Aller au contenu
Agence Intelligence Artificielle

Reprendre ou finaliser un SaaS IA déjà commencé

Publié le 30 octobre 2026 · Rédaction

Pour finaliser un SaaS IA déjà commencé, commencez par un audit court et séparé : accès et comptes, qualité du code, sécurité propre aux modèles de langage, coût d'API par client. Il permet de décider composant par composant ce que l'on garde et ce que l'on refait. Sans cession écrite, le code reste la propriété de son auteur : réglez ce point avant toute reprise.

Les trois situations qui amènent à reprendre un SaaS IA

Un produit SaaS avec de l’IA à l’intérieur se commence vite. Il se termine beaucoup plus lentement. Entre la première démonstration qui impressionne un investisseur et un service que des clients paient chaque mois, il reste un travail que l’on sous-estime presque toujours : gestion des comptes, facturation, sécurité, reprise sur incident, maîtrise des coûts d’appel aux modèles. Les demandes de reprise que l’on voit passer sur les plateformes de freelances et dans les appels d’offres se rangent presque toutes dans l’une de ces trois familles.

Le prestataire est parti en cours de route

Le freelance a trouvé une mission mieux payée, la petite agence a fermé, ou la relation s’est dégradée après plusieurs retards. Il reste un dépôt de code plus ou moins à jour, parfois une base de données de démonstration, rarement une documentation. La première question n’est pas technique : avez-vous accès à tout ? Le dépôt Git, le compte d’hébergement, le nom de domaine, les clés d’API des fournisseurs de modèles, le compte du service d’envoi d’e-mails, la console de paiement. Il arrive qu’une partie de ces comptes ait été ouverte au nom du prestataire. Tant que ce point n’est pas réglé, aucun repreneur sérieux ne peut s’engager sur un délai. Si le prestataire refuse de rendre la main, la démarche est différente et relève d’abord du contrat : elle est détaillée dans notre page sur le code source retenu par un prestataire.

Le prototype a été monté en no code

Beaucoup de fondateurs testent leur idée avec un outil visuel, un générateur d’applications piloté par l’IA ou une chaîne d’automatisations reliée à une API de modèle de langage. C’est une bonne façon de valider la demande. Le problème apparaît quand les premiers clients arrivent : performances qui se dégradent, logique métier éparpillée entre des dizaines d’écrans et de scénarios, impossibilité d’écrire des tests, dépendance à une plateforme dont les règles d’export varient. Selon l’outil utilisé, le code peut être récupéré, synchronisé avec un dépôt, ou pas du tout. Le manuel de Bubble indique qu’il n’existe aucun moyen d’exporter une application sous forme de code ; FlutterFlow permet de télécharger le code source du projet sur ses formules payantes ; Lovable synchronise le projet avec GitHub dans les deux sens, sur toutes ses formules. Ce point change complètement le chiffrage : dans un cas on reprend une base existante, dans l’autre on réécrit en se servant du prototype comme d’un cahier des charges vivant.

La démo fonctionne, la production non

C’est la situation la plus trompeuse, parce que tout semble presque fini. L’assistant répond bien sur les dix exemples préparés pour la démonstration. Puis un vrai client charge un document de deux cents pages, deux utilisateurs posent une question en même temps, la facture d’API double en une semaine, et une réponse inventée part chez un prospect. Une démonstration teste un chemin heureux. Un produit en production doit encaisser des entrées imprévues, des pics de charge, des erreurs du fournisseur de modèle et des utilisateurs qui essaient de détourner l’assistant. Finaliser, dans ce cas, revient surtout à ajouter tout ce qui entoure l’appel au modèle : contrôle des entrées, gestion des erreurs, files d’attente, journalisation, mesure de la qualité des réponses.

L’audit de départ : le code, l’architecture et la facture d’API

Aucun prestataire compétent ne devrait vous donner un prix ferme de finalisation sans avoir lu le code. L’audit initial sert à cela. Il est court et il se commande séparément, ce qui vous laisse libre de confier la suite à quelqu’un d’autre. Un bon audit de SaaS IA couvre au minimum les points suivants.

