Plop
Toutes les études de cas
Industrie, ERP et outils métiers
Depuis 2026

Discac : reconstruire un configurateur produit et sa chaîne de commande, sans jamais perdre le métier

Un configurateur produit vieux de vingt ans, dont les règles vivaient dans des procédures stockées. Nous le reconstruisons contexte métier par contexte métier, avec une chaîne de production assistée par IA et vérifiée par script.

Logo DiscacDiscac — Industriel de l'ameublement
Interface du configurateur produit et de la saisie de commande développés pour Discac
contextes métier délimités
12contextes métier délimités
skills d'agent versionnés
40skills d'agent versionnés
vérifications déterministes
69vérifications déterministes
décisions d'architecture écrites
650+décisions d'architecture écrites

Discac conçoit et fabrique des meubles sur-mesure. Derrière chaque référence vendue se cache une combinatoire : un squelette de produit, des composants, des finitions, des coloris techniques, des programmes de fabrication, des règles de compatibilité, un tarif qui dépend de tout cela. Cette combinatoire était pilotée depuis vingt ans par un configurateur maison, dont l'essentiel des règles vivait dans des procédures stockées en base.

Ce genre de système fonctionne. Jusqu'au jour où il faut le faire évoluer.

Le vrai problème n'était pas le code

Quand nous sommes arrivés, le diagnostic évident était technique : une base de données qui portait la logique métier, pas de tests, une interface d'un autre âge. Le diagnostic réel était ailleurs.

La connaissance métier n'était écrite nulle part. Elle était répartie entre le code, les procédures stockées, et surtout la tête de quelques personnes — au bureau d'études, à l'administration des ventes, à l'ordonnancement, à l'atelier. Chacun avait raison dans son périmètre, et les mêmes mots ne désignaient pas les mêmes choses d'un service à l'autre.

Reconstruire le logiciel sans d'abord reconstruire ce vocabulaire, c'était la garantie de réécrire les malentendus en TypeScript.

Délimiter avant de développer

Nous avons commencé par découper le système en douze contextes métier, chacun répondant à une seule question : que vend-on ?, combien ça coûte ?, comment le fabrique-t-on ?, quelle commande le client passe-t-il ?, quand produit-on ?, comment le livre-t-on ?

Ce découpage n'est pas un diagramme d'architecte. C'est une règle de rangement opérationnelle : une donnée appartient au contexte dont les acteurs la font évoluer, pour leurs raisons à eux. Un contexte référence les données d'un autre par identifiant, jamais en les recopiant. Quand une nouvelle fonctionnalité arrive, la question « où va-t-elle ? » a une réponse, et c'est toujours la même.

En parallèle, un glossaire métier versionné s'est construit, contexte par contexte, avec la correspondance explicite vers les termes du système historique. Chaque terme y a une définition unique, validée par les personnes qui l'emploient. Ce fichier est devenu la source de vérité du projet : le code, les tickets, les tests et les écrans en reprennent les mots exacts.

De l'atelier client au code, sans déperdition

Chaque fonctionnalité suit le même chemin, et ce chemin est outillé.

Un atelier d'impact mapping mené avec le client part de l'objectif — jamais de la solution — et descend jusqu'aux user stories, avec leurs règles et leurs exemples écrits dans un format que le client relit. L'atelier produit un fichier structuré et versionné, pas un compte rendu.

De ce fichier, nous dérivons un contrat exécutable en TypeScript : les types, la surface d'erreur complète, et les scénarios d'acceptation déclaratifs. Ce contrat est validé mécaniquement — un script refuse un contrat incomplet — puis figé et commité avant que la première ligne de code métier n'existe.

L'implémentation part de ce contrat : les tests d'abord, rouges, sur cinq couches (domaine, intégration, HTTP, interface, end-to-end), puis le code qui les fait passer au vert. Entre les deux, rien n'est laissé à l'interprétation : le contrat dit la route, le verbe, les erreurs possibles et les types.

