CreativConflans : 6 chantiers IA et automatisation déployés sur mon propre site (cas pratique)

Ce que vous allez apprendre

• Les 6 chantiers d'IA et d'automatisation que j'ai construits sur mon propre site, avec la stack et les chiffres réels

• Comment un chatbot RAG nourri par 334 chunks couvrant 5 sources change la qualification de leads

• L'intérêt d'une knowledge base sémantique (lexique + outils) maintenue dans la durée

• Comment relier indexation, scoring de lead, alerte hot-lead et CRM sur-mesure dans une boucle cohérente

• Les briques que vous pouvez répliquer chez vous, et celles qui n'ont de sens qu'à un certain volume

Mon site est ma vitrine commerciale et mon laboratoire technique. Tout ce que je propose à mes clients, je le déploie d'abord ici — c'est ma règle. Quand quelqu'un me demande « concrètement, ça ressemble à quoi un site avec un agent IA, un RAG, du lead scoring et un CRM intégré ? », je n'ai pas à montrer des slides : creativconflans.fr est la démo.

Pour le contexte côté visiteur (design, services, marketplace, choix de Mistral pour le chatbot), voir l'annonce de la refonte : CreativConflans fait peau neuve : nouveau site, chatbot IA et marketplace. Ici, je rentre dans le détail technique. Voici le détail des six chantiers en place, dans l'ordre où je les ai construits. Pour chacun : ce que ça résout, comment c'est fait, les chiffres réels au 21 mai 2026.

Brique 1 — Le chatbot RAG : il connaît tout le site, lexique compris

Le chatbot accessible en bas à droite de chaque page n'est pas un bot scripté. C'est un agent IA qui interroge en temps réel une base vectorielle de 334 chunks couvrant 5 sources : articles de blog publiés, services, projets portfolio, fiches de la knowledge base, produits marketplace. Chaque question utilisateur déclenche un embedding Mistral, une recherche de similarité cosinus dans pgvector, puis une génération de réponse Mistral conditionnée sur les passages les plus pertinents.

Résultat concret : si un visiteur demande « c'est quoi un MCP ? », « différence entre n8n et Make ? », « combien coûte un site vitrine ? », le bot répond avec des sources réelles tirées de mon contenu — pas de hallucination, pas de réponse générique. Sur un sujet qu'il ne maîtrise pas, il le dit et propose un rendez-vous. Pour d'autres cas d'usage similaires en production, voir 5 exemples concrets d'agents IA dans vos processus métier.

La stack : RAG (Retrieval-Augmented Generation) avec Mistral + pgvector sur Supabase, intégré dans une API Nuxt qui retourne en une requête le contenu et des suggestions de relance contextuelles. Le coût marginal d'une conversation est inférieur à 1 centime — un investissement qui se justifie même sur des volumes faibles.

Brique 2 — La knowledge base : lexique IA + outils, en sémantique

Pour que le chatbot soit pertinent sur des questions techniques, il fallait lui donner accès à du vocabulaire structuré. J'ai construit une knowledge base de 57 fiches couvrant six catégories : lexique IA (32 fiches : RAG, MCP, embeddings, agents, etc.), outils IA (6), outils d'automatisation (5), outils dev (8), design (2), data (4).

Chaque fiche est éditable depuis l'admin (/admin/knowledge-base), versionnée en base, et automatiquement indexée dans le RAG après chaque modification. C'est ce qui permet au chatbot de répondre précisément à « tu peux me définir n8n ? » avec ma propre définition, pas une définition générique de Wikipedia.

La même base est miroirisée vers mon vault Obsidian via un script de sync. Source de vérité = Supabase, copie locale en markdown wikilinkable pour mes propres prises de notes. Le détail des serveurs et outils MCP utilisés dans cette stack est dans l'article Les meilleurs serveurs MCP en 2026.

Brique 3 — Le lead scoring live + alerte hot-lead

Chaque conversation du chatbot est analysée en temps réel pour détecter les signaux d'intention d'achat : mention d'un budget, d'un délai, d'un projet concret, demande de tarif explicite. Un score est calculé à chaque tour de conversation. Au-dessus d'un seuil, un webhook n8n se déclenche et je reçois une alerte instantanée — souvent avant même que le visiteur ait quitté la page.

Concrètement : sur les 14 leads chatbot enregistrés depuis le lancement, plusieurs ont été identifiés comme « chauds » en moins de 90 secondes de conversation. Pour un freelance solo, c'est la différence entre rappeler dans la journée ou laisser le prospect aller voir ailleurs. Le pattern complet est documenté dans Make : automatiser la gestion des leads entrants de A à Z.

Le scoring est fait par un appel Mistral structuré avec un schéma JSON contraint (function calling). Pas de règles regex fragiles, juste un LLM qui regarde la conversation et sort un score 0-100 avec une justification courte. Le webhook part en n8n qui envoie un Telegram et écrit dans la table cc_crm_leads.

