Anas Rabhi, ingénieur IA et data scientist, fondateur de Tensoria
Auteur Toulouse, Occitanie

Anas Rabhi

Ingénieur IA et data scientist, fondateur de Tensoria

Depuis plus de 6 ans, je conçois et développe des systèmes IA pour le métier des entreprises. Assistants internes basés sur RAG, agents IA en production, automatisations sur mesure, traitement intelligent de documents : des produits connectés à vos processus existants, qui produisent des résultats mesurables.

À propos

Je suis ingénieur IA et data scientist, formé sur des projets variés depuis 2019 : NLP, machine learning, recherche sémantique, déploiement de modèles en production. J'ai fondé Tensoria pour me concentrer sur ce qui produit vraiment de la valeur en entreprise : transformer des problèmes métier concrets en produits IA fiables, mesurables, maintenables.

Mon angle d'attaque est toujours le même. Partir du métier, identifier les frictions réelles (saisie manuelle, recherche d'information, génération de documents, qualification), puis choisir l'outil le plus pragmatique. Souvent ce sera du RAG sur des données internes, parfois un agent IA qui orchestre plusieurs outils, parfois simplement une chaîne d'automatisation bien pensée.

Je travaille beaucoup avec des PME et ETI françaises (cabinets d'avocats, bureaux d'études, artisans BTP, courtiers en assurance, experts comptables) qui veulent intégrer l'IA sans dépendre des géants américains. Quand la confidentialité l'exige, je déploie sur des stacks souveraines (Mistral, Azure EU, infrastructures self-hosted).

Je publie régulièrement sur le blog Tensoria et sur ianas.fr les retours d'expérience de mes missions : architectures techniques, choix de stack, métriques d'évaluation, coûts réels, limites observées.

Mes domaines d'expertise

Ce sur quoi je travaille au quotidien, sur quoi je peux argumenter techniquement, et où j'ai déjà produit des résultats en production.

RAG et moteurs de recherche

Retrieval hybride (vectoriel + BM25), reranking, chunking adapté au métier, évaluation rigoureuse (recall@k, hit rate). Mistral, OpenAI, Claude, modèles self-hosted.

Agents IA

Orchestration multi-étapes, tool calling, workflows robustes pour la production. n8n, LangGraph, frameworks custom. Gestion d'erreurs et observabilité.

NLP appliqué

Classification, extraction d'entités, résumé automatique, recherche sémantique. Fine-tuning quand pertinent (CamemBERT, modèles spécialisés métier).

LLMOps

Monitoring qualité, suivi des coûts, sécurité des prompts, déploiement progressif. Eval sets construits avec les métiers, A/B testing de modèles.

Automatisations métier

Extraction emails, traitement de pièces jointes, intégrations CRM, ERP, outils SaaS. Approche pragmatique : IA quand elle apporte vraiment, code classique sinon.

IA souveraine et on-premise

Déploiement Mistral, Llama, Qwen sur infrastructure cliente ou cloud privé européen. Conformité RGPD, secret professionnel, données sensibles.

Ma façon de travailler

Quatre étapes claires, pas de promesses irréalistes, du livrable à chaque jalon.

01

Cadrage

1 à 2 semaines

Immersion dans le métier, identification des cas d'usage à fort impact, faisabilité technique, estimation ROI. Livrable : roadmap chiffrée.

02

POC fonctionnel

2 à 4 semaines

Prototype testable sur vos données réelles. Eval set construit avec vous, métriques objectives, décision Go / No Go avant d'engager la production.

03

Mise en production

2 à 3 mois

Intégration aux outils existants (CRM, ERP, intranet), tests, formation des utilisateurs, monitoring, déploiement progressif sur les équipes.

04

Maintenance et amélioration

En continu

Suivi qualité, mise à jour des modèles, ajustements selon retours utilisateurs, optimisation des coûts d'inférence.

Quelques résultats concrets

Trois exemples de gains mesurés sur des projets livrés en production.

75 %

Temps économisé

Agent IA de réponse aux appels d'offres pour un bureau d'études. ROI mesuré supérieur à 300 % sur la première année.

60 %

Temps économisé

Assistant IA déployé en usine pour la recherche dans la documentation technique. Adoption immédiate par les équipes terrain.

2 x

Plus rapide

Extraction documentaire automatisée pour un cabinet d'avocats. Réduction drastique du temps de traitement des dossiers.

Articles récents

Retours d'expérience, architectures, comparatifs et chiffres terrain.

Voir tous les articles
Outils & Modèles

Sécurité d'un serveur MCP : injection de prompt et droits

Sécurité d'un serveur MCP : injection de prompt, droits de l'utilisateur, écritures validées, serveurs tiers, journaux. Risques et liste de contrôle.

Lire
Outils & Modèles

LangGraph en production : quand l'utiliser pour un agent IA

LangGraph pour un agent IA en production : graphe d'états, points de reprise, validation humaine, exemple de code et cas où une boucle d'outils suffit.

Lire
Outils & Modèles

LiteLLM en entreprise : une passerelle LLM hébergée chez vous

LiteLLM expose une API unique au format OpenAI devant plusieurs fournisseurs et vos modèles ouverts. Clés virtuelles, budgets, repli, ce qu'il faut exploiter et quand s'en passer.

Lire
Outils & Modèles

OpenRouter en entreprise : où vont les données, ce que ça coûte, quand s'en passer

OpenRouter donne une API et une facture pour des centaines de modèles. Où passent vos données, comment il est facturé, ses limites et les alternatives (LiteLLM, appel direct, modèle ouvert).

Lire
Outils & Modèles

Claude Agent SDK : construire un agent qui tient en production

Claude Agent SDK : ce qu'il gère (boucle d'agent, outils, MCP, permissions) et ce qu'il reste à développer pour la production. Comparaison avec Pydantic AI.

Lire
Outils & Modèles

ChatGPT Apps : rendre son logiciel utilisable depuis ChatGPT

ChatGPT Apps pour un éditeur de logiciel : ce que sont les apps, ce qu'il faut développer (serveur MCP, Apps SDK), conditions, validation et intérêt réel.

Lire
Outils & Modèles

Connecteur MCP personnalisé dans Claude : brancher ses propres outils

Connecteur MCP personnalisé dans Claude : qui peut l'ajouter, les étapes, le serveur distant à prévoir, les droits à décider et les risques à cadrer.

Lire
Outils & Modèles

FastMCP : créer un serveur MCP en Python et le mettre en production

FastMCP pour créer un serveur MCP en Python : exemple de code, puis outils, OAuth, écritures validées, transport HTTP et tests du tool calling.

Lire
Stratégie IA

ITAR, Diffusion Restreinte : quelle IA peut lire vos plans ?

ITAR, double usage, Diffusion Restreinte, SecNumCloud : quel hébergement pour un assistant IA selon le niveau de vos données, et ce que cela impose à l'architecture.

Lire

Vous avez un projet IA ?

30 minutes de cadrage gratuit pour comprendre votre besoin et vous dire honnêtement si l'IA est le bon levier. Si oui, on discute du comment. Sinon, je vous le dis aussi.