L'essentiel en 30 secondes
- Un tableau de bord sur mesure suit six actifs (BTC, ETH, SOL, NVDA, TTE, CW8), récupère les cours, calcule les indicateurs techniques et pousse trois synthèses rédigées par jour sur Telegram, à 08h50, 13h00 et 17h30, heure de Paris.
- La rédaction repose sur Claude Haiku 4.5, un modèle d'Anthropic sorti le 15 octobre 2025 et facturé 1 dollar par million de tokens en entrée et 5 dollars en sortie : une synthèse quotidienne coûte une fraction de centime.
- Des chercheurs de NVIDIA défendent depuis juin 2025 la même approche : pour les tâches répétitives et cadrées d'un agent, les petits modèles de langage suffisent et coûtent nettement moins cher que les grands.
- Le socle (collecte, calcul, rédaction, planification) se transpose tel quel à une PME : brief commercial du matin tiré du CRM, point de stock à la mi-journée, synthèse de trésorerie hebdomadaire.
Le problème : six actifs, dix onglets, des décisions à chaud
Le point de départ est personnel. Suivre sérieusement six actifs répartis sur trois familles, trois cryptomonnaies, deux actions et un ETF, voulait dire plusieurs onglets ouverts en permanence, des indicateurs techniques à recalculer à la main et des allers-retours entre plateformes qui ne parlent pas le même langage.
Le coût réel n'était pas l'accès aux données : les cours sont publics et gratuits. Le coût était l'assemblage. Chaque consultation demandait de reconstruire mentalement une vue d'ensemble à partir de morceaux, et cette reconstruction se faisait souvent au pire moment, en réaction à une variation brutale. Une décision prise à chaud, devant un graphique rouge, est rarement la bonne.
Le besoin tenait en une phrase : que l'information arrive assemblée, rédigée, aux heures décidées à l'avance, plutôt que d'aller la chercher en urgence.
Ce qui a été construit : un pipeline qui se termine par une rédaction
Le tableau de bord fait trois choses dans l'ordre. Il collecte les cours des six actifs. Il calcule les indicateurs techniques à partir de ces cours, avec du code classique, déterministe et vérifiable. Puis vient l'étape qui change la nature de l'outil : un modèle de langage transforme ces chiffres en trois synthèses rédigées par jour, envoyées sur Telegram aux heures qui comptent, 08h50 avant l'ouverture des marchés européens, 13h00 à la mi-journée, 17h30 après la clôture.
Autour de ce cœur, des modules complètent l'usage : des alertes Telegram à trois niveaux de gravité pour les mouvements qui ne peuvent pas attendre la prochaine synthèse, un simulateur de scénarios, un suivi des investissements programmés, un calendrier des événements de marché et un journal de trading qui garde la trace des décisions.
Le point d'architecture qui compte : le LLM (Large Language Model, grand modèle de langage) n'invente rien et ne calcule rien. Il rédige à partir de chiffres établis en amont. La fiabilité vient du pipeline ; le modèle apporte la lisibilité. Cette séparation est ce qui rend le montage sobre et prévisible.
Pourquoi un petit modèle suffit-il ?
Parce que la tâche est étroite, répétitive et entièrement cadrée : mêmes actifs, mêmes indicateurs, même format de sortie, trois fois par jour. Ce profil de tâche n'a pas besoin d'un modèle frontière.
Le modèle retenu est Claude Haiku 4.5, facturé par Anthropic 1 dollar par million de tokens en entrée et 5 dollars par million en sortie, et présenté comme le plus rapide de la gamme. Anthropic cite d'ailleurs l'analyse financière et la surveillance de flux de données parmi ses usages types. À ce tarif, une synthèse de quelques centaines de tokens revient à une fraction de centime ; le budget d'un outil de ce type est dans sa construction, pas dans son exploitation.
Ce choix rejoint un constat plus large. Dans un article de recherche soumis le 2 juin 2025 et révisé en septembre 2026, des chercheurs de NVIDIA soutiennent que les petits modèles de langage sont suffisamment puissants, mieux adaptés et nettement plus économiques que les grands pour les tâches spécialisées et répétitives des systèmes agentiques. La synthèse quotidienne d'un tableau de bord est exactement ce type de tâche.
