De l’extérieur, une plateforme immobilière semble spécialisée. Pourtant, elle réunit trois briques que j’ai déjà livrées à plusieurs reprises : une place de marché avec annonces, recherche, filtres et carte ; un CRM pour les prospects, leur statut et l’historique des appels ; et la réservation des visites, calendriers et rappels. Ajoutez l’IA et vous obtenez l’un des meilleurs terrains pour employer un modèle de façon concrète : beaucoup de texte semi-structuré, des photos, des questions répétitives et un agent immobilier qui manque toujours de temps.
Je commence par le modèle de données, car c’est là que ces produits se jouent. Une annonce n’est pas une ligne avec un champ description : elle possède un type, un historique des prix, un statut (brouillon, active, réservée, vendue), une localisation avec coordonnées, des médias et un propriétaire ou une agence. Il faut PostgreSQL avec de vraies contraintes, PostGIS ou au moins des coordonnées indexées pour la recherche sur carte, la recherche en texte intégral dans les adresses et descriptions, ainsi qu’un journal d’audit indiquant qui a changé le prix et quand. Les doublons sont le problème classique — le même appartement publié par trois agents — donc la déduplication se conçoit dès le départ au lieu d’être ajoutée après coup.
La partie publique utilise Next.js avec SSR ou ISR pour les pages d’annonces, car dans l’immobilier, le SEO génère du trafic : chaque annonce est une page d’atterrissage avec données structurées, images rapides et URL lisible. Côté agents, un tableau de bord présente le pipeline des prospects, le calendrier des visites et des notifications par e-mail ou Telegram. L’approche mobile-first concerne les deux côtés : les acheteurs font défiler leur téléphone et les agents travaillent depuis leur voiture.
C’est dans l’IA que je vois le plus de valeur, à condition qu’elle s’intègre au processus de travail au lieu de se réduire à un chatbot sur la page d’accueil. Le modèle rédige une description claire à partir de quelques champs et photos, puis l’agent la modifie et l’approuve. Il extrait des données structurées d’un PDF désordonné, d’une annonce copiée-collée ou d’un message vocal. La recherche sémantique transforme « deux chambres, calme, près d’un parc, sous le budget » en filtres et en embeddings des descriptions. Pour qualifier un prospect, le modèle résume la conversation et propose la prochaine action — l’agent décide. Le RAG sur les documents propres à l’agence — contrats, règles, guides de quartier — permet de donner des réponses accompagnées de leur source.
Les garde-fous sont ceux de chacun de mes produits IA. Le modèle ne publie jamais un prix, ne signe rien et n’écrit pas seul à un client : il prépare un brouillon, une personne le confirme. Chaque génération est journalisée avec son entrée afin de pouvoir retracer une réponse erronée. Les données personnelles sont réduites au minimum avant leur envoi au fournisseur et le coût est plafonné pour chaque workflow. OpenAI ou Anthropic se trouve derrière une interface, si bien que changer de modèle revient à modifier la configuration plutôt qu’à tout réécrire. Je lance un workflow derrière un feature flag, mesure le temps gagné par agent, puis seulement j’ajoute le suivant.
La même approche s’applique bien au-delà de l’immobilier : plateformes de réservation, outils de vente pour l’hôtellerie, places de marché, SaaS riches en CRM — tout produit où l’on traite beaucoup de texte et prend souvent les mêmes décisions. Si vous en construisez un, envoyez-moi le processus que votre équipe déteste faire à la main. Je vous proposerai le produit le plus simple pour l’automatiser, les données nécessaires et l’étape où un humain garde la main.
Donnez à votre prochain produit quelqu’un qui reste.
Prêt à commencer ? Écrivez-moi — je peux démarrer immédiatement et rester dans la durée. Des collaborations à long terme, pas une passation après deux semaines. Discutons de votre projet, de vos exigences et de la meilleure façon d’avancer.