5.5 | 4 $ | 0,20 $ | 20 $ | 2 $ / 10 $ |
| Gemini 3.5 Flash-Lite | 0,30 $ | 0,03 $ | 2,50 $ | 0,15 $ / 1,25 $ | |
| Gemini 3.8 Flash | 0,75 $ jusqu'au 31 décembre 2026, puis 1,50 $ | 0,075 $, puis 0,15 $ | 3,75 $, puis 7,50 $ | 0,375 $ / 1,875 $ jusqu'au 31 décembre 2026 | |
| Gemini 3.1 Pro, en préversion | 2 $ jusqu'à 200 000 jetons | 0,20 $ | 12 $ | 1 $ / 6 $ |
Que faut-il lire au-delà du prix affiché ?
Quatre détails changent la facture réelle. Le premier tient au découpage du texte : la documentation d'Anthropic indique, au 5 octobre 2026, que ses modèles à partir de Claude 4.7 utilisent un nouveau découpage qui produit environ 30 % de jetons de plus pour un même texte, alors que Claude Haiku 4.5 garde l'ancien. Deux modèles affichés au même prix ne coûtent donc pas la même somme pour le même document. La formation fait mesurer ce point sur vos textes français, avec le comptage de jetons qu'Anthropic propose gratuitement.
Le deuxième concerne le cache. Chez Anthropic, l'écriture d'une consigne dans le cache de cinq minutes coûte 1,25 fois le prix d'entrée, et sa relecture un dixième de ce prix, sauf pour Claude Opus 5.5, facturé 5 % ; la page d'OpenAI affiche, elle aussi, un prix d'écriture en cache pour ses modèles GPT-6. Le cache ne rapporte que si la même consigne longue revient souvent, dans le délai de conservation : une architecture qui traite les demandes une à une, à plusieurs heures d'intervalle, n'en tire presque rien.
Le troisième est géographique. OpenAI majore de 10 % les appels à ses points de terminaison régionaux pour les modèles publiés depuis le 5 mars 2026, et Anthropic applique un coefficient de 1,1 quand on impose un traitement aux États-Unis avec le paramètre inference_geo, selon leurs pages tarifs du 5 octobre 2026. Le quatrième est le calendrier : la page de Google annonce dès maintenant le doublement du prix de Gemini 3.8 Flash au 1er janvier 2027. Un prix codé en dur dans l'application devient faux du jour au lendemain ; la formation le range dans la configuration.
Combien coûte, par mois, une fonction de résumé de tickets selon le modèle ?
| Modèle | Entrée | Sortie | Total du mois | Ce que la formation en retient |
|---|---|---|---|---|
| gpt-6-luna | 0,75 $ | 0,45 $ | 1,20 $ | Point de départ à mesurer sur le jeu d'essai ; si la qualité suffit, inutile de payer plus |
| Gemini 3.5 Flash-Lite | 2,25 $ | 2,25 $ | 4,50 $ | Exige le niveau payant dès que de vraies données circulent |
| Gemini 3.8 Flash | 5,63 $ | 3,38 $ | 9 $, puis 18 $ en 2027 | Exemple type de prix à garder dans la configuration |
| Claude Haiku 4.5 | 7,50 $ | 4,50 $ | 12 $ | Ancien découpage des jetons : à comparer sur vos textes |
| Claude Sonnet 5.5 | 15 $ | 9 $ | 24 $ | 12 $ en lot ; la consigne commune lue en cache descend à 0,90 $ au lieu de 9 $, hors écritures dans le cache |
| gpt-6.1-sol | 15 $ | 9 $ | 24 $ | Même ordre de grandeur que Sonnet 5.5 |
| Claude Opus 5.5 | 30 $ | 18 $ | 48 $ | Surdimensionné pour un résumé courant |
| gpt-6-astra | 75 $ | 45 $ | 120 $ | Réservé aux tâches de raisonnement long |
OpenAI, Anthropic ou Google : qu'offre chaque API à un développeur PHP ou Node.js ?
| Critère | OpenAI | Anthropic | Google (Gemini) |
|---|---|---|---|
| SDK officiel pour Node.js | Oui, SDK TypeScript et JavaScript pour Node.js, Deno et Bun | Oui, SDK TypeScript pour Node.js, Deno, Bun et navigateur | Oui, SDK Google GenAI pour JavaScript et TypeScript, disponible pour la production depuis mai 2025 |
| SDK officiel pour PHP | Non : la page des SDK renvoie vers une bibliothèque communautaire, openai-php | Oui, parmi sept SDK officiels | Non : SDK pour Python, JavaScript, Go, Java et C# ; en PHP, appel direct de l'API REST |
| Réponse conforme à un schéma JSON | Sorties structurées, présentées comme garantissant le respect du schéma fourni | Sorties structurées par décodage contraint, dans output_config.format | Sortie structurée selon un schéma JSON, avec Pydantic ou Zod dans les SDK |
| Traitement par lot | Moitié prix | Moitié prix ; jusqu'à 100 000 requêtes par lot, résultats sous 24 heures au plus | Moitié prix, au niveau payant |
| Erreur de débit | 429, avec Retry-After à respecter, sinon attente exponentielle avec part aléatoire | 429 avec retry-after ; 529 en cas de surcharge générale | 429 RESOURCE_EXHAUSTED, y compris pour les plafonds de dépense sur dix minutes |
| Données et entraînement | Pas d'entraînement depuis le 1er mars 2023 sauf adhésion ; journaux de contrôle des abus gardés jusqu'à 30 jours | Pas d'entraînement sans permission expresse ; contenu non conservé par défaut, sauf modèles soumis à 30 jours de conservation | Contenus du niveau gratuit utilisés pour améliorer les produits ; pas ceux du niveau payant |
| Couche compatible avec le SDK d'OpenAI | Sans objet | Oui, mais présentée comme un outil d'essai et de comparaison, pas comme une solution de production durable | Oui, en changeant trois lignes avec les bibliothèques Python et JavaScript d'OpenAI |
Aucune API ne s'impose pour tous les cas. Écrivez votre propre interface, branchez-y le SDK officiel quand il existe dans votre langage, et un client HTTP sinon ; les couches de compatibilité servent à comparer vite, pas à bâtir dessus.