Brique 4 — Le CRM intégré sur-mesure

Plutôt que de payer 50 €/mois pour HubSpot ou Pipedrive sur 14 leads par mois (ou de bricoler avec Notion en CRM léger, ce qui marche bien jusqu'à un certain volume), j'ai construit un CRM léger sur-mesure directement dans l'admin du site. Une table cc_crm_leads en Supabase avec colonnes structurées (modules sélectionnés, secteur, source, user-agent, referer), une page /admin/crm-leads en Nuxt pour visualiser et qualifier, et l'intégration avec le scoring live de la brique 3.

Le gain : tous les leads (chatbot, formulaire contact, scénario de simulation, marketplace) atterrissent dans la même table avec une typologie cohérente. Quand je veux relancer un prospect, j'ai en un clic tout son historique : ce qu'il a regardé, ce qu'il a demandé au chatbot, son score, sa zone géographique.

C'est exactement la même logique que je décris dans l'article Quand passer d'Excel ou HubSpot à un CRM sur-mesure — sauf que là je l'applique à moi-même.

Brique 5 — L'indexation automatique : sitemap, RAG, IndexNow, Obsidian

Quatre automatisations se déclenchent dès que je modifie ou ajoute du contenu :

• IndexNow — un trigger Supabase notifie Bing, Yandex et IndexNow.org (utile pour la stratégie de SEO local) à chaque update d'une page, d'un article ou d'un produit. Indexation accélérée.

• RAG static crawler — un endpoint admin qui crawle le sitemap, détecte les changements via lastmod + hash SHA-1, et ré-indexe uniquement les pages modifiées dans cc_embeddings. Incrémental, pas besoin de tout refaire.

• RAG DB reindex — un bouton dans /admin/rag qui ré-embarque tous les contenus DB (articles, services, projets, KB) en un clic. Coût : ~0,10 € chez Mistral pour tout le site.

• Sync Obsidian — un script Node qui exporte la knowledge base Supabase vers mon vault Obsidian en lecture seule. Pour la fraîcheur dans mes outils de pensée perso.

Aucune de ces automatisations n'est spectaculaire prise isolément. Cumulées, elles font qu'aucune modification de contenu ne nécessite d'action manuelle au-delà de la sauvegarde. C'est ce qui rend le système tenable dans le temps pour un freelance solo.

Brique 6 — Mon SaaS Amphi : skill Claude Code + serveur MCP

Au-delà du site, j'édite Amphi (présentation détaillée dans cet article), un outil de présentation live. Pour boucler la chaîne avec mes propres outils IA, j'ai construit deux briques complémentaires :

• Une skill Claude Code (amphi-html-deck) qui génère des présentations conformes au format Amphi à partir d'un simple brief. Open source.

• Un serveur MCP (amphi-mcp sur npm) qui permet à n'importe quel agent IA de publier un deck sur Amphi en autonomie. Trois tools, transport stdio en V1, OAuth prévu pour une V2 multi-utilisateurs.

Combinés, je peux dire à Claude : « fais-moi un deck de formation sur l'IA en PME et publie-le sur Amphi », et le lien de session m'arrive en moins de trois minutes. Cette boucle s'inscrit dans le mouvement plus large décrit dans Opus 4.7, Claude Design et Managed Agents — les agents deviennent des consommateurs de SaaS à part entière. C'est la démonstration que publier un MCP pour son SaaS en 2026 est l'équivalent stratégique de publier une API REST en 2015 — sans ça, votre produit n'est plus consommable par les agents.

Les chiffres au 21 mai 2026

Pour donner une idée de l'échelle et de l'effort, voici l'état du système :

Le système tourne sur Nuxt 4 + Vue 3 + Supabase (PostgreSQL + Auth + pgvector) + Vercel pour le déploiement. Côté IA : Mistral pour les embeddings et la génération, Claude Code pour le développement assisté. Côté automation : n8n pour les webhooks et workflows, Make pour les scénarios marketing.

Ce que ça veut dire pour ton entreprise

Trois enseignements concrets si vous lisez ça en réfléchissant à votre propre stack.

Premièrement : la transformation digitale et l'IA ne sont pas deux chantiers séparés. C'est la même infrastructure (base de données structurée, embeddings, automatisations) qui sert à indexer un site pour le SEO, à faire répondre un chatbot, à scorer un lead, à synchroniser une knowledge base. Une fois le socle posé, chaque nouvelle brique se branche sur les précédentes.

Deuxièmement : un freelance ou une PME n'a pas besoin de la stack d'OpenAI ou de Google pour déployer ça. Mistral + Supabase + n8n + Vercel suffisent largement et coûtent moins de 30 € par mois en exploitation. Le coût n'est plus l'infrastructure — c'est l'intégration soigneuse et la maintenance des données.

Troisièmement : le retour sur investissement vient moins de l'IA « visible » (le chatbot) que de l'IA « invisible » (le lead scoring, l'indexation automatique, le CRM relié à la conversation). Le visible vend, l'invisible fait gagner du temps.

D'autres cas pratiques sur des cas clients concrets sont disponibles si vous voulez comparer avec des contextes différents (artisan, cabinet d'avocat, PME locale). Si vous voulez voir une brique en particulier en détail, ou monter une équivalente chez vous, on peut en parler. Le premier échange est gratuit — contactez-moi ou réservez un appel. Et n'hésitez pas à tester le chatbot en bas à droite de cette page — il est entraîné sur l'intégralité du contenu du site, y compris cet article.