  • L’inventaire des accès et des actifs. Dépôts, environnements, comptes cloud, clés d’API, domaines, sauvegardes. On vérifie qui en est titulaire et on fait tourner les secrets qui ont circulé par e-mail ou par messagerie.
  • La lisibilité du code. Structure du projet, dépendances obsolètes ou abandonnées, présence de tests, possibilité de déployer depuis zéro en suivant une procédure écrite. Si personne ne sait reconstruire l’application sur un serveur vierge, c’est le premier chantier.
  • La sécurité propre aux modèles de langage. L’OWASP, organisation de référence sur la sécurité des applications, publie une liste des dix risques principaux des applications qui utilisent un LLM. On y trouve l’injection de prompt, la divulgation d’informations sensibles, la gestion incorrecte des sorties du modèle, les droits excessifs accordés à un agent et la consommation non bornée. Un audit sérieux passe cette liste en revue sur votre code, pas en théorie.
  • La facture d’API, ligne par ligne. Quels modèles sont appelés, pour quelles fonctions, avec quelle taille de contexte, combien de fois par utilisateur actif. Les fournisseurs facturent au nombre de jetons en entrée et en sortie, et plusieurs proposent des remises pour le traitement par lots ou la mise en cache des consignes répétées. Un prototype envoie souvent tout l’historique de la conversation à chaque message, ou utilise le modèle le plus cher pour des tâches simples comme classer une demande. Corriger ces deux habitudes suffit parfois à rendre le modèle économique viable.
  • La qualité des réponses. Existe-t-il un jeu d’exemples avec la réponse attendue, que l’on rejoue à chaque modification du prompt ou du modèle ? Sans ce jeu de test, chaque changement est un pari. Le construire fait partie de la finalisation.
  • La conformité. Où sont hébergées les données des clients, quels sous-traitants les reçoivent (fournisseur de modèle, base vectorielle, outil d’analyse), quels contrats existent avec eux.

Le livrable attendu tient en quelques pages : un état des lieux, une liste de risques classés par gravité, une estimation des coûts de fonctionnement par client, et deux ou trois scénarios de reprise chiffrés. Si le rapport ne propose qu’une seule option, en général « on refait tout chez nous », demandez pourquoi les autres ont été écartées.

Ce que l’on garde et ce que l’on refait

La tentation du repreneur est de tout réécrire, parce qu’un code que l’on n’a pas écrit est toujours plus pénible à faire évoluer. La tentation du fondateur est inverse : garder un maximum pour ne pas payer deux fois. La bonne réponse se décide composant par composant, avec un critère simple : ce morceau peut-il être testé, sécurisé et maintenu par quelqu’un d’autre que son auteur ?

Composant Souvent gardé si Souvent refait si Point à vérifier pendant l’audit
Interface utilisateur Framework courant, composants réutilisés, parcours validés par de vrais clients Écrans générés sans structure, logique métier mélangée à l’affichage Les retours des premiers utilisateurs sur les parcours
Logique métier et API interne Code découpé en modules, quelques tests existants Règles dispersées dans des scénarios no code ou des fonctions de plusieurs centaines de lignes Capacité à écrire des tests sans tout réorganiser
Prompts et chaîne d’appel au modèle Prompts versionnés, sorties structurées et contrôlées Prompts codés en dur à plusieurs endroits, réponses du modèle utilisées sans vérification Les risques de la liste OWASP pour les applications LLM
Recherche dans les documents (RAG) Découpage et indexation documentés, résultats mesurés Index reconstruit à la main, aucune mesure de pertinence Cloisonnement des documents entre clients
Base de données Schéma cohérent, migrations versionnées Données de démonstration mêlées aux données réelles, pas de migrations Sauvegardes testées et restauration chronométrée
Comptes, rôles et facturation Brique standard bien intégrée Système maison sans gestion des rôles ni des abonnements Séparation stricte des données entre clients
Prototype no code Peu d’utilisateurs, besoin encore en cours de validation Clients payants, besoin de performances, d’export ou de tests Possibilité réelle d’exporter le code ou les données

Un cas fréquent : on garde l’interface et les prompts qui ont fait leurs preuves, on réécrit la couche qui appelle le modèle pour y ajouter contrôles et journalisation, et on remplace le système de comptes improvisé par une brique éprouvée. C’est moins spectaculaire qu’une refonte complète, et c’est souvent ce qui permet de livrer en quelques semaines plutôt qu’en plusieurs mois.

Le cloisonnement entre clients mérite une attention particulière. Dans un SaaS, plusieurs entreprises partagent la même application. Si l’assistant peut aller chercher, dans la base de documents, un contrat appartenant à un autre client, vous avez un incident de sécurité et un problème de protection des données. Ce défaut est fréquent dans les prototypes, parce que la démonstration se faisait avec un seul compte.