Où placer l'appel au modèle dans une application qui tourne déjà ?
La question d'architecture vient avant celle du modèle. Un appel à une API d'IA dure de quelques secondes à plus d'une minute, échoue parfois et coûte à chaque essai : il ne se traite pas comme une requête à votre base de données.
-
Hors du cycle de la page
Dans une application PHP classique, un appel lent bloque le processus qui sert la page et finit par heurter le délai maximal d'exécution. On place donc le traitement dans une tâche de fond, alimentée par la file d'attente du framework ou par une table de travaux, et l'écran affiche un statut « en cours ».
-
Une seule porte de sortie
Tous les appels passent par le même service : c'est là que vivent la clé, le choix du modèle, les quotas, le journal et la gestion des erreurs. Un appel au fournisseur écrit directement dans un contrôleur est un appel qu'on ne retrouve plus le jour où il faut changer de modèle.
-
Des nouvelles tentatives bornées
La documentation d'OpenAI demande de suivre l'en-tête Retry-After quand il est présent, sinon d'attendre de plus en plus longtemps avec une part aléatoire, en limitant le nombre d'essais et leur durée totale ; elle rappelle qu'une requête refusée compte quand même dans la limite par minute.
-
Une tâche rejouable sans dégât
Chaque travail porte un identifiant unique. Si la tâche est relancée après une coupure, elle vérifie qu'un brouillon n'existe pas déjà pour cet identifiant avant d'en créer un. Sans cette précaution, une simple reprise produit deux réponses au même client.
-
Le flux continu quand un humain attend
Pour une rédaction affichée à l'écran, la réponse peut arriver morceau par morceau, ce que les trois fournisseurs proposent. Côté Node.js, c'est naturel ; côté PHP, cela demande un serveur et un proxy configurés pour ne pas retenir la réponse. Pour un traitement de fond, le flux continu n'apporte rien.
-
Un repli écrit à l'avance
Si le fournisseur est indisponible, que fait l'application ? Mettre en attente, basculer sur un second fournisseur déjà testé, ou rendre la main à l'utilisateur. La réponse est écrite dans le code et dans la procédure d'exploitation, pas improvisée le jour de la panne.
Quelles données envoyer au modèle, et comment les préparer dans le code ?
| Étape | Ce que fait le code | Pourquoi | Contrôle en test |
|---|---|---|---|
| Lecture | Récupère l'enregistrement ou le fichier avec les droits du compte technique | Le connecteur ne doit voir que ce que la tâche exige | Un essai avec un compte aux droits retirés doit échouer proprement |
| Extraction | Tire le texte d'un PDF natif, d'un courriel ou d'un champ de base | Le texte coûte moins de jetons que l'image du document | Comparaison du texte extrait avec l'original sur dix exemples |
| Réduction | Ne garde que les champs utiles à la tâche | Moins de données exposées, moins de jetons facturés | Liste blanche des champs, toute nouvelle clé fait échouer le test |
| Pseudonymisation | Remplace noms, téléphones, adresses et numéros de compte par des étiquettes | Le modèle n'a pas besoin de savoir qui est le client pour résumer sa demande | Recherche automatique de motifs de téléphone et de courriel dans la charge envoyée |
| Envoi | Appelle le fournisseur par l'adaptateur, avec le modèle et la consigne versionnés | Un seul endroit pour la clé, les quotas et le journal | Réponse simulée, sans réseau |
| Restitution | Rétablit les vraies valeurs à partir des étiquettes, côté serveur | Les données réelles ne quittent jamais votre système | Correspondance exacte des étiquettes avant et après |
| Écriture | Enregistre un brouillon avec son statut et sa source | Une personne valide avant tout effet définitif | Aucune écriture hors de la table des brouillons |
Quels risques de sécurité propres aux modèles de langage se traitent dans le code ?
