Gatto

La tension. J’ai commencé comme un designer commence : par vouloir des maquettes. Mais en solo, chaque semaine passée dans Figma est une semaine sans réponse à la seule question qui compte au début : est-ce que l’idée tient ?

Le choix. Une conception centrée sur l’IA : générer, tester, jeter. Tester mes idées et le produit lui-même avant d’y accorder trop de temps. Même logique côté système : pas de design system, un UI Kit. On est en mode build, un système serait une perte de temps.

Ce que ça a coûté. L’UI, justement. Celle de Gatto est générée avec l’IA et ça se voit : correcte, pas fantastique. C’est le marché que j’ai passé : tant que la thèse produit n’est pas prouvée, chaque heure de pixel-perfect est une heure volée à la validation. Le craft, je le garde pour les projets où il se paie ; ici, l’UI soignée viendra quand le produit aura mérité son designer.

La tension. Constituer une base de vraies bonnes adresses, sans équipe éditoriale et sans reproduire le biais que je combats.

Les options. Curation manuelle (ne passe pas l’échelle) · une seule API type Google (reproduit pile le biais de popularité) · agréger des dizaines de sources éditoriales.

Le choix. Un pipeline source-first : chaque lieu passé au scanner de la SERP, d’où ont émergé 70+ sources éditoriales, et un Signal Index fondé sur la convergence : on compte les fournisseurs distincts qui recommandent un lieu, pas le volume brut de mentions.

Ce que ça a coûté. Passer chaque lieu au LLM coûte cher. Les lieux sous 4,3 sur Google ne sont pas scannés. J’assume l’ironie : je filtre par la note que je combats, et quelques pépites me passent sous le nez, au nom de la viabilité.

Le choix. Deux pipelines n8n self-hosted plutôt qu’un backend maison. Le premier ingère les lieux : la ville est maillée en hexagones H3 et balayée via Google Places. Le second scanne les mentions : chaque lieu est cherché dans la SERP Google, et chaque mention éditoriale qui remonte est classée par GPT-5 (ce lieu est-il vraiment recommandé, ou juste cité en passant ?), puis Claude Haiku génère tags et résumés. Deux modèles, deux jobs, chacun sur sa force. Et au-dessus de la base, deux systèmes multi-agents : l’un rédige l’éditorial à partir de nos données, l’autre part à la découverte de nouveaux lieux.

Ce qui a vraiment été dur. Pas le code : l’économie. Trier 70+ sources qui ne se valent pas. Optimiser chaque requête de scraping entre les API IA, Apify, Groq. Récupérer et maintenir à jour les données Google Places sans cramer le budget, parce que Google est précisément conçu pour l’empêcher. Et des itérations sans fin sur le prompt du scanner : la frontière entre « vraiment recommandé » et « juste cité en passant » tient dans quelques phrases d’instructions.

Ce que ça a coûté. Des soirées entières à chercher pourquoi rien ne se mettait à jour, et une discipline gardée depuis : se méfier du succès silencieux autant que de l’échec bruyant.

La tension. Un « 96/100 » est immédiatement lisible, satisfaisant, dopaminergique. C’est l’UI évidente. Et c’est un piège.

Le choix. Score interne uniquement. Un chiffre invite au gaming, sous-entend une fausse précision, et devient juridiquement radioactif accolé au nom d’un restaurant. À la place, des signaux qualitatifs : labels de tier (Incontournable, Hidden Gem), compteurs de convergence (« 12 critiques n’arrêtent pas d’en parler »), et des classements. Même discipline sur le langage : « popularité suspecte » plutôt que « piège à touristes ».

Ce que ça a coûté. Plus dur à communiquer, moins spectaculaire au premier regard, plus de travail de design pour rendre le qualitatif crédible.

La tension. Construire l’app était presque la partie facile. La faire découvrir, c’est une autre histoire : une app de recommandations d’experts, ce n’est pas une requête que les gens tapent.

Ce qui a raté. J’ai cramé du budget en Apple Search Ads avant de comprendre le vrai problème : personne ne recherche ce que je voulais vendre. On tape « meilleur restaurant… », et cette requête appartient à Google Maps.

Le choix. Aller là où les gens découvrent vraiment des adresses : TikTok et Instagram. Le contenu social est généré depuis la base, avec des insights chiffrés du type « 37 % des lieux les mieux notés de Google à Paris ne sont cités par aucun guide » : la donnée fait la promotion du produit qui la contient.

Ce que ça a coûté. Un budget Apple Ads parti en frais de scolarité, et une leçon gravée : on n’achète pas une intention de recherche qui n’existe pas.

Premier bilan (2026). Environ 100 000 vues sur TikTok, 15 000 sur Instagram, 400 visiteurs récurrents par mois sur le site, 40 installations App Store. La notoriété se construit ; la conversion de la vue à l’install est le chantier ouvert, et je préfère l’écrire que le maquiller.