Hébergement, sécurité et RGPD : les obligations ne disparaissent pas avec le prestataire

Dès que votre SaaS traite des données personnelles pour le compte de vos clients, vous êtes en général leur sous-traitant au sens du RGPD, et vos propres fournisseurs (hébergeur, fournisseur de modèle, outil de support) sont vos sous-traitants ultérieurs. L’article 28 du RGPD impose un contrat qui encadre chacune de ces relations. Lors d’une reprise, il faut donc retrouver ces contrats, ou les signer s’ils n’ont jamais existé, et mettre à jour le registre des traitements.

Le fournisseur de modèle pose une question spécifique : où vont les données envoyées dans les prompts, sont-elles conservées, servent-elles à entraîner des modèles ? Les offres pour entreprises des principaux fournisseurs répondent à ces questions dans leurs conditions, mais il faut choisir la bonne offre et la bonne région d’hébergement. Si des données partent hors de l’Union européenne, le transfert doit reposer sur un mécanisme prévu par le RGPD, comme une décision d’adéquation ou des clauses contractuelles types. Pour les États-Unis, la décision d’adéquation de la Commission européenne du 10 juillet 2023 couvre les entreprises certifiées dans le cadre de protection des données UE-États-Unis. Elle a été validée par le Tribunal de l’Union européenne le 3 septembre 2025, et un pourvoi a été formé devant la Cour de justice : il faut donc garder un plan de repli.

Certains secteurs ajoutent leurs propres exigences. Un SaaS qui stocke des données de santé pour des professionnels doit les faire héberger par un hébergeur certifié HDS. Un client public ou un grand compte peut exiger un hébergement qualifié SecNumCloud par l’ANSSI. Mieux vaut le savoir avant de choisir l’architecture de la version finale que de devoir déménager six mois plus tard.

Côté sécurité, la reprise est un bon moment pour faire ce qui a été repoussé : rotation de toutes les clés, authentification forte pour les comptes d’administration, sauvegardes chiffrées et testées, journal des accès, limitation du nombre d’appels au modèle par utilisateur pour éviter qu’un compte malveillant ne vide votre budget d’API en une nuit. Ce dernier risque figure explicitement dans la liste de l’OWASP sous le nom de consommation non bornée.

Enfin, l’AI Act. La plupart des fonctions d’un SaaS courant (assistant de rédaction, résumé, recherche dans les documents) ne sont pas classées à haut risque. Mais depuis le 2 août 2026, les obligations de transparence de l’article 50 s’appliquent : informer les utilisateurs qu’ils échangent avec une IA et signaler les contenus générés quand le règlement l’exige. Si votre produit touche au recrutement, au crédit ou à l’éducation, les règles des systèmes à haut risque de l’annexe III s’appliqueront le 2 décembre 2027 : c’est à intégrer dès maintenant dans la feuille de route.

Budget et délais d’une finalisation

Il n’existe pas de prix public de « finalisation de SaaS IA », parce que l’écart entre un prototype propre et un prototype à réécrire est énorme. On peut en revanche donner des repères tirés de données publiées.

  • Le marché des projets IA en agence. Sur les 205 projets IA chiffrés de la base de La Fabrique du Net (relevé d’octobre 2026), le budget médian est de 10 000 €, et la moitié des budgets se situe entre 5 000 € et 25 000 €. Une finalisation de SaaS avec comptes, facturation et sécurité se situe rarement en bas de cette fourchette.
  • Les écarts annoncés par les agences. L’agence Masteria indique qu’un projet IA va de quelques milliers d’euros pour un POC ou un chatbot simple à plus de 100 000 € pour une application métier complète, chiffré au forfait après cadrage ou en régie au taux journalier.
  • Ce que les porteurs de projet affichent. Sur 20 annonces publiques de codeur.com portant sur des outils ou applications internes d’entreprise, publiées dans les deux années précédant le relevé du 2 octobre 2026, 13 affichaient un budget de 1 000 à 10 000 €. Ce sont des budgets annoncés, pas des devis, et ils couvrent rarement la remise en état d’un produit commercialisé.
  • Le coût de fonctionnement. Il s’ajoute au coût de réalisation et il doit être calculé par client. À titre d’exemple, sur l’API de Mistral AI, Mistral Large est facturé 0,5 $ par million de jetons en entrée et 1,5 $ par million de jetons en sortie, et le traitement par lots réduit ce prix de 50 % (page tarifs consultée en octobre 2026). Chez Anthropic, Claude Sonnet 5.5 est facturé 2 $ par million de jetons en entrée et 10 $ en sortie, contre 0,10 $ et 0,50 $ pour Claude Haiku 5.5 sur des prompts de moins de 100 000 jetons (page tarifs consultée le 30 octobre 2026) : confier le tri des demandes au petit modèle divise ce poste par vingt. Ces grilles changent souvent, et l’audit doit refaire le calcul avec les prix du jour.
  • Le prix de l’audit lui-même. Quelques prestataires affichent un tarif : Ondev annonce un audit de code express à partir de 2 500 € HT et un audit complet de 5 000 à 12 000 € HT selon la taille du code ; WealCome affiche un audit approfondi de 3 jours à 5 000 € HT (pages consultées le 30 octobre 2026). Ce sont des audits de code généralistes, à compléter par l’examen des prompts et de la facture d’API.