| Risque (OWASP 2025) | Ce qui arrive dans une application existante | Parade enseignée |
|---|---|---|
| LLM01 Injection de consignes | Un courrier ou une pièce jointe contient une instruction que le modèle suit | Contenu externe encadré et présenté comme donnée, aucun droit d'action direct, réponse contrainte par un schéma |
| LLM02 Divulgation d'informations sensibles | Des données d'un client apparaissent dans la réponse destinée à un autre | Une requête par dossier, données réduites et pseudonymisées, aucun partage de contexte entre utilisateurs |
| LLM05 Mauvais traitement des sorties | La réponse est insérée telle quelle dans une page, une requête SQL ou une commande | Échappement à l'affichage, requêtes préparées, validation par schéma et par règles métier |
| LLM06 Autonomie excessive | Le modèle déclenche un envoi, un paiement ou une suppression | Le modèle propose, le code vérifie, une personne valide ; compte technique aux droits minimaux |
| LLM07 Fuite de la consigne système | Un utilisateur obtient la consigne, et avec elle une règle interne ou un secret | Aucun secret ni aucune règle d'autorisation dans la consigne ; les contrôles restent dans le code |
| LLM10 Consommation non bornée | Une boucle ou un utilisateur malveillant multiplie les appels | Longueur d'entrée et de sortie bornée, quotas par utilisateur, plafond de dépense chez le fournisseur |
Que doit contenir le journal de chaque appel au modèle ?
- La date et l'heure, la fonction métier qui a déclenché l'appel et l'identifiant du travail, pour relier l'appel au dossier concerné.
- L'utilisateur à l'origine de la demande, sous forme d'identifiant interne ou d'empreinte, jamais son adresse en clair dans un journal partagé.
- Le fournisseur, le nom exact du modèle et la version de la consigne, pour expliquer pourquoi deux réponses diffèrent d'un mois à l'autre.
- Les jetons lus, lus en cache et produits, tels que la réponse les déclare, et le coût calculé avec les tarifs rangés dans la configuration.
- La durée, le statut, le nombre de tentatives et le code d'erreur éventuel.
- L'identifiant de requête renvoyé par le fournisseur : Anthropic, par exemple, en renvoie un dans l'en-tête request-id de chaque réponse, et le demande pour toute question au support.
- Une empreinte de la charge envoyée plutôt que son contenu, sauf décision écrite de conserver le contenu pendant une durée fixée.
- La décision humaine qui a suivi : brouillon accepté, corrigé ou rejeté, avec la personne et la date.
Comment tester une intégration d'IA avant et après la mise en production ?
| Niveau | Ce qu'on vérifie | Comment | Quand |
|---|---|---|---|
| Tests unitaires | Adaptateur, préparation des données, validation, restitution des étiquettes | Réponses du fournisseur simulées par des fichiers JSON, aucun réseau | À chaque modification du code, dans l'intégration continue |
| Tests de pannes | Erreurs de débit, surcharge, délais dépassés, réponses vides ou tronquées | Faux serveur qui renvoie les codes d'erreur des trois fournisseurs | À chaque modification de l'adaptateur ou de la file d'attente |
| Jeu d'essai annoté | Qualité des réponses sur des exemples réels anonymisés | Rejeu des exemples, comparaison aux réponses attendues, score par critère | Avant la mise en service, à chaque changement de modèle ou de consigne |
| Suivi en production | Corrections humaines, coûts, durées, erreurs | Lecture du journal et tirage d'un échantillon chaque mois | En continu, avec une revue à date fixe |
Pourquoi le jeu d'essai compte-t-il plus que le choix du modèle ?
Les modèles changent de nom, de prix et de comportement plusieurs fois par an, et une nouvelle version peut faire mieux sur une tâche et moins bien sur une autre. Sans jeu d'essai, chaque changement se décide sur une impression. Avec trente à cent exemples annotés, il se décide en une heure, chiffres à l'appui. C'est aussi ce qu'OpenAI recommande dans ses bonnes pratiques de sécurité : évaluer l'API sur un large éventail d'entrées et faire relire les sorties par une personne chaque fois que c'est possible.
La formation insiste sur la façon de construire ce jeu : des exemples tirés du travail réel, pas choisis parce qu'ils sont propres ; des cas limites assumés, comme le document flou, la demande en anglais ou le formulaire à moitié rempli ; une réponse attendue écrite par la personne du métier, pas par le développeur ; et une grille de notation simple, décidée avant le premier essai pour ne pas l'ajuster aux résultats.
L'histoire de Knight Capital rappelle ce que coûte un déploiement mal contrôlé, même sans intelligence artificielle. Pour une intégration d'IA, la mise en service passe par un drapeau de fonctionnalité, une équipe pilote, un seuil d'erreur fixé à l'avance et une procédure de retour au traitement manuel testée avant le jour J.
Quels chiffres un développeur doit-il connaître avant le premier appel en production ?
