Plateforme de Protection de Marque et d'Investigation par IA : Étude de Cas is a case study by HDWEBSOFT. Industry: Technologie. Services provided: Développement, Intégration, Gestion et analyse des données, DevOps. Technologies used: .FILET, IA, AWS, Cloud. Solutions: Cybersécurité, Analyse de données. Comment HDWEBSOFT a construit un SaaS de protection de marque par IA où les enquêteurs collectent des preuves, lancent des analyses et génèrent des rapports.

Technologie.FILETIAAWSCloud

Plateforme de Protection de Marque et d'Investigation par IA : Étude de Cas

HDWEBSOFT a construit une plateforme d'investigation et de protection de marque pour une entreprise SaaS suédoise — unifiant collecte de preuves, forensique d'images, vérifications OSINT et un agent IA encadré par des preuves, qui réduit des heures de travail manuel à quelques minutes.

Sites contrefaits, images de produits volées, e-mails de phishing et faux vendeurs sur les marketplaces : tout cela draine le chiffre d’affaires et érode la confiance. Pourtant, les enquêteurs qui les traquent assemblent généralement des dizaines d’outils déconnectés : une requête WHOIS ici, une recherche inversée d’image là, un analyseur d’en-têtes ailleurs. Une entreprise SaaS suédoise a mandaté HDWEBSOFT pour consolider ce flux fragmenté en une plateforme par abonnement unique, où les enquêteurs collectent les preuves, exécutent les analyses forensiques, laissent un agent IA mener l’enquête complète et obtiennent un rapport qui tient devant les équipes juridiques.

Contexte du Projet

L’abus de marque est un problème de volume. Chaque storefront factice, image copiée ou e-mail usurpé exige des preuves collectées sur plusieurs sources — registres de domaine, forensique d’images, en-têtes d’e-mails, annonces de marketplaces — avant qu’un retrait ou une escalade juridique puisse être engagé. Les clients du client faisaient ce travail manuellement : ouvrir un outil WHOIS ici, un reverse image search là, un analyseur d’en-têtes ailleurs, puis tout copier à la main dans un document.

La vision produit était un poste de travail d’enquêteur sous un seul login : suivre les e-mails et fichiers pour savoir quand et où ils sont ouverts, sonder n’importe quel site ou vendeur via des laboratoires d’investigation dédiés, et laisser un agent IA exécuter toute la chaîne de preuves en autonomie avant de rédiger les conclusions. HDWEBSOFT a conçu et construit la plateforme complète — une application web Blazor Server adossée à PostgreSQL, avec la facturation Stripe pour le modèle d’abonnement et un agent d’investigation IA orchestré via Microsoft Agent Framework.

Entretien avec l’Équipe Projet

“Chaque source externe parlait un dialecte différent — WHOIS renvoie du texte, VirusTotal renvoie des scores, Google Vision renvoie des labels. Le tournant a été de refuser que l’IA lise l’une d’elles à l’état brut. Nous avons tout fait passer par une couche de normalisation qui émet un petit signal de preuve standard unique, puis avons dit à l’agent : tu ne peux pas écrire un constat tant qu’un vrai signal ne l’étaye pas, et chaque étape entre dans une timeline rejouable. C’est là que les enquêteurs ont cessé de contre-vérifier l’IA et ont commencé à joindre ses rapports aux demandes de retrait.”

— Quynh Le, Chef de projet chez HDWEBSOFT

Cette discipline a façonné l’architecture de la plateforme. Plutôt que de laisser chaque intégration exposer des payloads bruts, chaque source de données a été adaptée pour émettre des « signaux » standardisés — de petits objets de preuve typés alimentant un unique générateur de rapports. L’agent IA ne travaille que sur des signaux et doit citer un signal pour chaque conclusion, chaque étape étant persistée sur une timeline auditable. La confiance est devenue une propriété du pipeline, non un pari sur le modèle.

Fonctionnalités Clés

  • Suivi des e-mails et documents — les e-mails, images et fichiers suivis rapportent quand et où ils sont ouverts, avec localisation, appareil et source de référence.
  • Laboratoires d’investigation — vérifications dédiées pour sites web, domaines, images, fichiers, en-têtes d’e-mails, entreprises, technologies et marketplaces en ligne, y compris le profilage de vendeurs eBay.
  • Forensique d’images — extraire les métadonnées d’image, trouver les copies circulant en ligne et repérer les signes qu’une image a été modifiée.
  • Agent d’investigation IA — un agent autonome exécute les vérifications de preuves pas à pas et produit un rapport d’investigation complet et cité.
  • Dossiers de renseignement — toutes les découvertes compilées en un rapport lisible avec des entrées de preuve citables.
  • Abonnements et facturation — paliers d’offres, essai gratuit et traitement des paiements via Stripe.

