Benchmarks réels · MeigaHub

Tool calls

63.385

81.3% de succès

Utilisateurs actifs

14

avec appels d'outils enregistrés

Modèles LLM

35

différents en production

Économie estimée

$159,16

vs 100% cloud

Distribution local vs cloud

Pourcentage de requêtes LLM résolues par modèle local auto-hébergé vs API cloud (OpenAI/Mistral/etc).

Local (serveur propre) 16.7%

10.611 appels · 86.4% de succès

Cloud (API externe) 83.3%

52.774 appels · 80.2% de succès

Taux de réussite par outil

Top 12 outils avec ≥30 appels enregistrés. Calculé sur model_task_outcomes.

Outil	Appels	% de réussite
find_local_leads	6.009	90.8%
fetch_readable	5.019	68.8%
manage_automation	1.521	98%
manage_lead_hunt	1.387	98.8%
enrich_decision_maker	1.270	91.1%
manage_lead_hunt	1.217	57.4%
manage_lead_hunt	1.170	99.5%
manage_lead_hunt	1.154	86.7%
enrich_decision_maker	1.132	79.2%
enrich_decision_maker	1.100	99%
manage_automation	1.007	60.8%
manage_lead_hunt	795	70.3%

Volume d'utilisation enregistré

Comptes agrégés depuis usage_tracking — sommes historiques des actions réelles.

emails_daily

10.532

searches_daily

3.268

image_analysis_daily

639

web_fetches_daily

370

chat_messages_daily

301

stealth_sessions_month

298

public_chat_messages_monthly

114

server_downloads_monthly

28

api_fetches_daily

13

Savings estimés — méthode

Nous comparons le coût réel actuel (uniquement les appels effectivement routés vers le cloud) à un scénario hypothétique dans lequel toutes les appels LLM auraient été exécutés dans le cloud.

Tokens par requête estimés: 1500 (entrée + raisonnement + appel d'outil).
Prix combiné cloud: $10/1M tokens (référence GPT-4o 50% entrée / 50% sortie).
Modèles locaux détectés: contiennent qwen / llama / mistral-7b / phi / gemma / .gguf.

Si tout était cloud

$950,78

Cloud réel dépensé

$791,61

Savings par local

$159,16

Estimation conservatrice. L'économie réelle par utilisateur est généralement supérieure, car GPT-4 facture un input/ouput différent, les modèles petits ajoutent un forfait minimum mensuel et le coût de cloud augmente avec la longueur du contexte. Ces calculs ne comprennent pas le coût de l'électricité ni l'amortissement du matériel local.

Cas réels avec métriques auditables

Détail technique des cas présentés sur la page d'accueil. Secteurs et métriques réels ; noms et données identificatoires omis pour des raisons de confidentialité (anonimisés avec le consentement de l'utilisateur). Les chiffres sont réproducibles depuis le panneau du produit et depuis les tableaux usage_tracking, model_task_outcomes et automation_rule_runs.

CASO 1

Conseil juridique · recrutement REGCON

Livraison de 4 personnes en Galice (anonimisée). Objectif : identifier les entreprises obligées de présenter un plan d'égalité selon le Règlement royal 901/2020 qui n'apparaissent pas encore dans le registre REGCON du Ministère du Travail.

Métrique	Valeur	Source vérifiable
Entreprises du pool vérifiées en REGCON	2.847	`company_pool.regcon_checked_at` · 6 semaines
Entreprises sans plan d'égalité (pas en REGCON)	1.483	`company_pool.in_regcon = false`
Leads qualifiés créés (avec email de contact)	312	`leads.source = automation`
Coût API externe (Brave Search)	€18	Facturation Brave · 6 semaines
Coût LLM cloud	€0	Serveur local Qwen3.5 9B · `model_task_outcomes`
Heures de travail manuel évitées	~80 h	Estimation client (1 vérification REGCON manuelle ≈ 2 min)

Pipeline technique : manage_leads pool_verify_regcon (province) → manage_leads pool_search only_verified_not_regcon → collect_leads avec enriquecissement web (Brave API) → campagne email programmée. Tout orquesté par l'agent sur le serveur local de l'utilisateur.

CASO 2

Agence marketing · blog SEO en autopilote

Agence de 6 personnes (anonimisée). Objectif : produire du contenu SEO récurrent sans embaucher un rédacteur externe ni perdre des heures en briefing/relecture chaque semaine.

Métrique	Valeur	Source vérifiable
Articles publiés en 90 jours	47	`blog_posts.published_at`
Articles en top-30 Google (consultation primaire)	18	Google Search Console · capture 90 jours
Visites humaines à des articles (90 d)	3.412	`page_views.is_bot = false`
Ratio local/cloud en rédaction	84% / 16%	`model_task_outcomes` · task `tool:write_and_publish_blog_post`
Coût cloud LLM	~€7/mois	Facturation OpenAI (escalade post-faillite locale)
Temps humain de révision	~2 h/semaine	Estimation client (vs ~12 h/semaine rédigeant)

Pipeline technique : Règle d'automatisation cron quotidienne → search tendances du secteur → write_and_publish_blog_post avec schema markup automatique → publication sociale cross-channel. A+ routing apprend ce qui fonctionne bien pour la rédaction longue ; échelle à la cloud uniquement en cas de perte de qualité.

CASO 3

Bureau d'ingénierie · veille BOE / BDNS / PLACSP / TED

Ingénierie civile de 8 personnes (anonimisée). Objectif : surveiller quotidiennement les appels d'offres publics, les subventions et les concours européens pertinents pour leur domaine (travaux publics, infrastructure hydraulique, efficacité énergétique) sans affecter une personne.

Métrique	Valeur	Source vérifiable
Sources officielles surveillées (intake quotidien)	4	BOE · BDNS · PLACSP · TED (APIs officielles)
Opportunités ingérées (90 d)	2.184	`opportunities.search_case_id`
Opportunités avec un score ≥70 (matching LLM)	12	`opportunity_matches.score >= 70`
Candidatures présentées avec des documents adaptés	3	`candidacies.status = submitted` · `adapted_documents`
Coût cloud LLM	€0	100% local (Qwen2.5 14B pour le scoring + adaptation)
Temps humain dédié	~3 h/semaine	Revue finale des candidatures (vs surveillance manuelle full-time)

Pipeline technique : Search Case avec sources boe_api, bdns_api, placsp_atom, ted_api → prise en charge quotidienne programmée → SearchCaseMatchingService scoring par lots → notification au chat avec opportunités ≥70 → generate_adapted_document avec profils de l'entreprise (dossiers de docs en profile_folders).

Politique de données: Les trois cas sont des comptes réels avec une identité anonymisée. Les pourcentages et agrégats publiés ici ne permettent pas de réidentifier le client. Si tu es utilisateur et que tu veux que ton cas apparaisse (avec ton identité ou anonymisé), écris-nous depuis contact.

Transparence et reproductibilité

· Tous les données proviennent de tables réelles en production: model_task_outcomes, usage_tracking.
· Aucun données personnelles. Se publient les totaux agrégés y des pourcentages.
· Le calcul est effectué avec php artisan benchmarks:refresh et est mis en cache 24h.
· Code source du calcul: App\Services\BenchmarkStatsService (auditable).

Créer un compte gratuit Spécifications matérielles locales

Benchmarks réels de MeigaHub