ChatGPT Deep Research puise désormais dans plus de 60 applications
J'étais au milieu d'une analyse du marché immobilier pour un client le mois dernier — le genre qui me prend normalement deux jours complets à extraire des données de Zillow, les croiser avec les chiffres du Bureau du Recensement, et tout formater dans un rapport qui n'a pas l'air d'avoir été bâclé à 3 heures du matin. Ma feuille de calcul avait dix-sept onglets. Dix-sept. Et je n'en étais qu'à 40%.
Puis un ami m'a envoyé un message sur Slack : « Tu as vu la nouvelle mise à jour de Deep Research ? »
Non, je ne l'avais pas vue. Mais en 43 minutes d'essai, cette même analyse — celle sur laquelle j'avais passé une journée entière — était devant moi sous forme de rapport complet, étayé par des citations, avec des graphiques, des résumés exécutifs et des données auxquelles je n'avais même pas pensé. J'ai fermé ma feuille de calcul à dix-sept onglets et je ne l'ai pas rouverte depuis.
Voici ce qui s'est passé, et pourquoi je pense que cette seule mise à jour change la façon dont les professionnels techniques gèrent la recherche à partir de maintenant.
L'ancien Deep Research était déjà impressionnant — Alors qu'est-ce qui a changé ?
Si vous avez déjà utilisé Deep Research de ChatGPT, vous savez qu'il était déjà en avance sur la recherche web classique. Il pouvait approfondir des sujets, synthétiser des informations provenant de multiples sources et produire des rapports structurés. Du travail solide. Je l'utilisais régulièrement pour l'analyse concurrentielle et les comparaisons technologiques.
Mais il avait un plafond. Tout ce qu'il extrayait provenait du web ouvert. Articles publics, documentation, forums. C'est utile, mais ce n'est pas là que vivent les données vraiment précieuses.
Les données précieuses vivent dans vos applications. Votre tableau de bord Stripe. Vos recherches sauvegardées sur Zillow. Votre historique de réservations sur Expedia. Votre CRM HubSpot. Votre Google Drive. Vos analyses Amplitude. Vos dépôts GitHub.
Cette mise à jour connecte Deep Research directement à ces sources de données — plus de 60 d'entre elles.
Ce n'est pas une amélioration incrémentale. C'est un type d'outil de recherche fondamentalement différent. Et j'ai passé les deux dernières semaines à le tester sur des projets réels pour découvrir exactement où il excelle et où il est encore insuffisant. Je vais aborder les deux — mais la partie « excelle » va prendre un moment, car il y a beaucoup à couvrir.
Comment la nouvelle interface fonctionne réellement
La mise à jour de Deep Research se trouve au même endroit que prévu — accessible depuis le menu latéral gauche dans ChatGPT. Vous la remarquerez à côté de Pulse et Images, mais le panneau Deep Research a été entièrement repensé.
La première chose qui m'a frappé était le panneau de connexion des applications. Avant même de taper votre requête de recherche, vous pouvez choisir quelles sources de données inclure. La liste est véritablement massive :
Communication et Productivité : Slack, Gmail, Google Drive, Microsoft Teams, Notion, Asana E-Commerce et Finances : Stripe, Shopify, QuickBooks, PayPal Voyages et Immobilier : Expedia, Zillow, Booking.com, Airbnb Analyse et Marketing : Amplitude, HubSpot, Google Analytics, Conductor, Semrush Développement : GitHub, GitLab, Jira, Linear Données et Marchés : Bloomberg API, Yahoo Finance, Alpha Vantage
Et ce n'est pas la liste complète. J'ai compté 63 intégrations en les parcourant toutes, et OpenAI semble en ajouter régulièrement.
Voici la partie qui compte vraiment — vous ne faites pas que connecter ces applications en espérant que tout ira bien. Vous avez un contrôle granulaire sur ce que la recherche extrait. Vous voulez qu'elle ne regarde que des sites web spécifiques ? Vous pouvez les mettre en liste blanche. Vous voulez exclure certaines sources ? Mettez-les en liste noire. Vous pouvez sauvegarder ces configurations, les copier, les effacer et les réutiliser dans différentes sessions de recherche.
J'ai configuré un profil « analyse concurrentielle tech » qui extrait de GitHub, Hacker News, des sites de documentation spécifiques et mes bases de données Notion sauvegardées. Quand j'en ai besoin, c'est un clic. Sans reconfigurer à chaque fois.
