Étude de cas IA IA / LLM Produit santé

Industrialisation IA d'un produit santé grand public

D'un prototype LLM exploratoire à une architecture IA robuste, sécurisée et exploitable en production

CTO externalisé & architecte IA

Architecture IA (backend LLM, RAG) Sécurisation (prompt injection, données personnelles) Pilotage des coûts d'API Monitoring & observabilité Montée en compétence de l'équipe

Carte d'identité du projet

Client
Client confidentiel
Secteur d'activité
Santé grand public
Type d'organisation
Startup
Intervention Levanna
  • Architecture IA
  • Sécurisation
  • Pilotage des coûts
  • Observabilité
  • Montée en compétence
Produits et technologies
  • Node.js
  • LLM
  • RAG
  • Monitoring des coûts d'API
Année
2026

En résumé

Une startup du secteur santé développait un produit numérique destiné au grand public. L’IA représentait un levier différenciant majeur et un premier prototype JavaScript, basé sur des appels directs à un modèle LLM, avait démontré la faisabilité.

La démonstration était convaincante, mais l’architecture n’était pas exploitable en production : appels non sécurisés depuis le navigateur, aucune traçabilité, coûts imprévisibles, risques techniques et réputationnels élevés. Levanna a transformé cette expérimentation en composant produit structurant, prêt pour la production et la montée en charge.

Contexte

Le produit s’adresse à des particuliers, sur des sujets de santé : l’exigence de fiabilité des réponses et de protection des données est maximale. L’équipe interne, compétente sur son produit, n’avait pas encore de pratique de l’intégration de modèles de langage en production.

Le prototype avait rempli son rôle : prouver l’intérêt de la fonctionnalité. Il fallait désormais décider comment en faire une brique durable du produit.

Le problème : un prototype non exploitable

  • Appels LLM directs côté frontend, avec exposition des clés d’API
  • Aucune séparation entre la logique métier et le moteur IA
  • Aucune protection contre les injections de prompt
  • Pas de traçabilité des interactions : impossible de comprendre ou de reproduire une réponse
  • Aucune visibilité sur les coûts d’exploitation, donc un risque budgétaire réel
  • Architecture non évolutive : changer de fournisseur de modèle aurait imposé une refonte complète

Contraintes

  • Public grand public et domaine santé : les réponses doivent être encadrées et les données personnelles protégées
  • Produit existant : l’intégration devait s’insérer dans l’application en place sans la réécrire
  • Équipe à faire monter en compétence : la solution devait être comprise et exploitée en interne, pas seulement livrée
  • Viabilité économique : les coûts d’API devaient devenir prévisibles avant tout déploiement large

Le rôle de Levanna

Intervention en CTO externalisé et architecte IA : diagnostic du prototype, conception de l’architecture cible, mise en œuvre du backend d’orchestration, sécurisation, puis transfert à l’équipe.

L’objectif n’était pas de produire une nouvelle démonstration, mais de livrer un composant que l’équipe puisse exploiter, surveiller et faire évoluer.

Décisions structurantes

  • Refonte architecturale complète plutôt que des correctifs : le produit ne pouvait pas passer en production dans son état initial
  • Traiter l’IA comme un composant différenciant, avec le même niveau d’exigence que le reste du produit, pas comme un gadget
  • Sécuriser avant de déployer : aucune ouverture au grand public sans protection des clés, des prompts et des données
  • Maîtriser les coûts dès la conception pour garantir la viabilité économique de la fonctionnalité
  • Préparer l’évolutivité : montée en charge et changement de modèle possibles sans refonte

Réalisation

  • Backend dédié à l’orchestration des appels LLM, centralisant les interactions IA
  • Gestion du contexte conversationnel côté serveur, avec persistance
  • Architecture RAG appuyée sur une base documentaire vérifiée pour limiter les hallucinations
  • Protection contre les injections de prompt : validation des entrées et encadrement des prompts système
  • Journalisation complète des requêtes et réponses, métriques et suivi des tokens
  • Sessions de transfert avec l’équipe interne sur les bonnes pratiques d’intégration IA

Architecture cible

Principes

Backend dédié à l’orchestration des appels LLM
Séparation claire entre logique métier et moteur IA encapsulé
Architecture RAG pour ancrer les réponses sur une base documentaire
Journalisation complète des requêtes et réponses
Monitoring des tokens et des coûts d’API en temps réel
Fournisseur de modèle interchangeable sans refonte globale
Détails techniques
  • Centralisation des interactions IA derrière une API backend
  • Base documentaire contextualisée (RAG) pour améliorer la pertinence
  • Validation stricte des entrées et watermarking des prompts système
  • Logs structurés, métriques et traçabilité de bout en bout
  • Projection budgétaire mensuelle des coûts d’API

Trajectoire technique et arbitrages

Architecture IA

Prototype JavaScript frontend, appels directs au fournisseur Backend Node.js orchestrant LLM et RAG

Sécurité, traçabilité, séparation des responsabilités

Contexte conversationnel

Géré côté client, état volatile et non sécurisé Géré côté serveur avec persistance

Fiabilité, cohérence entre sessions, débogage possible

Hallucinations

Modèle seul, risque de réponses incorrectes Architecture RAG ancrée sur une base documentaire

Améliorer la pertinence et limiter les erreurs critiques

Sécurité

Aucune protection, injection de prompt possible Validation stricte des entrées et watermarking des prompts système

Se protéger des usages malveillants

Coûts d'exploitation

Aucune visibilité, facture d'API imprévisible Monitoring des tokens et projection budgétaire

Piloter les coûts et éviter les dérapages

Résultats

100 %

des appels LLM sécurisés

backend dédié, clés d'API protégées

RAG

réponses ancrées sur une base vérifiée

hallucinations limitées

Coûts pilotés

projection budgétaire mensuelle

suivi des tokens en temps réel

Prêt

pour la production

architecture évolutive et maintenable

  • Passage d’un prototype fragile à une architecture exploitable en production
  • Risques techniques et réputationnels réduits : clés protégées, entrées validées, réponses traçables
  • Coûts d’exploitation maîtrisés et pilotables, avec une projection budgétaire claire
  • Équipe interne montée en compétence sur les bonnes pratiques d’intégration IA

Aucun volume d’usage n’est publié : la fonctionnalité a été industrialisée avant son ouverture au grand public.

Enseignements

  • Intégrer l’IA ne se limite pas à connecter une API : sécurité, gouvernance, exploitabilité et coûts font partie de l’architecture
  • Un prototype convaincant est un point de départ, pas un socle : il faut décider explicitement ce qui doit être reconstruit
  • Le RAG est d’abord une réponse à un problème de fiabilité, pas une mode technique
  • La montée en compétence de l’équipe conditionne la durabilité du composant autant que son code

Offres associées

Intégration et industrialisation de l'IA

Transformer un prototype IA en produit fiable : cadrage, architecture de la chaîne LLM, sécurisation et mise en production.

Découvrir l'offre

CTO externalisé hands-on

Un directeur technique expérimenté pour arbitrer, construire et transmettre.

Découvrir l'offre

Vous avez un prototype IA à industrialiser ?

Besoin d'un CTO IA pour transformer votre POC en architecture robuste et exploitable ?

Parler de votre projet IA Réserver un créneau

D'autres études de cas

Toutes les études de cas
IA LLM Industrialisation Architecture RAG Sécurité
Retour aux études de cas