Pour les délais, l’agence Masteria indique qu’un prototype ou un premier outil utile se construit souvent en quelques semaines, et qu’un développement complet jusqu’à la mise en production s’étale sur plusieurs semaines à quelques mois selon la complexité et les intégrations. Pour une reprise, ajoutez le temps de l’audit et celui de la récupération des accès, qui dépend surtout de la coopération de l’ancien prestataire.

Une façon saine de contractualiser : un audit au forfait, puis un premier lot court et mesurable (remise en état du déploiement, sécurité, cloisonnement des données, réduction de la facture d’API), puis les évolutions fonctionnelles. Chaque lot se termine par une recette avec des critères écrits à l’avance. Pour comparer avec d’autres types de projets, notre guide du prix d’un projet IA détaille les postes d’un devis.

Côté financement, une PME française peut regarder le Diag Data IA de Bpifrance : 8 jours d’intervention d’un expert en data et IA sur 3 mois au plus, pour un devis plafonné à 10 000 € HT, avec une subvention de 40 % qui laisse 6 000 € HT à la charge des PME et ETI de moins de 2 000 ETP. Il vise un diagnostic de la stratégie data et IA, pas la finalisation du code, mais il peut financer une partie du cadrage si votre entreprise remplit les conditions (plus d’un an d’existence et au moins 1 000 000 € de chiffre d’affaires sur un exercice).

Agence ou freelance pour reprendre le projet

Les deux peuvent convenir. Le choix dépend moins de la taille du projet que de ce dont il manque le plus.

Un freelance expérimenté convient bien quand le code est sain, la pile technique courante et le besoin bien délimité : terminer des fonctions, brancher la facturation, optimiser les appels au modèle. Il coûte en général moins cher et la relation est directe. Le risque est connu, puisque vous venez peut-être de le vivre : si la personne s’en va, tout repart de zéro. Exigez dans ce cas un dépôt à votre nom, une documentation de déploiement et des tests qui permettent à un autre développeur de prendre la suite.

Une agence est plus adaptée quand plusieurs compétences doivent intervenir en même temps (développement, intégration des modèles, infrastructure, sécurité, parfois design), quand le produit a déjà des clients qui attendent des correctifs rapides, ou quand vous devez rendre des comptes à des investisseurs ou à des clients grands comptes qui demandent des engagements contractuels. Demandez qui travaillera concrètement sur votre projet, et si la même équipe assurera la maintenance après la livraison.

Quel que soit le profil, quelques questions séparent vite les prestataires :

  • Pouvez-vous me citer les trois premiers risques que vous chercherez dans mon code, et comment vous les vérifierez ?
  • Comment allez-vous mesurer la qualité des réponses du modèle avant et après vos modifications ?
  • Comment estimez-vous le coût d’API par client actif, et que proposez-vous pour le réduire ?
  • Qui sera titulaire des droits sur le code que vous écrirez, et à quel moment la cession prend-elle effet ?
  • Que se passe-t-il si vous arrêtez la mission : quels documents et quels accès me laissez-vous ?

Si votre SaaS doit aussi accueillir de nouvelles fonctions d’IA générative, la page ajouter l’IA générative dans un logiciel SaaS détaille les choix entre développement interne et prestataire. Et si vous cherchez une équipe proche de vous, notre comparatif des agences IA à Paris présente des prestataires et leurs critères.