Rien que cela me fait gagner vingt minutes par session de recherche. Mais la vraie magie se produit une fois que la recherche commence à s'exécuter.
Le processus de recherche semble inconfortablement humain
Je dis « inconfortablement » parce que regarder Deep Research travailler sur une requête complexe, c'est comme observer un assistant de recherche compétent réfléchir à voix haute. Il ne se contente pas de chercher et résumer. Il passe par des phases distinctes :
Collecte de Données — Il identifie les informations dont il a besoin et commence à extraire de vos sources connectées et du web simultanément.
Extraction — Il isole les éléments pertinents de tout ce qu'il a trouvé. Pas de simple correspondance de mots-clés — une véritable extraction contextuelle.
Comparaison — Il croise les points de données de différentes sources, cherchant des schémas, des contradictions et des lacunes.
Synthèse — Il construit un récit cohérent à partir des données comparées, en les organisant par pertinence plutôt que par source.
Génération de Rapport — Il formate le tout en un rapport structuré avec des citations, des visualisations et des conclusions exploitables.
Vous pouvez voir chaque phase se dérouler en temps réel. Et voici la partie qui m'a sidéré — vous pouvez intervenir à tout moment.
En cours de recherche, j'ai réalisé que ma requête sur les prix de voyage se concentrait trop sur les vols domestiques alors que j'avais en fait besoin de données de comparaison internationale. Avec l'ancienne version, j'aurais dû recommencer à zéro. Avec cette mise à jour, j'ai mis la recherche en pause, ajouté une note de clarification (« Inclure Londres, Tokyo et Dubaï comme destinations de comparaison »), et elle a repris là où elle s'était arrêtée avec la portée ajustée.
Pause. Mise à jour. Redirection. Reprise. C'est le flux de travail, et il change tout dans la façon dont vous interagissez avec la recherche automatisée.
L'une de mes exécutions de test a effectué 418 recherches individuelles, cité 27 sources et s'est terminée en 24 minutes. Ce n'est pas une erreur. Quatre cent dix-huit recherches, synthétisées en un rapport cohérent. Manuellement ? Cela m'aurait pris trois ou quatre jours. Peut-être une semaine si je voulais être minutieux.
Le test Expedia : Des prix de voyage qui ont enfin du sens
Je voulais mettre l'intégration des applications à l'épreuve, alors j'ai commencé par quelque chose de pratique — une analyse des prix de voyage que toute personne planifiant un voyage trouverait utile.
Ma requête : « Analyse les fluctuations des prix des vols et des hôtels tout au long de 2026 pour des voyages de New York vers la Floride. Montre-moi les mois les moins chers, les périodes les plus chères et les points idéaux où le rapport qualité-prix/météo est optimal. »
J'ai connecté Expedia comme source de données, mis en liste blanche quelques sites de comparaison de voyages, et l'ai laissé tourner.
Ce qui est revenu n'était pas ce que j'attendais.
Le rapport ne m'a pas simplement montré des graphiques de prix. Il a généré un résumé exécutif, des analyses de tendances saisonnières, une analyse de variation pic-creux (les vols de JFK à Miami varient jusqu'à 340% entre les fenêtres de réservation les moins chères et les plus chères — j'ai vérifié manuellement), des tableaux comparatifs pour différentes destinations en Floride, et une section sur les stratégies de moment de réservation basées sur les schémas de données historiques.
Cette unique exécution : 125 recherches, 7 citations de données réelles de prix d'Expedia, générée en 43 minutes. Le résultat était un rapport complet que j'aurais pu remettre à un client ou utiliser pour ma propre planification de voyage sans aucune modification.
Mais voici ce que je veux que vous remarquiez — il a extrait des données réelles d'Expedia. Pas des données web mises en cache sur Expedia. Pas des articles sur les prix des vols. Des données réelles de prix spécifiques par itinéraire et par date provenant de la plateforme elle-même. C'est la différence entre lire sur les prix de voyage et voir vos propres prix de voyage analysés.
Je construis des flux de travail d'automatisation IA depuis un bon moment maintenant, et ce niveau d'accès natif aux données depuis l'intérieur d'une IA conversationnelle est quelque chose que je ne m'attendais véritablement pas à voir aussi tôt.