- 50 % Remise appliquée par Anthropic à l'entrée comme à la sortie pour le traitement par lot, au 5 octobre 2026 ; OpenAI et Google affichent aussi des prix de lot à moitié prix Source : Anthropic, documentation des lots
- 30 % Jetons supplémentaires, environ, produits pour un même texte par le découpage des modèles Claude à partir de la version 4.7, selon la page tarifs d'Anthropic du 5 octobre 2026 Source : Anthropic, tarifs
- 10 % Majoration des points de terminaison régionaux d'OpenAI pour les modèles publiés depuis le 5 mars 2026, au 5 octobre 2026 Source : OpenAI, tarifs de l'API
- 30 jours Durée de conservation, par défaut et au plus, des journaux de contrôle des abus de l'API d'OpenAI, qui peuvent contenir requêtes et réponses (page lue le 5 octobre 2026) Source : OpenAI, contrôle des données
- 10 $ Plafond de dépense par période de dix minutes au premier palier payant de l'API Gemini, au-delà duquel l'API renvoie une erreur 429 (page lue le 5 octobre 2026) Source : Google AI for Developers, limites de débit
- 500 $ Plafond mensuel de dépense du palier Start de l'API d'Anthropic, au 5 octobre 2026 ; une fois atteint, les requêtes échouent jusqu'au mois suivant ou jusqu'au relèvement du plafond Source : Anthropic, limites de débit
Comment la formation est-elle menée pour que le code tienne après la session ?
La règle de la session : aucune notion n'est présentée sans être codée aussitôt, dans votre dépôt ou dans une copie, sur le cas fil rouge. Le formateur écrit peu au tableau et lit beaucoup de code.
-
Huit personnes au plus
Au-delà, il devient impossible de relire le code de chacun. Les participants travaillent en binôme, l'un au clavier, l'autre en relecture, et changent de rôle à chaque exercice.
-
Votre langage, votre framework
Les exemples sont écrits dans la version de PHP ou de Node.js de votre application, avec votre framework et votre gestionnaire de paquets. Une équipe qui maintient deux applications dans deux langages travaille l'adaptateur dans les deux.
-
Des clés de test bridées
Les clés utilisées en séance sont ouvertes au nom de l'entreprise, dans un projet d'essai, avec un plafond de dépense bas. Le coût de chaque exercice est relevé, ce qui fixe les ordres de grandeur mieux qu'une page de tarifs.
-
Une revue de code à chaque demi-journée
Chaque exercice se termine par la lecture d'une solution de participant devant le groupe : ce qui tient, ce qui casserait en production, ce qui coûterait trop cher.
-
Des supports qui restent dans le dépôt
L'adaptateur, les tests, le faux serveur de pannes, le modèle de journal, le jeu d'essai et la liste de contrôle de mise en production sont livrés comme du code et de la documentation dans votre dépôt, à votre nom.
-
Un suivi sur du code réel
Un canal direct pour les questions techniques pendant quelques semaines, puis la revue de code à distance sur la première fonction livrée, avec les chiffres du journal.
Quels outils et quels comptes utilise-t-on, et que coûtent-ils ?
| Outil | Usage en formation | Coût selon l'éditeur |
|---|---|---|
| API d'OpenAI | Appels, sorties structurées, lots, comparaison des modèles GPT-6 | À l'usage ; palier 1 atteint après 5 $ payés, avec 100 $ d'usage mensuel autorisé, relevé automatiquement avec les dépenses |
| API d'Anthropic | Appels avec le SDK PHP ou TypeScript, comptage des jetons, cache, lots | À l'usage, en dollars ; plafond mensuel de 500 $ au palier Start, 1 000 $ au palier Build ; comptage des jetons gratuit |
| API Gemini de Google | Appels REST depuis PHP, SDK GenAI depuis Node.js, sortie structurée | Niveau gratuit, dont les contenus servent à améliorer les produits de Google, à réserver à des données fictives ; niveau payant à l'usage |
| SDK officiels et bibliothèques | SDK OpenAI pour Node.js, SDK Anthropic pour PHP et TypeScript, SDK Google GenAI, client HTTP de votre framework | Installation par npm ou Composer, sans licence payante |
| Ollama | Faire tourner un modèle ouvert sur un poste ou un serveur, avec une API qui reprend une partie de celle d'OpenAI | Logiciel gratuit ; le coût est celui de la machine qui fait tourner le modèle |
| Outils de test | Suite de tests de votre projet, faux serveur pour simuler les erreurs des fournisseurs | Outils libres déjà présents dans la plupart des projets |
À quoi ressemble le cas fil rouge selon le logiciel et le secteur, en Afrique francophone et en Europe ?
Transporteur et logisticien, à Abidjan, application Laravel
Les chauffeurs photographient les bons de livraison signés, et un agent ressaisit chaque soir les quantités et les réserves dans l'application, avec des oublis qui retardent la facturation.
Tâche de fond déclenchée à l'arrivée de la photo, schéma JSON des champs du bon, contrôle des quantités contre la commande en base, brouillon soumis à l'agent. Le jeu d'essai inclut des photos floues et des bons annotés à la main, et le traitement par lot de nuit est comparé à l'appel immédiat.
Éditeur de logiciel de gestion scolaire, à Cotonou, PHP et MySQL
Les écoles clientes reçoivent des centaines de messages de parents par semaine, mêlant absences, paiements et réclamations, que le secrétariat trie à la main.
