Ma méthode
L'IA ne remplace pas la rigueur, elle l'amplifie. Voici le workflow que j'applique sur chaque projet.
J'ai construit Stackpact parce que les outils existants ne couvraient pas la discipline qu'exige le développement IA. C'est l'environnement dans lequel je travaille sur chaque projet, et que je mets à disposition des équipes avec lesquelles je collabore.
Gestion des IDEs IA (Claude Code, Cursor, Windsurf) avec configuration par workspace et symlinks automatiques.
Chaque feature passe par Elaborate → Plan → Arch Review → Implement → Code Review. Tracé, versionné, transmissible.
Timeline des agents IA, kanban de tâches en temps réel, monitoring live des outputs, visibilité complète sur l'avancement.
Bibliothèque de prompts méthodologiques partagés entre projets. Même rigueur, même vocabulaire, quelle que soit l'équipe.
Chaque choix d'architecture est documenté dans Stackpact. À la fin d'une mission, l'équipe récupère tout, pas de boîte noire.
Suivi de l'usage IA par projet. Mesurer pour optimiser, la vélocité n'est pas une impression, c'est une donnée.
Elaborate
On commence par les specs fonctionnelles. Pas une liste de features - une compréhension fine du problème, des user stories et des critères d'acceptance. L'IA ne sert à rien si vous ne savez pas ce que vous construisez.
Plan
Le plan technique découle des specs. Stack, migrations, composants, phases. Chaque étape est tracée et priorisée dans Stackpact. On sait ce qu'on construit, dans quel ordre, et pourquoi.
Arch Review
On valide l'architecture avant d'écrire une ligne de code. Compatibilité des packages, risques identifiés, patterns à respecter. Mieux vaut 30 minutes de review que 3 jours de refacto.
Implement
L'implémentation suit le plan, étape par étape. Claude Code, Cursor ou Windsurf selon le contexte. Le code est reviewé à chaque étape - pas un bloc monolithique envoyé en prod.
Code Review
Chaque PR passe par une revue de code structurée. Qualité, sécurité, performance, cohérence avec l'architecture. L'IA accélère, la review garantit.
Hands-on dans le code
Je ne manage pas depuis un tableau Jira. J'ouvre les PRs, je review le code, je débuggue en prod. La stratégie et l'exécution sont le même travail.
IA comme levier, pas comme béquille
L'IA multiplie la vélocité quand elle est bien utilisée. Mais un mauvais prompt génère du code de merde plus vite. J'ai construit les workflows pour que l'accélération soit réelle.
Je transmets, pas juste je livre
L'objectif n'est pas de créer de la dépendance. À la fin d'une mission, votre équipe doit être capable de continuer sans moi. C'est comme ça que ça marche.
Des résultats mesurables
Ce que je livre doit être mesurable. Temps de chargement, cycle time, taux de conversion, coût infra. Si on ne peut pas le mesurer, on ne sait pas si ça marche.
AI-Driven Development
- Claude Code : Mon outil principal - CLI, agents, MCP, orchestration multi-agents
- Stackpact : Workflow AIDD maison - specs, plan, arch review, implémentation, code review
- Cursor : IDE IA pour les sprints de dev intensifs
- Windsurf : Alternative Cursor selon le contexte
Backend
- Laravel 12 : Framework PHP de référence, utilisé sur Kanta et ce site
- NestJS : Node.js structuré pour les APIs complexes (ex: Klapoti)
- FastAPI : Python pour les services ML et HealthTech (ex: Meludia)
- PostgreSQL / MongoDB : Selon les besoins - relationnel ou document
Frontend
- Vue.js 3 : Stack fullstack préférée avec Laravel
- Next.js / React : Pour les SPAs complexes et les besoins SSR avancés
- React Native / Flutter : Mobile selon l'éco-système client
- Tailwind CSS : Design system rapide et cohérent
Infra & DevOps
- Docker + Coolify : Déploiement self-hosted sur homelab ou Scaleway
- AWS / GCP / Azure / Scaleway : Cloud selon l'existant client
- CI/CD (GitLab, GitHub Actions) : Déploiement automatisé dès le jour 1
- Sentry + Datadog : Observabilité et monitoring production