Le tableau ci-dessous résume les options qui s'offrent à quelqu'un qui veut suivre plusieurs actifs, et où chacune s'arrête.
| Option | Ce que ça couvre | Où ça s'arrête |
|---|---|---|
| Application du courtier | Cours en direct, alertes de seuil simples | Un actif à la fois, pas de vue d'ensemble rédigée |
| Plateforme de graphiques avec alertes | Indicateurs techniques, alertes conditionnelles | Chaque alerte reste un signal brut, à interpréter soi-même au moment où elle tombe |
| Tableau de bord sur mesure avec LLM | Vos actifs, vos indicateurs, trois synthèses rédigées par jour à heures fixes | À construire et à maintenir ; injustifié pour un suivi occasionnel |
Et dans une PME ? Le même socle, d'autres données
Un dirigeant de PME est dans la situation exacte du détenteur de six actifs. Les chiffres existent : dans le CRM, dans l'ERP, dans la banque, dans le suivi de stock. Ils sont simplement éparpillés dans des outils que personne n'ouvre spontanément le matin. Le tableau de bord existe parfois déjà ; c'est sa consultation qui n'a jamais pris.
La transposition est directe. Un brief commercial à 08h50 : les affaires qui ont bougé la veille, les relances en retard, les leads restés sans réponse, tirés du CRM et rédigés en dix lignes. Un point de production ou de stock à la mi-journée. Une synthèse de trésorerie le vendredi. La mécanique est identique à celle du dashboard marchés : collecte, calcul, rédaction, envoi là où les équipes lisent déjà, que ce soit Telegram, Slack ou l'email.
La différence avec un rapport de BI (Business Intelligence) classique tient en un renversement : le destinataire ne va plus chercher l'information, elle arrive rédigée, au moment décidé. Un tableau de bord que personne n'ouvre ne sert à rien ; une synthèse de dix lignes qui arrive dans la poche se lit.
Les cas où ce montage est une mauvaise idée
Le sur mesure ne se justifie pas toujours, et ce cas-ci ne fait pas exception. Si vous consultez vos chiffres une fois par semaine et qu'ils tiennent dans un tableur, gardez le tableur. Si votre outil de BI ou votre CRM envoie déjà des rapports programmés que vos équipes lisent réellement, n'ajoutez pas une couche par-dessus.
Deux autres limites méritent d'être posées franchement. Si les données de base ne sont pas fiables, une synthèse bien rédigée ne fera qu'habiller des chiffres faux ; le chantier est alors en amont, dans la saisie et la structure. Et un modèle de langage qui produirait des recommandations d'investissement automatisées sans supervision n'est pas une bonne idée non plus : dans ce montage, l'outil décrit, l'humain décide.
Si vos chiffres vivent dans trois outils que personne n'ouvre, l'exercice de vérification est simple : notez pendant une semaine combien de fois vous avez cherché une information que vous auriez aimé recevoir. Pour en parler concrètement, réservez un appel de 30 minutes, et voyez comment je construis ce type d'outil sur la page application sur-mesure. Vous repartirez au minimum avec un avis honnête, y compris si la bonne réponse est le rapport programmé de votre outil actuel.
Questions fréquentes
Que fait exactement le LLM dans un tableau de bord de ce type ?
Le modèle de langage rédige, il ne calcule pas. Les cours sont collectés et les indicateurs techniques calculés en amont par du code classique, vérifiable ; le modèle transforme ces chiffres déjà établis en une synthèse courte et lisible. Il ne prend aucune décision et ne donne aucun conseil d'investissement.
Combien coûte l'exploitation d'une synthèse automatique par LLM ?
Avec un modèle comme Claude Haiku 4.5, facturé par Anthropic 1 dollar par million de tokens en entrée et 5 dollars en sortie, une synthèse quotidienne de quelques centaines de tokens revient à une fraction de centime. L'essentiel du budget porte sur la construction du pipeline. Chez Mathieu Haye, un Sprint démarre dès 400 € HT ; un tableau de bord complet se chiffre sur devis.
Faut-il un grand modèle pour analyser des données d'entreprise ?
Non, pas pour des synthèses cadrées et répétitives. Des chercheurs de NVIDIA défendent depuis juin 2025 que les petits modèles de langage sont suffisamment puissants et nettement plus économiques pour les tâches spécialisées d'un agent. Un grand modèle se justifie pour des analyses ouvertes, exploratoires ou multi-documents.