Classement des messages en catégories fermées par sortie structurée, prénoms et numéros remplacés par des étiquettes avant l'envoi, quotas par école pour tenir le coût, et aucune décision sur un élève confiée au modèle : il trie, une personne traite.
Institution de microfinance, à Lomé, service Node.js
Le service client reçoit des réclamations écrites à rapprocher des opérations de mobile money, et les réponses varient d'un agent à l'autre.
Extraction de la référence de transaction et du montant, rapprochement fait par le code dans la base et jamais par le modèle, brouillon de réponse à partir de modèles validés, et journal complet pour répondre à un contrôle.
Cabinet d'expertise comptable, à Dakar, outil interne en PHP
Les relevés bancaires exportés des clients sont catégorisés ligne par ligne avant la saisie, un travail long et répétitif en période de clôture.
Proposition de catégorie pour chaque ligne, avec un niveau de confiance et une liste fermée de catégories du cabinet ; les lignes incertaines remontent au collaborateur, et la comparaison des modèles se fait sur trois mois de relevés anonymisés.
Éditeur de logiciel en ligne, en France ou en Belgique, Node.js
L'équipe support veut un résumé de chaque ticket et une proposition de réponse, mais le délégué à la protection des données exige de savoir où partent les données et qui les garde.
Contrat de sous-traitance avec le fournisseur retenu, traitement localisé chiffré dans le coût, données des clients pseudonymisées, journal sans contenu en clair, et adaptateur prêt à basculer vers un second fournisseur.
ONG avec bureaux au Burkina Faso et au Niger, application web existante
Les rapports de terrain arrivent en retard, dans des formats variés, et la connexion des bureaux est instable.
Dépôt des rapports dans une file qui attend le réseau, synthèse par indicateur en traitement différé, reprise automatique après coupure sans doublon, et relecture du chargé de suivi avant tout envoi au bailleur.
Dans vos locaux, en inter-entreprises, à distance ou en formule hybride : quel format choisir ?
| Format | Pour qui | Durée habituelle | Organisation |
|---|---|---|---|
| Intra-entreprise | Une équipe qui maintient une ou deux applications et veut intégrer l'IA dans les mois qui viennent | Trois jours, puis la revue de code | Dans vos locaux, sur votre dépôt ou une copie, cas fil rouge préparé au cadrage |
| Inter-entreprises | Développeurs de plusieurs entreprises, souvent seuls ou à deux dans leur structure | Trois jours | Application d'exercice commune les deux premiers jours, puis travail de chacun sur son propre code le troisième |
| À distance | Équipes réparties, prestataires, entreprises en Europe ou au Canada | Sept séances de deux heures et demie | Visioconférence, partage d'écran, dépôt commun, exercices à finir entre deux séances |
| Hybride | Équipes qui veulent un lancement commun puis un travail au rythme du projet | Deux jours sur place, puis trois séances à distance | Architecture, appels et sorties structurées en salle ; sécurité, journaux et tests à distance, sur le code écrit entre-temps |
Combien coûte la formation, et comment se règle-t-elle ?
Aucun tarif n'est publié : le prix est établi sur devis, après un premier échange gratuit sur votre application, votre équipe et le cas fil rouge envisagé. Le règlement se fait par Mobile Money (MTN, Moov), carte bancaire, PayPal, virement ou espèces. Les jetons consommés pendant et après la formation se paient directement aux fournisseurs, sur les comptes de l'entreprise.
Parcours développeurs
Sur devis
- Six demi-journées sur votre code
- Adaptateur, validation, connecteur et tests du cas fil rouge
- Jeu d'essai annoté et liste de contrôle de mise en production
Journée des responsables techniques
Sur devis
- Choix des fournisseurs et lecture des tarifs
- Architecture, données envoyées et sécurité
- Règles de mise en production et de suivi des coûts
Revue de code après la formation
Sur devis
- Séance de deux heures à distance
- Lecture du journal des appels et des coûts réels
- Rejeu du jeu d'essai et corrections prioritaires
Ce qui fait varier le prix
- Le nombre de participants et de langages à couvrir, PHP, Node.js ou les deux.
- La préparation : copie de l'application, anonymisation des exemples, accès au dépôt.
- La complexité du cas fil rouge : un simple classement ou une extraction avec rapprochement en base.
- Le format et le lieu : vos locaux, une salle, un déplacement hors de Cotonou, la visioconférence.
- La revue de code après la session et le suivi retenu.
- La langue des séances et des supports, en français ou en anglais.
Un fonds de formation continue peut-il financer une partie de la session ?
Cela se vérifie pays par pays, et la décision revient au fonds. En Côte d'Ivoire, la page du FDFP sur le plan de formation, lue le 5 octobre 2026, réserve ce dispositif aux entreprises qui justifient du paiement régulier des deux taxes de formation, et le règlement n'intervient qu'après contrôle par le fonds et approbation de sa Commission permanente. Au Sénégal, le site du 3FPT présente un guichet de financement du personnel des entreprises. Au Bénin, les statuts du FODEFCA ont été approuvés par le décret n° 2022-286 du 11 mai 2022 ; ses conditions se demandent à ses services.