Le test Zillow : Une recherche immobilière qui prenait autrefois des semaines
Le deuxième test a touché plus près de chez moi — littéralement. Un ami cherchait une propriété dans le Montana et m'a demandé de l'aider à réduire les options de zones. Normalement, j'aurais passé un week-end sur Zillow à filtrer et comparer manuellement. Cette fois, j'ai utilisé Deep Research avec Zillow connecté.
Ma requête : « Trouve des villes dans le Montana avec des maisons entre 500K$ et 1 million $, de plus de 3 000 pieds carrés, et avec plus de 5 acres de terrain. Classe-les par valeur, qualité de la communauté et proximité aux activités de plein air. »
La recherche a pris environ 50 minutes. Plus long que mon test Expedia, mais la portée était significativement plus large.
Ce que j'ai reçu était remarquable. Des classements ville par ville avec des justifications. Des sections de méthodologie des sources de données expliquant comment il avait pondéré les différents facteurs. Des exemples d'annonces tirées directement de l'inventaire actuel de Zillow — pas des données obsolètes de pages web mises en cache, mais des propriétés réellement sur le marché. Une analyse des tendances de prix montrant quelles zones avaient connu des baisses récentes. Des profils communautaires avec des notes d'écoles, des données de population et la proximité des parcs nationaux.
Mon ami a utilisé ce rapport pour réduire sa recherche de « quelque part dans le Montana » à trois villes spécifiques en moins d'une heure. Il va en visiter deux le mois prochain.
Je veux être honnête sur un point — j'ai revérifié plusieurs des annonces référencées, et elles étaient toutes des annonces Zillow légitimes et actives au moment de la recherche. Mais j'ai remarqué qu'une propriété était passée sous contrat entre le moment où Deep Research a extrait les données et celui où je les ai vérifiées, ce qui est un décalage raisonnable étant donné le processus. Le point essentiel : les données sont actuelles, mais l'immobilier bouge vite. Ne faites pas d'offres en vous basant uniquement sur la recherche IA.
Ce que la plupart des gens vont rater dans cette mise à jour
C'est ici que je veux changer de registre, parce que les cas d'usage évidents — voyages, immobilier, étude de marché — ne sont que la surface.
Le vrai pouvoir réside dans la combinaison de multiples intégrations d'applications en une seule session de recherche. Laissez-moi vous donner un scénario.
Imaginez que vous dirigez une entreprise SaaS. Vous connectez Stripe (données de revenus), Amplitude (analyse du comportement utilisateur), HubSpot (données de relation client), GitHub (vélocité de développement produit) et Google Analytics (schémas de trafic). Maintenant vous demandez à Deep Research : « Analyse la corrélation entre notre cadence de livraison de fonctionnalités au cours des six derniers mois et les taux de rétention client, ventilée par canal d'acquisition. »
C'est une question qui nécessiterait normalement un analyste de données, l'accès à de multiples tableaux de bord, et probablement une semaine de travail. Avec les bonnes intégrations connectées, Deep Research peut extraire de toutes ces sources simultanément et synthétiser un rapport qui identifie des schémas qu'un humain pourrait complètement manquer.
Je n'ai pas testé ce scénario exact (je n'ai pas de SaaS avec tous ces outils connectés), mais j'ai parlé avec deux fondateurs qui l'ont fait, et les deux ont décrit les résultats comme « troublants » — non pas parce que les données étaient mauvaises, mais parce qu'elles ont révélé des insights qu'ils n'avaient véritablement pas envisagés malgré l'accès aux mêmes données depuis des mois.
C'est la vraie histoire ici. Ce n'est pas que l'IA peut mieux chercher sur le web. C'est que l'IA peut maintenant connecter les points entre vos propres silos de données de façons que la plupart des équipes n'ont tout simplement pas la bande passante pour faire manuellement.
La qualité du résultat mérite sa propre section
Les rapports qui sortent du Deep Research amélioré ne sont pas de simples murs de texte. Ils sont structurés, visuels et véritablement utiles.
Des citations partout. Chaque affirmation renvoie à sa source. Vous pouvez cliquer et vérifier tout ce qui semble douteux. J'apprécie cela parce que ça construit la confiance — et parce que j'ai été trompé par les hallucinations de l'IA suffisamment de fois pour ne jamais faire confiance à des affirmations non vérifiées.
De vrais graphiques et diagrammes. Pas de marqueurs de position ni d'art ASCII. De véritables visualisations de données intégrées dans le rapport. L'analyse des prix de voyage incluait des courbes de prix saisonnières que j'ai pu capturer et intégrer directement dans une présentation.
