Frema Labs

Par secteur

Par technologie

Par taille d'entreprise

Partez de votre secteur, de la technologie que vous envisagez ou de la taille de votre entreprise.Toutes les solutions
Discutons

Solutions / IA agentique

IA agentique pour les entreprises suisses

Un agent vaut la peine d'être construit quand une tâche demande de nombreuses étapes dans plusieurs systèmes et qu'une personne reste responsable du résultat.

Décrire votre cas

Ce que nous pourrions construire

Ces scénarios sont des illustrations. Aucun ne décrit un client.

Banque et finance

Les revues KYC périodiques piétinent parce que les documents sont dispersés dans cinq systèmes et que certains ont expiré sans que personne le remarque.

Ce que nous construirions

Un agent qui reconstitue le dossier client à partir de chaque système, contrôle les dates d'expiration et les pièces manquantes, et rédige la synthèse de revue avec ses sources. L'analyste valide le dossier complet, et l'agent n'a aucun droit de contacter les clients ni d'approuver quoi que ce soit.

LangGraph, Python, PostgreSQL, Avaloq API

Horlogerie et luxe

Les pièces de la nouvelle saison apparaissent sur des sites de revente en quelques semaines, et l'équipe les repère en parcourant les places de marché à la main.

Ce que nous construirions

Un agent qui surveille une sélection de places de marché, associe les annonces aux références d'après leurs photos et leurs descriptions, et compare tout numéro de série ou toute carte de garantie visible aux allocations des détaillants agréés. Il constitue un dossier pour chaque annonce suspecte, et l'équipe décide des suites à donner.

Playwright, DINOv2, Python, PostgreSQL

Pharma et sciences de la vie

Les relecteurs de l'assurance qualité parcourent les dossiers de lot complétés ligne par ligne, à la recherche d'une signature manquante ou d'une valeur hors limites.

Ce que nous construirions

Un agent de revue qui lit les dossiers de lot numérisés, compare chaque étape au dossier de lot maître et liste les déviations, les signatures manquantes et les saisies hors limites avec leur page. Le relecteur traite cette liste, et la libération reste du ressort de la personne qui certifie les lots.

Qwen3-VL, LangGraph, Python

Pharma et sciences de la vie

Les scientifiques sont censés suivre chaque nouvelle publication de leur domaine, et le volume hebdomadaire rend la chose impossible.

Ce que nous construirions

Un agent de veille qui interroge PubMed chaque semaine sur les sujets de chaque équipe, trie les résumés selon leurs critères et envoie une courte synthèse avec les liens et la raison pour laquelle chaque article a été retenu. Les scientifiques notent la sélection, ce qui affine le tri de la semaine suivante.

PubMed API, BGE-M3, LangGraph, Microsoft Teams

Commerce de détail et e-commerce

La plupart des tickets demandent où en est une commande ou comment la retourner, et l'équipe répond aux mêmes questions toute la journée.

Ce que nous construirions

Un agent IA qui lit chaque ticket, consulte la commande et la politique de retour, et rédige la réponse dans la langue du client. Les réponses courantes partent après une vérification rapide ; les remboursements et les exceptions attendent une personne, avec le cas déjà résumé.

LangGraph, Zendesk API, FAISS

Le principe

Un agent est un modèle de langage doté d'outils : il peut chercher dans des documents, appeler vos API, remplir des formulaires et décider de l'étape suivante. Nous construisons les agents comme des workflows explicites, avec des permissions fixes. Chaque action est journalisée et reste dans le cadre que le workflow autorise, et les décisions qui comptent reviennent à une personne.

Pertinent quand

  • La tâche suit une procédure connue mais rassemble des informations venant de plusieurs systèmes.
  • L'essentiel du temps passe à collecter et à vérifier, avant la décision proprement dite.
  • Chaque étape peut être journalisée et revue après coup.

Cherchez ailleurs quand

  • Une seule question, dont la réponse se trouve dans des documents : la recherche documentaire seule est plus simple.
  • La décision a une portée juridique et personne n'est disponible pour l'approuver.

Les questions qu'on nous pose

Il ne peut utiliser que les outils et les permissions que nous lui donnons, et les actions qui ont des conséquences attendent une approbation humaine. Chaque étape est journalisée avec ses entrées et ses sorties.

Le plus souvent LangGraph ou de simples machines à états en Python, avec des modèles à poids ouverts ou hébergés selon vos données. Nous connectons les outils par le Model Context Protocol (MCP) quand il convient à vos systèmes, et la logique du workflow reste dans du code qui vous appartient.

Oui. Les modèles à poids ouverts peuvent tourner sur vos serveurs ou chez un prestataire suisse, et les outils appelés par l'agent restent dans votre réseau.

Un prototype ciblé sur un seul workflow prend en général quelques semaines. La mise en production ajoute l'intégration, la surveillance et les étapes d'approbation que votre processus exige.

Solutions associées

Secteurs

Technologies

Taille d'entreprise

Quelle procédure confieriez-vous en premier à un agent ?

Nous commençons par une étude de faisabilité sur vos propres données : vous voyez des résultats avant toute promesse.

Décrire votre casNotre méthode