En France, France Compétences indique que les financements publics et mutualisés, dont ceux des OPCO, exigent depuis le 1er janvier 2022 un prestataire certifié Qualiopi. Richard SALANON n'a pas cette certification et n'est agréé par aucun fonds. Pour une formation technique, le dossier gagne à montrer le lien entre le programme et le poste des développeurs. Envoyez programme et devis au fonds avant de signer, attendez sa réponse écrite et prévoyez le budget sans prise en charge ; le programme, les feuilles de présence et les attestations vous sont remis dans tous les cas.
Quelles erreurs voit-on dans les semaines qui suivent, et comment les éviter ?
Les premières intégrations écrites après la formation trébuchent souvent aux mêmes endroits. Chacun de ces écarts a son exercice pendant la session.
-
La clé dans le dépôt
Une clé d'API copiée dans un fichier de configuration versionné finit tôt ou tard sur un poste ou un dépôt qu'on ne contrôle pas. Les clés vivent dans les variables d'environnement ou un coffre, une par projet et par environnement, et la rotation est inscrite au calendrier.
-
Le prototype qui part en production
Le script d'essai, écrit en une heure avec une clé gratuite, se retrouve branché sur de vraies données. Au niveau gratuit de Gemini, la page tarifs de Google indique que les contenus servent à améliorer ses produits : la production passe toujours par un compte payant au nom de l'entreprise.
-
Le prix codé en dur
Le coût affiché dans le tableau de bord devient faux au premier changement de tarif ou de modèle. Les prix par million de jetons se rangent dans la configuration, avec leur date de relevé, et le journal garde le prix appliqué à chaque appel.
-
Deux 429 confondus
Chez Anthropic, l'erreur renvoyée quand le plafond mensuel est atteint porte le même code que la limite de débit, mais sans en-tête retry-after : réessayer ne sert à rien jusqu'au mois suivant. Le code lit le détail de l'erreur et alerte un humain au lieu de boucler.
-
Le changement de modèle sans rejeu
Le fournisseur publie une version plus récente, quelqu'un modifie le nom du modèle dans la configuration, et la qualité baisse sur un type de document sans que personne ne le voie. Aucun changement de modèle ou de consigne ne part sans rejeu du jeu d'essai.
-
La couche de compatibilité prise pour une fondation
Appeler Claude ou Gemini avec le SDK d'OpenAI est pratique pour comparer. Anthropic précise toutefois que sa couche de compatibilité vise surtout les essais et n'est pas pensée comme une solution de production durable. L'adaptateur maison reste la bonne fondation.
-
Le journal qui garde tout
Par réflexe, on enregistre les requêtes et les réponses complètes, données personnelles comprises, dans des journaux lus par toute l'équipe. On journalise des empreintes et des métadonnées, et le contenu seulement là où une décision écrite le justifie, avec une durée de conservation.
Connexion, paiement, langue et données personnelles : que change le contexte local ?
Les trois fournisseurs sont accessibles depuis l'Afrique francophone : le 5 octobre 2026, les listes officielles de pays pris en charge par OpenAI et par Anthropic, et la liste des régions de l'API Gemini, comprenaient le Bénin, la Côte d'Ivoire, le Sénégal, le Togo, le Cameroun, le Burkina Faso, le Mali, le Niger, le Gabon et le Tchad. La facturation se fait en dollars : la page tarifs d'Anthropic précise que tous les paiements sont en dollars américains. Il faut donc une carte acceptant les paiements internationaux, au nom de l'entreprise, avec un plafond suivi.
La connexion décide de l'architecture. Quand la ligne coupe, un appel synchrone échoue et l'utilisateur perd son travail ; une file d'attente, elle, garde la demande et la rejoue au retour du réseau. Le traitement par lot, moins cher de moitié, convient bien aux structures dont la connexion est meilleure la nuit. La langue compte aussi : le découpage en jetons varie selon la langue, et un texte français ne coûte pas ce qu'annonce un exemple rédigé en anglais. La formation fait mesurer ces écarts sur vos propres documents.
Au Bénin, la loi n° 2017-20 portant code du numérique encadre deux points que le code doit refléter. Son article 391 n'autorise le transfert de données personnelles vers un État tiers que si l'Autorité constate un niveau de protection équivalent ; son article 426 impose des mesures de sécurité appropriées, dont la pseudonymisation et le chiffrement, notamment quand le traitement comporte des transmissions sur un réseau. Pseudonymiser avant l'appel et chiffrer les échanges répond aux deux.
En Europe, le RGPD fait du fournisseur d'API un sous-traitant, avec un contrat exigé par l'article 28, et demande à l'article 32 des mesures de sécurité qui citent elles aussi pseudonymisation et chiffrement. S'y ajoute l'article 4 du règlement européen sur l'IA : selon les questions et réponses de la Commission européenne mises à jour le 27 juillet 2026, l'obligation de maîtrise de l'IA s'applique depuis le 2 février 2025, avec contrôle et sanctions à partir du 3 août 2026, et l'omnibus numérique la maintient pour les utilisateurs professionnels, sans plus imposer de niveau « suffisant ». Le droit expliqué à chaque salarié relève de la formation IA, éthique et conformité des données.
