X5 Tech raconte comment un service d'IA de préparation aux examens internationaux a été construit en 7 jours

Lors de l'intensif AI Talent Camp, l'équipe ExamLab Bot a construit en une semaine un service d'IA fonctionnel pour les enseignants qui préparent aux examens internationaux. Le système transforme le syllabus et les échéances en parcours d'apprentissage personnalisé. La préparation d'un plan passe ainsi de 3–4 heures à environ deux minutes.

Quel était le problème

L'idée part d'une difficulté très concrète des enseignants IB et A-Level. Pour prendre un nouvel élève, ils ne peuvent pas se contenter de lire le syllabus : ils doivent le convertir en plan détaillé sur 20–30 semaines. Ce plan doit tenir compte de la date de l'examen, de l'emploi du temps, des chapitres déjà vus et du niveau actuel. Si une séance est reportée ou si l'élève prend du retard, il faut tout recalculer. Chaque élève représente environ quatre heures de préparation routinière, et c'est ce travail, pas l'enseignement lui-même, qui freine la croissance.

Résultat : beaucoup d'enseignants renoncent à de véritables parcours personnalisés. Certains travaillent à l'intuition, d'autres appliquent le même modèle à tous, d'autres encore refusent simplement de nouveaux élèves. Sur un segment où l'accompagnement par un expert reconnu coûte 30–40 mille roubles par mois, cela se traduit par une perte directe de chiffre d'affaires. L'équipe ExamLab Bot a donc choisi d'automatiser précisément la couche organisationnelle répétitive : construction du plan, prise en compte des contraintes, mise à jour selon la progression et suivi de l'avancée vers l'objectif.

Comment le MVP a été conçu

En sept jours, l'équipe a volontairement réduit le périmètre à deux fonctions clés : construire un parcours personnalisé selon l'objectif, l'échéance et le niveau de l'élève, puis l'ajuster au fil de la progression et des retours de l'enseignant. Pour l'interface, elle a choisi un bot Telegram afin de ne pas perdre de temps sur un front web lourd. Google Sheets sert de représentation de travail du plan, et l'emploi du temps est synchronisé via Google Calendar. Au final, générer un plan prend environ deux minutes au lieu de 3–4 heures de préparation manuelle.

• l'enseignant ou l'administrateur définit l'objectif, l'échéance, le niveau, le temps disponible et les priorités
• le bot génère un plan d'apprentissage détaillé sur toute la période
• le plan est enregistré dans Google Sheets, et les événements sont envoyés dans Google Calendar
• quand la progression évolue, l'IA recalcule le parcours sans le reconstruire de zéro

Techniquement, le service repose sur une architecture multi-agents. Un orchestrateur Python coordonne des agents aux rôles distincts : le premier gère la stratégie et la répartition du temps, le deuxième détaille les cours, devoirs et tests, le troisième traite par lots les programmes longs, tandis qu'une couche dédiée vérifie la structure, les dates et l'exhaustivité de la couverture. La stack comprend Python 3.11+, asyncio, aiogram, SQLAlchemy, PostgreSQL et l'API OpenRouter. L'équipe a renoncé à LangChain et LangGraph au profit d'appels directs : cela facilite le contrôle des prompts, de la logique de retry et de la vitesse de développement.

«

Un produit minimal qui fonctionne, avec un pipeline propre, vaut mieux qu'une tentative de tout embrasser. »

Pourquoi une semaine a suffi

L'intensif lui-même était organisé comme un cycle produit court, et non comme un hackathon classique où l'on fait une démo pour la démo. Jour après jour, l'équipe est passée de la discovery et de la définition du problème à l'évaluation des risques et au PoC, puis au MVP, aux retours utilisateurs et à la soutenance finale. Les mentors rappelaient sans cesse que l'objectif n'était pas une belle présentation, mais les bases d'un vrai produit d'IA appelé à évoluer. Cela obligeait à trancher vite sur l'architecture, à couper les fonctions superflues et à s'en tenir au scénario qui fonctionne plutôt qu'aux idées spectaculaires.

Les auteurs du projet insistent : la vitesse ne vient pas de la magie des outils d'IA en soi. L'interface, les scénarios d'interaction avec l'enseignant et même le choix du premier segment d'utilisateurs ont changé plusieurs fois au cours de la semaine. Miser sur une version minimale fonctionnelle et sur des tests rapides en conditions réelles s'est révélé plus utile que de chercher à concevoir d'emblée un système idéal. Prochaine étape : une bêta fermée auprès de 10–15 enseignants, puis l'élargissement à d'autres examens et l'ajout de la préparation à l'EGE.

Ce que cela signifie

Le cas ExamLab Bot montre que, dans l'EdTech, ce sont aujourd'hui les produits d'IA ciblés, dotés d'une métrique de valeur claire, qui fonctionnent le mieux. Ici, cette métrique est le temps : des heures de préparation manuelle sont devenues des minutes, et l'enseignant a désormais une chance de développer son activité sans alourdir sa charge administrative. Une leçon utile pour d'autres équipes : des interfaces simples, des intégrations directes et des tests fréquents auprès des utilisateurs apportent souvent davantage qu'une stack complexe et une longue liste de fonctionnalités.