Par quoi commencer cette semaine

Avant même de contacter un repreneur, trois actions protègent votre projet. Listez tous les comptes liés au produit et vérifiez qu’ils sont à votre nom, avec vos propres identifiants. Récupérez une copie complète du dépôt de code et de la base de données, puis rangez-la hors de portée de l’ancien prestataire. Exportez la facture d’API des trois derniers mois, qui servira de base à l’audit. Avec ces trois éléments, un prestataire peut vous donner un avis utile en quelques jours, et vous pourrez comparer plusieurs offres sur une base identique.

Questions fréquentes

Combien coûte un audit de SaaS IA avant reprise ?

Il n'existe pas de grille officielle : le prix dépend de la taille du dépôt et du nombre de briques à examiner. Quelques prestataires affichent un tarif, par exemple Ondev, avec un audit express à partir de 2 500 € HT et un audit complet de 5 000 à 12 000 € HT, ou WealCome, avec un audit de 3 jours à 5 000 € HT. Demandez un forfait séparé, avec un livrable écrit et des scénarios chiffrés, qui vous laisse libre de confier la suite à un autre prestataire.

Qui possède le code de mon SaaS si un freelance ou une agence l'a écrit ?

Pour un logiciel créé par un salarié dans l'exercice de ses fonctions, les droits reviennent à l'employeur (article L113-9 du Code de la propriété intellectuelle). Pour un freelance ou une agence, le contrat de prestation ne retire pas ses droits à l'auteur (article L111-1) : payer la facture ne suffit pas. La cession doit être écrite et mentionner chaque droit cédé, avec son étendue, sa destination, son lieu et sa durée (article L131-3). Vérifiez votre contrat avant la reprise et faites signer une cession si elle manque.

Peut-on garder le prototype no code et le faire évoluer ?

Oui, tant que le nombre d'utilisateurs reste faible et que le besoin est encore en cours de validation. Dès que des clients paient, il faut pouvoir écrire des tests, maîtriser les performances et exporter ses données. Vérifiez d'abord ce que la plateforme permet d'exporter : selon l'outil, le code se récupère, se synchronise avec un dépôt Git ou reste enfermé.

Combien de temps faut-il pour finaliser un SaaS IA repris ?

Comptez le temps de l'audit et de la récupération des accès, puis un premier lot de remise en état avant les nouvelles fonctions. Selon l'agence Masteria, un développement complet jusqu'à la mise en production s'étale sur plusieurs semaines à quelques mois selon la complexité et les intégrations. Le facteur le plus imprévisible reste la coopération de l'ancien prestataire.

Faut-il changer de modèle d'IA pendant la reprise ?

Pas forcément. Commencez par mesurer la qualité actuelle sur un jeu d'exemples, puis testez un modèle moins cher pour les tâches simples comme le classement des demandes. Changer de modèle sans jeu de test revient à changer le comportement du produit sans savoir dans quel sens.

Sources

  1. OWASP, Top 10 for LLM Applications 2025
  2. La Fabrique du Net, page des agences d'intelligence artificielle (relevé d'octobre 2026)
  3. Masteria, prix d'un projet IA (mis à jour en juillet 2026)
  4. codeur.com, annonces de projets publiques (relevé du 2 octobre 2026)
  5. Mistral AI, page tarifs
  6. Bpifrance, fiche Diag Data IA
  7. Règlement (UE) 2016/679 (RGPD), art. 28
  8. Décision d'exécution (UE) 2023/1795 du 10 juillet 2023 ; Tribunal UE, 3 septembre 2025, T-553/23 ; CJUE, pourvoi C-703/25 P
  9. Commission européenne, AI Act Service Desk, calendrier de mise en œuvre
  10. Code de la propriété intellectuelle, art. L131-3
  11. Code de la propriété intellectuelle, art. L113-9
  12. Code de la propriété intellectuelle, art. L111-1
  13. Bubble, manuel : « Application and data ownership »
  14. FlutterFlow, documentation : comparaison des formules
  15. Lovable, documentation : intégration GitHub
  16. Anthropic, tarifs de l'API Claude (consultés le 30 octobre 2026)
  17. Ondev, page audit de code (consultée le 30 octobre 2026)
  18. WealCome, page audit (consultée le 30 octobre 2026)

Un projet en tête ? Décrivez-le

Votre demande