Des diagrammes Mermaid. Pour la recherche orientée processus, il génère des diagrammes de flux au format Mermaid montrant des arbres de décision, des flux de travail et des cartes de relations. Si vous êtes développeur, vous savez à quel point c'est utile. Si vous ne l'êtes pas — imaginez un diagramme visuel généré automatiquement montrant comment différents facteurs se connectent entre eux.
Des résumés exécutifs. Chaque rapport commence par un résumé concis qui vous donne les conclusions principales en 2-3 paragraphes. Parfait pour partager avec les personnes qui ne liront pas le rapport complet (ce qui, honnêtement, représente la plupart des parties prenantes).
Des options d'exportation. Les formats Word et PDF sont tous deux pris en charge. Le formatage se transfère proprement — j'ai testé les deux. L'exportation PDF est particulièrement soignée, ce qui compte quand vous partagez des rapports en externe.
Un point que je signalerai : les rapports ont tendance à être exhaustifs jusqu'à l'excès. Mon rapport de recherche Zillow faisait environ 4 500 mots. C'est excellent pour une analyse complète, mais si vous voulez juste une réponse rapide, l'ancienne recherche pourrait encore être plus rapide. Deep Research est un outil puissant, pas une consultation rapide.
Ce qui a pris plus de temps — Et si ça a de l'importance
Je dois aborder l'éléphant dans la pièce : le nouveau Deep Research prend plus de temps que la version précédente. Mes tests ont varié de 24 minutes pour une requête ciblée à plus de 50 minutes pour une analyse immobilière large.
La version précédente aurait renvoyé quelque chose en 5-10 minutes. Nous parlons donc d'une augmentation de 3x à 5x du temps de traitement.
Est-ce que ça compte ? Voici mon avis honnête.
Si vous faites des recherches factuelles rapides — « Quelle est la capitale du Montana ? » ou « Comment configurer un proxy inverse nginx ? » — n'utilisez pas du tout Deep Research. C'est à ça que servent le ChatGPT classique ou une recherche web.
Mais si vous faites de la vraie recherche — le genre qui vous prendrait des heures ou des jours à faire manuellement — attendre 30-45 minutes pour un rapport complet, étayé par des citations et avec des données réelles d'applications n'est pas un sacrifice. C'est un cadeau. Je passais auparavant deux jours sur des analyses concurrentielles qui me prennent maintenant 40 minutes d'attente passive.
L'idée clé : Deep Research s'exécute en arrière-plan. J'ai lancé mon analyse Zillow, je suis allé préparer le déjeuner, je suis revenu, et le rapport m'attendait. Vous n'avez pas besoin de rester assis à regarder la barre de progression. Lancez la recherche, faites autre chose, revenez au travail terminé.
C'est un changement de flux de travail que la plupart des gens ne feront pas immédiatement. Nous sommes entraînés à attendre des résultats instantanés de l'IA. Deep Research vous demande d'être patient, et il récompense cette patience avec un résultat nettement meilleur.
Là où ça ne fonctionne pas (Encore)
Je vous rendrais un mauvais service si je ne parlais pas des lacunes, car elles existent et elles valent la peine d'être connues avant de restructurer votre flux de recherche autour de cet outil.
Limitations de connexion d'applications. Toutes les intégrations d'applications ne sont pas également profondes. Certaines donnent à Deep Research un accès complet aux données ; d'autres fournissent des points de terminaison API limités. L'intégration de Stripe, par exemple, est solide pour les données de revenus et de transactions mais n'extrait pas les métadonnées détaillées des clients. La profondeur varie selon l'intégration, et il n'y a pas de documentation claire sur le niveau d'accès que chacune fournit.
Limitation de débit sur certaines sources. Pendant mon test Expedia, j'ai remarqué que la recherche s'est brièvement interrompue à un moment — probablement à cause des limites de débit de l'API. Elle s'est rétablie d'elle-même et a continué, mais pour les recherches sensibles au temps, sachez que certaines sources de données peuvent introduire des goulots d'étranglement.
Pas de données en temps réel. Malgré l'extraction depuis des applications actives, les données ont un décalage. Elles sont suffisamment actuelles pour la plupart des analyses (on parle de minutes à heures, pas de jours), mais si vous avez besoin de cours boursiers en temps réel ou de comptages d'inventaire en direct, ce n'est pas l'outil pour ce travail.
