Client
PleinCap
Url du projet
Application mobile en accès restreint (test utilisateurs en cours)
Aperçu du projet
Parcours gamifié — progression par étapes et sélection des centres d’intérêt
Contexte
PleinCap est une jeune société qui s’attaque à un problème universel chez les lycéens français : trouver sa voie après le bac. Entre la complexité de Parcoursup, la profusion des formations disponibles et la difficulté à se projeter dans un métier qu’on ne connaît pas encore, beaucoup d’élèves naviguent à vue.
La promesse de PleinCap est de transformer cette étape angoissante en un parcours guidé, ludique et personnalisé, accessible directement depuis le smartphone des lycéens. L’objectif : proposer à chaque élève une sélection de formations alignées avec son profil, ses centres d’intérêt et ses appétences professionnelles, le tout dans une expérience pensée pour leur génération.
Pour valider la pertinence de l’outil avant un lancement grand public, PleinCap souhaitait sortir rapidement une première version mobile testable auprès d’un panel d’une soixantaine d’élèves représentatifs (Première et Terminale, voies générale, technologique et professionnelle, régions et milieux variés).
Développement d’une application mobile cross-platform iOS et Android, intégrant un parcours gamifié, un moteur de suggestions assisté par IA, et toute la mécanique d’engagement attendue par un public adolescent.
Une application mobile destinée à des adolescents doit être irréprochable sur trois plans : la fluidité, l’esthétique, et la pertinence du contenu proposé. Le choix de Flutter pour le développement de l’app a permis de tenir ces trois objectifs en un seul codebase, avec une mise à niveau identique sur iOS 13+, Android 10+ et tablette.
Côté serveur, un backend NestJS porte toute la logique métier — gestion des comptes, parcours, sauvegardes, analytics — et expose les APIs consommées par l’application.
Le coeur du défi technique se situe sur le moteur de suggestions de formations : nous avons conçu une gateway dédiée en Python qui orchestre les appels à MistralAI, le modèle de référence français en IA générative. Cette architecture découplée permet d’isoler complètement la logique LLM du reste du backend : les prompts, les schémas de réponse, la gestion des erreurs et les évolutions de modèle sont maintenus séparément, ce qui facilite l’expérimentation et limite les risques. Concrètement, l’agent IA est utilisé pour reformuler intelligemment les saisies libres de l’élève, proposer une validation conversationnelle, et nourrir l’algorithme de recommandation des formations.
Une attention particulière a été portée à la mécanique d’engagement — animations, transitions, retours visuels — parce que pour un lycéen, une app qui ne donne pas envie est une app qui ne reviendra pas. Le parcours est structuré comme une série de sessions courtes (2 à 4 retours attendus), pensé pour qu’un élève l’attaque à la pause de midi et le reprenne le soir.
Enfin, même s’il s’agit d’une V1 conçue pour itérer rapidement, certains choix d’architecture ont été pris en anticipant la cible long terme — un service ouvert au grand public, capable de tenir plusieurs dizaines de milliers d’utilisateurs simultanés. Mieux vaut prévoir tôt ce qui sera difficile à rattraper plus tard.