Pourquoi suivre cette formation avec Richard SALANON ?
Richard SALANON est consultant en digitalisation et développeur logiciel, basé à Cotonou, au Bénin. Il crée des sites, des applications web et mobiles, des automatisations et des intégrations d'intelligence artificielle, déploie Odoo et Dolibarr, et forme les équipes à ces outils, pour des entreprises d'Afrique francophone, d'Europe et du Canada.
Il écrit lui-même le code qu'il enseigne : des applications web et mobiles, des intégrations entre logiciels et des branchements de modèles d'IA dans des outils qui existaient avant eux. Il a créé Wapy, un assistant WhatsApp à intelligence artificielle pour les entreprises d'Afrique francophone, et il est co-fondateur d'Audyxa. Faire tourner un produit d'IA au quotidien apprend ce qu'aucune démonstration ne montre : les factures qui dérivent, les erreurs de débit un jour d'affluence, les modèles qui changent de comportement.
Ses faits tiennent en quelques lignes : 6 ans d'expérience dans le numérique, une formation à EPITECH (2022), plus de 200 personnes formées selon ses propres déclarations, et des missions dans 14 pays, d'Afrique de l'Ouest et centrale jusqu'en Europe et au Canada. Son parcours figure sur la page Richard SALANON, les pays servis sur la page des zones d'intervention.
Il n'a de lien commercial avec aucun des trois fournisseurs étudiés et ne pousse aucun modèle : le choix se fait sur le jeu d'essai de votre équipe. Sa façon de former se vérifie : une réponse sous 24 heures, un programme écrit avant la session, du code écrit dans votre dépôt, des coûts relevés pendant les exercices plutôt que promis, et un avis franc quand une fonction ne justifie pas l'appel à un modèle. Les autres formations du domaine sont réunies sur la page IA dans vos systèmes existants, le catalogue complet sur la page formations.
Que retenir avant d'écrire la première ligne d'intégration ?
Faites passer tous les appels par une seule interface, contraignez la réponse par un schéma puis validez-la par vos règles, envoyez le moins de données possible, rangez les prix dans la configuration, traitez chaque sortie comme une saisie étrangère, journalisez sans exposer, et ne changez jamais de modèle sans rejouer votre jeu d'essai.
Quelle fonction de votre logiciel voulez-vous confier à un modèle en premier ?
Indiquez le langage et le framework de votre application, la taille de l'équipe technique et la tâche envisagée : vous recevez une réponse sous 24 heures, puis un programme et un devis détaillés. Pour relier vos logiciels entre eux avant d'y ajouter l'IA, le service d'API REST et intégrations peut précéder la formation ; pour les développeurs qui codent déjà avec des assistants, la formation Vibecoding la complète.
Demander cette formationQuestions fréquentes
Faut-il savoir faire de l'apprentissage automatique pour suivre la formation ?
Non. On n'entraîne aucun modèle : on appelle des modèles existants par leur API, comme on appellerait un service de paiement ou d'envoi de SMS. Il faut en revanche savoir écrire du PHP ou du JavaScript côté serveur, manipuler du JSON et travailler avec Git.
Existe-t-il un SDK officiel pour PHP ?
Chez Anthropic, oui : sa documentation liste sept SDK officiels, dont PHP. Chez OpenAI, la page des SDK renvoie pour PHP vers une bibliothèque communautaire, openai-php. Chez Google, le SDK GenAI existe pour Python, JavaScript, Go, Java et C# ; en PHP, on appelle l'API REST avec le client HTTP du framework.
Quel fournisseur choisir entre OpenAI, Anthropic et Google ?
Celui qui réussit le mieux votre jeu d'essai au coût le plus bas, avec des conditions de données acceptables pour votre secteur. La formation fait mesurer au moins deux modèles sur vos exemples. Pour choisir un abonnement d'équipe plutôt qu'une API, voyez le comparatif ChatGPT, Claude et Gemini.
Combien coûtent les appels pendant la formation ?
Ils sont payés par l'entreprise sur ses propres comptes, avec des clés plafonnées à un montant bas fixé avant la session. Le coût de chaque exercice est relevé en séance, ce qui donne à l'équipe ses propres ordres de grandeur avant de livrer quoi que ce soit.
Nos données servent-elles à entraîner les modèles ?
Pas avec les API payantes, selon les pages lues le 5 octobre 2026 : OpenAI ne s'en sert pas depuis le 1er mars 2023 sauf adhésion, Anthropic jamais sans permission expresse, Google pas au niveau payant. Les contenus du niveau gratuit de Gemini, eux, servent à améliorer ses produits. Attention aussi aux journaux : OpenAI garde ses journaux de contrôle des abus jusqu'à 30 jours.
Peut-on garder les données dans le pays ou sur notre serveur ?
Les fournisseurs proposent des traitements localisés dans certaines régions, avec une majoration : OpenAI et Anthropic l'affichent sur leurs pages tarifs. La liste des régions se vérifie chez chacun avant de s'engager. Pour que rien ne sorte, la voie est un modèle ouvert sur votre serveur, servi par exemple par Ollama, dont l'API reprend une partie de celle d'OpenAI. La qualité se mesure alors sur votre jeu d'essai.