Courbe d'apprentissage pour la configuration de la portée. Les fonctionnalités de liste blanche et liste noire de sites sont puissantes mais pas immédiatement intuitives. J'ai passé environ 20 minutes à trouver la configuration optimale pour ma première session de recherche. Une fois que vous l'avez configurée, sauvegarder les configurations rend les sessions futures fluides. Mais cette friction initiale de configuration est réelle.
Considérations de coût. Deep Research avec intégrations d'applications fonctionne sur le niveau premium de ChatGPT. Si vous êtes sur le plan gratuit ou même le plan payant de base, certaines de ces fonctionnalités peuvent ne pas être disponibles. J'ai tout testé sur le niveau Plus. La proposition de valeur est évidente pour les professionnels qui font régulièrement de la recherche, mais si vous êtes un utilisateur occasionnel, le calcul coût-bénéfice change.
Mon flux de travail maintenant vs. il y a trois semaines
Je veux dresser un tableau clair de l'avant et de l'après, parce que les descriptions abstraites de fonctionnalités ne vont que jusqu'à un certain point.
Avant la mise à jour :
- Identifier ce que j'ai besoin de rechercher
- Ouvrir 5-8 onglets de navigateur (Zillow, tableau de bord Stripe, Google Analytics, sites de concurrents)
- Extraire manuellement des données de chaque source
- Copier-coller dans une feuille de calcul ou un document Notion
- Croiser les références et chercher des schémas moi-même
- Rédiger les conclusions dans un rapport cohérent
- Ajouter des graphiques avec des outils externes
- Formater et exporter
Durée : 4-8 heures pour une analyse modérément complexe
Après la mise à jour :
- Connecter les intégrations d'applications pertinentes (configuration unique)
- Rédiger une requête de recherche détaillée
- Configurer la portée (liste blanche/noire, profils sauvegardés)
- Lancer la recherche et aller faire autre chose
- Examiner le rapport terminé
- Faire des modifications mineures si nécessaire
- Exporter
Durée : 30-60 minutes de travail actif, plus du temps d'attente passif
La différence de qualité n'est pas subtile. Les rapports générés par l'IA incluent systématiquement des points de données et des références croisées que j'aurais manqués en faisant le travail manuellement. Non pas parce que je suis négligent — mais parce qu'analyser simultanément des données provenant de six sources différentes est quelque chose que l'IA fait mieux que les humains. C'est tout simplement la réalité.
Mon temps actif de recherche a diminué d'environ 80%. La qualité du résultat a augmenté. Je m'adapte encore à l'idée que je peux faire confiance à un assistant de recherche IA à ce degré, mais les résultats continuent de valider cette confiance.
Intégrer la recherche dans des flux de travail automatisés
C'est la partie qui m'enthousiasme le plus en tant que constructeur de systèmes d'automatisation IA — Deep Research avec intégrations d'applications est un candidat parfait pour l'automatisation de flux de travail.
Imaginez une exécution de recherche automatisée hebdomadaire : chaque lundi matin, Deep Research extrait vos données de revenus Stripe, vos métriques utilisateur Amplitude et votre pipeline HubSpot, puis génère un rapport d'analyse de tendances qui arrive dans votre boîte de réception avant votre première réunion.
Ou un système de veille immobilière : une recherche connectée à Zillow qui s'exécute chaque semaine selon vos critères sauvegardés, signalant les nouvelles annonces, les baisses de prix et les changements du marché. Pas de travail manuel. Juste des rapports qui apparaissent quand il y a quelque chose qui vaut la peine d'être su.
Je n'ai pas encore construit ces automatisations — l'accès API pour Deep Research est encore limité — mais dès qu'OpenAI ouvrira l'accès programmatique à ces fonctionnalités, je les construirai immédiatement. La combinaison intégration d'applications + recherche automatisée + exécution programmée va constituer une catégorie de flux de travail qui n'existe pas vraiment encore.
Pour l'instant, vous pouvez approximer cela en exécutant des sessions manuelles de Deep Research selon un calendrier régulier. Ce n'est pas automatisé, mais c'est quand même nettement plus rapide que de faire la recherche vous-même.
Conseil de pro : Sauvegardez vos configurations de portée. J'ai cinq profils sauvegardés — « Analyse Concurrentielle Tech », « Immobilier Montana », « Planification de Voyages », « Revue de Revenus Clients » et « Tendances du Marché ». Chacun a des connexions d'applications et des listes blanches de sites préconfigurées. Quand j'ai besoin de lancer une session de recherche, je sélectionne le profil, tape ma requête et c'est parti. Zéro temps de configuration après la mise en place initiale.