“Un manque dans le code se corrige dans le code. Un manque dans le métier remonte au client. La chaîne est conçue pour que personne, humain ou agent, ne comble un trou métier en devinant.”

L'IA dans la boucle, et les garde-fous qui vont avec

C'est là que le projet sort de l'ordinaire. L'ensemble de cette chaîne est exécuté par des agents — aujourd'hui quarante skills Claude Code versionnés dans le dépôt — répartis en deux pistes : la discovery (« construit-on la bonne chose ? ») et la delivery (« le construisons-nous bien ? »).

Un prototype frontend est généré à partir du vrai code, avec les appels réseau remplacés par des données en mémoire : le client valide l'interface sur quelque chose de manipulable, avant tout développement backend. Un agent compare ensuite l'application livrée à ce prototype, écran par écran, et archive le verdict.

Mais le point décisif n'est pas ce que les agents produisent. C'est ce qui les arrête.

Nous ne faisons pas relire l'IA par l'IA. La norme du projet est tenue par soixante-neuf vérifications déterministes — des scripts, pas des revues : l'arborescence d'un slice, la pureté du domaine, la correspondance entre le contrat et son adaptateur, l'absence de SQL brut côté écriture, la présence des cinq couches de test, la forme du message de commit. Un agent qui s'écarte de la norme est bloqué par un script qui donne toujours le même verdict, pas par un relecteur de bonne humeur variable.

Les décisions, elles, sont écrites : plus de six cent cinquante décisions d'architecture datées, chacune citable par les skills et par l'équipe. C'est ce qui permet à une session d'agent ouverte un mardi matin de respecter un arbitrage pris six mois plus tôt, sans que personne n'ait à s'en souvenir.

Ce que ça produit

Le système en production couvre aujourd'hui le catalogue produit, la configuration, la tarification, la saisie de commande et son accusé de réception, l'ordonnancement, l'expédition, et les échanges avec l'ERP et le logiciel d'atelier.

Les effets concrets, côté client :

  • Les règles métier sont lisibles. Elles vivent dans des fonctions nommées et testées, plus dans une procédure stockée que personne n'ose toucher.
  • Les nouveaux arrivants sont autonomes vite. Le glossaire, les décisions écrites et les conventions vérifiées par script remplacent le compagnonnage long.
  • Le périmètre d'une évolution est connu avant de la chiffrer. Le découpage en contextes dit quoi sera touché, et quoi ne le sera pas.
  • La migration est incrémentale. Chaque fonctionnalité basculée fonctionne à côté de l'existant, sans big bang et sans gel des évolutions.

Ce que nous en retenons

Un logiciel métier n'est pas difficile parce qu'il est gros. Il est difficile parce que la connaissance qu'il encode est dispersée, implicite, et parfois contradictoire. L'IA ne résout pas ce problème — elle l'amplifie si on la lâche sans cadre, parce qu'elle produit du code plausible à une vitesse que personne ne peut relire.

Ce qui marche, et que nous appliquons depuis sur nos autres projets : capturer le jugement métier une seule fois, en atelier, avec le client ; le figer dans un artefact que la machine sait vérifier ; et ne laisser aux agents que ce qui est dérivable de cet artefact.

Le reste — l'arbitrage, le découpage, la décision — reste le métier de l'équipe.

Technologies utilisées

  • TypeScript
  • NestJS
  • PostgreSQL
  • TypeORM
  • React
  • TanStack Router
  • Tailwind
  • Playwright
  • Docker
  • Claude Code
Collaborons ensemble

Vous avez un projet
innovant ou souhaitez
collaborer avec notre
équipe d'experts ?
Nous sommes
là pour vous aider
à concrétiser vos idées.

Plop
Téléphone
07 83 55 51 46
Email
jordan@plop.codes

Expertises

À propos

Études de cas

LinkedIn
ContactContact
Plop — 16 cours Saint-Louis, 33300 Bordeaux
07 83 55 51 46
©2026 Plop — développement sur-mesure, IA et automatisation à Bordeaux