Comment éviter qu'une facture explose ?
En combinant trois protections : un plafond de dépense et des alertes chez le fournisseur, des quotas par utilisateur et par fonction dans l'application, et une longueur d'entrée et de sortie bornée. Le journal des appels, avec le coût calculé de chacun, permet de voir une dérive dans la journée.
Que faire quand l'API renvoie une erreur 429 ?
Lire d'abord la réponse. Une limite de débit se respecte en attendant le délai indiqué par Retry-After, ou en attendant de plus en plus longtemps. Chez Anthropic, le même code sans retry-after signale un plafond mensuel atteint : réessayer ne sert à rien, il faut alerter. Chez Google, il peut aussi s'agir d'un plafond de dépense sur dix minutes.
Une réponse au format JSON est-elle forcément juste ?
Non. Les sorties structurées garantissent la forme : les champs attendus, du bon type. Elles ne garantissent pas que le montant lu est le bon ou que la catégorie choisie est pertinente. D'où la validation par règles métier, le brouillon soumis à une personne et le jeu d'essai qui mesure la justesse.
Peut-on suivre la formation si notre application est en Python ou en Java ?
Oui, dans une large mesure : les trois fournisseurs ont des SDK officiels pour Python et Java, et les principes d'architecture, de sécurité, de journalisation et de tests sont les mêmes. Le programme est adapté au cadrage, et les exemples sont écrits dans votre langage.
La formation couvre-t-elle les agents et les chatbots sur nos documents ?
Non, elle en pose les fondations. Les assistants qui enchaînent des actions avec des outils et la recherche dans un fonds documentaire ont chacun leur formation, listée en bas de page. Ici, on apprend à brancher proprement un modèle sur une tâche précise de votre logiciel.
Un fonds de formation peut-il financer la session ?
Cela dépend du pays et du fonds : FDFP en Côte d'Ivoire, FODEFCA au Bénin, 3FPT au Sénégal, OPCO en France. Richard SALANON n'est pas certifié Qualiopi et n'est agréé par aucun fonds. Soumettez le programme et le devis avant de signer, et prévoyez le budget sans prise en charge.
Sources
- OpenAI, tarifs de l'API (GPT-6, lot, Flex, Fast, traitement régional), consulté le
- OpenAI, SDK et bibliothèques (SDK officiels, bibliothèques communautaires dont openai-php), consulté le
- OpenAI, sorties structurées (Structured Outputs), consulté le
- OpenAI, contrôle des données sur la plateforme API (entraînement, journaux de contrôle des abus), consulté le
- OpenAI, limites de débit (paliers d'usage, nouvelles tentatives, Retry-After), consulté le
- OpenAI, bonnes pratiques de production (plafonds de dépense, projets par environnement), consulté le
- OpenAI, bonnes pratiques de sécurité (tests adverses, relecture humaine, identifiants de sécurité), consulté le
- OpenAI, pays et territoires pris en charge, consulté le
- Anthropic, tarifs de l'API Claude (modèles, cache, lot, inference_geo, découpage en jetons, paiement en dollars), consulté le
- Anthropic, SDK, CLI et bibliothèques (sept SDK officiels dont PHP), consulté le
- Anthropic, sorties structurées, consulté le
- Anthropic, erreurs de l'API (429, 529, identifiant de requête), consulté le
- Anthropic, limites de débit et plafonds mensuels de dépense, consulté le
- Anthropic, comptage des jetons, consulté le
- Anthropic, traitement par lot (Message Batches API), consulté le
- Anthropic, conservation des données de l'API, consulté le
- Anthropic, compatibilité avec le SDK d'OpenAI, consulté le
- Anthropic, pays pris en charge, consulté le
- Google AI for Developers, tarifs de l'API Gemini (mise à jour du 1er octobre 2026), consulté le
- Google AI for Developers, SDK Google GenAI, consulté le
- Google AI for Developers, sortie structurée, consulté le
- Google AI for Developers, limites de débit et plafonds de dépense, consulté le
- Google AI for Developers, compatibilité avec les bibliothèques d'OpenAI, consulté le
- Google AI for Developers, régions où l'API Gemini est disponible, consulté le
- Ollama, compatibilité avec l'API d'OpenAI, consulté le
- OWASP, Top 10 for LLM Applications 2025, consulté le
- Secrétariat général du Gouvernement du Bénin, loi n° 2017-20 portant code du numérique (articles 391 et 426), consulté le
- EUR-Lex, règlement (UE) 2016/679 (RGPD), articles 28 et 32, consulté le
- Commission européenne, maîtrise de l'IA : questions et réponses sur l'article 4 (mise à jour du 27 juillet 2026), consulté le
- FDFP, plan de formation des entreprises, consulté le
- 3FPT, guichets de financement, consulté le
- Secrétariat général du Gouvernement du Bénin, décret n° 2022-286 du 11 mai 2022 portant approbation des statuts du FODEFCA, consulté le
- France Compétences, Qualiopi : l'obligation qualité en vigueur depuis le 1er janvier 2022, consulté le