La vraie question que personne ne pose
Tout le monde se concentre sur ce que Deep Research peut faire. La question à laquelle je reviens sans cesse est différente : qu'advient-il de la valeur des compétences humaines de recherche quand l'IA peut faire 80% du travail pour 10% du coût ?
Je ne pense pas que la réponse soit « les chercheurs humains deviennent obsolètes ». Je pense que c'est plus nuancé que cela. Deep Research est brillant pour collecter, synthétiser et présenter des données. Ce qu'il ne peut pas faire — pas encore — c'est poser les bonnes questions en premier lieu.
Ma recherche Zillow n'a été utile que parce que j'ai su demander la superficie du terrain en acres et la proximité aux activités de plein air, pas seulement le prix et la surface habitable. Mon analyse Expedia a été précieuse parce que j'ai formulé la requête autour du rapport qualité-prix/météo, ce qui n'est pas un angle évident.
La compétence qui compte maintenant n'est pas la collecte de données. C'est la conception de questions. Les personnes qui tireront le meilleur parti d'outils comme celui-ci sont celles qui savent quoi demander — parce que l'IA se chargera de trouver, comparer et rapporter.
C'est un changement qui mérite attention, surtout si vous êtes en début de carrière et développez vos compétences de recherche. N'apprenez pas à collecter des données plus vite. Apprenez à poser de meilleures questions. Les machines maîtrisent déjà la partie collecte.
Ce qui vient ensuite
Je suis l'espace des outils IA de près depuis les deux dernières années, et le schéma est clair : d'abord vient la capacité, puis l'intégration, puis l'automatisation. Nous sommes solidement dans la phase d'intégration avec Deep Research. Les connexions d'applications sont actives. Les flux de données fonctionnent. Les rapports sont véritablement utiles.
La phase d'automatisation est la suivante, et je pense qu'elle arrive plus vite que la plupart ne l'imaginent. Quand Deep Research obtiendra un accès API et pourra être déclenché de manière programmatique — combiné avec des outils comme Zapier, Make ou des scripts personnalisés — nous verrons un monde où la recherche se fait continuellement en arrière-plan, révélant des insights sans que personne n'ait à le demander.
Pour les ingénieurs et constructeurs d'IA, c'est le moment de commencer à concevoir des flux de travail qui se brancheront sur ces capacités dès qu'elles seront disponibles. N'attendez pas l'annonce. Ayez votre architecture d'automatisation prête.
Pour tous les autres, commencez à utiliser Deep Research maintenant. Pas pour les choses simples — pour les choses difficiles. L'analyse multi-sources, les comparaisons inter-plateformes, les questions qui vous prenaient auparavant un week-end. Familiarisez-vous avec l'outil, apprenez ses particularités, construisez vos profils sauvegardés.
Parce que dans trois mois, les personnes qui ont commencé à l'utiliser tôt auront une capacité de recherche que leurs pairs essaieront encore de comprendre. Et dans un monde où une meilleure information mène à de meilleures décisions, cet écart se creuse rapidement.
La feuille de calcul à dix-sept onglets que j'ai mentionnée au début ? Je l'ai supprimée. Non pas parce que les données étaient mauvaises — mais parce que j'ai réalisé que je faisais de la recherche à la dure depuis des années, et je viens de trouver une meilleure méthode. Mon seul regret, ce sont les heures que je ne peux pas récupérer.
Quelle est la question de recherche que vous repoussez parce qu'elle semble trop importante à traiter ? Commencez par là. L'outil est prêt. Les sources de données sont connectées. La seule chose qui manque, c'est votre requête.
🤝 Travaillons ensemble
Vous cherchez à construire des systèmes d'IA, automatiser des flux de travail ou faire évoluer votre infrastructure technologique ? Je serais ravi de vous aider.
- 🔗 Fiverr (développements et intégrations sur mesure) : fiverr.com/s/EgxYmWD
- 🌐 Portfolio : mejba.me
- 🏢 Ramlit Limited (solutions entreprise) : ramlit.com
- 🎨 ColorPark (design et identité de marque) : colorpark.io
- 🛡 xCyberSecurity (services de sécurité) : xcybersecurity.io
