J’ai perdu de l’argent sur les actions américaines, alors j’ai simplement laissé une IA faire l’analyse à ma place.

À force de chercher des actualités, de les trier et de prendre des décisions en boucle, j’en ai eu assez.
J’ai donc essayé de créer un outil pour que l’IA fasse l’analyse à ma place.

Quand on entre sur le site, il génère automatiquement des rapports à partir des actualités et des données de déclarations SEC,
et fournit aussi un récapitulatif séparé de la dynamique de fin de séance.

✔️ Presque plus de temps à passer sur l’analyse des valeurs
✔️ On peut voir immédiatement l’essentiel des actualités
✔️ Il est possible de comprendre rapidement la dynamique de la journée

Voici comment cela fonctionne.

• Génération automatique quotidienne d’un rapport de clôture du marché américain et de recherches par valeur
• La recherche par valeur est générée une fois par jour au clic, puis peut être consultée rapidement ensuite
• Le service ne fournit pas les articles bruts, mais uniquement les points clés analysés et synthétisés
• Il est aussi possible de consulter la composition et la dynamique des ETF

Il y a aussi quelques contraintes très concrètes.

• Pour des raisons de licence, les indices sont fournis sur la base de DIA / SPY / QQQ
• Les graphiques utilisent des données avec 15 minutes de retard
• Lors de la première consultation, il peut y avoir un léger délai dû à la génération du rapport

La connexion se fait uniquement via compte Google ou Telegram,
et les rapports eux-mêmes sont accessibles gratuitement.
Je ne collecte pas de données sensibles, et seuls ceux qui veulent voter ont besoin de se connecter.

Je l’ai construit seul en mode vibe coding,
il y a donc probablement beaucoup de points à améliorer, mais si vous me faites des retours, j’essaierai d’en tenir compte.

---

Ce que j’ai ressenti en le développant

1. Développer avec l’IA ressemble davantage à une “amplification” qu’à un “remplacement”

On parle beaucoup en ce moment du remplacement des développeurs,
mais après l’avoir fait moi-même,

les trois éléments suivants : validation / explication / correction,
étaient plus difficiles à résoudre uniquement avec l’IA que je ne le pensais.

Au final, il fallait qu’un humain continue à donner la direction.

2. Quand on bloque sur un problème, la journée entière peut y passer

Quand quelque chose coince, il faut continuer à faire tourner GPT pour trouver une solution,
et cela prend plus de temps qu’on ne l’imagine.

Il m’est souvent arrivé d’y passer toute la journée sans réussir à résoudre le problème,
et mentalement c’était assez éprouvant.

3. Commencer sans regarder les “coûts”, c’est vraiment dangereux

Au début,
je voulais générer les rapports en temps réel à chaque requête,

mais les coûts du LLM + de l’API de données sont devenus ingérables,
alors j’ai fini par passer à une architecture “génération une fois après la clôture + mise en cache”.

Comme les coûts d’exploitation continuent eux aussi à s’accumuler,
j’utilise actuellement un minimum d’AdSense pour maintenir le service.

C’est vraiment le genre de point qui peut exploser si on n’y pense pas à l’avance.

S’il y a ici des non-développeurs qui font du vibe coding,
je vous recommande de regarder d’abord la structure des coûts.

4. L’infrastructure est plus difficile que prévu

J’ai branché AWS à la place de Firebase,
en pensant que ce serait moins cher,

mais au final, les deux se sont révélés être des gouffres financiers.

J’ai surtout perdu environ trois semaines sur la connexion entre GitHub Actions et AWS,
et j’ai failli y laisser mon moral.

5. Le choix du modèle est aussi plus important que prévu

J’ai essayé Claude Sonnet,
mais il y avait des éléments manquants à l’étape de validation,

au final je l’ai complété en utilisant aussi GPT Codex.

(VSCode avec l’extension Codex)

6. Au final, le plus important, c’était la “conception”

Au départ, je pensais que l’IA ferait tout,

• quand générer
• quoi mettre en cache
• jusqu’où automatiser

Définir tout cela était bien plus important.

7. Émotionnellement aussi, ce n’est pas simple

C’est un peu personnel,
mais quand GPT ne comprenait pas ce que je voulais dire (même si c’était sans doute surtout un problème dans mes explications),
le stress s’accumulait pas mal.

À force d’insister dessus,
j’ai eu plusieurs fois envie de casser mon clavier.

J’ai aussi une question supplémentaire.

Dans la structure actuelle, les tâches ECS et les ressources RDS semblent suffisantes,
mais le premier chargement du site me paraît plus lent que prévu.

(en particulier lors de la première requête)

Du côté de GPT et de Claude, on me répond sans cesse que “les ressources sont suffisantes”,
mais les performances perçues restent clairement lentes, donc j’ai l’impression que le goulot d’étranglement se situe ailleurs.

• Est-ce parce que la logique de génération se déclenche aussi en cas de cache miss ?
• Ou bien est-ce un problème dans la structure de réponse de l’API ?

Je n’arrive pas vraiment à cerner d’où vient ce goulot d’étranglement,
alors si certains ont déjà connu des problèmes de performance avec une architecture similaire,
j’aimerais beaucoup savoir par quoi il vaudrait mieux commencer.

---

Comme j’ai commencé presque sans savoir coder,
ça m’a pris deux mois entiers.

Quand je vois des gens lancer un service en quelques jours,
je les trouve vraiment impressionnants.

J’ai beaucoup de respect pour les développeurs.

Si certains d’entre vous ont aussi créé un service avec l’IA,
je serais curieux de savoir à quel endroit vous avez le plus bloqué.

---

J’ai aussi ajouté une mini-app Telegram, donc je mets l’adresse ici également.
https://t.me/rallypi_bot