Défis Techniques

Beaucoup de sources externes, aucun langage commun

OpenAI, Google Vision, Apify, WHOIS, VirusTotal et d’autres fournisseurs renvoient chacun des formats différents, imposent des limites différentes et échouent différemment. Les intégrer naïvement aurait produit un enchevêtrement fragile de logique par fournisseur sur lequel l’agent IA n’aurait pas pu raisonner de façon cohérente.

Des tâches longues qui doivent survivre aux redémarrages

Le scraping, la capture d’écran et les exécutions IA durent bien plus longtemps qu’une requête HTTP. Ces tâches ne pouvaient pas geler le thread UI de l’application, et un redémarrage du serveur en pleine enquête ne pouvait pas perdre silencieusement des heures de preuves collectées.

Une sortie IA qui doit être défendable

Un rapport d’investigation n’est utile que si ses conclusions remontent à des preuves réelles. Une IA générative rédigeant librement un rapport risque de fabriquer des constats — inacceptable lorsque les rapports arrivent aux équipes juridiques. L’agent avait besoin de contraintes obligeant chaque affirmation à citer une vérification concrète.

Des sources qui ripostent

Les sites cibles bloquent fréquemment l’accès automatisé. Les tentatives de téléchargement et de scraping étaient régulièrement refusées — les flux de collecte avaient donc besoin de chemins de repli résilients plutôt que d’échecs francs.

Solutions

Un pipeline partagé de signaux standardisés

Chaque source de données a été encapsulée dans un adaptateur qui convertit la sortie brute du fournisseur en petits « signaux » de preuve standardisés. Un unique générateur de rapports consomme les signaux de toutes les sources uniformément — ajouter un fournisseur revient à écrire un adaptateur, pas à retoucher les couches d’investigation et de reporting. L’agent IA ne travaille que sur des signaux, ce qui rend aussi ses citations vérifiables.

Orchestration durable des tâches en arrière-plan

Le travail lourd — scraping, captures d’écran, analyse d’images, exécutions IA — a été déplacé vers des tâches en arrière-plan persistées dans PostgreSQL. Les tâches survivent aux redémarrages de processus et reprennent au lieu de recommencer, gardant l’UI Blazor réactive pendant les longues enquêtes.

Un agent IA sous garde-fous probatoires

L’agent a été construit sur Microsoft Agent Framework avec des contraintes dures : un ordre d’exécution d’outils fixe, l’obligation que chaque constat référence un signal stocké, et une timeline persistée de chaque étape. La sortie se lit comme le livrable d’un enquêteur parce qu’elle est produite sous les mêmes règles de preuve.

Collecte résiliente face au blocage

Des fallbacks de proxy et des stratégies de retry ont été intégrés aux flux de collecte pour que les téléchargements et scrapings bloqués se reprennent automatiquement au lieu de faire échouer l’enquête.

Résultats Métier

  • Des enquêtes passées d’heures à quelques minutes — exécutions autonomes de l’agent et collecte unifiée de preuves ont remplacé le travail manuel entre outils.
  • Une plateforme au lieu de nombreux outils — abonnements consolidés et flux unique réduisant les coûts logiciels et le temps de formation des équipes d’investigation.
  • Des rapports prêts pour l’escalade juridique — dossiers cités par les preuves, partageables avec les équipes juridiques ou les clients finaux sans re-vérification.
  • Un modèle SaaS à revenus récurrents — abonnements Stripe avec essais gratuits permettant de monétiser la plateforme comme un produit, pas comme une prestation.

Aperçu Technique

  • Backend & application : .NET 10, ASP.NET Core Blazor Server, bibliothèque de composants MudBlazor, PostgreSQL avec Entity Framework Core, tâches en arrière-plan persistées en base.
  • IA & analyse : OpenAI via Microsoft Agent Framework, analyse d’images Google Vision, scraping Apify, enrichissement WHOIS et VirusTotal.
  • Facturation : abonnements, essais et gestion des offres via Stripe.
  • Infrastructure : AWS (stockage S3, e-mail SES, hébergement ECS), conteneurs Docker, CI/CD Azure DevOps.

Conclusion

La plateforme a remplacé un flux d’investigation manuel et fragmenté par un produit par abonnement unique où les preuves circulent dans un pipeline standardisé et où un agent IA encadré par les preuves produit des rapports citables. Le plus difficile — rendre la sortie IA suffisamment fiable pour des contextes juridiques — a été résolu par l’architecture : normaliser chaque source en signaux, persister chaque étape et ne laisser le modèle écrire que ce que les preuves soutiennent.

Si votre équipe construit un agent IA devant produire des résultats défendables, une plateforme de collecte de données face à des sources hostiles ou un produit SaaS par abonnement, nos services de développement IA et nos services de développement d’extraction de données et de web crawling couvrent exactement ce modèle de livraison. Contactez notre équipe pour cadrer un projet similaire.

Découvrez du contenu connexe

Découvrez d’autres études de cas, services, secteurs et expertises régionales associés.