Aller au contenu
Web&Leads

Notre produit

Un moteur IA ancré dans les données qui ramène 15 heures d'analyse à 2 minutes

Listrino est notre propre SaaS d'IA pour les hôtes Airbnb et Booking.com. Nous avons construit un pipeline IA qui combine les données d'annonce collectées, les avis des voyageurs, les concurrents locaux et les règles des plateformes pour produire un plan d'action priorisé. Chaque recommandation est vérifiée par rapport à sa source avant d'être montrée à l'utilisateur.

Client
Listrino
Secteur
Locations courte durée, SaaS
Services
Développement logiciel IADéveloppement SaaS et produit
Année
2026

Résultats

  • < 2 minpar rapport, contre plus de 15 heures de travail manuel
  • 4signaux de données combinés en une seule passe
  • 0affirmation non étayée affichée : tout élément sans preuve est supprimé dans le code
Un moteur IA ancré dans les données qui ramène 15 heures d'analyse à 2 minutes

Le défi

Les hôtes Airbnb et Booking.com veulent savoir une chose : que dois-je changer pour obtenir plus de réservations ? La réponse est noyée dans des dizaines d'avis, d'annonces concurrentes et de règles de plateforme. Faire ce travail à la main prenait à notre fondateur plus de 15 heures par logement.

L'approche évidente, tout envoyer à un modèle de langage et lui demander conseil, produisait des réponses sûres d'elles mais génériques. Pire, les premières versions inventaient des plaintes qu'aucun voyageur n'avait jamais formulées. Pour un produit payant, c'était inacceptable.

Notre approche

Nous avons traité le modèle de langage comme un composant d'un pipeline, et non comme le produit tout entier.

  1. Collecter les preuves. Des scrapers Apify récupèrent l'annonce, ses avis et un panel des meilleurs concurrents de la même ville et du même type de logement. Les panels de concurrents sont mis en cache 31 jours et les annonces 14 jours pour maîtriser les coûts.
  2. Classer les thèmes dans une ontologie fixe. Un petit modèle associe le texte des avis à un ensemble prédéfini de thèmes, avec une regex en solution de repli. Aucun résumé libre.
  3. Prioriser dans le code. Chaque action possible reçoit un score de gravité et d'effort calculé en TypeScript, pas dans un prompt. Les écarts avec la concurrence sont mesurés, jamais supposés.
  4. Rédiger sous contraintes. Un modèle rédacteur remplit des emplacements présélectionnés avec un texte court et précis, en basculant entre GPT-4o mini et GPT-4.1 mini selon la tâche.
  5. Vérifier et nettoyer. Un garde-fou déterministe vérifie que chaque plainte citée apparaît bien dans les avis et mentionne le problème évoqué. Tout ce qui n'est pas étayé est supprimé. Les nombres de logements ou noms de villes inventés dans les titres suggérés sont bloqués.

Au-dessus du pipeline IA, nous avons construit un Listing Health Score déterministe, un historique des rapports avec les écarts entre deux analyses, l'export PDF, des liens de partage publics et des vues portefeuille pour les hôtes qui gèrent plusieurs logements.

Les résultats

  • Des rapports complets en moins de 2 minutes au lieu de plus de 15 heures.
  • Des recommandations fiables pour les hôtes, car chacune affiche la preuve sur laquelle elle repose.
  • Des coûts prévisibles : les modèles de vision, coûteux, ne tournent que pour les utilisateurs payants, et le cache évite de collecter plusieurs fois les mêmes données.

Ce que nos clients peuvent en retenir

La même méthode fonctionne pour tout produit IA qui doit être juste : assistants de support, analyse de documents, contrôles de conformité ou recherche commerciale. Collecter les preuves, encadrer le modèle, prioriser dans le code et vérifier avant d'afficher. C'est ainsi que nous abordons le développement logiciel IA pour nos clients.

Stack technique

  • Next.js
  • TypeScript
  • OpenAI GPT-4o et GPT-4.1 mini
  • Apify
  • Neon Postgres
  • Drizzle ORM
  • Zod
  • Vercel

Un projet ou une idée d'IA ?

Dites-nous ce que vous voulez améliorer ou créer. Nous répondons sous un jour ouvré avec des recommandations franches pour la suite.